Bạn đúng ở cỡ mẫu đó ảnh hưởng đến nguồn điện (tức là lỗi 1 - loại II), nhưng không phải lỗi loại I. Đó là một sự hiểu lầm phổ biến rằng giá trị p như vậy (được giải thích chính xác) ít đáng tin cậy hoặc hợp lệ khi kích thước mẫu nhỏ - bài viết rất thú vị của Friston 2012 có một điều thú vị về điều đó [1].
Điều đó đang được nói, các vấn đề với các nghiên cứu thiếu năng lực là có thật, và trích dẫn phần lớn là chính xác tôi sẽ nói, chỉ một chút thiếu chính xác trong cách diễn đạt của nó.
Vấn đề cơ bản với các nghiên cứu thiếu năng lực là, mặc dù tỷ lệ dương tính giả (lỗi loại I) trong các thử nghiệm giả thuyết là cố định, nhưng tỷ lệ dương tính thật (sức mạnh) giảm xuống. Do đó, kết quả dương tính (= đáng kể) ít có khả năng là dương tính thực sự trong một nghiên cứu thiếu năng lực. Ý tưởng này được thể hiện trong tỷ lệ phát hiện sai [2], xem thêm [3]. Điều này có vẻ như những gì trích dẫn đề cập đến.
Một vấn đề bổ sung thường được đặt tên liên quan đến các nghiên cứu thiếu năng lực là chúng dẫn đến kích thước hiệu ứng được đánh giá quá cao. Lý do là a) với công suất thấp hơn, ước tính của bạn về các hiệu ứng thực sự sẽ trở nên biến đổi hơn (ngẫu nhiên) xung quanh giá trị thực của chúng và b) chỉ những hiệu ứng mạnh nhất trong số đó sẽ vượt qua bộ lọc có ý nghĩa khi công suất thấp. Chúng ta nên thêm rằng đây là một vấn đề báo cáo có thể dễ dàng được khắc phục bằng cách thảo luận và báo cáo tất cả và không chỉ ảnh hưởng đáng kể.
Cuối cùng, một vấn đề thực tế quan trọng với các nghiên cứu thiếu năng lực là công suất thấp làm tăng các vấn đề thống kê (ví dụ sai lệch của người ước tính) cũng như sự cám dỗ khi chơi xung quanh với các biến và chiến thuật hack p tương tự. Sử dụng các "mức độ tự do của nhà nghiên cứu" này có hiệu quả nhất khi công suất thấp và điều này có thể làm tăng lỗi loại I sau tất cả, xem, ví dụ, [4].
Vì tất cả những lý do này, do đó tôi sẽ thực sự hoài nghi về một nghiên cứu thiếu năng lực.
[1] Friston, K. (2012) Mười quy tắc mỉa mai cho người đánh giá không thống kê. Thần kinh, 61, 1300-1310.
[2] https://en.wikipedia.org/wiki/False_discovery_rate
[3] Nút, KS; Ioannidis, JPA; Mokrysz, C.; Mũi, BA; Đá lửa, J.; Robinson, ESJ & Munafo, MR (2013) Mất điện: tại sao cỡ mẫu nhỏ làm giảm độ tin cậy của khoa học thần kinh. Nat. Mục sư Neurosci., 14, 365-376
[4] Simmons, JP; Nelson, LD & Simonsohn, U. (2011) Tâm lý học tích cực sai: Sự linh hoạt không được tiết lộ trong thu thập và phân tích dữ liệu cho phép trình bày bất cứ điều gì quan trọng. Khoa học thần kinh, 22, 1359-1366.