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.
-
-
446. Przedział ufności dla korelacji
Przedział ufności dla korelacji pokazuje nie tylko jej oszacowaną wartość, lecz także niepewność wyniku. Lekcja wyjaśnia obliczenia, interpretację i błędy.
-
445. Kierunek i siła korelacji – jak interpretować bez sztywnych progów?
Jak poprawnie interpretować znak i wartość współczynnika korelacji, uwzględniając kontekst, precyzję oszacowania, projekt badania i znaczenie praktyczne.
-
441. Korelacja – czym jest i czego nie oznacza?
Korelacja opisuje współzmienność dwóch zmiennych, ale nie dowodzi przyczynowości, zgodności pomiarów ani klinicznej ważności wyniku.
-
191. Wielkość próby dla korelacji
Jak zaplanować liczbę uczestników do badania korelacji Pearsona lub Spearmana? Lekcja wyjaśnia założenia, wzory, moc i praktyczne przykłady.
-
073. Hipotezy dotyczące związku między zmiennymi – przykłady
Lekcja 073 pokazuje, jak formułować hipotezy o związku między zmiennymi, odróżniać korelację od przyczynowości oraz dobierać hipotezy do rodzaju zmiennych i schematu badania.
-
014. Zależność statystyczna a związek przyczynowy – dlaczego korelacja nie wystarcza?
Korelacja opisuje współwystępowanie zmiennych, ale sama nie dowodzi, że jedna zmienna powoduje zmianę drugiej. Lekcja wyjaśnia różnicę między zależnością statystyczną a przyczynowością oraz pokazuje rolę zmiennych zakłócających, kierunku czasu, randomizacji i modeli przyczynowych.