3 (2)

Introduktion till Statistisk Analys

  • Betydelsen av att kontrollera antaganden innan statistiska analyser utförs.

  • Statistik 3: Effektstorlekar, power, och statistiska fallgropar.

    • Föreläsare: Charlotte Viktorsson

    • Relaterade kapitel: 11-14, 19, 21

    • Viktig information gäller seminarier, ej tentan.

Översikt av innehåll

  • I: ANOVA (variansanalys)

  • II: Effektstorlekar och powerberäkningar

  • III: Statistiska fallgropar

ANOVA (Variansanalys)

  • ANOVA används för att jämföra effektstorlekar mellan mer än två grupper.

    • Kan också användas för effektskillnader på grund av två eller fler oberoende variabler (OBV).

    • Teoretisk tillämpning: Kan göras med ett obegränsat antal grupper och variabler om stickprovet är tillräckligt stort.

    • Praktiskt fokus: Max två oberoende variabler på grund av tolkningssvårigheter vid stora analyser.

Grundprinciper för ANOVA

  • ANOVA delar upp variansen för att jämföra systematisk variation mellan grupper med slumpmässig varians.

    • Om den systematiska variationen är större än den slumpmässiga, tyder det på en verklig skillnad i populationen.

  • Viktiga mått:

    • Variation mäts i kvadratsumma (sum of squares, SS) och medelkvadratsumma (mean squares, MS).

F-kvot i ANOVA

  • F-kvot beräknas som:

    • F = MS_sys / MS_nat

    • Om F är större än det kritiska värdet, anses skillnaden statistiskt signifikant.

    • ANOVA-test kan endast utföras tvåsidigt.

Effektstorlekar och Powerberäkningar

  • Signifikant test: undersöker om resultat är ovanliga givet H0.

  • Större stickprov gör att även mindre effekter blir statistiskt signifikanta, vilket kan leda till meningslösa effektstorlekar.

  • Effektstorlek bedöms genom:

    • Korrelationskoefficient (r):

      • r > 0.1 - svag korrelation

      • r > 0.3 - medelstark korrelation

      • r > 0.5 - stark korrelation

    • Cohen’s d:

      • d > 0.2 - liten effekt

      • d > 0.5 - måttlig effekt

      • d > 0.8 - stor effekt

Risker och fallgropar i Statistika

  • Massignifikans: Att resultat är statistiskt signifikanta kan vara missvisande; exempelvis randomiserade test kan leda till slutsatser som inte hålls vid granskning.

  • Extremvärden: Extremvärden kan påverka analysen; tumregel för hantering är att sätta gränser runt tre standardavvikelser från medelvärdet.

  • Publikationsbias: Tendens att publicera vissa resultat medan andra ignoreras, vilket överdriver effektstorlekar i publicerad forskning.

  • Regression mot medelvärdet: När urval baseras på extrema resultat förväntas resultatet nästa gång att närma sig medelvärdet, vilket inte nödvändigtvis indikerar en verklig effekt.

Sammanfattning

  • Effektstorlek är ett standardiserat mått av effekts styrka.

  • Power representerar sannolikheten att få signifikanta resultat om en verklig effekt finns.

  • Öka power genom att öka stickprovsstorleken, öka designens effektivitet och minska variabilitet i data.

  • Typer av statistiska tester och korrekt tillämpning är grundläggande för att uppnå tillförlitliga resultat.