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.
Dobra interpretacja wyników nie kończy się na decyzji „istotne” albo „nieistotne”. Poznaj zasady raportowania efektu, niepewności i znaczenia praktycznego.
P-hacking to wykorzystywanie elastyczności zbierania, analizowania i raportowania danych w celu uzyskania istotnego wyniku. Lekcja pokazuje mechanizmy tego zjawiska oraz sposoby ograniczania ryzyka.
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.
Lekcja wyjaśnia, jak działają procedura Holma i kontrola FDR, kiedy je stosować oraz jak interpretować wyniki wielokrotnego testowania hipotez.
Poprawka Bonferroniego ogranicza ryzyko fałszywie dodatnich wyników przy wielokrotnym testowaniu, ale może też obniżać moc analizy. Sprawdź, kiedy ją stosować.
Test non-inferiority służy do oceny, czy nowe leczenie nie jest klinicznie gorsze od standardu o więcej niż wcześniej ustalony margines.
Test równoważności nie dowodzi po prostu braku różnicy. Sprawdź, jak ustalać granice równoważności, stosować procedurę TOST i interpretować przedziały ufności.
Istotny statystycznie wynik nie zawsze oznacza ważną zmianę dla pacjenta. Lekcja wyjaśnia, jak oceniać wielkość efektu, przedziały ufności i MCID.
Moc statystyczna określa, jak duża jest szansa wykrycia rzeczywistego efektu. Lekcja wyjaśnia jej związek z alfą, błędem II rodzaju, próbą i wielkością efektu.
Błąd II rodzaju oznacza niewykrycie rzeczywistego efektu. Lekcja wyjaśnia moc testu, zależność od próby i efektu oraz interpretację wyników nieistotnych.
Błąd I rodzaju polega na odrzuceniu prawdziwej hipotezy zerowej. Lekcja wyjaśnia jego znaczenie, poziom alfa, przykłady medyczne i sposoby ograniczania ryzyka.
Obszar krytyczny i wartość krytyczna wyznaczają granicę decyzji w teście statystycznym. Lekcja pokazuje ich intuicję, wzory i zastosowania.
Statystyka testowa to liczba obliczana na podstawie próby, która pozwala ocenić zgodność danych z hipotezą zerową. Lekcja wyjaśnia jej sens, wzory i interpretację.
Dowiedz się, czym różnią się testy jednostronne i dwustronne, kiedy można zastosować każdy z nich oraz dlaczego kierunek hipotezy trzeba ustalić przed analizą danych.
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.
p-value nie mówi, czy hipoteza jest prawdziwa. Poznaj najczęstsze błędy interpretacyjne i naucz się łączyć wynik testu z efektem, niepewnością i kontekstem.
Lekcja wyjaśnia, czym jest wartość p, czego nie oznacza oraz jak łączyć ją z wielkością efektu, przedziałem ufności i znaczeniem praktycznym.
Poziom istotności alfa określa przyjęte ryzyko błędu I rodzaju. Lekcja wyjaśnia jego znaczenie, wybór, interpretację i najczęstsze błędy.
Lekcja wyjaśnia logikę klasycznego testowania hipotez: od sformułowania H0 i H1, przez wybór testu i poziomu alfa, po interpretację wartości p oraz decyzji statystycznej.
Moc statystyczna określa, jak duża jest szansa wykrycia rzeczywistego efektu. Lekcja wyjaśnia ją intuicyjnie, akademicko i na przykładach medycznych.
Lekcja 072 wyjaśnia, jak formułować hipotezy dotyczące różnic między grupami, dobierać ich kierunek, określać populację i zmienną wynikową oraz odróżniać różnicę statystyczną od znaczenia praktycznego.
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.