Znajdujesz znaczenie wyników. Analizujesz dane i przeprowadzasz eksperymenty. Jednak znaczenie biznesowe różni się od znaczenia statystycznego. Wiele organizacji biznesowych nie potrafiło odróżnić tych dwóch pojęć od niewłaściwego ich wykorzystania i niezrozumienia. Z drugiej strony, właściwa analiza danych pomaga w podejmowaniu odpowiednich decyzji biznesowych. Dlatego właśnie menedżerowie powinni rozumieć pojęcie istotności statystycznej.

Co to jest istotność statystyczna?

Znaczenie statystyczne wskazuje, że związek danej zmiennej z inną zmienną nie jest zbiegiem okoliczności, ale wynika z innego czynnika na tej zmiennej. Mówiąc prościej, istotność statystyczna jest matematycznym przedstawieniem wiarygodności statystyk. W tym artykule dowiesz się, jak obliczyć statystyczną istotność pomiędzy dwoma czynnikami.

Obliczanie statystycznej istotności (Statistical Significance)

Możesz zrozumieć to pojęcie i znaleźć obszerną odpowiedź, obliczając statystyczną istotność ręcznie. Możesz skorzystać z kalkulatora. Oto kroki, które możesz wykonać, aby obliczyć statystyczną istotność:

1.Tworzenie Hipotezy Zerowej

Po pierwsze, musisz ustalić hipotezę zerową. Możesz dowiedzieć się, czy istnieje różnica w zestawie danych, którego używasz. Nigdy nie należy wierzyć w swoją hipotezę zerową, ponieważ jest to tylko przypuszczenie.

2.Tworzenie hipotezy alternatywnej (Alternative Hypothesis)

Teraz, znajdź alternatywną hipotezę. Kiedy znajdziesz alternatywną hipotezę, będziesz wiedział, czy istnieje związek pomiędzy twoimi danymi. Hipoteza alternatywna jest odwrotna niż hipoteza zerowa, którą znajdziesz wcześniej.

3.Określanie poziomu istotności

Po znalezieniu hipotezy zerowej i alternatywnej, określisz poziom istotności lub alfa. Istnieje możliwość, że będziesz musiał odrzucić swoją hipotezę zerową, nawet jeśli może ona być prawdziwa. Standardowy poziom alfa wynosi od 0,05 do 5 procent.

4.Wybór typu testu

Teraz zdecyduj, z jakiego testu wybierzesz, jedno- lub dwupłaszczyznowego. W przypadku testu jedno-ogonowego obszar dystrybucji jest jednostronny, a w przypadku testu dwuogonowego – dwustronny. Mówiąc prościej, w testach jednokierunkowych przeanalizujesz relacje między dwoma zmiennymi w jednym kierunku i dwoma kierunkami w testach obustronnych. Jeśli twoje próby są jednostronne, to twoja alternatywna hipoteza jest prawdziwa.

5.Przeprowadzanie analizy mocy dla wielkości próbki

Analiza mocy pomoże określić wielkość próbki. Aby znaleźć analizę mocy, należy znać statystyczną moc, poziom istotności, wielkość próbki i wielkość efektu. Do przeprowadzenia tych obliczeń należy użyć kalkulatora. Zachowując pewien stopień pewności siebie, metoda ta pomoże określić wielkość próby. Metoda ta pomoże Ci znaleźć odpowiednią wielkość próby, abyś mógł obliczyć jej statystyczną istotność. Na przykład, jeśli wielkość próby jest bardzo mała, nie znajdziesz dokładnego wyniku.

6.Obliczanie odchylenia standardowego

Teraz obliczcie odchylenie standardowe. Aby to zrobić, musisz użyć następującego wzoru:
Odchylenie standardowe = √ ((∑|x-μ|^ 2) / (N-1))
W tym równaniu:

  • ∑ = jest sumą danych
  • x = czy dane jednostkowe
  • μ = oznacza średnią z danych dla każdej grupy
  • N = czy całkowita próbka
    Dzięki temu obliczeniu można dowiedzieć się, jak rozłożyć średnią wartość i oczekiwaną wartość. Znajdź wariancję między grupami, jeśli masz więcej przykładowych grup.

7.Użycie wzoru na błąd standardowy

Następnie należy użyć standardowej formuły błędu. Oto wzór na znalezienie błędu standardowego dwóch grup o odchyleniu standardowym.
Błąd standardowy =√((s1/N1) + (s2/N2))
W tym równaniu:

  • s1 = jest odchyleniem standardowym (pierwsza grupa)
  • N1 = jest to wielkość próby (pierwsza grupa)
  • s2 = jest odchyleniem standardowym (druga grupa)
  • N2 = jest to wielkość próby (druga grupa)

8.Ustalanie T-Score

W tym kroku musisz znaleźć t-score. Użyj poniższego równania, aby znaleźć t-score:
t =((µ1-µ2) / (sd))
W tym równaniu

  • t = jest wynikiem t-score
  • µ1 = średnia (pierwsza grupa)
  • µ2 = średnia (druga grupa)
  • sd = jest to błąd standardowy

9.Znalezienie stopni swobody

Teraz dowiedz się, jakie są stopnie wolności. Oto wzór na znalezienie stopni swobody:
stopnie wolności =(s1 + s2) – 2
W tym równaniu

  • s1 = próbki (pierwsza grupa)
  • s2 = próbki (druga grupa)

10.Używanie T-Table

Teraz możesz obliczyć swoją statystyczną istotność za pomocą t-tabeli. Po pierwsze, poszukaj stopni swobody po lewej stronie i określ odchylenie. Teraz przejdź do góry i znajdź p-wartość każdej zmiennej. Następnie porównaj poziom istotności lub alfa z wartością p. Możesz uznać wartość p poniżej 0,05 za statystycznie istotną.

Co to jest wartość P?

Prawdopodobieństwo znalezienia wyników jest nazywane wartością P. Na przykład, porównujesz wagi obywateli USA w Nowym Jorku i Kalifornii. Powinieneś zacząć od hipotezy zerowej, że Nowojorczycy mają więcej średniej wagi niż Kalifornijczycy.
Załóżmy, że teraz przeprowadzisz badanie, aby dowiedzieć się, czy hipoteza zerowa jest prawdziwa, czy nie. Po badaniu okaże się, że średnia waga Nowojorczyków jest o 20 funtów większa niż Kalifornia, z 0,41 jako wartością P. Oznacza to, że hipoteza zerowa jest prawdziwa, a Nowojorczycy ważą więcej niż Kalifornijczycy. Teraz jest 47% szans, że zmierzysz 20 funtów więcej New Yorkerów.
Ale jeśli Nowojorczycy nie ważą więcej, to i tak musisz mierzyć 20 funtów więcej z powodu szumu w danych prawie przez połowę czasu. Niższa wartość P oznacza więc dokładniejsze wyniki, ponieważ oznacza, że w danych jest mniej hałasu.

Wniosek

Możesz użyć istotności statystycznej, aby znaleźć ważność testów i analiz. Nie oznacza to jednak, że posiadasz dokładne dane. Wiele badań może dostarczyć błędnych informacji poprzez nieodpowiednie dane. Co więcej, możesz używać danych demograficznych z tendencyjnością w reprezentacji.
Co więcej, Twoje spostrzeżenia będą niedokładne, jeśli źle przeprowadzisz swój test istotności statystycznej. Ludzie najczęściej spotykają się z tym problemem, gdy ich poziom istotności (α) jest nieprawidłowy. Istnieje możliwość, że Twoja wartość P jest fałszywie dodatnia. Jednakże, aby przeciwdziałać temu problemowi, możesz powtórzyć badanie. Jeżeli stwierdzisz, że wartość P jest niższa niż poprzednia, zmniejszysz fałszywą wartość dodatnią z twojego wyniku.