এখন যে নাল হাইপোথিসিকে আমি প্রত্যাখ্যান করেছি তার পরে কী?

Question

আমি সময় করেছি এবং আবার প্রত্যাখ্যাত বা প্রত্যাখ্যান করতে ব্যর্থ নাল হাইপোথিসিস। মামলা প্রত্যাখ্যান করতে ব্যর্থতায়, আপনি এই সিদ্ধান্তে পৌঁছেছেন যে প্রত্যাখ্যান করার পক্ষে পর্যাপ্ত প্রমাণ নেই এবং আপনি "এগিয়ে চলেছেন" (যেমন, হয় আরও তথ্য সংগ্রহ করুন, পরীক্ষা শেষ করুন ইত্যাদি))

কিন্তু যখন আপনি নাল হাইপোথিসিসকে "না" প্রত্যাখ্যান করেন, বিকল্প অনুমানের জন্য কিছু প্রমাণ সরবরাহ করে আপনি সত্যই "প্রমাণ" করতে পারবেন না যে আপনার বিকল্প অনুমানটি সত্যই সত্য বলে ধরেছে।

সুতরাং, একবার নাল অনুমানকে প্রত্যাখ্যান করার পরে পরবর্তী সাধারণ পদক্ষেপগুলি কী কী? আরও অনুসন্ধানগুলি আরও চূড়ান্ত করার জন্য কেউ "সমস্যাটিকে আরও বিশ্লেষণ করতে" কোন সরঞ্জাম / কৌশল অবলম্বন করে? পরিসংখ্যানবিদ আরও বিশ্লেষণের নিশ্চয়তা হিসাবে যৌক্তিক "পরবর্তী পদক্ষেপগুলি" কী কী?

উদাহরণ স্বরূপ:

$H_0: \mu_1 = \mu_0$

$H_1: \mu_1 > \mu_0$ (বলুন আমরা প্রত্যাশিত দিকটি জানি)

একবার আমরা তাৎপর্যের কিছু স্তরে নাল অনুমানকে প্রত্যাখ্যান করি বিকল্পটি সত্য হওয়ার জন্য আমাদের "কিছু প্রমাণ" রয়েছে, তবে আমরা এই উপসংহারটি আঁকতে পারি না। আমি যদি সত্যিই এই উপসংহারটি শেষ পর্যন্ত আঁকতে চাই তবে (দ্বিগুণ শব্দটির ক্ষমা করে দেওয়া) আমার কী করা উচিত?

আমি আমার আন্ডারগ্র্যাডের দিনগুলিতে এই প্রশ্নটি নিয়ে কখনই ভাবিনি তবে এখন আমি অনুমানের পরীক্ষার ন্যায্য চুক্তি করছি যা আমি সাহায্য করতে পারি না তবে অবাক হওয়ার কী আছে তা ভাবছি :)

Comments

সম্ভবত আগ্রহের বিষয়: "পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ" কেন পর্যাপ্ত নয়?

— গাং - মনিকা পুনরায়

সাধারণভাবে বলতে গেলে, আপনার পরীক্ষার আগে আপনার সিদ্ধান্তের পরে আপনার ক্রিয়াগুলিও বেছে নেওয়া উচিত (কীভাবে আপনি দুটি ধরণের ত্রুটির জন্য ব্যয় করতে পারেন এবং সুতরাং একটি বুদ্ধিমান বেছে নিতে পারেন ?)। কমপক্ষে, আপনি সম্ভবত আনুমানিক প্রভাব আকারের বিবেচনায় চলে যেতে পারেন। নালটি স্থায়ী নয় ( আপনি যে মানদণ্ডটি বেছে নিয়েছেন - যদি এটি আপনার পক্ষে পর্যাপ্ত না হয় তবে কী হবে?), তবে এর পরিবর্তে কোন মানগুলি প্রশংসনীয়? উদাহরণস্বরূপ আপনার নির্দেশিত পরীক্ষায়, জন্য কোন মানগুলি যুক্তিযুক্ত যুক্তিসঙ্গত হবে, ডেটা ? μ 1 - μ $\alpha$$\mu_1-\mu_0$

— গ্লেন_বি -রিনস্টেট মনিকা

Answer 1

আপনি আরও ডেটা দিয়ে যা যা প্যারামিটার পরীক্ষা করতে পারেন তা সম্পর্কে আপনার অনুমানের উন্নতি করতে আপনি সাধারণত চালিয়ে যেতে পারেন। পরীক্ষার পরে একবারে ডেটা সংগ্রহ বন্ধ করা তাত্পর্যপূর্ণ কিছু অর্ধ-স্বেচ্ছাচারিত ডিগ্রি অর্জন করা খারাপ তথ্য নির্ধারণের জন্য ভাল উপায় way যে বিশ্লেষকরা একটি লক্ষণীয় ফলাফলটি ভুলভাবে বুঝতে পারে যে কাজটি সম্পন্ন হয়েছে তা নেইমন – পিয়ারসন কাঠামোর অনেকগুলি অনিচ্ছাকৃত পরিণামের একটি, যা অনুসারে লোকেরা পি মানগুলিকে কারণ হিসাবে প্রত্যাখ্যান করে বা প্রত্যাখ্যান করতে ব্যর্থ হওয়ার কারণ হিসাবে সংরক্ষণ করে তারা সমালোচনামূলক প্রান্তের কোন দিকে পড়ে।

ঘন ঘনবাদী দৃষ্টান্তের বায়েশিয়ান বিকল্পগুলি বিবেচনা না করে (আশা করি অন্য কেউ করবেন), আত্মবিশ্বাসের ব্যবধানগুলি সেই বিন্দুটি ছাড়িয়ে আরও তথ্যমূলক হতে থাকবে যেখানে একটি প্রাথমিক নাল অনুমানকে প্রত্যাখ্যান করা যেতে পারে। আরও তথ্য সংগ্রহের বিষয়টি ধরে নেওয়া আপনার মৌলিক তাত্পর্য পরীক্ষাটিকে আরও বেশি তাত্পর্য অর্জন করবে (এবং এটি প্রকাশ করে না যে আপনার পূর্ববর্তী তাত্পর্য খুঁজে পাওয়া একটি মিথ্যা ইতিবাচক ছিল), আপনি এই অকেজো হতে পারেন কারণ আপনি নালাকে উভয় উপায়ে প্রত্যাখাত করেছেন। যাইহোক, এই দৃশ্যে, প্রশ্নগুলির প্যারামিটারের চারপাশে আপনার আত্মবিশ্বাসের ব্যবধানটি সঙ্কুচিত হতে থাকবে, এমন আত্মবিশ্বাসের মাত্রাটি উন্নত করবে যার সাথে আপনি আপনার আগ্রহের জনসংখ্যাকে যথাযথভাবে বর্ণনা করতে পারবেন।

---

এখানে r এর একটি খুব সাধারণ উদাহরণ - নকল অনুমানের পরীক্ষা করা যা সিমুলেটেড ভেরিয়েবলের জন্য :$\mu=0$

One Sample t-test

data:  rnorm(99) 
t = -2.057, df = 98, p-value = 0.04234
alternative hypothesis: true mean is not equal to 0 
95 percent confidence interval:
 -0.377762241 -0.006780574 
sample estimates:
 mean of x 
-0.1922714

এখানে আমি কেবল ব্যবহার করেছি t.test(rnorm(99)), এবং আমি একটি মিথ্যা পজিটিভ পেয়েছি (ধরে নিলাম আমি গ্রহণযোগ্য মিথ্যা ধনাত্মক ত্রুটির হারের পছন্দ হিসাবে বেশি করেছি)। আমি যদি আত্মবিশ্বাসের ব্যবধানটিকে উপেক্ষা করি তবে আমি দাবি করতে পারি যে আমার নমুনাটি এমন একটি জনসংখ্যার সাথে আসে যা শূন্যের থেকে উল্লেখযোগ্যভাবে পৃথক হয়। প্রযুক্তিগতভাবে আত্মবিশ্বাসের ব্যবধানটি এটি নিয়েও বিতর্ক করে না, তবে এটি প্রস্তাব দেয় যে গড়টি শূন্যের খুব কাছাকাছি হতে পারে বা আমি এই নমুনার উপর নির্ভর করে তার থেকেও আরও দূরে হতে পারি। অবশ্যই, আমি জানি নুলটি এখানে আক্ষরিক অর্থে সত্য, কারণ জনসংখ্যার গড়টি শূন্যের তুলনায় ডিফল্ট হয়, তবে সত্যিকারের ডেটা দিয়ে খুব কমই কেউ জানেন।$\alpha=.05$rnorm

এটি আবার হিসাবে চালানো set.seed(8);t.test(rnorm(99,1))থেকে .91, একটি পি = 5.3E-13, এবং একটি 95% আত্মবিশ্বাসের ব্যবধানের একটি নমুনা উত্পন্ন হয় । এবার আমি যথেষ্ট আত্মবিশ্বাসের সাথে বলতে পারি যে নালটি মিথ্যা, বিশেষত কারণ আমি এটি তৈরি করেছি যাতে আমার সিমুলেটেড ডেটা গড়তে 1 সেট করে।$\mu=[.69,1.12]$

তবুও, বলুন এটি শূন্যের থেকে কতটা আলাদা তা জানা গুরুত্বপূর্ণ; পার্থক্যটির জন্য .8 এর গড় অর্থ শূন্যের খুব কাছাকাছি হবে। আমি সম্ভাবনা বাতিল করতে যথেষ্ট ডেটা নেই দেখতে পারেন উভয় থেকে আমার আস্থা ব্যবধান এবং একটি থেকে টি সঙ্গে -test , যা একটি দেয় পি = .33। আমার নমুনা গড়টি যথেষ্ট পরিমাণে এই .8 প্রান্তিকের অনুসারে শূন্যের চেয়ে আলাদা বলে মনে হচ্ছে; আরও ডেটা সংগ্রহ করা আমার আত্মবিশ্বাসকে উন্নত করতে সাহায্য করতে পারে যে পার্থক্য কমপক্ষে এই বড়, এবং কেবল শূন্যের চেয়ে তুচ্ছভাবে বড় নয়।$\mu=.8$mu=.8

যেহেতু আমি সিমুলেশন দ্বারা "ডেটা সংগ্রহ" করছি, তাই আমি কিছুটা অবাস্তব হতে পারি এবং আকারের ক্রম দ্বারা আমার নমুনার আকার বাড়িয়ে তুলতে পারি। চলমান set.seed(8);t.test(rnorm(999,1),mu=.8)প্রকাশ করে যে এই পরিস্থিতিতে নাল অনুমানটি প্রত্যাখ্যান করার পরে আরও ডেটা দরকারী হতে থাকবে , কারণ আমি এখন আমার বৃহত্তর নমুনা দিয়ে একটি নালকে প্রত্যাখ্যান করতে পারি। এর আত্মবিশ্বাসের ব্যবধান এমনকি এমনকি যদি আমি প্রাথমিকভাবে তবে আমি I পর্যন্ত নাল অনুমানকে প্রত্যাখ্যান করতে পারতাম বলেও পরামর্শ দেয় ।μ = .8 μ = [ .90 , 1.02 ] μ = $\mu=0$$\mu=.8$$\mu=[.90,1.02]$$\mu=.89$

আমি সত্যের পরে আমার নাল অনুমানটি সংশোধন করতে পারি না, তবে এই ফলাফলের পরে আরও শক্তিশালী হাইপোথিসিসের পরীক্ষা করার জন্য নতুন তথ্য সংগ্রহ না করে আমি 95% আত্মবিশ্বাসের সাথে বলতে পারি যে আমার "অধ্যয়ন" প্রতিলিপি করা আমাকে প্রত্যাখ্যান করতে পারবে । আবার, আমি সহজেই এটিকে অনুকরণ করতে পারি বলেই আমি কোডটি পুনরায় পুনরায় চালু করব : এটি করার ফলে আমার আত্মবিশ্বাস ভুলরূপে স্থান পায় নি demonst$H_0:\mu=.9$set.seed(9);t.test(rnorm(999,1),mu=.9)

ক্রমবর্ধমান আরও কঠোর নাল হাইপোথেসিস পরীক্ষা করা বা আরও ভাল, কেবল আপনার আত্মবিশ্বাসের বিরতি সঙ্কুচিত করার দিকে মনোনিবেশ করা কেবলমাত্র এগিয়ে যাওয়ার এক উপায়। অবশ্যই, বেশিরভাগ অধ্যয়ন যা নাল অনুমানকে প্রত্যাখ্যান করে এমন অন্যান্য অধ্যয়নের জন্য ভিত্তি তৈরি করে যা বিকল্প অনুমানের উপর নির্ভর করে। উদাহরণস্বরূপ, যদি আমি একটি বিকল্প অনুমান পরীক্ষা করে যাচ্ছিলাম যে কোনও পারস্পরিক সম্পর্ক শূন্যের চেয়ে বড়, তবে আমি পরবর্তী পদক্ষেপগুলি বা মধ্যস্থতাবাদীদের জন্য পরবর্তী ফলোআপ স্টাডিতে পরীক্ষা করতে পারতাম ... এবং আমি যখন এ ছিলাম, আমি অবশ্যই নিশ্চিত করতে চাই আমি মূল ফলাফল প্রতিলিপি করতে পারে।

---

বিবেচনার জন্য অন্য পদ্ধতির সমতুল্য পরীক্ষা। আপনি যদি এই সিদ্ধান্তে পৌঁছতে চান যে কোনও প্যারামিটারটি কোনও একক মানের থেকে পৃথক নয়, সম্ভাব্য মানগুলির একটি নির্দিষ্ট পরিসরের মধ্যে রয়েছে তবে আপনি যে প্রচলিত মানগুলি চান তা আপনার প্রচলিত বিকল্প অনুমান অনুসারে প্যারামিটারটি থাকা উচিত এবং এটি পরীক্ষা করতে পারেন নাল হাইপোথেসিসের বিভিন্ন সেটের বিরুদ্ধে যা প্যারামিটারটি এই ব্যাপ্তির বাইরে থাকা সম্ভাবনার প্রতিনিধিত্ব করে। এই শেষ সম্ভাবনাটি আপনি যখন লিখেছিলেন তখন আপনার মনে যেভাবে ছিল তা সাদৃশ্যপূর্ণ হতে পারে:

বিকল্পটি সত্য হওয়ার জন্য আমাদের কাছে "কিছু প্রমাণ" রয়েছে, তবে আমরা এই সিদ্ধান্তে আসতে পারি না। আমি যদি সত্যিই এই উপসংহারটি শেষ পর্যন্ত আঁকতে চাই ...

উপরের মতো অনুরূপ ডেটা ব্যবহার করে এখানে একটি উদাহরণ রয়েছে (ব্যবহার করা set.seed(8), rnorm(99)একইরকম rnorm(99,1)-1, সুতরাং নমুনার গড়টি -09)। আমি দুই একতরফা এর নাল হাইপোথিসিস পরীক্ষা করতে চান বলুন টি -tests যৌথভাবে সত্য বলিয়া মানিয়া লওয়া যে নমুনা গড় মধ্যে -.2 এবং .2 নয়। এটি পূর্ববর্তী উদাহরণের ভিত্তির সাথে আলগাভাবে সামঞ্জস্য করে, যার অনুসারে আমি যদি পরীক্ষা করতে চেয়েছিলাম । পার্থক্যটি হ'ল আমি আমার ডেটা 1 এর সাথে সরিয়ে নিয়েছি এবং এখন আমি বিকল্প অনুমানের 2-একতরফা পরীক্ষা করতে যাচ্ছি । এখানে এটি কেমন দেখাচ্ছে:- .2 ≤ μ ≤ $\mu=.8$$-.2\le\mu\le.2$

require(equivalence);set.seed(8);tost(rnorm(99),epsilon=.2)

tostব্যবধানের আস্থার স্তরটি 90% এ সেট করে, সুতরাং -09-এর নমুনা গড়ের আশ্বাসের ব্যবধানটি হ'ল , এবং পি = .17। তবে, (এবং একই বীজ) দিয়ে এটি আবার চালানো 90% আত্মবিশ্বাসের ব্যবধানকে হ্রাস করে , যা পি = 4.55E-07 দিয়ে নাল হাইপোথিসিতে নির্দিষ্ট সমতুল্য পরিসরের মধ্যে রয়েছে ।$\mu=[-.27,.09]$rnorm(999)$\mu=[-.09,.01]$

আমি এখনও মনে করি সমতা পরীক্ষার ফলাফলের চেয়ে আত্মবিশ্বাসের ব্যবধানটি আরও আকর্ষণীয়। এটি উপাত্তগুলি বোঝায় যা জনসংখ্যার অর্থ বিকল্প অনুমানের চেয়ে বেশি বিশেষভাবে বোঝায় এবং প্রস্তাবিত যে আমি যুক্তিযুক্ত আত্মবিশ্বাসের সাথে বলতে পারি যে এটি বিকল্প অনুমানের তুলনায় আমি আরও নির্দিষ্ট ব্যবধানের মধ্যে রয়েছি। প্রদর্শনের জন্য, আমি আমার অনুকরণের অবাস্তব শক্তিকে আরও একবার ব্যবহার করব এবং ব্যবহার করে "প্রতিলিপি" set.seed(7);tost(rnorm(999),epsilon=.09345092): যথেষ্ট নিশ্চিত, পি = .002।

Comments

জ্ঞানগর্ভ! আপনি দয়া করে সর্বশেষ অংশের একটি দ্রুত এবং নোংরা উদাহরণ দেখাতে পারেন যেখানে আপনি সমতা পরীক্ষা সম্পর্কে কথা বলছেন? এটি কীভাবে প্রযোজ্য হতে পারে এটি একটি উচ্চ স্তরে দেখতে সত্যিই সহায়ক হবে।

— পিএইচডি

@ পিএইচডি: সম্পন্ন হয়েছে। এটি "উচ্চ স্তরের" তুলনায় এটি আরও "দ্রুত এবং নোংরা" তবে আমি মনে করি। আমি নিজেই সমতুল্য পরীক্ষায় নতুন, এবং আপনি যেমন দেখতে পাবেন, আমি ঠিক এটিতে বিক্রি করি না।

— নিক স্টাওনার

Answer 2

প্রথমে মনে রাখবেন যে @ নিক স্টাওনার alচ্ছিক থামার বিষয়ে খুব গুরুত্বপূর্ণ কিছু যুক্তি দেয় । যদি আপনি বারবার নমুনা আসার সাথে সাথে ডেটা পরীক্ষা করে থাকেন, পরীক্ষা একবারে থামানো তাৎপর্যপূর্ণ হয় তবে আপনি সবাই কিন্তু একটি উল্লেখযোগ্য ফলাফলের গ্যারান্টিযুক্ত। যাইহোক, একটি গ্যারান্টিযুক্ত ফলাফল কার্যত মূল্যহীন।

নিম্নলিখিতটিতে, আমি একটি অনুদানবিদ, সংশয়বাদী, মিথ্যাবাদী অবস্থান সম্পর্কে বিশদ দেওয়ার জন্য আমার সেরা প্রচেষ্টা উপস্থাপন করব। এটি অবশ্যই একমাত্র নয়, তবে আমি মনে করি এটি বরং মূলধারার একটি বা কিছুটা traditionতিহ্য সহ one

আমি যতদূর বুঝতে পেরেছি, ফিশার মূলত ডেটা এক্সপ্লোরেশনের প্রথম পদক্ষেপ হিসাবে তাত্পর্য পরীক্ষার সূচনা করেছিল - এটি নিশ্চিত করে যে কোন কারণগুলি আরও তদন্তের জন্য উপযুক্ত হতে পারে। যদি আপনি নাল হাইপোথিসিসটি পরীক্ষার অধীনে না ফেলে থাকেন তবে তা না হলে আপনার অনুকূল তত্ত্বটি (সম্ভাবনা) একরকমভাবে নির্ভরশীল সমালোচনা ছিল না, তবে আপনার প্রাথমিক পরীক্ষাটি প্রকৃতির পরিবর্তে অনুসন্ধানী ছিল was অনুসন্ধানের পরে নিম্নলিখিত সম্ভাব্য পদক্ষেপগুলির মধ্যে

• আরও অনুসন্ধান
• প্যারামিটার অনুমান
• ভবিষ্যদ্বাণী ও নিশ্চিতকরণ

আরও অন্বেষণে ফলো-আপ পরীক্ষাগুলি থাকে যেখানে আপনি কোনও ভেরিয়েবল আপনার কাছে মাঝারি বা আপনার প্রভাবের সাথে ইন্টারঅ্যাক্ট সম্পর্কিত তথ্য থাকলে তা নির্ধারণের চেষ্টা করেন। উদাহরণস্বরূপ, সম্ভবত অংশগ্রহণকারীদের বয়স কোনও ভূমিকা পালন করে? নোট করুন যে এই জাতীয় বিশ্লেষণগুলি অবশ্যই স্পষ্টভাবে অনুসন্ধানী হিসাবে লেবেলযুক্ত হওয়া উচিত, বা এগুলি মূলত মিথ্যা বলার পরিমাণ। আপনি যদি কোনও কিছুতে হোঁচট খেয়ে থাকেন তবে প্রথমে এটির নিশ্চয়তার প্রয়োজন। সাধারণত, আপনি সর্বদা আপনার দৃষ্টিভঙ্গি এবং আপনার লেখায় উভয়ই পরিষ্কার হওয়া উচিত - আপনি কখন অনুসন্ধানী কাজ করছেন এবং কখন নিশ্চিত হন about

এর পরে, একবার আপনি প্রতিষ্ঠিত আপনি এক প্যারামিটার এর মান অনাস্থা অবিকল শূন্য হচ্ছে আছে - একবার আপনি সিদ্ধান্ত নিয়েছি আপনি এখন জন্য পরীক্ষার অধীনে ফ্যাক্টর বিবেচনা করব আছে কিছু প্রভাব - একটি সম্ভবপর পরবর্তী ধাপে আরও হতে পারে অনুমান সুনির্দিষ্ট মান প্যারামিটারের । উদাহরণস্বরূপ, আপাতত, আপনি কেবল একটি মান বাদ দিয়েছেন, 0 (একটি দ্বি-পার্শ্ব পরীক্ষা অনুমান করে)। যাইহোক, আপনার ডেটা আরও অনেকগুলি সম্ভাব্য মানগুলিতে সন্দেহ প্রকাশ করেছে।

$\alpha$$\alpha$

হিউম বিখ্যাতভাবে যুক্তি দিয়েছিল যে আমরা কখনই প্ররোচিতভাবে কোনও বিবৃতি সঠিক প্রমাণ করতে পারি না। সাধারণত, অ-তুচ্ছ অনুমানগুলি সর্বদা সমর্থন করার চেয়ে মিথ্যা বলা সহজ; নীতিগতভাবে মিথ্যা বলা সহজ (অ-তুচ্ছ বলে, সঠিক ভবিষ্যদ্বাণী করা দ্বারা), তবে এখনও পর্যন্ত মিথ্যা বলা না হওয়া আসলে একটি তত্ত্বের সর্বোচ্চ গুণগুলির মধ্যে একটি।

সুতরাং একটি সিআই আপনাকে একটি নির্দিষ্ট মান প্রমাণ করতে পাবে না। যাইহোক, এটি প্রার্থী সেটটি সঙ্কুচিত করে। সম্ভবত একমাত্র প্রার্থীরা এইচ 0 এর সাথে অসম্পূর্ণ উভয় তত্ত্বের মধ্যে সিদ্ধান্ত নিতে সহায়তা করে। উদাহরণস্বরূপ, সম্ভবত 0 বাদ দেওয়া হয়েছে, তবে তত্ত্ব 1 প্রায় 5 এর কাছাকাছি একটি মান পূর্বাভাস দেয় এবং তত্ত্ব 2 2 এর 15 এর কাছাকাছি একটি মান পূর্বাভাস দেয় your যদি আপনার 95% সিআইতে 5 থাকে তবে 15 বাদ দেয় তবে আপনি এখন তত্ত্ব 2 এর উপরও আস্থা হারিয়ে ফেলেছেন তবে তত্ত্ব খেলায় 1 টি রয়ে গেছে। মনে রাখবেন যে এটি আপনার প্রাথমিক পরীক্ষার তাৎপর্যপূর্ণ হওয়ার থেকে প্রকৃতপক্ষে স্বতন্ত্র - এমনকি যদি 0 টি প্রত্যাখ্যানিত মানের মধ্যে না হয় তবে অনেক মান প্রত্যাখাত হবে। হতে পারে কিছু অন্যান্য গবেষকের জন্য, এই মানগুলির মধ্যে কিছু আগ্রহী ছিল।

আপনি নিজের প্রভাবটি সম্পর্কে কিছুটা বুঝে নেওয়ার পরে, আপনি আদর্শভাবে অনুসরণীয় নিশ্চিতকরণ পরীক্ষার জন্য আরও সুনির্দিষ্ট ভবিষ্যদ্বাণী করতে পারেন যা আপনার বর্তমান বিশ্লেষণ থেকে উদ্ভূত আরও সুনির্দিষ্ট অনুমানের পরীক্ষা করতে পারে। স্বীকার করা, আপনার প্রাথমিক পরিসংখ্যান নাল হাইপোথিসিসকে প্রত্যাখ্যান করা আপনার মূল গবেষণার হাইপোথিসিসের পরীক্ষা করার মতো গুরুতর ছিল না, তাই না? আপনি যেটিকে পছন্দ করেন তার চেয়ে অনেক বেশি ব্যাখ্যা H0 এর উপর নির্ভর করে না। এছাড়াও, যেহেতু আপনি কখনই আসলে এইচ 0 গ্রহণের বিপদে ছিলেন না, তাই আপনি আপনার অনুকূল তত্ত্বটি মিথ্যা বলার মতো অবস্থানে ছিলেন না ! সুতরাং আপনার আরও কঠোর পরীক্ষা দরকার। তর্কযুক্তভাবে, এটি আসলে যা আপনি চান; আপনি আপনার তত্ত্বটি প্রমাণ করতে চান না, আপনি এটি ক্রমবর্ধমান গুরুতর পরীক্ষার মধ্যে রাখতে চান, এটি মিথ্যা বলার চেষ্টা করে। এটিকে অস্বীকার করার জন্য এই জাতীয় সত্য (তবে ন্যায্য) প্রচেষ্টাকে প্রতিরোধ করা একটি তত্ত্বই সেরা বিতরণ করতে পারে। তবে একটি গুরুতর পরীক্ষার জন্য আপনার "0 এটি নয়" এর চেয়ে আরও সুনির্দিষ্ট তত্ত্বের প্রয়োজন।

আপনি এখন নিশ্চিতকরণমূলক অধ্যয়নের বিষয়ে একাধিক গুরুত্বপূর্ণ তথ্য শিখেছেন; উদাহরণস্বরূপ, আপনার কাছে প্রশ্নটির বৈকল্পিকতা এবং প্রভাবের পরিমাণ সম্পর্কে একটি ধারণা রয়েছে, যা আপনাকে পাওয়ার বিশ্লেষণের মাধ্যমে ফলো-আপ অধ্যয়নের জন্য প্রয়োজনীয় নমুনা আকারটি অনুমান করতে দেয়। আপনি একটি নির্দিষ্ট মানটির পূর্বাভাসও দিতে পারেন এবং এটির কাছাকাছি ব্যবহারিক সমতা / ROPE এর একটি অঞ্চল ধরে নিতে পারেন। আপনি কখনই প্রমাণ করতে সক্ষম হবেন না যে এই নির্দিষ্ট মানটি আসল মান; তবে, যদি অনুসরণীয় পরীক্ষা থেকে সিআই সম্পূর্ণরূপে আপনার ROPE এর মধ্যে পড়ে তবে আপনার তত্ত্বের (এবং সম্ভবত প্রতিযোগিতায় সমস্যায় আনা হয়েছে) প্রমাণের প্রমাণ রয়েছে।

Answer 3

ধারণা যে আপনি একটি ইতিবাচক বৈজ্ঞানিক প্রতিজ্ঞা, কিন্তু শুধুমাত্র খণ্ডন এক প্রমাণ করতে পারবেন না, পপার এর একটা নীতি হল falsificationism । আমি সম্মত হই যে আপনি কোনও প্রভাব প্রমাণ করতে পারবেন না যে কোনও নির্দিষ্ট বিন্দু মানের (সিএফ।, আমার উত্তর এখানে): কেন পরিসংখ্যানবিদরা বলছেন যে একটি অ-তাত্পর্যপূর্ণ ফলাফলের অর্থ নাল অনুমানকে গ্রহণ করার বিরোধিতা হিসাবে "আপনি নালকে প্রত্যাখ্যান করতে পারবেন না"? )। তবে কি?

$p$-মূল্যগুলি সাধারণত ভুল বোঝাবুঝি হয় এবং হাইপোথিসিস টেস্টগুলি সেই কাজের জন্য ব্যবহৃত হয় যেগুলি তারা যুক্তিযুক্তভাবে সম্পাদন করতে পারে না। উদাহরণস্বরূপ, অনুমানের পরীক্ষাটি অনুমানগুলি তৈরি করতে বা পরিবর্তনশীল নির্বাচন করতে ব্যবহার করা উচিত নয়। তদুপরি, পর্যবেক্ষণমূলক ডেটা সহ মূলত সমস্ত 'শূন্য' নাল হাইপোথেসিগুলি অবশ্যই মিথ্যা হতে পারে, সুতরাং এই জাতীয় পরীক্ষার কোনও ধারণা নেই। যাইহোক, বিজ্ঞানীদের প্রায়শই বর্তমান তত্ত্বগুলি যেগুলি পরীক্ষা করতে চান সেগুলি দ্বারা প্রস্তাবিত একটি প্রাক-প্রাথমিক অনুমান থাকে এবং একটি সত্য পরীক্ষায় একটি শূন্য নাল সত্য হতে পারে, সুতরাং এটি পরীক্ষা নিখুঁত যুক্তিসঙ্গত। সাধারণত, গবেষকরা সন্দেহ করার যে কারণ আছে যে নালটি মিথ্যা হতে পারে তার কিছু যুক্তি রয়েছে, তাই শক্তিশালী পরীক্ষার সাথে একত্রে গুরুত্বপূর্ণ ফলস্বরূপ তথ্যটি একটি বৈধ অংশ।

আপনি আপনার অনুমানের যথার্থতার আরও পরিষ্কার চিত্র পেতে সর্বদা আত্মবিশ্বাসের বিরতি গঠন করতে পারেন এবং তার নির্ভুলতা বাড়ানোর জন্য আরও ডেটা সংগ্রহ করা চালিয়ে যেতে পারেন। তবুও, অর্থনৈতিক দিক থেকে আপনি হ্রাসকারী রিটার্ন পাবেন । এক পর্যায়ে, আপনি কেবল বিশ্বাস করেন না যে নাল অনুমানটি অধ্যয়নের অধীনে ঘটনাটির একটি যুক্তিসঙ্গত বিবরণ সরবরাহ করে। কোন ক্ষেত্রে, আপনি বিরক্ত করছেন কেন?

যদি আপনার ক্ষেত্রে অন্য কেউ রয়েছেন যারা এখনও নিশ্চিত নন, তবে আরও (একইরকম) ডেটা সহ থাকতেন তবে আপনি চালিয়ে যেতে পারতেন তবে এটি অস্বাভাবিক পরিস্থিতি বলে মনে হয় seems আমার কাছে এটি সম্ভবত আরও বেশি মনে হয় যে সংশয়বাদীদের আরও তাত্পর্যপূর্ণ উদ্বেগ রয়েছে যে তদন্তের এই লাইনটি অন্তর্নিহিত প্রশ্ন সম্পর্কে যথেষ্ট তথ্যমূলক কিনা। সুতরাং, আপনাকে এই উদ্বেগগুলির প্রকৃতি নির্ধারণ করতে হবে এবং যদি আপনি মনে করেন যে এগুলি কাজের যোগ্যতা অর্জন করে, তবে বিভিন্ন ডেটা সন্ধান করুন যা হাতে থাকা সমস্যাগুলিকে আরও যথাযথভাবে সমাধান করবে। উদাহরণস্বরূপ, আপনি পৃথক পরিমাপ, একটি ভিন্ন সেটিং এবং / অথবা বিভিন্ন নিয়ন্ত্রণ শর্তাবলী ব্যবহার করে সন্ধানের প্রতিরূপ তৈরি করার চেষ্টা করতে পারেন।

অন্যদিকে, প্রত্যেকে (কম বেশি) আপনার ডেটা এবং সিদ্ধান্তে (অভিনন্দন!) দিয়ে সন্তুষ্ট হতে পারে। এইরকম খুশির পরিস্থিতিতে আপনার গবেষণা কার্যক্রমটি আরও এগিয়ে নেওয়ার জন্য দুটি দিক অনুসরণ করতে পারেন:

1. একটি হ্রাসপ্রবণ পদ্ধতি আপনার প্রতিষ্ঠিত প্রভাব উত্পাদন করে এমন প্রক্রিয়াগুলি বোঝার চেষ্টা করবে। পরিসংখ্যানগত ভাষায়, আপনি প্রায়শই মধ্যস্থতাকারী এবং / অথবা কার্যকারক বাহিনীর প্যাটার্নের সংশোধন চাইবেন যা আপনার সাথে সম্পর্কিত হিসাবে প্রদর্শিত ভেরিয়েবলগুলিকে সংযুক্ত করে ।

2. $B$$C$$A$$A$

tl; dr: যদি আপনার উদ্দেশ্যগুলির পক্ষে নাল নকলের পক্ষে পর্যাপ্ত প্রমাণ থাকে তবে অন্যান্য তাত্ত্বিকভাবে উত্সাহিত প্রশ্নগুলি কী উত্তর এবং আপনি এগিয়ে যাওয়ার চেষ্টা করতে পারেন তা নির্ধারণ করুন।

Answer 4

আমার মনে হয় আমি যুক্ত করতে চাই যে আপনার প্রশ্নটি আমাকে আমার ছোট আত্মার কথা মনে করিয়ে দেয়: আমি আমার অনুমানকে প্রমান করার জন্য মরিয়া হয়ে চেয়েছিলাম কারণ আমি যেভাবে লিখছিলাম তার প্রবন্ধটি উন্নত করতে যেভাবে "অনুমানটি ভুল ছিল" কীভাবে লিখতে হয়নি? । তবে আমি বুঝতে পেরেছিলাম যে "জঘন্য আমার একেবারে সুদৃ .় হাইপোথিসিসটি প্রমাণিত হতে পারে না" তারও বৈজ্ঞানিক মূল্য রয়েছে: ১. আপনার অনুমান জল কেন ধরে না তা নিয়ে চিন্তা করুন। এটি ডেটা নিয়ে কিছু সমস্যা, বা সম্ভবত অনুমানের সাথে কিছু রয়েছে? ২. পুরানো গবেষণার ফলাফল কী?

উদাহরণ হিসাবে: আমি আমার মাস্টারের থিসিসটি একটি নতুন নতুন ডেটাসেট ব্যবহার করে জাতিগত বিবাদ সম্পর্কে লিখেছিলাম যা পূর্ববর্তী ডেটাসেটের চেয়ে বড় ছিল। আমি "তেল জ্বালানী জাতিগত সংঘাত" বা "পর্বতারোহী অঞ্চলগুলি দ্বন্দ্ব কাটানোর সম্ভাবনা বেশি" এর মতো কয়েকটি বিতর্কিত অনুমান পরীক্ষা করেছি। আমি প্রমাণ করতে পারিনি যে তেল জাতিগত দ্বন্দ্বকে জ্বালানি দেয় - তবে উপলব্ধ তেল-ডেটাসেটের মান কীভাবে বিশ্লেষণকে প্রভাবিত করেছিল সে সম্পর্কে আমি দুটি পৃষ্ঠা লিখেছিলাম (ডেটাসেট নিজেই একটি সময়-ধারাবাহিক, তেল-ওয়েল ডেটাসেটটি নয়)। "পর্বতমালা সংঘাত সৃষ্টি করে" থিসিসটিও একটি ব্যর্থতা ছিল - তবে একটি ফলস্বরূপ: পূর্ববর্তী গবেষণায় এই থিসিসটি দেশ-পর্যায়ের ডেটা (যেমন দেশের উচ্চতা বা তাই) এর সাথে বিশ্লেষণ করা হয়েছিল,

মনে রাখবেন: একটি হাইপোথিসিসকে অস্বীকার করা ব্যর্থতা নয় তবে এটি একটি প্রমাণিত অনুমান হিসাবে ভাল ফলাফল।

Comments

আপনি যে অনুমানগুলি উল্লেখ করেছেন সেগুলি (প্রচলিত) নাল অনুমান নয় ses আমি মনে করি আপনি ওপি এর পয়েন্ট মিস করতে পারেন।

— নিক স্টাওনার

Answer 5

এখানে বর্ণিত অধ্যয়ন জুড়ে সম্ভাবনার সাথে লড়াই করার জন্য একটি পদ্ধতি রয়েছে । ফলাফলের প্যাটার্ন বিবেচনা না করে আপনার সূত্রটি অন্ধভাবে প্রয়োগ করা উচিত নয়।