통계 학적으로 유의

통계적 유의성이란 무엇입니까?

통계적 유의성은 관찰된 데이터 집합이 우연의 결과가 아니라 특정 원인에 기인할 수 있다는 주장을 나타냅니다. 통계적 중요성은 경제, 금융,. 투자,. 의학, 물리학 및 생물학과 같이 데이터 및 연구 분석에 크게 의존하는 학문 분야 또는 실무자에게 중요합니다 .

통계적 유의성은 강하거나 약하다고 간주될 수 있습니다. 데이터 세트를 분석하고 하나 이상의 변수가 결과에 영향을 미치는지 여부를 식별하기 위해 필요한 테스트를 수행할 때 강력한 통계적 유의성은 결과가 실제이며 운이나 우연에 의한 것이 아니라는 사실을 뒷받침하는 데 도움이 됩니다. 간단히 말해서 p-값이 작으면 결과가 더 신뢰할 수 있는 것으로 간주됩니다.

연구자들은 일반적으로 모집단 자체가 아니라 더 큰 모집단의 표본으로 작업하기 때문에 통계적 유의성 테스트에서 문제가 발생합니다. 결과적으로 표본은 모집단을 대표해야 하므로 표본에 포함된 데이터가 어떤 식으로든 편향되어서는 안 됩니다. 경제학을 포함한 대부분의 과학에서 결과의 신뢰 수준이 95%(또는 때로는 99%)인 경우 결과가 통계적으로 유의한 것으로 간주될 수 있습니다.

통계적 의미 이해하기

통계적 유의성 계산(유의성 테스트)에는 어느 정도의 오차가 있습니다. 데이터가 강한 관계를 가지고 있는 것처럼 보이더라도 연구자는 무작위 우연이나 샘플링 오류 로 인해 명백한 상관 관계가 발생했을 가능성을 설명해야 합니다.

표본 크기는 표본이 클수록 흡충이 발생하기 쉽다는 점에서 통계적으로 중요한 요소입니다. 무작위로 선택한 대표 샘플 만 유의성 테스트에 사용해야 합니다. 사건이 통계적으로 유의 한지 여부를 수용할 수 있는 수준을 유의 수준이라고 합니다.

연구원은 p-값 이라고 하는 측정값 을 사용하여 통계적 유의성을 결정합니다. p-값이 유의 수준 아래로 떨어지면 결과가 통계적으로 유의한 것입니다. p-값은 데이터 샘플의 평균 및 표준 편차의 함수입니다.

p-값은 주어진 통계적 결과가 발생한 확률을 나타내며, 확률만 결과에 책임이 있다고 가정합니다. 이 확률이 작으면 연구자는 관찰된 데이터에 대해 다른 요인이 원인일 수 있다는 결론을 내릴 수 있습니다.

1에서 유의 수준을 뺀 값으로 계산되는 유의 수준의 반대가 신뢰 수준입니다. 통계적 결과가 우연이나 표본오차에 의해 발생하지 않았다는 신뢰의 정도를 나타낸다. 많은 통계 테스트에서 관습적 신뢰 수준은 95%이며, 이는 5%의 관습적 유의 수준 또는 p-값으로 이어집니다.

"P-hacking"은 통계적으로 유의미한 결과를 찾기 위해 다양한 데이터 세트를 철저하게 비교하는 행위입니다. 연구자들은 부정적인 결과가 아닌 유리한 결과만 보고하기 때문에 보고 편향 이 있을 수 있습니다.

특별 고려 사항

통계적 중요성이 항상 실질적인 의미를 나타내는 것은 아니므로 결과를 실제 비즈니스 상황에 적용할 수 없습니다. 또한 연구자가 결과를 보고할 때 언어를 주의 깊게 사용하지 않으면 통계적 유의성이 잘못 해석될 수 있습니다. 결과가 통계적으로 유의미하다는 사실이 그것이 우연의 결과가 아닙니다는 것을 의미하는 것은 아니며 단지 그럴 가능성이 적다는 것입니다.

두 데이터 계열이 서로 강한 상관 관계를 갖고 있다고 해서 인과 관계를 의미하지는 않습니다. 예를 들어, 배우 Nicolas Cage가 주연을 맡은 영화의 수는 수영장에서 사고로 익사한 수와 매우 높은 상관관계가 있습니다. 그러나 이론적인 인과관계 주장이 없기 때문에 이 상관관계는 거짓 입니다.

통계적 유의성과 함께 발생할 수 있는 또 다른 문제는 과거 데이터와 해당 데이터의 결과가 통계적으로 유의미한지 여부에 관계없이 진행 중인 또는 미래의 상황을 반영하지 않을 수 있다는 것입니다. 투자에서 이는 상관관계가 변하고 변수가 평소와 같이 상호 작용하지 않기 때문에 금융 위기 시기에 무너지는 가격 모델로 나타날 수 있습니다. 통계적 중요성은 또한 투자자가 한 자산 가격 책정 모델이 다른 것보다 나은지 여부를 식별하는 데 도움이 될 수 있습니다.

통계적 유의성 검정의 유형

수행되는 연구에 따라 여러 유형의 유의성 검정이 사용됩니다. 예를 들어, 평균, 분산, 비율, 쌍 또는 쌍이 없는 데이터 또는 다른 데이터 분포에 대해 다양한 크기의 하나, 둘 또는 그 이상의 데이터 샘플에 대해 검정을 사용할 수 있습니다.

또한 사용 가능한 데이터 유형에 따라 유의성 테스트에 대한 다양한 접근 방식이 있습니다. Ronald Fisher는 가장 유연한 접근 방식 중 하나를 공식화하고 p < 0.05에서 유의성에 대한 표준을 설정한 것으로 알려져 있습니다. 대부분의 작업은 데이터가 이미 수집된 후에 수행할 수 있기 때문에 이 방법은 단기 또는 임시 연구 프로젝트에 널리 사용됩니다.

Fisher의 방법을 기반으로 하기 위해 Jerzy Neyman과 Egon Pearson은 결국 대안적인 접근 방식을 개발하게 되었습니다. 이 방법은 데이터를 수집하기 전에 더 많은 작업을 수행해야 하지만 연구자가 잘못된 결론에 도달할 가능성을 제어하는 방식으로 연구를 설계할 수 있습니다.

귀무 가설 테스트

통계적 유의성은 연구자가 다른 설명을 거부함으로써 자신의 이론을 뒷받침하려고 시도하는 귀무 가설 테스트에서 사용됩니다. 이 방법은 때때로 잘못 이해되지만 의학, 심리학 및 기타 분야에서 가장 널리 사용되는 데이터 테스트 방법입니다.

가장 일반적인 귀무 가설은 해당 매개변수가 0과 같다는 것입니다(일반적으로 변수가 관심 결과에 0 영향을 미친다는 것을 나타냄). 연구자가 95% 이상의 신뢰도로 귀무 가설을 기각하면 관찰된 관계가 통계적으로 유의하다고 주장할 수 있습니다. 귀무 가설은 둘 이상의 대체 치료에 대한 효과의 동등성에 대해 테스트할 수도 있습니다.

대중적인 오해와 달리 높은 수준의 통계적 유의성은 가설이 참인지 거짓인지를 증명할 수 없습니다. 실제로 통계적 유의성은 귀무 가설이 참이라고 가정할 때 관찰된 결과가 발생했을 가능성을 측정합니다.

매우 높은 수준의 통계적 유의성이 무언가를 결코 증명할 수 없더라도 귀무 가설의 거부는 기존 가설을 뒷받침할 뿐입니다. 반면에 귀무가설을 기각하지 못하는 것은 종종 가설을 기각하는 근거가 됩니다.

또한 효과는 통계적으로 유의할 수 있지만 영향은 매우 작습니다. 예를 들어, 화장실에 2겹 화장지를 사용하는 회사의 직원 생산성이 더 높다는 것은 통계적으로 유의할 수 있지만 각 직원의 절대 생산성 향상은 미미할 가능성이 높습니다.

수정–2022년 5월 15일: 이 문서는 유의성 테스트의 잠재적 오류를 강조하기 위해 편집되었습니다.

##하이라이트

• 통계적 유의성이란 테스트 또는 실험을 통해 생성된 데이터의 결과가 특정 원인에 기인할 가능성이 높다는 주장을 의미합니다.

• 통계적 유의성의 계산은 어느 정도 오차가 있을 수 있습니다.

• 높은 수준의 통계적 유의성은 관찰된 관계가 우연에 의한 것이 아닐 가능성이 있음을 나타냅니다.

• 수행하는 연구에 따라 여러 유형의 유의성 검정이 사용됩니다.

• 연구자가 결과를 보고할 때 언어를 주의 깊게 사용하지 않으면 통계적 유의성이 잘못 해석될 수 있습니다.