Jednym z kluczowych elementów procesu badawczego jest określenie hipotez, które w toku analizy zebranych danych będziemy chcieli zweryfikować. W badaniach ilościowych często dążymy do tego, aby móc hipotezy, czyli zdania stwierdzające spodziewaną relację między jakimiś zjawiskami zweryfikować statystycznie (Mayntz, Holm, Hübner 1985). Aby tego dokonać, konieczne jest przełożenie ich na język zerowych hipotez statystycznych (Iversen 2003a).
Hipotezy zerowe testów statystycznych zwykle zakładają brak istotnych różnic pomiędzy parametrami statystycznymi (np. średnimi) lub brak związku pomiędzy zmiennymi. Badacz zazwyczaj formułując tzw. hipotezy alternatywne zakłada jednak, że takie różnice czy też związki istnieją. Celem większości badań jest udowodnienie, że hipoteza zerowa jest nieprawdziwa (Iversen 2003a).
PRZYKŁAD: Interesuje nas różnica pomiędzy dochodami kobiet i mężczyzn. Zakładamy, że średnie dochody mężczyzn będą istotnie większe niż dochody kobiet. By dowieść prawdziwości tej hipotezy (którą określimy mianem hipotezy alternatywnej wobec hipotezy zerowej), musimy najpierw udowodnić, że nieprawdziwa jest hipoteza zerowa zakładająca, iż średnie dochody kobiet i mężczyzn nie różnią się istotnie od siebie.
Procedura falsyfikacji hipotez statystycznych nierozerwalnie połączona jest z zagadnieniem istotności statystycznej. Zazwyczaj w przypadku badań ilościowych nie jesteśmy w stanie przebadać całej interesującej nas populacji, korzystamy więc z danych z badań na losowych, reprezentatywnych próbach. Posługiwanie się istotnością statystyczną pozwala na podjęcie decyzji, czy zaistniałe pomiędzy wartościami różnice można uznać za na tyle istotne, by możliwe było ich określenie jako czegoś więcej niż efekt przypadku, wynikający ze specyficzności próby (Iversen 2003a). Innymi słowy, istotność statystyczna pozwala badaczowi stwierdzić, jak bardzo może być pewny, że jego wyniki uzyskane na danych z próby odzwierciedlają faktyczne wartości w populacji (Sutton, Davis 2004). Miarą owej „pewności” jest prawdopodobieństwo.
W przypadku testowania hipotez statystycznych posługujemy się wartością p (p value) która jest miarą prawdopodobieństwa uzyskania danej wartości statystyki testowej przy założeniu, że hipoteza zerowa jest prawdziwa. Innymi słowy jest ona prawdopodobieństwem, że uzyskana wartość jest rezultatem przypadku. Im mniejsza jest wartość p, tym jednocześnie większe prawdopodobieństwo, że testowana hipoteza zerowa jest nieprawdziwa (ibidem).
Istotnym krokiem w procedurze testowania hipotez statystycznych jest określenie, jaka jest graniczna najmniejsza wartość p, po przekroczeniu której decydować się będziemy na odrzucenie hipotezy zerowej. W statystyce przyjmuje się zazwyczaj jeden z dwu poziomów istotności – 0.01 lub - częściej wykorzystywany – 0.05. Jeśli zgadzamy się na przyjęcie poziomu istotności równego 0.05, decydujemy się na uznawanie hipotezy zerowej za nieprawdziwą w sytuacji, gdy prawdopodobieństwo, że wynik to rezultat przypadku, jest mniejsze niż 0.05. Przystajemy tym samym na pięcioprocentowe ryzyko popełnienia tzw. błędu pierwszego rodzaju, polegającego na odrzuceniu prawdziwej hipotezy zerowej. Akceptując taki poziom istotności godzimy się zatem, iż w 1 na 20 przypadków postępując zgodnie z opisaną powyżej procedurą będziemy popełniać błąd odrzucając hipotezę zerową, gdy faktycznie okaże się ona prawdziwa (por. Iversen 2003c). Jeśli z kolei zdecydujemy się na zachowanie hipotezy zerowej, która w rzeczywistości jest fałszywa, popełniamy tzw. błąd drugiego rodzaju (por. Rubin 2012).
Magierowski M. Logika testowania hipotez statystycznych. Dostępny: http://www.researchonline.pl/baza?podkategoria=27, data dostępu: .././../2013.
David, M., Sutton D. C. Social Research. The Basics. London: Sage Publications.
Iversen, G .R. 2003a. Hypothesis. W: Alan E Bryman, Tim Futing Liao, Michael Lewis-Beck (red.) The SAGE Encyclopedia of Social Science Research Methods. Vol. I. Lodon: Sage Publications.
Iversen, G. R. 2003b. Significance Testing. W: Alan E Bryman, Tim Futing Liao, Michael Lewis-Beck (red.) The SAGE Encyclopedia of Social Science Research Methods. Vol. II. Lodon: Sage Publications.
Iversen, G. R. 2003c. Type I Error. W: W: Alan E Bryman, Tim Futing Liao, Michael Lewis-Beck (red.) The SAGE Encyclopedia of Social Science Research Methods, Vol. II. Lodon: Sage Publications.
Mayntz, R., Holm, K., Hübner, P. 1985. Wprowadzenie do metod socjologii empirycznej, Warszawa: PWN.
Rubin, A. 2012. Statistics for Evidence-Based Practice and Evaluation. Cengage Learning.
100 000+
Zrealizowanych ankiet. Dołącz do grona naszych klientów!
