Alright. So, why are statistical significance tests useful? So,
they do provide a formalized framework for comparing and
evaluating data. And they do enable us to evaluate
whether perceived effects in our data set reflect differences across
the whole population. They do not make a bad
result look good. Significant sets are useful because they provide
a formalized framework for comparing and evaluating data. Different
tests have different assumptions and rules that they incorporate, and
using a particular test ensures that everyone is on the
same page in so far as what we're assuming about
our data. Significance tests also enable us to evaluate whether
perceived effects in our data set reflect differences across the whole
population. As was the case with our company, where ten
out of ten people polled preferred the color blue. Sometimes an
affect that we seen in a small sample does not
reflect what might be true across the entire population. A statistical
significance test let's us formally determine whether or not this might
be the case. Unfortunately, a bad result is not going to
look any better or worse as a result of using a
statistical significance test. If our data's
bad, or there's really no difference
between our two samples. We're not going to be able to
undo that with a test. It is possible though that different tests
might give us different results. The really important thing and we'll
go into this a bit more is that you need to use
the right test in the right situations. Why don't we talk a
little bit about how we might actually run a statistical significance test.
حسنًا. حسنًا، لماذا تعد اختبارات الدلالة الإحصائية مفيدة؟ إنها توفر
إطار عمل موحدًا لمقارنة
البيانات وتقييمها. كما أنها تتيح لنا
تقييم ما إذا كانت التأثيرات المدركة في مجموعة البيانات لدينا
تُظهر الاختلافات عبر المجموعة بأكملها أم لا. وهي لا تجعل النتيجة
السيئة تبدو جيدة. ترجع أهمية اختبارات الدلالة إلى أنها توفر
إطار عمل موحدًا لمقارنة البيانات وتقييمها. تتضمن
،الاختبارات المختلفة افتراضات وقواعد مختلفة
ويضمن استخدام اختبار معين وجود كل الأشخاص على
الصفحة ذاتها حسبما نفترض عن
البيانات لدينا حتى الآن. كما تتيح لنا اختبارات الدلالة تقييم ما إذا كانت
التأثيرات المدركة في مجموعة البيانات لدينا تُظهر الاختلافات عبر
المجموعة بأكملها أم لا. كما كان الحال داخل شركتنا، حيث كان يفضل
،عشرة أشخاص من أصل عشرة تم استطلاع رأيهم اللون الأزرق. في بعض الأحيان
لا يُظهر التأثير الذي رأيناه في عينة صغيرة
ما يكون صحيحًا عبر المجموعة بالكامل. يتيح لنا اختبار
الدلالة الإحصائي تحديد ما إذا كانت
هذه هي الحالة أم لا. للأسف، لا يمكن أن تظهر النتيجة السيئة
بشكل أفضل أو أسوأ كنتيجة لاستخدام
،اختبار دلالة إحصائي. إذا كانت البيانات سيئة
أو لم يكن هناك فرق بين
العينتين. فلن نتمكن من
التراجع عن ذلك باستخدام اختبار. وبرغم ذلك يمكن أن تعطينا الاختبارات
المختلفة نتائج مختلفة. الأمر الأهم الذي سنتطرق إليه أكثر
هو أنكم بحاجة إلى استخدام
الاختبار الصحيح في المواقف الصحيحة. لنتحدث قليلاً عن
.كيف يمكننا فعليًا تشغيل اختبار دلالة إحصائي
有意差検定が有益な理由は2つあります
データの比較評価を正しく行う
フレームワークを提示すること
そしてデータセットから得たある結果を
母集団にわたる影響として反映できるということです
悪い結果の見栄えを良くすることはありません
有意差検定はデータの比較評価を正しく行う
フレームワークを提示します
検定ごとのそれぞれの仮説やルールを組み合わせて
データにおける推測に関しては
どれも同じ条件であると保証します
また有意差検定でデータから得た結果は
母集団にわたる影響だと捉えることができます
10人の社員の好きな色が
すべて青色だったという例がそうです
小さい標本からの結果だけでは
母集団に当てはめることができない場合もあります
そこで有意差検定を行って確かめるのです
しかし悪い結果が出てしまうと
有意差検定を用いても効果がありません
データ自体が悪かったり
2つの標本間の差異がまったくなくても
検定でそれを取り消すことはできません
しかし別の検定を使えば
違った結果が出るかもしれません
適切な検定を適切な条件で行う必要があるのです
実際に検定を行う方法を詳しく見ていきましょう
Tudo bem. Por que os testes de significância estatística são úteis? Eles
fornecem um framework formalizado para comparar e avaliar
dados. Eles nos permitem avaliar
se os efeitos percebidos em nosso conjunto de dados refletem diferenças na
população inteira. Eles não melhoram a aparência
de resultados ruins. Conjuntos significativos são úteis porque fornecem
um framework formalizado para comparar e avaliar dados. Testes
diferentes têm suposições e regras diferentes que eles incorporam e
usar um teste específico garante que todos estejam alinhados
no sentido do que estamos supondo sobre
nossos dados. Testes de significância também nos permitem avaliar
se os efeitos percebidos em nosso conjunto de dados refletem diferenças na
população inteira. Como foi o caso com nossa empresa, onde dez
entre dez pessoas entrevistadas preferiram a cor azul. Muitas vezes, um
efeito que vimos em uma amostra pequena não
reflete o que poderia ser verdadeiro em uma população inteira. Um teste de significância
estatística permite que nós formalmente determinemos se esse
seria o caso. Infelizmente, um resultado ruim não
terá uma aparência melhor ou pior como um resultado de usar um
teste de significância estatística. Se nossos dados forem
ruins ou se não houver diferença
entre nossas duas amostras. Não poderemos
desfazer isso com um teste. É possível, porém, que testes diferentes
possam nos dar resultados diferentes. A coisa realmente importante e
falaremos um pouco mais sobre isso é que você precisa usar
o teste certo nas situações certas. Vamos conversar
um pouco sobre como podemos realmente executar um teste de significância estatística.