Sie finden die Bedeutung der Ergebnisse. Sie analysieren die Daten und führen Experimente durch. Die betriebswirtschaftliche Relevanz unterscheidet sich jedoch von der statistischen Signifikanz. Viele Wirtschaftsunternehmen konnten zwischen beiden nicht unterscheiden und missbrauchen und missverstehen das Konzept. Auf der anderen Seite hilft die richtige Analyse der Daten, geeignete Geschäftsentscheidungen zu treffen. Das ist der Grund, warum Manager das Konzept der statistischen Signifikanz verstehen sollten.
Was ist statistische Signifikanz?
Die statistische Signifikanz zeigt an, dass die Beziehung einer Variable zu einer anderen Variable kein Zufall ist, sondern auf einen anderen Faktor dieser Variable zurückzuführen ist. Mit einfachen Worten: Statistische Signifikanz ist eine mathematische Darstellung der Zuverlässigkeit der Statistik. In diesem Artikel erfahren Sie, wie Sie die statistische Signifikanz zwischen zwei Faktoren berechnen können.
Berechnen der statistischen Signifikanz
Sie können das Konzept verstehen und eine ausführliche Antwort finden, indem Sie die statistische Signifikanz von Hand berechnen. Sie können einen Taschenrechner verwenden. Hier sind die Schritte, die Sie zur Berechnung der statistischen Signifikanz befolgen können:
1.Erstellen einer Nullhypothese
Zuerst müssen Sie die Nullhypothese bestimmen. Sie können herausfinden, ob es einen Unterschied in dem von Ihnen verwendeten Datensatz gibt. Sie sollten Ihrer Nullhypothese niemals glauben, da dies nur eine Vermutung ist.
2.Erstellen einer Alternativhypothese
Finden Sie jetzt die Alternativhypothese heraus. Wenn Sie die Alternativhypothese gefunden haben, wissen Sie, ob es eine Beziehung zwischen Ihren Daten gibt. Die Alternativhypothese steht im Gegensatz zu der Nullhypothese, die Sie zuvor gefunden haben.
3.Bestimmen des Signifikanzniveaus
Nachdem Sie die Null- und Alternativhypothese gefunden haben, bestimmen Sie das Signifikanzniveau oder Alpha. Es besteht die Möglichkeit, dass Sie Ihre Nullhypothese ablehnen müssen, obwohl sie wahr sein könnte. Der Standard-Alpha beträgt 0,05 bis 5 Prozent.
4.Auswahl des Testtyps
Entscheiden Sie nun, welchen Test Sie wählen werden, ob Sie sich für einen ein- oder zweischwänzigen Test entscheiden. Das Verteilungsgebiet des einseitigen Tests ist jedoch einseitig, das des zweischwänzigen Tests zweiseitig. In einfachen Worten: Bei einseitigen Tests werden Sie die Beziehung der beiden Variablen in einer Richtung und bei zweiseitigen Tests in zwei Richtungen analysieren. Wenn Ihre Stichproben einseitig sind, dann ist Ihre alternative Hypothese wahr.
5.Durchführung der Power-Analyse für die Stichprobengröße
Die Power-Analyse hilft Ihnen bei der Bestimmung der Stichprobengröße. Um die Power-Analyse zu finden, sollten Sie die statistische Power, das Signifikanzniveau, den Stichprobenumfang und den Effektumfang kennen. Zur Durchführung dieser Berechnungen müssen Sie einen Taschenrechner verwenden. Diese Methode hilft Ihnen bei der Bestimmung des Stichprobenumfangs, indem sie eine gewisse Sicherheit bietet. Diese Methode wird Ihnen helfen, einen geeigneten Stichprobenumfang zu finden, damit Sie die statistische Signifikanz berechnen können. Wenn der Stichprobenumfang beispielsweise sehr klein ist, werden Sie kein genaues Ergebnis finden.
6. Berechnung der Standardabweichung
Berechnen Sie nun die Standardabweichung. Dazu müssen Sie die folgende Formel verwenden:
Standardabweichung = √ ((∑|x-μ|^ 2) / (N-1))
In dieser Gleichung:
- ∑ =ist die Datensumme
- x =ist die einzelnen Daten
- μ = ist der Mittelwert der Daten für jede Gruppe
- N =ist die Gesamtstichprobe
Mit dieser Berechnung können Sie herausfinden, wie Sie den Mittelwert und den erwarteten Wert verteilen können. Ermitteln Sie die Varianz zwischen den Gruppen, wenn Sie mehr Stichprobengruppen haben.
7. Verwendung der Standardfehlerformel
Verwenden Sie danach die Standardfehlerformel. Hier ist die Formel zur Ermittlung des Standardfehlers der beiden Gruppen anhand der Standardabweichung.
Standardfehler =√((s1/N1) + (s2/N2))
In dieser Gleichung:
- s1 =ist die Standardabweichung (erste Gruppe)
- N1 =ist die Stichprobengröße (erste Gruppe)
- s2 =ist die Standardabweichung (zweite Gruppe)
- N2 =ist die Stichprobengröße (zweite Gruppe)
8.T-Score bestimmen
In diesem Schritt müssen Sie den t-Score finden. Verwenden Sie die untenstehende Gleichung, um den t-Wert zu ermitteln:
t =((µ1-µ2) / (sd))
In dieser Gleichung
- t =ist der t-Wert
- µ1 = Mittelwert (erste Gruppe)
- µ2 = Mittelwert (zweite Gruppe)
- sd =ist der Standardfehler
9. Freiheitsgrade finden
Finden Sie jetzt die Freiheitsgrade heraus. Hier ist die Formel zur Ermittlung der Freiheitsgrade:
Freiheitsgrade =(s1 + s2) – 2
In dieser Gleichung
- s1 = Stichproben (erste Gruppe)
- s2 = Stichproben (zweite Gruppe)
10.T-Tabelle verwenden
Jetzt können Sie Ihre statistische Signifikanz mit Hilfe der t-Tabelle berechnen. Suchen Sie zunächst die Freiheitsgrade auf der linken Seite und bestimmen Sie die Varianz. Gehen Sie nun nach oben und finden Sie den p-Wert jeder Variablen. Dann vergleichen Sie das Signifikanzniveau oder Alpha mit dem p-Wert. Sie können einen p-Wert unter 0,05 als statistisch signifikant betrachten.
Was ist der P-Wert?
Die Wahrscheinlichkeit, die Ergebnisse zu finden, wird als P-Wert bezeichnet. Sie vergleichen zum Beispiel die Gewichte von US-Bürgern in New York und Kalifornien. Sie sollten mit der Nullhypothese beginnen, dass New Yorker ein höheres Durchschnittsgewicht haben als Kalifornier.
Nehmen wir nun an, Sie führen die Studie durch, um herauszufinden, ob die Nullhypothese wahr ist oder nicht. Nach der Studie stellen Sie fest, dass das Durchschnittsgewicht der New Yorker 20 lbs. über dem von Kalifornien liegt, mit 0,41 als P-Wert. Das bedeutet, dass die Nullhypothese wahr ist, und dass New Yorker mehr wiegen als Kalifornier. Nun besteht eine 47%ige Chance, dass Sie 20 lbs mehr Gewicht von New Yorkern messen werden.
Aber wenn die New Yorker nicht mehr wiegen, müssen Sie aufgrund von Rauschen in Ihren Daten in fast der Hälfte der Zeit immer noch 20 Pfund mehr messen. Ein niedrigerer P-Wert bedeutet also genauere Ergebnisse, da er bedeutet, dass die Daten weniger Rauschen enthalten.
Schlussfolgerung
Sie können die statistische Signifikanz verwenden, um die Gültigkeit der Tests und Analysen zu ermitteln. Dies bedeutet jedoch nicht, dass Sie über genaue Daten verfügen. Viele Umfragen können durch ungeeignete Daten falsche Informationen liefern. Darüber hinaus verwenden Sie möglicherweise demografische Daten mit Verzerrungen bei der Darstellung.
Darüber hinaus werden Ihre Erkenntnisse ungenau sein, wenn Sie Ihren statistischen Signifikanztest schlecht durchführen. Meistens werden die Menschen mit diesem Problem konfrontiert, wenn ihr Signifikanzniveau (α) falsch ist. Es besteht die Möglichkeit, dass Ihr P-Wert ein falsches Positiv ist. Um diesem Problem entgegenzuwirken, können Sie die Studie jedoch wiederholen. Wenn Sie einen niedrigeren P-Wert als den vorherigen finden, haben Sie die Falschpositivität Ihres Ergebnisses reduziert.
You may also like
Falsch-negativ
Beim Verständnis der Hypothese können zwei Fehler ziemlich verwirrend sein. Diese beiden Fehler sind falsch negativ und falsch positiv. Sie können den falsch-negativen Fehler auch als Fehler vom Typ II und den falsch-positiven als Fehler vom Typ I bezeichnen. Während des Lernens denken Sie vielleicht, dass diese Fehler keinen Nutzen haben und nur Ihre Zeit […]
Box-Plot-Übersicht
Mit Hilfe eines Box-Plots oder Box-and-Whisker-Plots können Sie die Verteilung der Datenbank in einer fünfstelligen Zusammenfassung darstellen. Das erste Quartil Q1 ist das Minimum, das dritte Quartil Q3 ist der Median und das fünfte Quartil Q5 ist das Maximum. Sie können die Ausreißer und ihre Werte mit Hilfe eines Boxplots finden. Sie können auch erkennen, […]
Bayes’sche Netzwerke
Das Erstellen eines probabilistischen Modells kann eine Herausforderung sein, erweist sich aber beim maschinellen Lernen als hilfreich. Um ein solches grafisches Modell zu erstellen, müssen Sie die probabilistischen Beziehungen zwischen den Variablen finden. Angenommen, Sie erstellen eine grafische Darstellung der Variablen. Sie müssen die Variablen als Knoten und die bedingte Unabhängigkeit als das Fehlen von […]
