PSY117/454 Statistická analýza dat v psychologii Přednáška 13

Prezentace na téma: "PSY117/454 Statistická analýza dat v psychologii Přednáška 13"— Transkript prezentace:

1 PSY117/454 Statistická analýza dat v psychologii Přednáška 13
Smysluplné užití statistiky VIII. Thou shalt not worship the 0.05 significance level. Michael Driscoll,, The American Mathematical Monthly, The Ten Commandments of Statistical Inference, Volume 84, Number 8, 1977 (p. 628) Abelson, R. (1995). Statistics as Principled Argument. LEA. Isbn

2 Dichotomizace výsledků výzkumu
Výsledek výzkumu je testováním zredukován na ano-ne Čím nižší je a, tím vyšší je b. Přesná podoba vztahu závisí na použitém testu. a i b mohou být nízké pouze při vysokých n. Síla testu viz Hendl AJ: type-I error, type-II error, (statistical) power H0 přijata H0 zamítnuta H0 pravdivá (žádný efekt) OK chyba 1. typu a (její pravděpodobnost) H0 nepravdivá (efekt) chyba 2. typu b Síla (1-b) a: efekt nalezen, kde žádný není b: existující efekt za takový neodhalen síla: pravděpodobnost odhalení existujícího efektu

3 Síla testu … pravděpodobnost, že výsledek našeho statistického testu bude znít „na hladině a je rozdíl(korelace) statisticky významný“, pokud určitý rozdíl skutečně existuje … pravděpodobnost nezamítnutí H0, je-li H0 nepravdivá P (p<a|H1) = 1− b Závisí na Velikosti účinku – skutečném stavu věcí – čím větší je účinek, tím vyšší je síla testu. Velikost účinku obvykle souvisí s variabilitou Zvolené a – čím nižší a, tím nižší síla testu Velikosti vzorku – čím větší vzorek, tím vyšší síla testu Použitém testu – obecně neparametrické mají nižší sílu testu Žádoucí hodnoty pro sílu testu jsou > 0,8

4 K čemu jsou úvahy o síle testu?
K tomu abychom nedělali zbytečné výzkumy. Cohen 1960 – J of Abnormal & Social Pschlg – průměrná síla 0,48 Cohen 1992 – nic moc se za 30 let nezměnilo Existuje-li rozdíl/vztah a my ho hledáme v tak malém vzorku, že síla je < 50%, pak to nemá smysl Abychom nedělali manipulativní závěry Chceme-li potvrdit hypotézu o neexistenci rozdílu/vztahu, nelze to udělat prostým nevyvrácením nulové hypotézy. K tomu, abychom si dokázali spočítat, jak velký vzorek potřebujeme pro svůj výzkum – náklady.

5 Jak spočítáme potřebnou velikost vzorku?
…těžko… pro každý statistický test se počítá jinak Totéž platí i pro sílu testu Obecně: Jak velký vzorek potřebuji na to aby mi pro mě zajímavý účinek vyšel s 80% pravděpodobností statisticky významný na hladině a? receptář Oseckých G*Power Online např.

6 Základní postup zpracování dat
Pečlivá tvorba datové matice Tvorba a transformace proměnných Seznámení se s daty a explorace Běžné popisné statistiky, zejm. četnosti Všemožná zobrazení, grafy a kontingenční tabulky, zejm. neredukující Outlieři, chyby, chybějící data, nečekané souvislosti – cokoli, co nám pomůže lépe pochopit získaná data (a důvěřovat jim) Upřesnění a testování hypotéz Nezapomenout na ověření předpokladů testů Umíme-li několika způsoby, je dobré je vyzkoušet, zvlášť když si nejsme jistí splněním předpokladů

7 Základní principy komunikování výsledků
Ve výsledcích uvádíme Způsob výpočtu/kódování proměnných Popisné statistiky odpovídající úrovni měření a následujícím testům Často včetně intervalů spolehlivosti na M nebo r Ověření předpokladů testů, je-li nutné (dle konvence) Testy hypotéz Testová statistika (t, z, F, r apod.) + df p= …, nebo p<(>) a Velikost účinku (d, r2 , OR) Morgan, Reichert, Harrison (2002). From Numbers to Words - Reporting Statistical Results for the Social Sciences. Allyn & Bacon Morgan, Reichert, Harrison (2002). From Numbers to Words - Reporting Statistical Results for the Social Sciences. Allyn & Bacon

8 Statistická gramotnost
Korelace neimplikuje kauzalitu Je rozdíl mezi statistickou a praktickou významností (zvlášť u velkých vzorků) Je rozdíl mezi zjištěním nulového účinku/rozdílu a konstatováním, že rozdíly nejsou statisticky významné (zvlášť u malých vzorků) Data jsou „omylným“ zachycením jevů a vždy je třeba zohledňovat jejich vznik – otázky a postupy … metodologie Zdánlivě velmi nepravděpodobné jevy a koincidence se vyskytují často, protože mají nesmírně mnoho možností se vyskytnout Nezaměňovat podmíněné pravděpodobnosti P(A|B) a P(B|A). Nezaměňovat podmíněné pravděpodobnosti s nepodmíněnými. Variabilita je přirozená a „normální“ není totéž co „průměrný“ Utts (2003) Automobile Association Foundation for Traftic Safety (Stutts et aj. 2) 1) was widely puhlicizcd hecause it found that only I .5% of drivers in accidents reported Ihatthey were using acell phone, whereas, for eXamp]e, 10.9% reported that they were distracted by another occupant in the cat. Many media reports concluded thai this mcant that taÍking on a cell phone was much Jcss likely to cause an accident than other disractions, like talking with sorneone In the car ot attending to the radio. But notice that this is confusiiig two conditional prohahilities. ‘I‘he rcported proportion ot accidents of .015 (I .5%) for which the driver was using a cell phone is an estirnate of the probab ility that a driver was using a cell phone, given that he or she had an accident. The probability of interest is the inverse—the probability that a driver will have an accident, given that he or she is using a cell phone. That probability cannot be fnund from the reported data because it depends on the prevalence of cell phone use. Bui. it Is alrnostcertainly truc that many more drivers are talking with other occupants ol the car than alking on a cell phone aI any given time.

9 Bezpečné řízení Automobile Association Foundation for Traffic Safety zjistila, že pouze 1,5% řidičů telefonovala, když měli havárii, zatímco 10,9% řidičů bylo v okamžiku havárie vyrušováno další osobou v autě nebo rádiem. Řada médií z toho činila závěr, že telefonování při řízení ohrožuje řidiče méně než další pasažéři nebo poslech rádia. P(Telefonování|Havárie) ≠ P(Havárie|Telefonování) But notice that this is confusiiig two conditional prohahilities. ‘I‘he rcported proportion ot accidents of .015 (I .5%) for which the driver was using a cell phone is an estirnate of the probab ility that a driver was using a cell phone, given that he or she had an accident. The probability of interest is the inverse—the probability that a driver will have an accident, given that he or she is using a cell phone. That probability cannot be fnund from the reported data because it depends on the prevalence of cell phone use. Bui. it Is alrnostcertainly truc that many more drivers are talking with other occupants ol the car than alking on a cell phone aI any given time.

10 M.A.G.I.C. MAGNITUDE – velikost účinku
V čem se obecně liší dobrý statistický argument od špatného? MAGNITUDE – velikost účinku ARTICULATION – konkrétnost, jistota: t-test vs. ANOVA, c2 GENERALITY – aplikovatelnost na co nejširší třídu jevů INTERESTINGNESS – pro odborníka překvapivý výsledek? CREDIBILITY – věrohodnost: čím je výsledek překvapivější, tím lépe musí být doložen To jsou aspekty, které se ve výzkumné zprávě snažíme zdůraznit (a při provádějí výzkumu v rámci možností zajistit) Abelson, R. P. (1995). Statistics As Principled Argument. Lawrence Erlbaum.

11 Výzkumně-kriticky orientovaná Áčka
PSY117 – statistika a PSY252 – statistika II (pouze na jednooborová) PSYXXX – psychometrika (pouze na jednooborové psychologii) PSY112 – metodologie – úvod, klasika a PSY118 – metodologie – kvalitativa Kritické myšlení při příjmu poznatků Konzumace výzkumu Realizace vlastních výzkumů Psychodiagnostika Chybí: filozofie, logika ….. sociologie vědy pořadí

12 2 knihy na závěr Mlodinow, L. (2009). Život je jen náhoda. Jak náhoda ovlivňuje naše životy. Praha: Slovart. Porter, T. M. (1995). Trust in numbers. The pursuit of objectivity in science and public life. Princeton: Princeton University Press.