একটি 'পি-মান' এর সঠিক মানটি কি অর্থহীন?

Question

২০০৯ সালে আমি একটি পরিসংখ্যানবিদদের সাথে ফিরে আলোচনা করেছি যেখানে তিনি বলেছিলেন যে পি-মানটির সঠিক মূল্যটি অপ্রাসঙ্গিক: কেবলমাত্র এটি গুরুত্বপূর্ণ যে তা গুরুত্বপূর্ণ বা তা গুরুত্বপূর্ণ নয় is অর্থাৎ একটি ফলাফল অন্যটির চেয়ে তাত্পর্যপূর্ণ হতে পারে না; উদাহরণস্বরূপ আপনার নমুনাগুলি হয় একই জনসংখ্যা থেকে আসে বা না হয়।

এর সাথে আমার কিছুটা কোয়ালিটি রয়েছে তবে আমি সম্ভবত আদর্শটি বুঝতে পারি:

1. 5% প্রান্তিক নির্বিচারে, অর্থাত্ পি = 0.051 উল্লেখযোগ্য নয় এবং যে পি = 0.049 হয়, আপনার ফলাফল বা পরীক্ষার উপসংহারটি সত্যই পরিবর্তন করা উচিত নয়, এর একটি ফলাফল উল্লেখযোগ্য এবং অন্যটি তাত্পর্যপূর্ণ নয়।

   আমি এখন এটি সামনে আনার কারণটি হ'ল আমি বায়োইনফরম্যাটিক্সে এমএসসি পড়ছি এবং ক্ষেত্রের লোকজনের সাথে কথা বলার পরে, তারা প্রতিটি পরিসংখ্যানের সঠিক পি-মান পাওয়ার জন্য একটি দৃ determined় ড্রাইভ বলে মনে হচ্ছে। উদাহরণস্বরূপ, যদি তারা পি <1.9 × 10 ^-12 এর একটি পি-মান 'অর্জন' করে থাকে তবে তারা তাদের ফলাফলটি কীভাবে তাৎপর্যপূর্ণ তা প্রদর্শন করতে চায় এবং এই ফলাফলটি সুপার ইনফরমেশনাল। এই ইস্যুটির উদাহরণগুলির উদাহরণ সহ উদাহরণস্বরূপ: কেন আমি 2.2e-16 এর চেয়ে কম পি-মান পেতে পারি না? , যার মাধ্যমে তারা এমন কোনও মান রেকর্ড করতে চান যা ইঙ্গিত দেয় যে একা সুযোগে এটি ট্রিলিয়নে 1 এরও কম হবে। তবে আমি দেখানোর ক্ষেত্রে সামান্য পার্থক্য দেখছি যে এই ফলাফলটি এক ট্রিলিয়নে 1 টিরও কম হবে যার বিপরীতে 1 বিলিয়ন হয়েছিল।

2. আমি তখন প্রশংসা করতে পারি যে পি <0.01 দেখায় যে এটি ঘটতে পারে এমন 1% এরও কম সম্ভাবনা রয়েছে, যদিও পি <0.001 ইঙ্গিত দেয় যে এর মতো ফলাফল পূর্বোক্ত পি-মানের চেয়েও বেশি অসম্ভাব্য, তবে আপনার সিদ্ধান্তগুলি সম্পূর্ণরূপে আঁকা উচিত ভিন্ন? সর্বোপরি এগুলি উভয়ই উল্লেখযোগ্য পি-মান। ঠিক পি-মানটি রেকর্ড করতে ইচ্ছুক হওয়ার একমাত্র উপায় হ'ল বোনফেরনির সংশোধন চলাকালীন যে দ্বারপ্রান্তটি তৈরি করা হয় তার তুলনার সংখ্যার কারণে পরিবর্তিত হয়, ফলে আমি টাইপ ত্রুটি হ্রাস করে। তবে তবুও, আপনি কেন আপনার প্রান্তিকতার তাত্পর্যটির চেয়ে 12 মাপের আকারের ছোট একটি পি-মানটি দেখাতে চান?

3. এবং নিজের মধ্যে বনফেরনি সংশোধনটি কিছুটা স্বেচ্ছাচারিতায় প্রয়োগ করছেন না? এই অর্থে যে প্রাথমিকভাবে সংশোধনটিকে খুব রক্ষণশীল হিসাবে দেখা হয় এবং তাই অন্যান্য সংশোধনীও রয়েছে যেগুলি তাত্পর্যপূর্ণ স্তরটি অ্যাক্সেস করতে বেছে নিতে পারে যা পর্যবেক্ষক তাদের একাধিক তুলনার জন্য ব্যবহার করতে পারেন। তবে এ কারণেই, গবেষক কোন পরিসংখ্যান ব্যবহার করতে চান তার উপর নির্ভর করে কোনও বিষয় গুরুত্বপূর্ণভাবে পরিবর্তনশীল হয়ে ওঠে। পরিসংখ্যান কি ব্যাখ্যার জন্য এতটা উন্মুক্ত হওয়া উচিত?

উপসংহারে, পরিসংখ্যানগুলি কম বিষয়ভিত্তিক হওয়া উচিত না (যদিও আমি অনুমান করি যে এটি বিষয়গত হওয়ার প্রয়োজনীয়তা একটি বহুবিধ সিস্টেমের পরিণতি হিসাবে রয়েছে), তবে শেষ পর্যন্ত আমি কিছু স্পষ্টতা চাই: অন্য কিছুর চেয়ে কি আরও গুরুত্বপূর্ণ কিছু হতে পারে? এবং পি <0.001 সঠিক পি-মানটি রেকর্ড করার চেষ্টা করার ক্ষেত্রে যথেষ্ট হবে?

Comments

এটি বেশ আকর্ষণীয়: স্ট্যাট.ওয়াশিংটন.ইডু

— ড্যান

আলগাভাবে সম্পর্কিত: ফিশার এবং নেইমন-পিয়ারসন কাঠামোটি কখন ব্যবহার করবেন এই প্রশ্নের উত্তরে আমি যুক্তি দিয়েছি যে প্রতিটি কাঠামোর জন্য একটি ভূমিকা রয়েছে। ডাব্লু / আমার অবস্থান সেখানে রাখার জন্য, আমি বলব যে সঠিক পি-মানগুলি ডাব্লু / আই এনপি কাঠামোর ক্ষেত্রে কিছু বিবেচ্য হবে না, তবে ফিশেরিয়ান কাঠামোটি ডাব্লু / আই করতে পারে (যে পরিমাণ অঙ্কের প্রতিবেদন করা হয়েছে তা আসলে নির্ভরযোগ্য)।

— গুং - মনিকা পুনরায়

এটি বিস্ময়কর যে কিছু পরিসংখ্যানবিদরা সাধারণত কোনও পি-ভ্যালু ধারণাকে ধরে রাখতে চান যখন এটি সাধারণত ভুল প্রশ্নের সঠিক উত্তর হয়। ধরুন, কোনও পরিসংখ্যান সফটওয়্যার প্যাকেজে p- মানগুলি প্রয়োগ করা হয়নি। আমি সন্দেহ করি যে এটি পেতে লোকেরা তাদের নিজস্ব কোড লিখবে।

— সম্ভাব্যতাব্লোগিক

@ সম্ভাব্যতা ব্লগ - ক্রমশক্তি পরীক্ষার জন্য আমার পরিসংখ্যানগত দাঁত কেটে ফেলেছে, পি-মানগুলি সেই ক্ষেত্রে ভাবার একটি খুব স্বাভাবিক উপায়, তাই আমি যদি তাদের না হয় তবে এটি পেতে আমার নিজের কোডটি লিখতে পারি ... এবং বাস্তবে, খুব বিরল ঘটনাগুলি যখন আমি একেবারে পরীক্ষা করি তখন এগুলি সাধারণত কিছু অ্যাটিক্যাল পরিস্থিতির জন্য থাকে যা সিমুলেশন বা কিছুটা পুনরায় মডেলিংয়ের প্রয়োজন হয়, আমি খুঁজে পেয়েছি যে আমি আসলে এটি করি tend পরিবর্তে আমি বলতে চাই যে অনুমানের পরীক্ষাগুলি সাধারণত ভুল প্রশ্নের উত্তর দেয়। বিরল উপলক্ষে তারা যা করে, আমি মনে করি তাদের মূল্য আছে (কমপক্ষে, অন্যান্য লোকেরা আমার তাত্পর্য স্তরের দ্বারা আবদ্ধ নয়)।

— গ্লেন_বি -রিনস্টেট মনিকা

@glen_b - পি-মানগুলির সাথে আমার সমস্যা হ'ল বিকল্পগুলি উপেক্ষা করার সাথে সাথে তারা কোনও অনুমানের পরীক্ষার "উত্তর" সরবরাহ করে না। যদি আপনি কেবল একটি সংখ্যায় সীমাবদ্ধ থাকেন তবে তথ্যের সম্ভাবনার মান পি-ভ্যালু (পাশাপাশি পি এর মতো একই সমস্যা থাকা) এর চেয়ে অনেক ভাল পরিসংখ্যান। এইভাবে লোকেরা আপনার পরীক্ষার পরিসংখ্যানগুলির পছন্দ দ্বারা আবদ্ধ হয় না (তাত্পর্য হিসাবে আপনার প্রান্তিকের দ্বারা আবদ্ধ না হয়েও)।

— সম্ভাব্যতাব্লোগিক

Answer 1

1. টাইপ 1 / মিথ্যা প্রত্যাখ্যানের ত্রুটি হার নয় সম্পূর্ণরূপে নির্বিচারে কিন্তু হ্যাঁ, এটা কাছাকাছি। এটি এর চেয়ে কিছুটা বেশি পছন্দনীয় কারণ এটি কম জ্ঞানীয়ভাবে জটিল ( লোকেরা গোলাকার সংখ্যা এবং পাঁচটির গুণক )। এটি সংশয়বাদ এবং ব্যবহারিকতার মধ্যে একটি সুনির্দিষ্ট সমঝোতা, যদিও সম্ভবত কিছুটা পুরানো - আধুনিক পদ্ধতি এবং গবেষণা সংস্থানগুলি উচ্চতর মানকে (যেমন, নিম্ন মানগুলি) পছন্দনীয় করে তুলতে পারে , যদি মান অবশ্যই থাকতে হয় ^{( জনসন, ২০১৩ )} ।$\alpha=.05$$\alpha=.051$$p$

   আইএমও, প্রান্তিকের নির্বাচনের চেয়ে বৃহত্তর সমস্যা হ'ল একটি থ্রোসোল্ডটি ব্যবহার করা প্রায়শই অব্যক্ত পছন্দ নয় যেখানে এটি প্রয়োজনীয় বা সহায়ক নয়। এমন পরিস্থিতিতে যেখানে ব্যবহারিক পছন্দ করতে হবে, আমি এর মান দেখতে পাব, তবে অনেক মৌলিক গবেষণার কারণে কোনও ব্যক্তির প্রমাণ খারিজ করার এবং নালকে প্রত্যাখ্যান করার সম্ভাবনা ত্যাগ করার প্রয়োজন হয় না কারণ কেবলমাত্র তার বিপরীতে দেওয়া নমুনার প্রমাণ সংক্ষিপ্ত হয়। প্রায় কোনও যুক্তিসঙ্গত প্রান্তিকের। তা সত্ত্বেও অনেক এই গবেষণা এর লেখক সম্মেলন করে তা করতে, এবং এটি অস্বচ্ছন্দভাবে প্রতিহত, যেমন "প্রান্তিক" মনোযোগ যখন তারা এটা দূরে স্খলন কারণ তাদের শ্রোতাদের প্রায়ই যত্ন সম্পর্কে না বোধ করতে পারে ভিক্ষা করতে তাত্পর্য পদ উদ্ভাবন করতে বাধ্য বোধ গুলি । আপনি যদি এখানে অন্য প্রশ্নগুলি ঘুরে দেখেন তবে$p$$\ge.05$$p$মান ব্যাখ্যা, আপনি শূন্য সম্পর্কিত সম্পর্কে বাইনারি / সিদ্ধান্ত দ্বারা মানগুলির ব্যাখ্যা সম্পর্কে প্রচুর মতবিরোধ দেখতে পাবেন ।$p$fail toreject

2. সম্পূর্ণ ভিন্ন - না। অর্থপূর্ণ ভিন্ন - হতে পারে। একটি হাস্যকর ছোট মানটি দেখানোর একটি কারণ হ'ল প্রভাবের আকার সম্পর্কে তথ্য বোঝানো। অবশ্যই, বেশ কয়েকটি প্রযুক্তিগত কারণে কেবল ইফেক্ট আকারের প্রতিবেদন করা আরও ভাল হবে তবে লেখকরা প্রায়শই এই বিকল্পটি বিবেচনা করতে ব্যর্থ হন এবং দুর্ভাগ্যক্রমে শ্রোতারাও এর সাথে কম পরিচিত হতে পারেন। নাল-কাল্পনিক বিশ্বে যেখানে কেউ প্রভাবের মাপগুলি কীভাবে প্রতিবেদন করতে হয় তা জানে না, ছোট্ট মানে একটি বৃহত্তর প্রভাব বোঝায় এমনটি অনুমান করার ক্ষেত্রে প্রায়শই সঠিক হতে পারে । এই নাল-কাল্পনিক বিশ্ব যে পরিমাণে বিপরীতটির চেয়ে বাস্তবের কাছাকাছি, সম্ভবত এই কারণে সঠিক গুলি রিপোর্ট করার কিছু মূল্য রয়েছে । দয়া করে বুঝতে হবে যে এই বিন্দুটি খাঁটি শয়তানের পক্ষে ...$p$$p$$p$

   হ'ল এর জন্য আরেকটি ব্যবহার যা আমি এখানে খুব অনুরূপ বিতর্কে জড়িত হয়ে শিখেছি সম্ভাবনা ফাংশনের সূচক হিসাবে ices " পি-মূল্যবোধের সাথে জড়িত ভিউগুলিকে সংযুক্ত করে" আমার ^{উত্তরটিতে} লিঙ্কযুক্ত মাইকেল লিউর মন্তব্য এবং নিবন্ধ ^{( ল্যু, 2013 ) দেখুন} ।$p$

3. আমি মনে করি না যে বনফেরনি সংশোধনটি সত্যই একই ধরণের স্বেচ্ছাচারী। এটি প্রান্তিকের সংশোধন করে যা আমি মনে করি আমরা কমপক্ষে থেকে সম্পূর্ণরূপে স্বেচ্ছাচারী, সুতরাং এটি কোনও মৌলিক স্বেচ্ছাচারিতা হারাবে না, তবে আমি মনে করি না যে এটি সমীকরণে স্বেচ্ছাচারী কিছু যুক্ত করেছে। সংশোধনটিকে একটি যৌক্তিক, বাস্তববাদী উপায়ে সংজ্ঞায়িত করা হয় এবং বৃহত্তর বা ছোট সংশোধনের দিকে সামান্যতম পরিবর্তনের জন্য তাদেরকে স্বেচ্ছাচারিতার চেয়ে বেশি হিসাবে ন্যায্য প্রমাণের জন্য পরিশীলিত যুক্তিগুলির প্রয়োজন মনে হয়, তবে আমি মনে করি without ব্যতীত তর্ক করা আরও সহজ হবে think এটিতে যে কোনও গভীরভাবে আবেদনকারী এখনও সাধারণ লজিককে অতিক্রম করতে হবে।$\alpha$

   যদি কিছু হয় তবে আমি মনে করি মানগুলি ব্যাখ্যার জন্য আরও উন্মুক্ত হওয়া উচিত ! উদাহরণস্বরূপ, বিকল্পটি তুলনায় এই নালটি সত্যই বেশি কার্যকর কিনা তার পক্ষে কেবলমাত্র তার পক্ষে প্রমাণের চেয়ে আরও বেশি নির্ভর করা উচিত, আরও তথ্য প্রাপ্তির ব্যয় এবং এইভাবে অর্জিত আরও সুনির্দিষ্ট জ্ঞানের অতিরিক্ত বর্ধিত মূল্য সহ। এটি মূলত ফিশেরিয়ান নো-থ্রেশহোল্ড ধারণা, আফাইক, এটি কীভাবে শুরু হয়েছিল। " পি-মানগুলির বিষয়ে, 1% এবং 5% কেন দেখুন? 6% বা 10% কেন নয়? "$p$

যদি fail to/ rejectসংকটগুলি শুরু থেকেই নাল অনুমানের উপর জোর করা না হয় তবে পরিসংখ্যানগত তাত্পর্য সম্পর্কে আরও ক্রমাগত বোঝা নিরন্তর ক্রমবর্ধমান তাত্পর্য হওয়ার সম্ভাবনা স্বীকার করে। পরিসংখ্যানগত তাত্পর্য সম্পর্কে দ্বিধায়িত পদ্ধতির (আমি মনে করি এটি কখনও কখনও নেইমন-পিয়ারসন কাঠামো হিসাবে বিবেচিত হয়; ^{সিএফ। ডায়েনস, 2007 ),} না, কোনও উল্লেখযোগ্য ফলাফল পরবর্তীটির মতো তাত্পর্যপূর্ণ - আর নেই, কমও নয়। এই প্রশ্নটি এই নীতিটি ব্যাখ্যা করতে সহায়তা করতে পারে: " পি-মানগুলি নাল অনুমানের অধীনে কেন সমানভাবে বিতরণ করা হয়? " কতটি শূন্য অর্থবোধক এবং মূল্যবান প্রতিবেদন করার জন্য, আমি এই প্রশ্নের গ্লেন_ব এর উত্তরটি সুপারিশ করছি: " কীভাবে ছোট উচিত?$p$-মূল্য রিপোর্ট করা হবে? (এবং আর কেন সর্বনিম্ন 2.22e-16 এ রাখে?) "- আপনি স্ট্যাক ওভারফ্লোতে যে প্রশ্নটি যুক্ত করেছেন সেটির সংস্করণের উত্তরগুলির চেয়ে এটি অনেক ভাল!

<sup>তথ্যসূত্র
- জনসন, ভিই (2013)। পরিসংখ্যানগত প্রমাণের জন্য সংশোধিত মান। জাতীয় বিজ্ঞান একাডেমির কার্যক্রম, 110 (48), 19313–19317। Http://www.pnas.org/content/110/48/19313.full.pdf থেকে প্রাপ্ত ।
- লিউ, এমজে (2013) পি তে বা না পি: পি-মানগুলির স্পষ্ট প্রকৃতি এবং বৈজ্ঞানিক অনুষঙ্গগুলিতে তাদের স্থান সম্পর্কে। আরএক্সিভ: 1311.0081 [স্টেট.এমই]। Http://arxiv.org/abs/1311.0081 থেকে প্রাপ্ত ।</sup>

Comments

+1, এখানে অনেক ভাল ধারণা। 1 টি quibble যদিও, আবার # 1, আমি বলব আমাদের প্রায়শই নিম্ন মানের (যেমন উচ্চতর পি-মান) বেশি হওয়া উচিত । কিছু অধ্যয়নের ভাল ক্ষমতা পাওয়ার জন্য পর্যাপ্ত তথ্য পাওয়া প্রায়শই কঠিন। আমি বিরল অবস্থা অধ্যয়ন করতে চান এমন ডাক্তারদের জন্য প্রচুর শক্তি বিশ্লেষণ চালিয়েছি। তারা বলে, 'এটি সত্যিকার অর্থেই অস্বীকার করা হয়েছে, আমার একটি নতুন পদ্ধতির ধারণা রয়েছে, আমরা সম্ভবত আগামী দুই বছরে 50 জন রোগী ডাব্লু / এটি পেতে পারি', এবং আমি বলি 'আপনার ক্ষমতা 45% হবে', এবং প্রকল্পটি হ'ল ছেড়ে দেন। যদি পি .05 বা তার চেয়ে কম হয় তবে বিরল রোগগুলি নিম্নচাপিত হতে থাকবে।

— গুং - মনিকা পুনরায়

@ গুং: আমি সম্পূর্ণরূপে একমত আমি জনসনকে (২০১৩) কেবলমাত্র তার যুক্তি সম্পর্কে সচেতন বলেই উল্লেখ করেছি, কারণ আমি এর সাথে একমত নই :) আইএমওর একটি প্রচলিত মান রয়েছে যা আপনি বর্ণনা করছেন এমন উদ্বেগ এবং সংবেদনশীল নয় (যা আমার দ্বিতীয় প্যারায় আমার বক্তব্য প্রতিধ্বনিত করে) # 3 এর প্রতিক্রিয়া হ'ল মূল সমস্যাগুলির মধ্যে একটি, এবং এটিকে উপরে বা নীচে সামঞ্জস্য করা এটি সমাধান করতে পারে না। যখন কোনও কঠোর এবং দ্রুত fail to/ rejectসিদ্ধান্তের সত্যিকারের প্রয়োজন নেই , তখন আমি মনে করি যে নাল দেওয়া নমুনার সম্ভাবনার চেয়ে অনেকের উপর নির্ভর করে তার প্রমাণ কতটা মূল্যবান তা বিচার করা আরও ভাল।

— নিক স্টাওনার

দুর্দান্ত আলোচনা। কিছু প্রাসঙ্গিকতার একটি আকর্ষণীয় নিবন্ধ হ'ল গেলম্যান এবং স্টারনের "তাত্পর্যপূর্ণ" এবং "অ-তাত্পর্যপূর্ণ" এর মধ্যে পার্থক্য নিজেই পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ নয় (পরে আমেরিকান পরিসংখ্যানবিদ, 2006 সালে প্রকাশিত), যা আমি বলব না যে পি এর মানটিকে প্রয়োজনীয়ভাবে চিহ্নিত করে অর্থহীন তবে পি-মানগুলির তুলনায় বেশি জোর দেওয়ার বিষয়ে সতর্কতার একটি দৃ note় নোট ইনজেক্ট করবে (প্রভাবের প্রাক্কলনগুলির চেয়ে বরং বলুন)। জেলম্যান তার ব্লগে এই সম্পর্কিত সমস্যাগুলি প্রায়শই আলোচনা করেছেন।

— গ্লেন_বি -রিনস্টেট মনিকা

$p$$p$$p$

দেখে মনে হচ্ছে গেলম্যান তার সাইটে প্রকাশিত কাগজের পিডিএফ -র একটি লিঙ্ক সরবরাহ করেছেন।

— গ্লেন_বি -রিনস্টেট মনিকা

Answer 2

এটি আমার কাছে মনে হয় যে কোনও মান যদি অর্থবোধক হয় তবে এর সঠিক মান অর্থবহ।

পি মান এই প্রশ্নের উত্তর দেয়:

যদি, যে জনগোষ্ঠী থেকে এই নমুনাটি এলোমেলোভাবে আঁকানো হয়েছিল, নাল অনুমানটি সত্য ছিল, আমরা নমুনায় যেটি পেয়েছি তার চেয়ে কমপক্ষে চূড়ান্তভাবে একটি পরীক্ষার পরিসংখ্যান পাওয়ার সম্ভাবনা কী?

এই সংজ্ঞা সম্পর্কে একটি সঠিক মান অর্থহীন করে তোলে?

পি এর চরম মান সম্পর্কে এটি থেকে আলাদা প্রশ্ন from অনেক 0 এর সাথে পি জড়িত বিবৃতিগুলির সাথে সমস্যাটি আমরা চূড়ান্তভাবে পি কে কতটা ভাল করে অনুমান করতে পারি সে সম্পর্কে। যেহেতু আমরা এটি খুব ভালভাবে করতে পারি না, তাই পি এর এইরকম সুনির্দিষ্ট প্রাক্কলনটি ব্যবহার করা কোনও অর্থে আসে না। এটি একই কারণে আমরা বলি না যে পি = 0.0319281010012981। আমরা কোন আত্মবিশ্বাসের সাথে এই শেষ সংখ্যাগুলি জানি না।

P <0.05 এর পরিবর্তে পি <0.001 হলে কি আমাদের সিদ্ধান্তগুলি আলাদা হওয়া উচিত? বা, সুনির্দিষ্ট সংখ্যাগুলি ব্যবহার করার জন্য, আমাদের সিদ্ধান্তগুলি পি = 0.00023 এর পরিবর্তে পি = 0.00023 আলাদা হওয়া উচিত?

আমি মনে করি সমস্যাটি কীভাবে আমরা সাধারণত পি সম্পর্কে জিনিসগুলি শেষ করি with আমরা কিছু স্বেচ্ছাসেবী স্তরের ভিত্তিতে "উল্লেখযোগ্য" বা "উল্লেখযোগ্য নয়" বলি say যদি আমরা এই যথেচ্ছ স্তরগুলি ব্যবহার করি তবে হ্যাঁ, আমাদের সিদ্ধান্তগুলি ভিন্ন হবে different তবে এই বিষয়গুলি সম্পর্কে আমাদের কীভাবে চিন্তা করা উচিত তা নয়। আমাদের প্রমাণের ওজনের দিকে নজর দেওয়া উচিত এবং পরিসংখ্যানগত পরীক্ষাগুলি সেই প্রমাণেরই অংশ only আমি (আবারও) রবার্ট অ্যাবেলসনের "ম্যাজিক মানদণ্ড" প্লাগ করব:

বিশালতা - প্রভাব কত বড়?

বক্তব্য - এটি কতটা সঠিকভাবে বলা হয়েছে? ব্যতিক্রম অনেক আছে?

সাধারণতা - এটি কোন গ্রুপে প্রয়োগ হয়?

আকর্ষণীয়তা - মানুষ যত্ন করবে?

বিশ্বাসযোগ্যতা - এটি কি কোনও বোধগম্য?

এটি গুরুত্বপূর্ণ এই সমস্তগুলির সংমিশ্রণ। মনে রাখবেন যে আবেলসন পি মানগুলি মোটেও উল্লেখ করেন নি, যদিও তারা আকার এবং উচ্চারণের সংকর হিসাবে কাজ করে।

Comments

আমরা প্রায়শই এটি বলি না, তবে প্রযুক্তিগতভাবে পি-মানটি "পরীক্ষার পরিসংখ্যান প্রাপ্তির সম্ভাব্যতা সম্পর্কে কমপক্ষে চূড়ান্ত হিসাবে আমরা যেমন নমুনা পেয়েছিলাম তার সমপরিমাণ" সম্পর্কে কিছুটা প্রতিফলিত করে যদি নাল অনুমানটি সত্য হয় তবে আমাদের নমুনা অনুমান জনসংখ্যার বৈকল্পিকতা পুরোপুরি নির্ভুল, এবং আমরা আমাদের পরীক্ষার অন্যান্য অনুমানগুলি পূরণ করি। বুটস্ট্র্যাপিংয়ের মাধ্যমে কিছু পি-মানের চারপাশে কিছুটা আত্মবিশ্বাসের বিরতি নিক্ষেপ করুন এবং আমি মনে করি আপনি প্রায়শই দেখবেন যে আমরা শততম স্থান সম্পর্কে এতটা আত্মবিশ্বাসী নই।

— রাসেলপিয়ার্স

সংক্ষেপে, এটি এমন এক বিভ্রান্তিকর পাল্টা-সত্য যে পি-ভ্যালু পরিমাণের প্রমানের চেষ্টা করা ফলপ্রসূ হয় যখন আমাদের সত্যিকার অর্থে (যেমন আপনি বোঝাবেন) ম্যাগাজিকে ফিরে যেতে হবে।

— রাসেলপিয়ার্স

আমাকে স্বীকার করতে হবে, আমি পি মানগুলির কাছাকাছি আত্মবিশ্বাসের অন্তর (বা বিশ্বাসযোগ্যতা অন্তর) রাখার কথা ভাবিনি। আমি ভাবছি এই অঞ্চলে কত কিছু করা হয়েছে?

— পিটার ফ্লুম - মনিকা পুনরায়

আমার কাছে প্রশংসার উপযোগী কোনও কাজ নেই, তবে আমি জানি যে এই লাইনগুলি নিয়ে কাজ রয়েছে - নির্বিশেষে, এটি করা একাডেমিক জিনিস কারণ আপনি আপনার আত্মবিশ্বাসের অন্তরগুলিকে আপনার আত্মবিশ্বাসের অন্তরগুলিকে প্রায় বিজ্ঞাপনের অন্তর্নিহিত করে তুলতে পারেন (সর্বাধিক রয়েছে বৈকল্পিক যে কোনও ডেটা সেট থেকে যুক্তিসঙ্গতভাবে অনুমান করা হয়)। @ নিক স্টাওনারের সাথে একবারে এই লাইনগুলির সাথে আমার বরং একটি দীর্ঘ এবং বিস্তারিত কথোপকথন হয়েছিল। টেবিলটিতে আনার জন্য সেই কথোপকথনের সময় তিনি খনন করা কিছু নিবন্ধ এখনও থাকতে পারে।

— রাসেলপিয়ার্স

জন্য আস্থা অন্তর কিছুই পি মান আমি প্রত্যাহার, কিন্তু আমি ঐ বিভাগের উপরে টানা থাকেন পারে। আমিও পি মানের জন্য আস্থা অন্তর তৈরি করতে আগ্রহী ছিল না ;)

— নিক স্টাওনার