Hur tar man fram en kontrollgrupp

I den denna plats guiden bör oss vandra igenom:

• Vad statistisk ”power” är
• Hur man beräknar ut urvalsstorlek på grund av för att ett fåtal riktig power
• Ett empiriskt test från teorin
• En kortversion på grund av dig liksom ej orkar studera läka inlägget

Experimentell teknik lade grunden på grund av den vetenskapliga revolutionen såsom ledde fram mot fantastiska framsteg inom framförallt naturvetenskap samt läkemedel ifrån 1600-talet samt vidare.

vid senare period äger försöksmässig teknik även vunnit insteg inom samhällsvetenskapen.

Grundprincipen på grund av försöksmässig teknik existerar för att jämföra ett kontrollgrupp tillsammans med enstaka experimentgrupp, såsom man utsätter till någon behandling. angående experimentgruppen skiljer sig tillräckligt många åt ifrån kontrollgruppen förkastar oss den således kallade nollhypotesen – för att behandlingen ej haft någon utfall.

Vanliga metoder till för att testa skillnaden mellan numeriskt värde alternativt flera grupper existerar t-test alternativt statistisk metod.

tillsammans hjälp från dessa metoder är kapabel oss att fatta beslut eller bestämma något ifall detta existerar troligt för att enstaka skillnad mellan grupperna beror vid slumpmässig variation, alternativt ifall den kunna tillskrivas behandlingen.

När oss fullfölja hypotesprövningar från den på denna plats typen använder man sig vanligen från signifikansnivån 95 andel.

detta betyder för att oss undersöker vilket sannolikheten existerar, självklart för att nollhypotesen existerar verklig, för att detta bara vid bas från slump inom urvalsprocessen uppstår ett skillnad mellan grupperna vilket existerar minimalt sålunda massiv såsom den oss observerat.

Tänk mot modell för att oss besitter ett ett antagande eller en förklaring som föreslås för att förklara något angående för att äldre människor står något mer mot motsats till vänster, ideologiskt sett, än unga människor.

på grund av för att testa detta fullfölja oss en urval ur den svenska befolkningen från 500 unga samt 500 gamla människor, samt ber dem placera sig själva vid ett vänster/höger-skala, var 0 existerar ”Långt mot vänster” samt 10 existerar ”Långt mot höger”.

Låt oss yttra för att oss inom den unga gruppen får en medelvärde vid 2, samt inom den gamla gruppen får en medelvärde vid 8. Om nollhypotesen existerar verklig, detta önskar yttra för att detta inom bota befolkningen ej finns någon skillnad mellan unga samt gamla, hur sannolikt existerar detta då för att oss bara från slump fått detta på denna plats resultatet? detta skulle alltså kräva för att oss fått alldelse på grund av flera unga vänstersympatisörer, samt alldeles på grund av flera gamla högersympatisörer, bara från slump inom urvalsprocessen.

Det på denna plats existerar bara en tankeexempel, dock den sannolikheten existerar antagligen extremt små.

enstaka signifikansnivå vid 95 andel innebär för att ifall detta existerar mindre än 5 procents chans för att ett sådan på denna plats skillnad skulle uppstå slumpmässigt, sålunda antar oss för att detta istället existerar troligare för att detta faktiskt finns ett skillnad inom tankesystem mellan unga samt gamla inom befolkningen.

I detta denna plats tankeexemplet skrev jag för att oss gjorde en urval från 500 unga samt 500 gamla.

angående oss istället ägde gjort en urval från ett ung samt enstaka äldre individ, samt fått identisk medelvärden (2 samt 8), hur sannolikt existerar detta för att oss då fått enstaka sådan denna plats skillnad bara från slump? Betydligt många större. denna plats förmå oss då ej känna till ifall detta existerar således för att detta ej finns någon skillnad alternativt ej, eftersom oss äger på grund av litet urval till för att att fatta beslut eller bestämma något det.

När man fullfölja hypotesprövning från den på denna plats typen är kapabel man utföra numeriskt värde sorts fel.

detta en existerar för att drar slutsatsen för att detta finns ett skillnad då detta inom själva verket ej fullfölja det: detta kallas ”Typ I-fel”. detta andra existerar för att oss drar slutsatsen för att detta ej finns ett skillnad då detta inom själva verket fullfölja det: detta kallas ”Typ II-fel”.

Vi behöver alltså äga en tillräckligt stort urval, på grund av för att öka testets ”power”, kraft.

Power definieras vilket sannolikheten för att oss bör dra slutsatsen för att nollhypotesen bör förkastas, då den faktiskt existerar fel. inom exemplet var oss ägde en urval vid totalt numeriskt värde personer besitter oss väldigt små power – även angående detta faktiskt finns ett skillnad inom befolkningen (nollhypotesen existerar falsk) sålunda kommer oss ej behärska att fatta beslut eller bestämma något detta.

angående oss istället äger en urval vid totalt 1000 personer således får oss istället många större power – oss kommer inom dem allra flesta fall behärska förkasta nollhypotesen, självklart för att skillnaden mellan grupperna inom verkligheten existerar någorlunda stor.

Power beror alltså vid urvalsstorleken, dock även vid effektstorleken.

angående detta inom befolkningen existerar därför för att detta finns ett skillnad mellan unga samt gamla, dock den existerar bara 0.1 vid enstaka skal ifrån 0 mot 10, således kommer oss behöva en väldigt stort urval på grund av för att behärska slå fast för att detta existerar ett ordnad skillnad samt ej bara slumpmässig variation.

angående skillnaden istället existerar 5 vid identisk skal kommer detta behövas en många mindre urval på grund av för att upptäcka skillnaden.

Att äga detta denna plats inom åtanke existerar väldigt viktigt då man designar en experiment. Man måste titta mot för att man äger tillräckligt flera analysenheter tillsammans med inom experimentgrupp samt kontrollgrupp till för att äga ett chans för att faktiskt förkasta nollhypotesen angående den faktiskt existerar falsk. angående man besitter utmärkt power samt ej är kapabel förkasta nollhypotesen sålunda är kapabel man dra slutsatsen för att behandlingen ej ägde någon inverkan.

ifall man ej äger god power samt ej är kapabel förkasta nollhypotesen därför existerar den enda slutsatsen man kunna dra för att man måste utföra en nytt experiment! detta existerar alltså viktigt för att man funderar ovan power samt urvalsstorlek vid förhand.

Hur bör man då utföra detta? detta finns formler till för att räkna ut urvalsstorleken självklart ett viss power-nivå, samt vad förbättrad existerar, automatiska kalkylatorer på grund av för att räkna ut detta all.

detta man behöver ange inom dem denna plats uträkningarna är:

1. Vilken signifikansnivå man tänkt nyttja (vanligen 95 procent)
2. Vilken power man önskar äga (ofta 80 andel vad jag förstår, dock även 90 procent)
3. Den förväntade effektstorleken

Signifikansnivån besitter alltså för att utföra tillsammans Typ I-fel – hur säkra oss bör artikel vid för att ej dra slutsatsen för att detta finns ett påverkan då detta faktiskt ej finns detta.

Powernivån äger för att utföra tillsammans med Typ II-fel – hur säkra oss bör artikel vid för att ej dra slutsatsen för att detta ej finns enstaka påverkan då detta inom själva verket finns det.

Det riktigt luriga på denna plats existerar för att värdera effektstorleken. ifall man kunna anta för att effekten kommer artikel väldigt massiv behöver man en mindre urval.

angående effektstorleken existerar små behöver man en större urval.

Men hur bör man känna till hur massiv effekten existerar, innan man faktiskt gjort sitt experiment? Jag tycker för att dem numeriskt värde bästa metoderna denna plats verkar artikel att:

1. Utgå ifrån tidigare undersökning. angående man replikerar en experiment är kapabel man ju undersöka vilket effekten fanns inom tidigare experiment.
2. Utgå ifrån vilket likt kommer artikel en substantiellt intressant påverkan.

   ifall man mot modell bör bedöma vilken utfall detta skulle äga till skolelevers läsförmåga för att ge dem extra läxhjälp efter skolan sålunda möjligen man önskar äga ett märkbar förbättring på grund av för att detta bör existera värt detta. enstaka förbättring vid 0,005 andel existerar knappast kostnadseffektiv. 5 alternativt 10 andel existerar möjligen vad såsom behövs till för att detta bör existera intressant.

I kalkylatorerna vilket finns på grund av för att räkna ut urvalsstorlek får man antingen ange förväntade proportioner (alltså 0.1 = 10 andel osv.) inom dem olika grupperna, ifall detta handlar angående för att undersöka hur flera analysenheter liksom uppnår en speciellt konsekvens, alternativt medelvärden vid ett skal.

inom exemplet tillsammans läskunnighet kunna man tänka sig för att man önskar undersöka proportionen liksom får godkänt vid nationella provet inom svenska. Då anger man proportioner.

Men man är kapabel även undersöka medelvärdet från antalet poäng vid nationella provet. Då bör man ange detta förväntade medelvärdet inom kontrollgruppen samt experimentgruppen, samt den förväntade standardavvikelsen kring medelvärdet inom dem olika grupperna.

på grund av för att att fatta beslut eller bestämma något den förmå detta nog existera enstaka god koncept för att kolla vid tidigare undersökning.

inom exemplet tillsammans med läskunnighet kunna man ju anta för att medelvärdet samt standardavvikelsen inom kontrollgruppen existerar desamma likt detta existerar nationellt. Sen kunna man utföra ett uppskattning från effektstorleken, samt gissa för att standardavvikelsen existerar densamma även inom experimentgruppen.

Jag tänkte utföra en modell var oss bör undersöka enstaka utfall från enstaka påhittad behandling inom ett team var oss bör mäta proportionen vilket uppnår en lyckat resultat.

detta på denna plats existerar en helt teoretiskt experiment, bara till för att testa hur detta på denna plats tillsammans power fungerar. Jag äger konstruerat ett datamängd var oss besitter 2000 personer, liksom existerar indelade inom ett ”experimentgrupp” samt enstaka ”kontrollgrupp”. Låt oss yttra för att oss vet för att proportionen likt besitter detta lyckade utfallet existerar 0,4 inom befolkningen.

oss äger ett ett antagande eller en förklaring som föreslås för att förklara något angående för att vår behandling bör öka den denna plats proportionen, dock den existerar bara kostnadseffektiv angående den är kapabel öka proportionen mot 0,6.

Jag äger konstruerat datamängden därför för att proportionen inom kontrollgruppen faktiskt existerar 0,4, samt 0,6 inom experimentgruppen. Tänk dig för tillfället för att oss ej äger resurs mot den stora datamängden – den representerar ”verkligheten” alternativt ”Sveriges befolkning” alternativt ett ytterligare massiv population vilket oss ej är kapabel undersöka inom sin helhet.

Nu bör oss räkna ut hur stort urval oss måste äga till för att äga ett god chans för att behärska upptäcka den på denna plats skillnaden mellan 0,4 samt 0,6.

Man är kapabel då nyttja sig från den på denna plats kalkylatorn, liksom finns vid University of Calgarys hemsida.

Vi klickar inom för att den förväntade proportionen inom assemblage 1 (p1) existerar 0.4, samt för att den existerar 0.6 inom den andra gruppen (p2). detta bör existera en två-sidigt test (2 Sided test), vilket äger för att utföra tillsammans med för att detta faktiskt skulle behärska existera därför för att vår behandling fick proportionen för att minska, även ifall oss tror för att den bör öka.

Alfa-värdet bör artikel .05, vilket innebär för att oss besitter 95 andel signifikansnivå.

För för att artikel extra säkra vid för att oss är kapabel förkasta nollhypotesen skriver jag in för att oss bör äga .90 inom power – inom 90 andel från fallen bör oss behärska förkasta nollhypotesen angående den faktiskt existerar falsk (vilket oss ju vet för att den existerar, dock detta låtsas oss ej om!).

ifall man för tillfället trycker vid ”Calculate” således får man fram vilken urvalsstorlek man bör äga (i vardera från dem numeriskt värde grupperna). Resultatet dyker upp inom rutan ”The sample size”. inom detta denna plats fallet blir detta 130. Resultatet ser man inom foto 1.

Om oss äger 130 personer inom kontrollgruppen samt 130 personer inom experimentgruppen därför förmå oss alltså förvänta oss för att oss inom 90 fall från 100 kommer för att behärska förkasta nollhypotesen, självklart för att den existerar falsk.

För för att testa ifall detta verkar stämma äger jag gjort en gäng urval ur den denna plats konstruerade populationen.

oss vet alltså för att detta faktiskt finns ett skillnad liksom existerar mellan proportionen 0.4 inom kontrollgruppen samt 0.6 inom experimentgruppen. ursprunglig provar jag för att utföra en urval vid 20 personer inom varenda samling, samt signifikanstestar skillnaden. Jag sparar denna plats signifikansvärdet (p-värdet). Sen fullfölja jag en nytt urval vid 20 personer inom varenda team samt fullfölja ifall analysen, samt sparar signifikansvärdet.

detta denna plats utför jag 1000 gånger.

Sedan ökar jag urvalsstorleken mot 25 personer inom varenda samling, fullfölja 1000 nya urval samt sparar samtliga signifikansvärden.

Sedan ökar jag mot 30 personer inom varenda assemblage, samt därför vidare ända upp mot enstaka urvalsstorlek vid 220 personer inom varenda samling (ni behöver ej artikel oroliga, detta går för att programmera vissa statistikprogram på grund av för att utföra detta denna plats automatiskt!).

Vi ägde alltså angett för att oss inom 90 andel från fallen bör behärska förkasta nollhypotesen.

inom foto 2 äger jag ritat ut enstaka prick till varenda p-värde. till varenda urvalsstorlek finns detta 1000 prickar, dock dem ligger ovanpå varandra sålunda för att detta förmå artikel svårt för att urskilja dem enskilda prickarna.

Den horisontella röda streckade sträcka visar p-värdet 0.05. varenda prickar såsom hamnar beneath den röda horisontella sträcka besitter alltså gett korrekt effekt – oss vet ju för att nollhypotesen existerar falsk.

varenda prickar vilket hamnar ovanför den horisontella sträcka besitter gett fel påverkan. Den blå linje visar till varenda urvalsstorlek vart den 90:e percentilen går. detta önskar yttra, nära vilken gräns besitter oss 90 andel från testen beneath sträcka, samt bara 10 andel ovanför? då den blå sträcka går beneath den röda horisontella linje äger oss hittat ett god urvalsstorlek, på grund av då drar oss riktig slutsats inom 90 andel från fallen.

Vid den minsta urvalsstorleken, 20 inom varenda team, ser oss för att den blå sträcka hamnar nära 0.8.

inom massor från fall drar oss alltså fel slutsats då oss äger en sålunda litet urval. då urvalsstorleken ökar sjukner den blå sträcka. Den går mot slut beneath den röda horisontella sträcka strax innan den röda lodräta sträcka, liksom markerar enstaka urvalsstorlek vid 130.

till varenda urvalsstorlekar större än 130 kunna oss alltså existera säkra vid för att oss inom minimalt 90 andel från fallen kommer förkasta nollhypotesen angående den existerar fel, vilket oss ju vet för att den fanns inom detta på denna plats fallet. Formlerna till för att räkna ut riktig urvalsstorlek verkar alltså stämma!

När man fullfölja experimentella design måste man att fatta beslut eller bestämma något hur flera analysenheter man bör äga inom experiment- samt kontrollgruppen.

besitter man på grund av erhålla är kapabel man ej att fatta beslut eller bestämma något angående enstaka bristande vid signifikans beror vid för att detta faktiskt ej finns någon utfall, alternativt ifall man bara äger till ett fåtal analysenheter till för att att fatta beslut eller bestämma något det.

Innan ni genomför ditt experiment, vandra in vid enstaka kalkylator från den på denna plats typen:

För för att jämföra proportioner
För för att jämföra medelvärden

Skriv in vad ni förväntar dig på grund av effekt.

ni kommer då erhålla känna till hur flera analysenheter ni behöver på grund av för att utföra en utmärkt experiment!

Publicerat