Chúng tôi đã có nhiều luồng được gắn thẻ là giá trị p cho thấy nhiều hiểu lầm về chúng. Mười tháng trước, chúng tôi đã có một chủ đề về tạp chí tâm lý rằng "cấm" -valuesp , bây giờ Hiệp hội thống kê Mỹ (2016) nói rằng với phân tích của chúng tôi, chúng tôi "không nên kết thúc với việc tính toán của một -giá trị".
Hiệp hội Thống kê Hoa Kỳ (ASA) tin rằng cộng đồng khoa học có thể được hưởng lợi từ một tuyên bố chính thức làm rõ một số nguyên tắc được thống nhất rộng rãi dựa trên việc sử dụng và giải thích hợp lý giá trị .
Ủy ban liệt kê các cách tiếp cận khác có thể thay thế hoặc bổ sung cho giá trị :
Theo quan điểm về sự lạm dụng phổ biến và những quan niệm sai lầm liên quan đến giá trị , một số nhà thống kê thích bổ sung hoặc thậm chí thay thế giá trị bằng các phương pháp khác. Chúng bao gồm các phương pháp nhấn mạnh ước tính qua kiểm tra, chẳng hạn như độ tin cậy, độ tin cậy hoặc khoảng dự đoán; Phương pháp Bayes; các biện pháp thay thế bằng chứng, chẳng hạn như tỷ lệ khả năng hoặc yếu tố Bayes; và các phương pháp khác như mô hình lý thuyết quyết định và tỷ lệ phát hiện sai. Tất cả các biện pháp và phương pháp tiếp cận này dựa trên các giả định xa hơn, nhưng chúng có thể giải quyết trực tiếp hơn kích thước của một hiệu ứng (và sự không chắc chắn liên quan của nó) hoặc liệu giả thuyết này có đúng hay không.p
Vì vậy, hãy tưởng tượng hậu -values thực tế. ASA liệt kê một số phương pháp có thể được sử dụng thay cho giá trị , nhưng tại sao chúng tốt hơn? Ai trong số họ có thể là người thay thế ngoài đời thực cho một nhà nghiên cứu đã sử dụng giá trị cho cả cuộc đời mình? Tôi tưởng tượng rằng loại câu hỏi sẽ xuất hiện trong sự nghiệp hậu thực tế -values, như vậy có lẽ chúng ta hãy cố gắng để được đi trước một bước trong số họ. Sự thay thế hợp lý có thể được áp dụng ngoài luồng là gì? Tại sao phương pháp này nên thuyết phục nhà nghiên cứu chính, biên tập viên hoặc độc giả của bạn?p p p
Như mục blog tiếp theo này cho thấy, giá trị là vô địch trong sự đơn giản của chúng:
Giá trị p chỉ yêu cầu một mô hình thống kê cho hành vi của một thống kê theo giả thuyết null để giữ. Ngay cả khi một mô hình của một giả thuyết thay thế được sử dụng để chọn một thống kê về mức độ tốt (đó sẽ được sử dụng để xây dựng giá trị p), thì mô hình thay thế này không phải là chính xác để giá trị p có giá trị và hữu ích (ví dụ: lỗi điều khiển loại I ở mức mong muốn trong khi cung cấp một số sức mạnh để phát hiện hiệu ứng thực sự). Ngược lại, các phương pháp thống kê khác (tuyệt vời và hữu ích) như tỷ lệ khả năng, ước lượng kích thước hiệu ứng, khoảng tin cậy hoặc phương pháp Bayes đều cần các mô hình giả định để xử lý một phạm vi rộng hơn, không chỉ trong phạm vi thử nghiệm.
Là họ, hoặc có thể nó không đúng và chúng ta có thể dễ dàng thay thế chúng?
Tôi biết, điều này rất rộng, nhưng câu hỏi chính rất đơn giản: cái gì là tốt nhất (và tại sao), thay thế thực tế cho giá trị có thể được sử dụng thay thế?
ASA (2016). ASA Tuyên bố về Ý nghĩa thống kê và -values. Nhà thống kê người Mỹ. (báo chí)