Statistiskā nozīme

Rezultāti, kas iegūti, izmantojot noteiktu izpētes procedūru, tiek saukti statistiski nozīmīgi ja to nejaušības iespējamība ir ļoti maza. Šo koncepciju var ilustrēt ar monētas mešanas piemēru. Pieņemsim, ka monēta tiek apmesta 30 reizes; Tas 17 reizes nāca augšā ar galvām un 13 reizes - ar astes. Dara jēgpilnu Vai tā ir novirze no gaidītā rezultāta (15 galvas un 15 astes), vai tā ir nejaušība? Lai atbildētu uz šo jautājumu, varat, piemēram, mest vienu un to pašu monētu daudzas reizes 30 reizes pēc kārtas un tajā pašā laikā atzīmēt, cik reizes atkārtojas galviņu un astes attiecība, kas ir vienāda ar 17:13. Statistiskā analīze mūs pasargā no šī nogurdinošā procesa. Ar tās palīdzību pēc pirmajām 30 monētu mešanām iespējams aplēst iespējamo 17 galvu un 13 astes nejaušības gadījumu skaitu. Šādu novērtējumu sauc par varbūtības apgalvojumu.

Zinātniskajā literatūrā par industriāli organizatorisko psiholoģiju atrodams varbūtības apgalvojums in matemātiskā forma apzīmē ar izteiksmi R(varbūtība)< (менее) 0,05 (5 %), которое следует читать как «вероятность менее 5 %». В примере с киданием монеты это утверждение будет означать, что если исследователь проведет 100 опытов, каждый раз кидая монету по 30 раз, то он может ожидать случайного выпадения комбинации из 17 «орлов» и 13 «решек» менее, чем в 5 опытах. Этот результат будет сочтен статистически значимым, поскольку в индустриально-организационной психологии уже давно приняты стандарты статистической значимости 0,05 и 0,01 (R< 0,01). Šis fakts ir svarīgs, lai izprastu literatūru, taču to nevajadzētu uztvert tādējādi, ka ir bezjēdzīgi veikt novērojumus, kas neatbilst šiem standartiem. Tā sauktie nenozīmīgie pētījumu rezultāti (novērojumi, kurus var iegūt nejauši vairāk viena vai piecas reizes no 100) var būt ļoti noderīga tendenču noteikšanai un kā ceļvedis turpmākajiem pētījumiem.

Jāņem vērā arī tas, ka ne visi psihologi piekrīt tradicionālajiem standartiem un procedūrām (piemēram, Cohen, 1994; Sauley & Bedeian, 1989). Mērīšanas jautājumi paši par sevi ir galvenais darba temats daudziem pētniekiem, kas pēta mērīšanas metožu precizitāti un pieņēmumus, kas ir pamatā. esošās metodes un standartiem, kā arī jaunu ārstu un instrumentu izstrādi. Iespējams, kādreiz nākotnē pētījumi par šo spēku novedīs pie izmaiņām tradicionālajos statistiskās nozīmīguma novērtēšanas standartos, un šīs izmaiņas iegūs vispārēju piekrišanu. (Amerikas Psiholoģijas asociācijas piektajā nodaļā ir apvienoti psihologi, kas specializējas novērtējumu, mērījumu un statistikas izpētē.)

Pētījumu ziņojumos varbūtības apgalvojums, piemēram, R< 0,05, dažu dēļ statistika tas ir, skaitlis, kas iegūts noteiktas matemātisku skaitļošanas procedūru kopas rezultātā. Varbūtības apstiprinājums tiek iegūts, salīdzinot šo statistiku ar datiem no īpašām tabulām, kas tiek publicētas šim nolūkam. Rūpnieciski-organizatoriskajos psiholoģiskajos pētījumos statistika, piemēram, r, F, t, r>(lasiet "či kvadrātu") un R(lasiet "vairāki R"). Katrā gadījumā statistiku (vienu skaitli), kas iegūta, analizējot novērojumu sēriju, var salīdzināt ar skaitļiem no publicētās tabulas. Pēc tam var formulēt varbūtības apgalvojumu par varbūtību nejauši iegūt šo skaitli, tas ir, izdarīt secinājumu par novērojumu nozīmīgumu.

Lai saprastu šajā grāmatā aprakstītos pētījumus, pietiek ar skaidru izpratni par statistiskā nozīmīguma jēdzienu un ne vienmēr zināt, kā tiek aprēķināta iepriekš minētā statistika. Tomēr būtu lietderīgi apspriest vienu pieņēmumu, kas ir visu šo procedūru pamatā. Tas ir pieņēmums, ka visi novērotie mainīgie ir aptuveni sadalīti saskaņā ar parasto likumu. Turklāt, lasot ziņojumus par industriāli-organizācijas psiholoģiskajiem pētījumiem, bieži vien ir vēl trīs jēdzieni, kuriem ir svarīga loma - pirmkārt, korelācija un korelācija, otrkārt, determinants/prognozējošais mainīgais un "ANOVA" (dispersijas analīze). , statistikas metožu grupa ar vispārēju nosaukumu "metaanalīze".

Pētījumi parasti sākas ar dažiem pieņēmumiem, kas prasa pārbaudi, iesaistot faktus. Šis pieņēmums - hipotēze - tiek formulēts saistībā ar parādību vai īpašību saistību noteiktā objektu kopā.

Lai pārbaudītu šādus pieņēmumus uz faktiem, ir jāizmēra atbilstošās to nesēju īpašības. Bet nav iespējams izmērīt trauksmi visām sievietēm un vīriešiem, tāpat kā nav iespējams izmērīt agresivitāti visiem pusaudžiem. Tāpēc, veicot pētījumu, tie ir ierobežoti tikai ar salīdzinoši nelielu attiecīgo cilvēku populāciju pārstāvju grupu.

Populācija- tas ir viss objektu kopums, attiecībā uz kuriem tiek formulēta pētījuma hipotēze.

Piemēram, visi vīrieši; vai visas sievietes; vai visi pilsētas iedzīvotāji. Kopējās populācijas, par kurām pētnieks, pamatojoties uz pētījuma rezultātiem, gatavojas izdarīt secinājumus, var būt mazāks un pieticīgāks, piemēram, visi konkrētās skolas pirmklasnieki.

Tādējādi vispārējā populācija, lai gan ne bezgalīgi daudz, bet, kā likums, ir daudz potenciālu priekšmetu, kas nav pieejami nepārtrauktai izpētei.

Izlase vai izlases kopa- šī ir ierobežota skaita objektu grupa (psiholoģijā - subjekti, respondenti), kas īpaši atlasīti no vispārējās populācijas, lai pētītu tās īpašības. Attiecīgi tiek saukta vispārējās populācijas īpašību izpēte paraugā selektīvs pētījums. Gandrīz visi psiholoģiskā izpēte ir selektīvi, un to secinājumi attiecas uz vispārējām populācijām.

Tādējādi pēc hipotēzes formulēšanas un atbilstošo vispārējo populāciju noteikšanas pētnieks saskaras ar izlases organizēšanas problēmu. Izlasei jābūt tādai, lai būtu pamatots izlases pētījuma secinājumu vispārinājums - vispārinājums, to sadalījums kopējā populācijā. Pētījuma secinājumu pamatotības galvenie kritēriji— tie ir izlases reprezentativitāte un (empīrisko) rezultātu statistiskais derīgums.

Izlases reprezentativitāte- citiem vārdiem sakot, tās reprezentativitāte ir izlases spēja pilnībā reprezentēt pētāmās parādības no to mainīguma viedokļa vispārējā populācijā.

Protams, tikai vispārējā populācija var sniegt pilnīgu priekšstatu par pētāmo parādību visā tās diapazonā un mainīguma niansēs. Tāpēc reprezentativitāte vienmēr ir ierobežota tādā mērā, kā izlase ir ierobežota. Un tieši izlases reprezentativitāte ir galvenais kritērijs, nosakot pētījuma atziņu vispārinājuma robežas. Tomēr ir paņēmieni, kas ļauj iegūt pētniekam pietiekamu reprezentatīvu paraugu (Šīs tehnikas tiek pētītas kursā "Eksperimentālā psiholoģija").

Pirmais un galvenais paņēmiens ir vienkārša nejauša (nejauši izvēlēta) atlase. Tas paredz nodrošināt, ka katram kopas loceklim ir vienādas iespējas tikt iekļautam izlasē. Nejauša atlase nodrošina iespēju iekļūt izlasē visvairāk dažādi pārstāvji vispārējo iedzīvotāju skaitu. Tajā pašā laikā tiek veikti īpaši pasākumi, lai izslēgtu jebkādas likumsakarības parādīšanos atlasē. Un tas ļauj cerēt, ka beigu beigās izlasē pētāmā īpašība tiks pārstāvēta ja ne visā, tad maksimāli iespējamā daudzveidībā.

Otrs veids, kā nodrošināt reprezentativitāti, ir stratificēta nejauša atlase vai atlase atbilstoši vispārējās populācijas īpašībām. Tas ietver to īpašību iepriekšēju noteikšanu, kas var ietekmēt pētāmā īpašuma mainīgumu (tas var būt dzimums, ienākumu līmenis vai izglītība utt.). Tad tiek noteikts procentos tiek nodrošināts ar šīm īpašībām atšķirīgo grupu (slāņu) skaits kopējā populācijā un identisks atbilstošo grupu procentuālais daudzums izlasē. Tālāk katrā izlases apakšgrupā subjekti tiek atlasīti pēc vienkāršas nejaušās atlases principa.

Statistiskais derīgums, vai statistisko nozīmīgumu, pētījuma rezultātus nosaka, izmantojot statistisko secinājumu metodes.

Vai esam apdrošināti pret kļūdām, pieņemot lēmumus, ar zināmiem secinājumiem no pētījuma rezultātiem? Protams, nē. Galu galā mūsu lēmumi ir balstīti uz izlases populācijas pētījuma rezultātiem, kā arī uz mūsu psiholoģisko zināšanu līmeni. Mēs neesam pilnībā pasargāti no kļūdām. Statistikā šādas kļūdas tiek uzskatītas par pieņemamām, ja tās rodas ne vairāk kā vienā gadījumā no 1000 (kļūdas varbūtība α = 0,001 vai ar to saistītā pareizā secinājuma ticamības varbūtības vērtība p = 0,999); vienā gadījumā no 100 (kļūdas varbūtība α = 0,01 vai saistītā pareizā secinājuma ticamības varbūtības vērtība p = 0,99) vai piecos gadījumos no 100 (kļūdas varbūtība α = 0,05 vai saistītā ticamības varbūtības vērtība pareizā izvade p=0,95). Tieši pēdējos divos līmeņos pieņemts pieņemt lēmumus psiholoģijā.

Dažkārt, runājot par statistisko nozīmīgumu, tiek izmantots jēdziens "nozīmības līmenis" (apzīmēts kā α). P un α skaitliskās vērtības papildina viena otru līdz 1000 - pilns notikumu kopums: vai nu mēs izdarījām pareizo secinājumu, vai arī pieļāvām kļūdu. Šie līmeņi netiek aprēķināti, tie ir noteikti. Nozīmīguma līmeni var saprast kā sava veida "sarkano" līniju, kuras krustpunkts ļaus runāt par šo notikumu kā negadījumu. Katrā kompetentajā zinātniskajā ziņojumā vai publikācijā izdarītajiem secinājumiem jāpievieno norāde par p vai α vērtībām, pēc kurām izdarīti secinājumi.

Statistikas secinājumu metodes ir detalizēti apskatītas kursā "Matemātiskā statistika". Pagaidām atzīmējam tikai to, ka tie izvirza noteiktas prasības numuram vai parauga lielums.

Diemžēl nav stingru ieteikumu par vajadzīgā izlases lieluma provizorisku noteikšanu. Turklāt atbildi uz jautājumu par to nepieciešamo un pietiekamo skaitu pētnieks parasti saņem novēloti – tikai pēc jau aptaujātās izlases datu analīzes. Tomēr var formulēt vispārīgākos ieteikumus:

1. Izstrādājot diagnostikas tehniku, nepieciešams lielākais izlases lielums - no 200 līdz 1000-2500 cilvēkiem.

2. Ja nepieciešams salīdzināt 2 paraugus, to kopējam skaitam jābūt vismaz 50 cilvēkiem; salīdzināmo paraugu skaitam jābūt aptuveni vienādam.

3. Ja tiek pētīta saistība starp kādiem īpašumiem, tad izlases lielumam jābūt vismaz 30-35 cilvēkiem.

4. Jo vairāk mainīgums no pētāmā īpašuma, jo lielākam jābūt izlases lielumam. Tāpēc mainīgumu var samazināt, palielinot izlases viendabīgumu, piemēram, pēc dzimuma, vecuma utt. Tas, protams, samazina vispārēju secinājumu iespēju.

Atkarīgi un neatkarīgi paraugi. Tipiska pētījuma situācija ir tad, kad pētnieku interesējoša īpašība tiek pētīta uz diviem vai vairākiem paraugiem, lai tos tālāk salīdzinātu. Šie paraugi var būt dažādās proporcijās atkarībā no to organizēšanas procedūras. Neatkarīgi paraugi ir raksturīgi ar to, ka jebkuras vienas izlases subjekta atlases varbūtība nav atkarīga no kāda cita izlases subjekta atlases. Pret, atkarīgie paraugi ir raksturīgi ar to, ka katrs vienas izlases subjekts atbilst noteiktam kritērijam ar priekšmetu no citas izlases.

Vispārīgā gadījumā atkarīgās izlases ietver subjektu atlasi pa pāriem salīdzinātajos izlasēs, bet neatkarīgie paraugi - neatkarīgu subjektu atlasi.

Jāņem vērā, ka “daļēji atkarīgu” (vai “daļēji neatkarīgu”) paraugu gadījumi nav pieļaujami: tas neprognozējamā veidā pārkāpj to reprezentativitāti.

Noslēgumā mēs atzīmējam, ka var izdalīt divas psiholoģiskās izpētes paradigmas.

Tā saucamais R-metodoloģija ietver noteiktas īpašības (psiholoģiskās) mainīguma izpēti kādas ietekmes, faktora vai citas īpašības ietekmē. Paraugs ir priekšmetu kopums.

Cita pieeja Q-metodoloģija, ietver subjekta mainīguma izpēti (viena) dažādu stimulu (apstākļi, situācijas utt.) ietekmē. Tas atbilst situācijai, kad paraugs ir stimulu kopums.

Rezultāta statistiskais nozīmīgums (p vērtība) ir aplēsts ticamības rādītājs tā "patiesībai" (izlases reprezentativitātes nozīmē). Tehniski runājot, p-vērtība ir rādītājs, kuram ir samazinoša saistība ar rezultāta ticamību. Vairāk augsta p vērtība atbilst zemākam ticamības līmenim atkarībā starp izlasē atrastajiem mainīgajiem. Proti, p-vērtība atspoguļo kļūdas iespējamību, kas saistīta ar novērotā rezultāta sadalījumu visā populācijā. Piemēram, p-vērtība = 0,05 (t.i., 1/20) norāda, ka pastāv 5% iespējamība, ka sakarība starp izlasē atrastajiem mainīgajiem ir tikai nejauša šīs izlases iezīme. Citiem vārdiem sakot, ja šīs attiecības populācijā nepastāv un jūs veiktu līdzīgus eksperimentus daudzas reizes, tad aptuveni vienā no divdesmit eksperimenta atkārtojumiem jūs varētu sagaidīt tādu pašu vai spēcīgāku saistību starp mainīgajiem.

Daudzos pētījumos p-vērtība 0,05 tiek uzskatīta par kļūdas līmeņa "pieņemamo robežu".

Nekādā gadījumā nevar izvairīties no patvaļas, izlemjot, kāds nozīmīguma līmenis patiešām būtu jāuzskata par "nozīmīgu". Noteikta nozīmīguma līmeņa izvēle, virs kuras rezultāti tiek noraidīti kā nepatiesi, ir diezgan patvaļīga. Praksē galīgais lēmums parasti ir atkarīgs no tā, vai rezultāts tika prognozēts a priori (t. i., pirms eksperimenta veikšanas) vai atklāts a posteriori daudzu analīžu un salīdzinājumu rezultātā ar daudziem datiem, kā arī no tradīciju, kas pastāv šajā pētniecības jomā. Parasti daudzās jomās rezultāts p 0,05 ir pieņemama statistiskā nozīmīguma robeža, tomēr jāatceras, ka šajā līmenī joprojām ir iekļauta diezgan liela kļūdas iespējamība (5%). Rezultāti, kas ir nozīmīgi pie p 0,01, parasti tiek uzskatīti par statistiski nozīmīgiem, un rezultāti pie p 0,005 vai p 0,001 par ļoti nozīmīgiem. Tomēr jāsaprot, ka šī nozīmīguma līmeņu klasifikācija ir diezgan patvaļīga un ir tikai neformāla vienošanās, kuras pamatā ir praktiskā pieredze jebkurā pētniecības jomā.

Kā jau minēts, atkarības un uzticamības lielums ir divi dažādas īpašības mainīgo lielumu atkarības. Tomēr nevar teikt, ka viņi ir pilnīgi neatkarīgi. runājot kopīgu valodu, jo lielāks ir attiecības (savienojuma) lielums starp mainīgajiem parasta izmēra izlasē, jo ticamāka tā ir.

Ja pieņemam, ka nav sakarības starp atbilstošajiem mainīgajiem populācijā, tad visticamāk, ka pētāmajā izlasē arī starp šiem mainīgajiem nebūs sakarības. Tādējādi, jo spēcīgāka saistība tiek konstatēta izlasē, jo mazāka ir iespēja, ka šīs attiecības nav populācijā, no kuras tā iegūta.

Izlases lielums ietekmē attiecību nozīmīgumu. Ja novērojumu ir maz, tad šiem mainīgajiem ir attiecīgi maz iespējamo vērtību kombināciju, un līdz ar to varbūtība nejauši atrast lielu atkarību parādošu vērtību kombināciju ir salīdzinoši augsta.

Kā tiek aprēķināts statistiskās nozīmīguma līmenis. Pieņemsim, ka esat jau aprēķinājis attiecību starp diviem mainīgajiem lielumiem (kā paskaidrots iepriekš). Nākamais jautājums, kas jums priekšā ir: "cik nozīmīga ir šī atkarība?" Piemēram, vai 40% no izskaidrotās dispersijas starp diviem mainīgajiem ir pietiekami, lai attiecības būtu nozīmīgas? Atbilde: "atkarībā no apstākļiem." Proti, nozīmīgums galvenokārt ir atkarīgs no izlases lieluma. Kā jau paskaidrots, ļoti lielās izlasēs nozīmīgas būs pat ļoti vājas attiecības starp mainīgajiem, savukārt mazās izlasēs pat ļoti spēcīgas attiecības nav ticamas. Tādējādi, lai noteiktu statistiskās nozīmīguma līmeni, ir nepieciešama funkcija, kas attēlo attiecības starp mainīgo lielumu attiecības "lielumu" un "nozīmību" katram izlases lielumam. Šī funkcija precīzi norādītu, "cik ir iespēja iegūt noteiktas vērtības (vai lielākas) attiecības noteikta lieluma izlasē, pieņemot, ka populācijā šādas attiecības nav." Citiem vārdiem sakot, šī funkcija dotu nozīmīguma līmeni (p-vērtību) un līdz ar to varbūtību, ka kļūdaini tiks noraidīts pieņēmums, ka populācijā nav noteiktas attiecības. Šo "alternatīvo" hipotēzi (ka populācijā nav atkarības) parasti sauc par nulles hipotēzi. Būtu ideāli, ja funkcija, kas aprēķina kļūdas iespējamību, būtu lineāra un tai būtu tikai dažādi slīpumi dažādiem paraugu izmēriem. Diemžēl šī funkcija ir daudz sarežģītāka un ne vienmēr ir vienāda. Tomēr vairumā gadījumu tā forma ir zināma, un to var izmantot, lai noteiktu nozīmīguma līmeņus, pārbaudot noteikta izmēra paraugus. Lielākā daļa šo funkciju ir saistītas ar ļoti svarīgu sadalījumu klasi, ko sauc par normālu.

Apsveriet tipisku piemēru statistikas metožu pielietošanai medicīnā. Zāļu radītāji norāda, ka tas palielina diurēzi proporcionāli uzņemtajai devai. Lai pārbaudītu šo pieņēmumu, viņi pieciem brīvprātīgajiem piešķir dažādas zāļu devas.

Saskaņā ar novērojumu rezultātiem tiek attēlots diurēzes un devas grafiks (1.2.A att.). Atkarība ir redzama ar neapbruņotu aci. Pētnieki apsveic viens otru ar atklājumu un pasauli ar jauno diurētisko līdzekli.

Faktiski dati ļauj ticami apgalvot tikai to, ka šiem pieciem brīvprātīgajiem tika novērota diurēzes atkarība no devas. Tas, ka šī atkarība izpaudīsies visos cilvēkos, kuri lietos šīs zāles, ir nekas vairāk kā minējums.
WJ

no

zhenie. Nevarētu teikt, ka tas ir bez pamata – citādi, kāpēc eksperimentēt?

Bet tagad zāles ir tirgū. Arvien vairāk cilvēku to lieto, cerot palielināt diurēzi. Un ko mēs redzam? Mēs redzam 1.2B attēlu, kas norāda uz to, ka nav nekādas attiecības starp zāļu devu un diurēzi. Melnie apļi attēlo datus no sākotnējā pētījuma. Statistikai ir metodes, kā novērtēt varbūtību iegūt šādu "nereprezentatīvu", turklāt mulsinošu izlasi. Izrādās, ka nepastāvot sakarībai starp diurēzi un zāļu devu, no tā izrietošā "atkarība" būtu novērojama aptuveni 5 no 1000 eksperimentiem. Tātad šajā gadījumā pētniekiem vienkārši nepaveicās. Pat ja viņi pielietotu pat vispilnīgākās statistikas metodes, tas viņus neglābtu no kļūdām.

Šo fiktīvo, bet nebūt ne tālu no realitātes piemēru mēs minējām nevis tāpēc, lai norādītu uz nederīgumu
statistika. Viņš runā par kaut ko citu, par viņas secinājumu varbūtības raksturu. Statistiskās metodes pielietošanas rezultātā mēs neiegūstam galīgo patiesību, bet tikai aplēsi par konkrēta pieņēmuma iespējamību. Turklāt katra statistikas metode ir balstīta uz savu matemātisko modeli, un tās rezultāti ir pareizi tiktāl, ciktāl šis modelis atbilst realitātei.

Vairāk par UZTICAMĪBU UN STATISTISKO NOZĪME:

1. Statistiski nozīmīgas dzīves kvalitātes rādītāju atšķirības
2. Statistikas apkopojums. Konta zīmes. Nepārtrauktas un selektīvas pētniecības jēdziens. Prasības statistiskajai kopai un grāmatvedības un pārskatu dokumentu izmantošanai
3. ESEJA. TONOMETRA RĀDĪJUMU TICAMĪBAS PĒTĪJUMS AIKSĒRĀ SPIEDIENA MĒRĪŠANAI CAUR ACS PLAKSTIŅU2018, 2018

Statistiskā nozīmīguma jēdziens

Statistiskais derīgums ir būtiska nozīme FCC norēķinu praksē. Iepriekš tika atzīmēts, ka no vienas un tās pašas populācijas var atlasīt daudzus paraugus:

Ja tie ir pareizi izvēlēti, tad to vidējie rādītāji un vispārējās populācijas rādītāji nedaudz atšķiras viens no otra reprezentativitātes kļūdas lielumā, ņemot vērā pieņemto ticamību;

Ja tos izvēlas no dažādām vispārējām populācijām, atšķirība starp tām izrādās būtiska. Statistikā parasti tiek apsvērta paraugu salīdzināšana;

Ja tie atšķiras nenozīmīgi, nesvarīgi, nenozīmīgi, tas ir, tie faktiski pieder vienai un tai pašai kopējai populācijai, atšķirību starp tām sauc statistiski neuzticams.

statistiski nozīmīgi izlases atšķirība ir izlase, kas būtiski un fundamentāli atšķiras, t.i., pieder dažādām vispārējām populācijām.

FCC, lai novērtētu paraugu atšķirību statistisko nozīmīgumu, ir jāatrisina daudzas praktiskas problēmas. Piemēram, jaunu mācību metožu, programmu, vingrojumu kompleksu, testu, kontroles vingrinājumu ieviešana ir saistīta ar to eksperimentālo pārbaudi, kam jāparāda, ka testa grupa būtiski atšķiras no kontroles grupas. Tāpēc tiek izmantotas īpašas statistikas metodes, t.s statistiskā nozīmīguma kritēriji, kas ļauj konstatēt statistiski nozīmīgu atšķirību esamību vai neesamību starp paraugiem.

Visi kritēriji ir sadalīti divās grupās: parametriskie un neparametriskie. Parametriskie kritēriji paredzēt normālā sadales likuma obligātu klātbūtni, t.i. tas attiecas uz parastā likuma galveno rādītāju - vidējā aritmētiskā - obligātu noteikšanu X un standarta novirze par. Parametriskie kritēriji ir visprecīzākie un pareizākie. Neparametriskie testi ir balstīti uz rangu (kārtas) atšķirībām starp paraugu elementiem.

Šeit ir minēti galvenie statistiskās nozīmīguma kritēriji, ko izmanto FCC praksē: Studenta tests, Fišera tests, Vilkoksona tests, Vaita tests, Van der Vērdena tests (zīmju tests).

Studenta kritērijs nosaukts pēc angļu zinātnieka C. Gosset (Students ir pseidonīms), kurš atklāja šī metode. Studenta kritērijs ir parametrisks, izmanto, lai salīdzinātu paraugu absolūtās vērtības. Paraugi var atšķirties pēc izmēra.

Studenta kritērijs ir definēts šādi.

1. Atrodiet Studenta kritēriju t saskaņā ar šādu formulu:

kur xi, x 2 - salīdzināto paraugu vidējais aritmētiskais; /i b w 2 - reprezentativitātes kļūdas, kas konstatētas, pamatojoties uz salīdzināmo paraugu rādītājiem.

2. FCC prakse ir parādījusi, ka sporta darbam pietiek pieņemt rezultāta ticamību R= 0,95.

63 Konta uzticamībai: P= 0,95 (a = 0,05), ar grādu skaitu; brīvība k= «! + n 2 - 2 saskaņā ar pielietojuma tabulu 4 mēs atrodam vērtību \ nu, kritērija robežvērtība (^gr).

3. Pamatojoties uz normālā sadalījuma likuma īpašībām, Stjudenta testā tiek veikts salīdzinājums t Un t^.

4. Izdariet secinājumus:

Ja t> ftp, tad atšķirība starp salīdzinātajām izlasēm ir statistiski nozīmīga;

Ja t< 7 F, tad atšķirība nav statistiski nozīmīga.

Pētniekiem FCC jomā statistiskās nozīmības novērtējums ir pirmais solis konkrētas problēmas risināšanā: būtiski vai nebūtiski atšķirties starp; salīdzināmi paraugi. Nākamais solis ir; šīs atšķirības novērtējums no pedagoģiskā viedokļa, ko nosaka problēmas stāvoklis.