P တန်ဖိုးများနှင့် စာရင်းအင်းဆိုင်ရာ အရေးပါမှုဆိုင်ရာ ရှင်းလင်းချက်

စာရင်းဇယားများတွင် p-တန်ဖိုးများကို t-tests၊ chi-square စမ်းသပ်မှုများ၊ ဆုတ်ယုတ်မှုခွဲခြမ်းစိတ်ဖြာမှု၊ ANOVAs နှင့် အခြားသော ကိန်းဂဏန်းနည်းလမ်းများ အမျိုးမျိုးအတွက် သီအိုရီစစ်ဆေးမှုတွင် အသုံးများသည်။

၎င်းတို့သည် အလွန်အသုံးများသော်လည်း၊ လူများသည် ခွဲခြမ်းစိတ်ဖြာမှု သို့မဟုတ် လေ့လာမှုတစ်ခု၏ ရလဒ်များကို ဘာသာပြန်သည့်အခါ အမှားအယွင်းများဖြစ်စေနိုင်သည့် p-တန်ဖိုးများကို မှားယွင်းစွာအဓိပ္ပာယ်ပြန်ဆိုလေ့ရှိကြသည်။

ဤဆောင်းပါးတွင် p-တန်ဖိုးများကို ရှင်းရှင်းလင်းလင်းနှင့် လက်တွေ့ကျကျ နားလည်သဘောပေါက်ပုံ ရှင်းပြထားသည်။

ယူဆချက် စမ်းသပ်ခြင်း။

p-တန်ဖိုးများကိုနားလည်ရန်၊ ကျွန်ုပ်တို့သည် hypothesis စမ်းသပ်ခြင်း ၏သဘောတရားကို ဦးစွာနားလည်ရန် လိုအပ်ပါသည်။

စမ်းသပ်မှုယူဆချက် သည် အယူအဆတစ်ခုကို ငြင်းပယ်ရန် သို့မဟုတ် ပျက်ကွက်ရန် ကျွန်ုပ်တို့အသုံးပြုသည့် တရားဝင်စာရင်းအင်းစမ်းသပ်မှုတစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့်၊ ဆေးဝါးအသစ်၊ နည်းလမ်း သို့မဟုတ် လုပ်ထုံးလုပ်နည်းအသစ်တစ်ခုသည် လက်ရှိဆေးဝါး၊ နည်းလမ်း သို့မဟုတ် လုပ်ထုံးလုပ်နည်းထက် အချို့သော အကျိုးကျေးဇူးများရှိကြောင်း ကျွန်ုပ်တို့ ယူဆနိုင်ပါသည်။

၎င်းကိုစမ်းသပ်ရန်၊ ကျွန်ုပ်တို့သည် null နှင့် အခြား hypothesis ကိုအသုံးပြုသည့် hypothesis test ကို လုပ်ဆောင်နိုင်သည်-

Null Hypothesis – နည်းလမ်းသစ်နှင့် နည်းလမ်းဟောင်းကြားတွင် အကျိုးသက်ရောက်မှု သို့မဟုတ် ကွာခြားမှု မရှိပါ။

Alternative Hypothesis – နည်းလမ်းသစ်နှင့် နည်းလမ်းဟောင်းကြားတွင် အကျိုးသက်ရောက်မှု သို့မဟုတ် ကွဲပြားမှုရှိပါသည်။

နမူနာဒေတာဖြင့် p-value သည် null hypothesis မည်မျှယုံကြည်စိတ်ချရကြောင်း ဖော်ပြသည်။ အတိအကျအားဖြင့်၊ null hypothesis သည် မှန်သည်ဟု ယူဆပါက၊ p-value သည် နမူနာဒေတာတွင် ကျွန်ုပ်တို့အမှန်တကယ်လေ့လာတွေ့ရှိခဲ့သည့် အနည်းဆုံးအကျိုးသက်ရောက်မှုတစ်ခုရရှိရန် ဖြစ်နိုင်ခြေကို ပြောပြသည်။

သီအိုရီစမ်းသပ်မှုတစ်ခု၏ p-တန်ဖိုးသည် လုံလောက်စွာနိမ့်ပါက၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်နိုင်သည်။ အတိအကျအားဖြင့်၊ ကျွန်ုပ်တို့သည် သီအိုရီစမ်းသပ်မှုကို လုပ်ဆောင်သောအခါ၊ ကျွန်ုပ်တို့သည် အစမှနေ၍ အရေးပါသည့်အဆင့်ကို ရွေးချယ်ရန် လိုအပ်ပါသည်။ ထင်ရှားသောအဆင့်များအတွက် ဘုံရွေးချယ်မှုများမှာ 0.01၊ 0.05 နှင့် 0.10 ဖြစ်သည်။

p-တန်ဖိုးများသည် ကျွန်ုပ်တို့၏ အရေးပါမှုအဆင့် အောက်တွင် ရှိနေပါက၊ null hypothesis ကို ငြင်းပယ်နိုင်သည်။

မဟုတ်ပါက၊ p-value သည် ကျွန်ုပ်တို့၏ အရေးပါမှုအဆင့် ထက် ကြီးပါက ၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။

P တန်ဖိုးကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်မလဲ။

p-value ၏ မူရင်းအဓိပ္ပါယ်မှာ-

p-value သည် null hypothesis မှန်ကန်ကြောင်း ပေး၍ အနည်းဆုံး သင်၏နမူနာစာရင်းအင်းကဲ့သို့ လွန်ကဲသည့်နမူနာစာရင်းအင်းကို လေ့လာရန်ဖြစ်နိုင်ခြေဖြစ်သည်။

ဥပမာအားဖြင့်၊ စက်ရုံတစ်ရုံက ပျမ်းမျှအလေးချိန် ပေါင် ၂၀၀ ရှိတဲ့ တာယာတွေကို ထုတ်လုပ်တယ်လို့ ဆိုပါစို့။ စာရင်းစစ်တစ်ဦးက ဤစက်ရုံမှထုတ်လုပ်သော တာယာများ၏ ပျမ်းမျှအလေးချိန်သည် ပေါင် 200 ကွာခြားသည်ဟု ယူဆပါသည်။ ထို့ကြောင့် သူသည် သီအိုရီစမ်းသပ်မှုကို ပြုလုပ်ပြီး စမ်းသပ်မှု၏ p-တန်ဖိုးသည် 0.04 ဖြစ်ကြောင်း တွေ့ရှိခဲ့သည်။ ဤ p-value ကို အဓိပ္ပါယ်ဖွင့်ဆိုပုံမှာ အောက်ပါအတိုင်းဖြစ်သည် ။

အကယ်၍ စက်ရုံမှ ပျမ်းမျှအလေးချိန် ပေါင် 200 ရှိသော တာယာများကို အမှန်တကယ် ထုတ်လုပ်ပါက၊ စစ်ဆေးမှုအားလုံး၏ 4% သည် ကျပန်းနမူနာအမှားကြောင့် နမူနာတွင် သတိပြုမိသော အကျိုးသက်ရောက်မှု သို့မဟုတ် ထို့ထက်မက ရရှိမည်ဖြစ်သည်။ စက်ရုံမှ ပျမ်းမျှအလေးချိန် ပေါင် 200 ရှိသော တာယာများကို အမှန်တကယ်ထုတ်လုပ်ပါက စာရင်းစစ်မှရရှိသောနမူနာအချက်အလက်များကို ရယူခြင်းသည် အလွန်ရှားပါးကြောင်း ၎င်းကပြောသည်။

ဤယူဆချက်စမ်းသပ်မှုတွင်အသုံးပြုသည့် အရေးပါမှုအဆင့်ပေါ်မူတည်၍ စာရင်းစစ်သည် ဤစက်ရုံမှထုတ်လုပ်သည့်တာယာများ၏အမှန်တကယ်ပျမ်းမျှအလေးချိန်သည် ပေါင် 200 ဖြစ်သည်ဟူသော null hypothesis ကို ငြင်းဆိုဖွယ်ရှိသည်။ စာရင်းစစ်ကာလအတွင်း သူရရှိသော ဒေတာနမူနာများသည် null hypothesis နှင့် အလွန်ကိုက်ညီမှုမရှိပါ။

P value ကို ဘယ်လို အဓိပ္ပာယ်ဖွင့်ဆို ရမလဲ

p-values နှင့် ပတ်သက်၍ အကြီးမားဆုံး အထင်အမြင်လွဲမှားမှုမှာ ၎င်းတို့သည် စစ်မှန်သော null hypothesis (Type I error ဟုခေါ်သည်) ကို ငြင်းပယ်ခြင်းဖြင့် အမှားပြုလုပ်နိုင်ခြေနှင့် ညီမျှသည်။

p-values များသည် error rate ကို မယှဉ်နိုင်သော အဓိက အကြောင်းရင်း နှစ်ခု ရှိပါသည်။

1. P တန်ဖိုးများကို null hypothesis သည် အမှန်ဖြစ်ကြောင်းနှင့် နမူနာဒေတာနှင့် null hypothesis အကြား ခြားနားမှုသည် အခွင့်အလမ်းကြောင့်ဖြစ်သည်ဟူသော ယူဆချက်အပေါ် အခြေခံ၍ တွက်ချက်ပါသည်။ ထို့ကြောင့် p-တန်ဖိုးများသည် တွက်ချက်မှုများ၏ရှုထောင့်မှ 100% မှန်သောကြောင့် သုညတန်ဖိုးသည် မှန်သည် သို့မဟုတ် မှားနိုင်ခြေကို သင့်အား မပြောနိုင်ပါ။

2. သင့်နမူနာဒေတာသည် သုညသည် အမှန်ဟုယူဆနိုင်ဖွယ်မရှိဟု p-value နိမ့်ညွှန်ပြသော်လည်း p-value သည် သင့်အား အောက်ပါကိစ္စများတွင် မည်သည့်အရာက ပို၍ဖြစ်နိုင်ချေရှိသည်ကို မပြောပြနိုင်သေးပါ။

• null သည် false ဖြစ်သည်။
• သုညတန်ဖိုးသည် မှန်သော်လည်း သင့်တွင် ထူးဆန်းသောနမူနာတစ်ခု ရရှိထားသည်။

ယခင်နမူနာနှင့် နှိုင်းယှဉ်ပါက ဤတွင် p-value ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် မှန်ကန်ပြီး မမှန်သော နည်းလမ်းတစ်ခုဖြစ်သည်။

• မှန်ကန်သော အဓိပ္ပာယ်ဖွင့်ဆိုချက်- စက်ရုံမှ ပျမ်းမျှအလေးချိန် ပေါင် 200 ရှိသော တာယာများကို ထုတ်လုပ်သည်ဟု ယူဆပါက၊ သင့်နမူနာတွင် သင် ရရှိထားသော သတိပြုမိသော ကွာခြားချက် သို့မဟုတ် ကျပန်းနမူနာကြောင့် စာရင်းစစ်များ၏ 4% တွင် ပိုမိုလွန်ကဲစွာ ကွာခြားမှုကို သင်ရရှိမည်ဖြစ်သည်။
• မှားယွင်းသော အဓိပ္ပာယ်ဖွင့်ဆိုချက်- null hypothesis ကို ငြင်းပယ်ပါက သင်သည် အမှားလုပ်မိရန် အခွင့်အလမ်း 4% ရှိပါသည်။

P တန်ဖိုးများကို ဘာသာပြန်ခြင်း ဥပမာများ

အောက်ဖော်ပြပါ ဥပမာများသည် သီအိုရီစမ်းသပ်ခြင်း၏ ဆက်စပ်အကြောင်းအရာတွင် p-တန်ဖိုးများကို အနက်ပြန်ဆိုရန် မှန်ကန်သောနည်းလမ်းများကို ဖော်ပြသည်။

ဥပမာ ၁

တယ်လီဖုန်းကုမ္ပဏီတစ်ခုက ၎င်း၏ သုံးစွဲသူ ၉၀ ရာခိုင်နှုန်းသည် ၎င်းတို့၏ ဝန်ဆောင်မှုကို ကျေနပ်သည်ဟု ဆိုကြသည်။ ဤတိုင်ကြားချက်ကို စမ်းသပ်ရန်အတွက် လွတ်လပ်သောသုတေသီတစ်ဦးသည် ဖောက်သည် ၂၀၀ ၏ ရိုးရှင်းသောကျပန်းနမူနာကို စုဆောင်းကာ ၎င်းတို့၏ဝန်ဆောင်မှုကို ကျေနပ်မှုရှိမရှိ မေးမြန်းခဲ့ရာ 85% က ဟုတ်သည်ဟု ဆိုသည်။ ဤဒေတာနမူနာနှင့်ဆက်စပ်နေသည့် p-တန်ဖိုးသည် 0.018 ဖြစ်သည်ကို တွေ့ရှိခဲ့သည်။

p-value ၏ မှန်ကန်သော အဓိပ္ပာယ်ဖွင့်ဆိုချက်- ဖောက်သည်များ၏ 90% သည် ၎င်းတို့၏ ဝန်ဆောင်မှုအတွက် အမှန်တကယ် စိတ်ကျေနပ်မှုရှိသည်ဟု ယူဆပါက သုတေသီ သည် ၎င်း၏နမူနာတွင် ရရှိသော သတိပြုမိသော ခြားနားချက် သို့မဟုတ် ကျပန်းနမူနာတစ်ခုကြောင့် စာရင်းစစ်၏ 1.8% တွင် ပိုမိုလွန်ကဲသော ကွာခြားချက်ကို ရရှိမည်ဖြစ်သည်။ အမှား။ .

ဥပမာ ၂

ကုမ္ပဏီတစ်ခုသည် ဖုန်းများအတွက် ဘက်ထရီအသစ်ကို တီထွင်ခဲ့သည်။ ဒီဘက်ထရီအသစ်က ဘက်ထရီအဟောင်းထက် အနည်းဆုံး 10 မိနစ်လောက် ပိုကြာမယ်လို့ ကုမ္ပဏီက ပြောပါတယ်။ ဤတိုင်ကြားချက်ကို စမ်းသပ်ရန်အတွက် သုတေသီတစ်ဦးသည် ဘက်ထရီအသစ် 80 လုံးနှင့် ဘက်ထရီ အဟောင်း 80 ၏ ရိုးရှင်းသော ကျပန်းနမူနာကို ယူဆောင်သည်။ ဘက်ထရီအသစ်များသည် စံသွေဖည်မှု 12 မိနစ်ဖြင့် ပျမ်းမျှ မိနစ် 120 ကြာပြီး ဘက်ထရီအဟောင်းများသည် ပျမ်းမျှ 115 မိနစ်နှင့် စံသွေဖည်မှု 15 မိနစ်ဖြစ်သည်။ လူဦးရေ ကွာခြားမှုအတွက် စမ်းသပ်မှုမှ ထွက်ပေါ်လာသော p-တန်ဖိုးသည် 0.011 ဖြစ်သည်။

p-value ၏ မှန်ကန်သော အဓိပ္ပာယ်ဖွင့်ဆိုချက်- ဘက်ထရီအသစ်သည် တူညီသောကြာချိန် သို့မဟုတ် ဘက်ထရီဟောင်းထက်နည်းသော အလုပ်လုပ်သည်ဟု ယူဆပါက သုတေသီသည် အမှားအယွင်းကျပန်းနမူနာယူခြင်းကြောင့် လေ့လာမှုများ၏ 1.1% တွင် သတိပြုမိသော ခြားနားချက် သို့မဟုတ် ပိုမိုလွန်ကဲသောကွာခြားချက်ကို ရရှိမည်ဖြစ်သည်။