Dragos Iliescu p si dependenta lui de N • p este dependent de marimea esantionului – http://vassarstats.net/tabs_r.html
• de ex: r constant, variaza N
– r = .30; N = 30, p = .0536 – r = .30; N = 50, p = .0171 – r = .30; N = 100, p = .0012 – r = .30; N = 200, p = .000008
• sau: N constant, variaza r
– N = 100; r = .30, p = .0012 – N = 100; r = .20, p = .0230 – N = 100; r = .15, p = .0682 p si dependenta lui de N • deci la un esantion suficient de mare, orice corelatie poate fi semnificativa
• dar noi stim ca semnificatia nu e totul -
puterea efectului este si ea importanta – de ex. la r = .10, efectul este de R2 = .01 (1%) p si dependenta lui de N • dar asta inseamna ca la esantioane mari o sa acceptam drept corect (o sa detectam) un efect care nu exista de fapt – ooops!
– doar pentru ca esantionul este foarte mare, eu
detectez drept corect (semnificativ statistic) un efect inexistent (effect size mic)
• aceasta e Eroarea de Tip I
Eroarea de Tip I • Eroarea de Tip I = un fals pozitiv
– spunem ca exista efect, dar el nu exista
– cu cat e mai mic alpha (p), cu atat e mai mica sansa
pentru un astfel de fals pozitiv
– deci ne aparam (printre altele) de Eroarea de Tip I
lucrand cu praguri de probabilitate severe • alpha < .10? • alpha < .05? • alpha < .01? • alpha < .001? Inca o privire la relatia dintre alpha, N si marimea efectului • daca avem un alpha=.05 si o limita de r=.30 semnificativa (de ex., N = 30 si atunci este sig doar ce e peste .30), – efectul minim care poate fi pus in evidenta este R2 = .09 ! – adica putem pune in evidenta efecte de .09, . 10, .20 etc, dar nu efecte de .08 – de ce? • caci pentru ca noi sa avem R2 = .07, trebuie ca r sa fie .264, dar un r = .264 este ns. (p = .079) Cum punem in evidenta efecte mai fine? • asadar, daca vreau sa pun in evidenta efecte mici, fine, am nevoie de un anumit tip de esantion, cu un N suficient de mare incat sa am semnificatie statistica si la r-uri mici
• altfel risc sa nu pot detecta un efect nici chiar
atunci cand el exista
• acesta este o Eroare de Tip II
– probabilitatea de avea o eroare de tip 2 se bazeaza pe un indice similar cu alpha, numit beta Alpha si Beta • indici – alpha = probabilitatea de a avea Eroare de Tip I – beta = probabilitatea de a avea Eroare de Tip II
• deci alpha imi spune daca e posibil sa fi detectat in mod
fals un efect inexistent (fals pozitiv) – 1-alpha = semnificatia = cat de sigur pot fi ca nu spun “este” la un efect inexistent
• iar beta imi spune daca e posibil sa nu fi detectat un efect
real (fals negativ) – 1-beta = puterea = cat de sigur pot fi ca nu am ratat un efect existent Asa arata poza Deciziile gresite (misdecision) • ambele erori (tip 1 si tip 2) sunt erori gresite (misdecision)
• teoretic, cand cresc pe una, scad pe alta
• si pentru ca ambele sa fie optime, e nevoie de
un echilibru foarte fin intre – N – alpha – beta – effect size Erori si erori ... • dar care din cele doua erori (I si II) e mai rea?
• e mai rau sa zicem ca ceva exista si nu exista
(Tip I)
• daca nu detectam un efect real (Tip II), nu e
mare problema – mai incercam si mai incercam si daca efectul e real, pana la urma iese, mai ales la numarul mare de studii care se fac astazi Asadar e mai rea eroarea de Tip I • de principiu e mai bine sa ignori un adevar decat sa crezi o greseala – de aceea se considera ca Type 1 e mai grav decat Type 2
• si se considera ca raportul de 'gravitate' dintre cele doua
este de 1:4 – deci de obicei echilibrul dintre alpha si beta este de 1:4
• asta inseamna ca pentru un alpha .05 avem un beta de .20
– asta inseamna un significance de 1-alpha = .95 si un power de 1- beta = .80
• (totusi, la studii de eficacitate e posibil sa vrem sa micsoram
beta si sa marim power) Cum calculam acesti indici? • GPower
• analiza apriori: – stim la ce effect size sa ne asteptam (sau facem un educated guess) – stim cu ce alpha operam – stim cu ce beta operam – cerem sa ni se calculeze N-ul optim Sau dupa ce este realizat studiul • analiza apriori nu ne scuteste insa de analiza reala a studiului nostru real, dupa ce avem datele – pentru ca viata bate filmul si pentru ca nu iese nimic fix cum ne- am propus
• dupa ce avem datele stim exact
– ce effect size avem – ce alpha avem la acel effect size – cat e N – deci putem calcula puterea reala a studiului nostru (1-beta)
