Hypothèse nulle

Dans les statistiques , une hypothèse nulle est une installation d'hypothèse à annuler ou être réfutée afin de soutenir une hypothèse de remplacement de . Une fois utilisée, l'hypothèse nulle est vraie présumé jusqu'à ce que l'évidence statistique sous forme d'essai d'hypothèse indique autrement. En science, l'hypothèse nulle est employée pour examiner des différences dans des groupes de traitement et de commande, et l'acceptation au départ de l'expérience est qu'aucune différence n'existe entre les deux groupes pour le variable étant comparé. La limite a été inventée par le généticien anglais du et le Ronald Fisher de statisticien.

Introduction

L'hypothèse nulle propose quelque chose vrai au commencement présumé. Elle est rejetée seulement quand elle devient évidemment fausse, c., quand le chercheur a un certain degré de confiance, habituellement 95% à 99%, que les données ne soutiennent pas l'hypothèse nulle.

Un exemple

Par exemple, si nous voulons comparer les notes du test de deux groupes aléatoires des hommes et des femmes, une hypothèse nulle serait que les points moyens de la population masculine étaient identique comme les points moyens de la population féminine : H ₀ de

: &mu ; ₁ = &mu ; ₂

là où : H de

₀ = le &mu de
d'hypothèse nulle ; ₁ = le moyen de la population 1, et &mu de
; ₂ = le moyen de la population 2.

Alternativement, l'hypothèse nulle peut postuler que les deux échantillons sont tirés de la même population, de sorte que le désaccord et la forme des distributions soient égaux, aussi bien que les moyens.

La formulation de l'hypothèse nulle est une étape essentielle dans la signification statistique d'essai. La formulation d'une telle hypothèse, une peut établir la probabilité d'observer les données obtenues ou des données plus différentes de la prévision de l'hypothèse nulle, si l'hypothèse nulle est vraie. Que la probabilité est ce qui s'appelle généralement le " ; level" de signification ; des résultats.

C'est-à-dire, dans le plan d'expérience scientifique, nous pouvons prévoir qu'un facteur particulier produira un effet sur notre variable dépendente - c'est notre hypothèse alternative. Nous considérons alors combien de fois nous compterions observer nos résultats expérimentaux, ou de résultats extrémité encore plus, si nous devions prélever beaucoup d'échantillons provenant d'une population où il n'y avait aucun effet (c. nous examinent contre notre hypothèse nulle). Si nous constatons que ceci se produit rarement (jusqu'par exemple à 5% du temps), nous pouvons conclure que nos résultats soutiennent notre prévision expérimentale - nous rejetons notre hypothèse nulle.

Manque de directionnalité

L'hypothèse nulle n'a pas la direction. C'est-à-dire, si nous formulons un un-coupé la queue d'hypothèse alternative que l'application de la drogue A mènera à la croissance accrue des patients , l'hypothèse nulle demeure que l'application de la drogue A n'aura aucun effet sur la croissance des patients . Ce n'est pas simplement l'opposé de l'hypothèse alternative - c., ce n'est pas un que l'application de la drogue A ne mènera pas à la croissance accrue des patients.

Pour expliquer pourquoi ceci devrait être ainsi, il est instructif pour considérer la nature des hypothèses décrites ci-dessus. Nous prévoyons que les patients exposés pour doper A connaîtront la croissance accrue comparée à un groupe de commande qui ne reçoivent pas la drogue. C'est-à-dire, H ₁ de

: &mu ; _drug > &mu ; _control

là où :

μ = la croissance moyenne des patients.

L'hypothèse nulle est le H ₀ : μ_drug = μ_control

Ce n'est pas le H _{0_incorrect} : <= μ_control de μ_drug

C'est parce que, afin de mesurer le soutien de l'hypothèse alternative, l'essai classique d'hypothèse exige de nous de calculer combien de fois nous aurions obtenu l'extrémité de résultats aussi que nos observations expérimentales. Afin de faire ceci, nous devons pouvoir modeler la distribution de prélèvement caractéristique de l'hypothèse nulle. Nous ne pouvons pas créer ce modèle s'il est imprécis : comme Fisher, qui a inventé la première fois le " de limite ; hypothesis" nul ; dit, " ; l'hypothèse nulle doit être exacte, cela est exempte d'imprécision et d'ambiguïté, parce qu'elle doit fournir la base du « problème de la distribution, » dont l'essai d'importance est le solution." ;

Ainsi l'hypothèse nulle doit être numériquement exacte - elle doit déclarer qu'une quantité ou une différence particulière est égale à un nombre particulier. En science classique, c'est le plus typique le rapport qu'il y a aucun effet d'un traitement particulier ; dans les observations, c'est typiquement qu'il y a aucune différence entre la valeur d'une variable mesurée particulière et celle d'une prévision.

(Cependant, beaucoup de statisticiens croient qu'il est valide pour énoncer la direction comme partie d'hypothèse nulle (par exemple voient http://davidmlane. La logique est tout à fait simple : si la direction est omise, alors si l'hypothèse nulle n'est pas rejetée elle est tout à fait embrouillante pour interpréter la conclusion. Dire, la nulle est que le moyen de population = 10, et l'alternative un-coupée la queue : moyen > 10. Si l'évidence d'échantillon obtenue par la x-barre égale -200 et la statistique correspondante de t-essai égale -50, quelle est la conclusion ? Pas assez d'évidence pour rejeter l'hypothèse nulle ? Sûrement pas ! Mais nous ne pouvons pas accepter l'alternative unilatérale dans ce cas-ci. Par conséquent, pour surmonter cette ambiguïté, il vaut mieux d'inclure la direction de l'effet si l'essai est unilatéral.)

Limitations

Une hypothèse nulle est seulement utile s'il est possible de calculer la probabilité d'observer un ensemble de données avec des paramètres particuliers de lui. En général il est beaucoup plus difficile d'être précis au sujet de la façon dont le probable les données serait si l'hypothèse alternative étaient vraie.

Si les observations expérimentales contredisent la prévision de l'hypothèse nulle, il signifie qu'ou l'hypothèse nulle est fausse, ou l'événement sous l'observation se produit très improbablement. Ceci nous donne la confiance élevée en fausseté de l'hypothèse nulle, qui peut être améliorée proportionnellement au nombre d'épreuves conduites. Cependant, l'acceptation de l'hypothèse alternative nous commet seulement à une différence dans des paramètres observés ; elle ne montre pas que la théorie ou les principes qui ont prévu une telle différence est vrai, puisqu'il est toujours possible que la différence pourrait être due aux facteurs additionnels non identifiés par la théorie.

Par exemple, rejetant de nul hypothèse qui prévoit que les taux de soulagement de symptôme dans un groupe des patients qui ont reçu un placebo et un échantillon qui ont reçu une drogue médicinale seront égaux nous permet de faire un rapport non nul (que les taux ont différé) ; il ne montre pas que la drogue a soulagé les symptômes, bien qu'elle nous donne plus de confiance en cette hypothèse.

La formulation, l'essai, et le rejet des hypothèses nulles est méthodologiquement compatible au modèle de Falsifiability de la découverte scientifique formulé par le Karl Popper et largement censé pour s'appliquer à la plupart des genres de recherche empirique . Cependant, les soucis concernant la puissance élevée des tests statistiques de détecter des différences dans de grands échantillons pour avoir mené aux suggestions pour redéfinir l'hypothèse nulle, par exemple comme hypothèse qu'un effet fait partie d'une marge ont considéré négligeable. C'est une tentative d'adresser la confusion parmi des non-statisticiens entre le significatif et le substantiel, puisque les assez grands échantillons sont susceptibles de pouvoir indiquer le mineur de différences cependant.

La théorie étant à la base de l'idée d'une hypothèse nulle est étroitement associée à la théorie de la fréquence de probabilité, dans laquelle des rapports probabilistes peuvent seulement être faits au sujet des fréquences relatives des événements dans les échantillons arbitrairement grands. Un manque de rejeter l'hypothèse nulle est signicatif seulement par rapport à une population arbitrairement grande de laquelle l'échantillon observé est censé être tiré.

Polarisation de publication

voient également :

la polarisation de publication de

Dans le 2002 , un groupe de psychologues a lancé un nouveau journal consacré aux études expérimentales en psychologie qui soutiennent l'hypothèse nulle. Le journal de des articles à l'appui de l'hypothèse nulle (JASNH) a été fondé pour adresser une polarisation de édition scientifique contre de tels articles. Selon les rédacteurs,

"d'autres journaux et critiques ont montré une polarisation contre les articles qui n'ont pas rejeté l'hypothèse nulle. Nous prévoyons de changer cela en offrant une sortie pour les expériences qui n'atteignent pas les niveaux de signification traditionnels (p < 0. Ainsi, réduisant le problème de classeur de , et réduisant la polarisation en littérature psychologique. Sans une telle ressource les chercheurs pourraient perdre leur temps examinant les questions empiriques qui ont été déjà examinées. Nous rassemblons ces articles et les fournissons en communauté scientifique libre de cost." ;

Le " ; Problem" de classeur ; est un problème qui existe étant donné que les universitaires tendent à ne pas éditer les résultats qui indiquent que l'hypothèse nulle ne pourrait pas être rejetée. C'est-à-dire, ils ont obtenu un résultat statistiquement significatif qui a indiqué que le rapport qu'ils recherchaient n'a pas existé. Quoique ces documents puissent souvent être intéressants, ils tendent à finir vers le haut non publié, dans le " ; dossier drawers." ;

Ioannidis a inventorié les facteurs qui devraient alerter des lecteurs aux risques de la polarisation de publication.

Polémique < ! -- Cette section est liée des statistiques -->

L'essai d'hypothèse nulle est controversé quand on suspecte l'hypothèse alternative pour être vraie au départ de l'expérience, faisant à l'hypothèse nulle l'inverse de ce que l'expérimentateur croit réellement ; il est proposé pour permettre seulement aux données de le contredire. Beaucoup de statisticiens ont précisé que rejetant l'hypothèse nulle ne dit rien ou très peu au sujet de la probabilité qui la nulle est vraie. Sous l'essai traditionnel d'hypothèse nulle, la nulle est rejetée quand P (données | Nulle) (où P (x|y) dénote la probabilité de de y donné par x ) est très petit, disent 0. Cependant, les chercheurs sont vraiment intéressés par P (nulle | Données) ce qui ne peut pas être impliqué d'une P-valeur . Dans certains cas, P (nulle | Les données) approchent 1 tandis que P (données | La nulle) approche 0, en d'autres termes, nous pouvons rejeter la nulle quand il est pratiquement sûr d'être vrai. Ceci et d'autres raisons, le Gerd Gigerenzer a réclamé le " d'essai d'hypothèse nulle ; statistics" étourdi ; tandis que Jacob Cohen le décrit comme rituel conduit pour se convaincre que nous faisons requis l'évidence pour confirmer nos théories.

Les statisticiens bayésiens du rejettent normalement l'idée de l'essai d'hypothèse nulle. Donné un la distribution de probabilité antérieure pour un ou plusieurs paramètres, l'évidence d'échantillon peut être employée pour produire d'une distribution postérieure mis à jour. Dans ce cadre, mais pas dans le cadre d'essai d'hypothèse nulle, elle est signicative pour faire des rapports du " général de forme ; la probabilité que la valeur vraie du paramètre est plus grande que 0 est p" ;.

Random links: