447. p-value dla korelacji a znaczenie efektu
Jak interpretować p-value dla korelacji, wielkość efektu i znaczenie praktyczne? Lekcja pokazuje, dlaczego istotność statystyczna nie wystarcza.
-
-
341. Wielkość efektu – dlaczego jest potrzebna obok p-value?
Wielkość efektu pokazuje, jak duża jest obserwowana różnica lub zależność. Lekcja wyjaśnia jej rodzaje, interpretację, wzory i znaczenie praktyczne.
-
340. Jak raportować wyniki bez sprowadzania ich do „istotne/nieistotne”?
Dobra interpretacja wyników nie kończy się na decyzji „istotne” albo „nieistotne”. Poznaj zasady raportowania efektu, niepewności i znaczenia praktycznego.
-
339. p-hacking – jak powstaje i jak go ograniczać?
P-hacking to wykorzystywanie elastyczności zbierania, analizowania i raportowania danych w celu uzyskania istotnego wyniku. Lekcja pokazuje mechanizmy tego zjawiska oraz sposoby ograniczania ryzyka.
-
338. Analizy pierwotne i wtórne a kontrola błędu
Analiza pierwotna służy odpowiedzi na główne pytanie badawcze, natomiast analizy wtórne rozwijają interpretację wyników. Lekcja wyjaśnia, jak planować te analizy i kontrolować ryzyko błędów przy wielokrotnym testowaniu hipotez.
-
337. Holm i FDR – alternatywy dla prostej korekty Bonferroniego
Lekcja wyjaśnia, jak działają procedura Holma i kontrola FDR, kiedy je stosować oraz jak interpretować wyniki wielokrotnego testowania hipotez.
-
336. Poprawka Bonferroniego – kiedy jest przydatna i kiedy zbyt konserwatywna?
Poprawka Bonferroniego ogranicza ryzyko fałszywie dodatnich wyników przy wielokrotnym testowaniu, ale może też obniżać moc analizy. Sprawdź, kiedy ją stosować.
-
334. Testy non-inferiority – podstawy interpretacji
Test non-inferiority służy do oceny, czy nowe leczenie nie jest klinicznie gorsze od standardu o więcej niż wcześniej ustalony margines.
-
333. Testowanie równoważności – inne pytanie niż brak różnicy
Test równoważności nie dowodzi po prostu braku różnicy. Sprawdź, jak ustalać granice równoważności, stosować procedurę TOST i interpretować przedziały ufności.
-
332. Znaczenie kliniczne a istotność statystyczna
Istotny statystycznie wynik nie zawsze oznacza ważną zmianę dla pacjenta. Lekcja wyjaśnia, jak oceniać wielkość efektu, przedziały ufności i MCID.
-
331. Moc statystyczna i jej związek z testowaniem
Moc statystyczna określa, jak duża jest szansa wykrycia rzeczywistego efektu. Lekcja wyjaśnia jej związek z alfą, błędem II rodzaju, próbą i wielkością efektu.
-
330. Błąd II rodzaju – fałszywie ujemny wynik
Błąd II rodzaju oznacza niewykrycie rzeczywistego efektu. Lekcja wyjaśnia moc testu, zależność od próby i efektu oraz interpretację wyników nieistotnych.
-
329. Błąd I rodzaju – fałszywie dodatni wynik
Błąd I rodzaju polega na odrzuceniu prawdziwej hipotezy zerowej. Lekcja wyjaśnia jego znaczenie, poziom alfa, przykłady medyczne i sposoby ograniczania ryzyka.
-
328. Obszar krytyczny i wartość krytyczna – intuicja
Obszar krytyczny i wartość krytyczna wyznaczają granicę decyzji w teście statystycznym. Lekcja pokazuje ich intuicję, wzory i zastosowania.
-
327. Statystyka testowa – czym jest?
Statystyka testowa to liczba obliczana na podstawie próby, która pozwala ocenić zgodność danych z hipotezą zerową. Lekcja wyjaśnia jej sens, wzory i interpretację.
-
326. Test jednostronny i dwustronny – kiedy wybierać?
Dowiedz się, czym różnią się testy jednostronne i dwustronne, kiedy można zastosować każdy z nich oraz dlaczego kierunek hipotezy trzeba ustalić przed analizą danych.
-
325. p = 0,049 i p = 0,051 – dlaczego wyniki są bardziej podobne, niż sugeruje próg?
Wyniki p = 0,049 i p = 0,051 są niemal identyczne liczbowo, choć przekroczenie progu 0,05 często prowadzi do skrajnie różnych opisów. Lekcja wyjaśnia, dlaczego tak się dzieje i jak interpretować takie rezultaty odpowiedzialnie.
-
324. Najczęstsze mity dotyczące p-value
p-value nie mówi, czy hipoteza jest prawdziwa. Poznaj najczęstsze błędy interpretacyjne i naucz się łączyć wynik testu z efektem, niepewnością i kontekstem.
-
323. Wartość p – poprawna interpretacja
Lekcja wyjaśnia, czym jest wartość p, czego nie oznacza oraz jak łączyć ją z wielkością efektu, przedziałem ufności i znaczeniem praktycznym.
-
321. Logika klasycznego testowania hipotez krok po kroku
Lekcja wyjaśnia logikę klasycznego testowania hipotez: od sformułowania H0 i H1, przez wybór testu i poziomu alfa, po interpretację wartości p oraz decyzji statystycznej.
-
315. Precyzja estymacji a istotność statystyczna
Istotność statystyczna nie mówi, jak duży ani praktycznie ważny jest efekt. W tej lekcji wyjaśniamy, jak przedziały ufności pokazują precyzję estymacji i jak łączyć je z wartością p.
-
304. Przedział ufności 95% – poprawna interpretacja
Przedział ufności 95% nie jest prawdopodobieństwem, że parametr znajduje się w konkretnym przedziale. Sprawdź, jak interpretować go poprawnie.
-
065. Hipoteza zerowa i alternatywna – formalny zapis i interpretacja
Hipoteza zerowa i alternatywna tworzą formalną strukturę testowania hipotez statystycznych. Lekcja wyjaśnia ich zapis, relację z pytaniem badawczym, poziomem istotności, wartością p, błędami I i II rodzaju oraz interpretacją wyników w badaniach medycznych i społecznych.