সবচেয়ে সহজ কাজটি সম্ভবত একটি সাইন টেস্ট হবে। নাল হাইপোথিসিসটি হ'ল প্রতিটি ফলাফলের ইতিবাচক বা নেতিবাচক হওয়ার সমান সম্ভাবনা থাকে (যেমন একটি ন্যায্য মুদ্রা উল্টানো)। আপনার লক্ষ্য নির্ধারণ করা হয় যে পর্যবেক্ষণ করা ফলাফলগুলি এই নাল অনুমানের অধীনে যথেষ্ট অসম্ভব হবে যে আপনি এটিকে প্রত্যাখ্যান করতে পারেন।
ন্যায্য মুদ্রার 100 ফ্লিপের মধ্যে 80 বা তারও বেশি মাথা পাওয়ার সম্ভাবনা কী? দ্বিপদী বিতরণ ব্যবহার করে আপনি এটি গণনা করতে পারেন। ইন R, প্রাসঙ্গিক ফাংশনটি বলা হয় pbinomএবং আপনি নিম্নলিখিত কোডের লাইনটি ব্যবহার করে একটি (একতরফা) পি-মান পেতে পারেন:
pbinom(80, size = 100, prob = 0.5, lower.tail = FALSE)
এই পরীক্ষা অনুসারে, আপনার স্বজ্ঞাততাটি সঠিক, যদি চিকিত্সার কোনও প্রভাব না পড়ে তবে আপনি সুযোগের দ্বারা 80 টি ইতিবাচক ফলাফল পাওয়ার অপ্রত্যাশিত সম্ভাবনা হবেন।
একটি ঘনিষ্ঠভাবে সম্পর্কিত বিকল্পটি উইলকক্সন স্বাক্ষরিত র্যাঙ্ক পরীক্ষার মতো কিছু ব্যবহার করা হবে ।
আরও ভাল পদ্ধতির, যদি আপনি প্রকৃতপক্ষে প্রভাবটির আকারটি নির্ধারণ করতে চান (এটি শূন্যের চেয়ে বেশি হবে কিনা তা নির্ধারণ করার চেয়ে) সম্ভবত একটি শ্রেণিবিন্যাস ("মিশ্র") মডেল হতে পারে।
এখানে, মডেলটি বলেছে যে আপনার 100 জন ব্যক্তির ফলাফল বিতরণ থেকে এসেছে এবং সেই লক্ষ্যটি হল যে বিতরণটির গড় কোথায় (আত্মবিশ্বাসের ব্যবধানের সাথে) your
মিশ্র মডেলগুলি আপনাকে আপনার এফেক্টের আকারগুলি সম্পর্কে আরও কিছুটা বলতে দেয়: মডেলটি ফিট করার পরে, আপনি এমন কিছু বলতে পারেন "আমাদের অনুমান যে আমাদের চিকিত্সা গড়ে তিনটি ইউনিট দ্বারা ফলাফলগুলি উন্নত করে, যদিও তথ্যটি প্রকৃত গড়ের সাথে সামঞ্জস্যপূর্ণ প্রভাবের আকার 1.5 থেকে 4.5 ইউনিট পর্যন্ত যে কোনও জায়গায় রয়েছে Also এছাড়াও, ব্যক্তিদের মধ্যে কিছুটা ভিন্নতা রয়েছে, তাই কোনও প্রদত্ত ব্যক্তি -0.5 থেকে +6.5 ইউনিট পর্যন্ত কোথাও প্রভাব দেখতে পান "।
এটি বিবৃতিগুলির একটি খুব নির্ভুল এবং দরকারী সেট - কেবল "প্রভাব সম্ভবত ইতিবাচক, গড়ের তুলনায়" এর চেয়ে অনেক ভাল, যে কারণে এই পদ্ধতির পরিসংখ্যানবিদরা পছন্দ করেন। তবে আপনার যদি এই সমস্ত বিবরণের প্রয়োজন না হয় তবে আমি যে প্রথম পদ্ধতির উল্লেখ করেছি সেটিও ভাল হতে পারে।