فك غموض القيمة الاحتمالية (p-value) والقوة الإحصائية
معنى الاحتمال الشرطي P(Data | H₀)، ولماذا لا يمثل الفرق بين p = .049 و p = .051 حداً قاطعاً، وكيف يحرك حجم العينة الخطأ المعياري.
في هذا الدرس ستتعلم:
- 1تعريف القيمة الاحتمالية بدقة بوصفها احتمال البيانات بافتراض صحة فرضية العدم، وليس احتمال صحة فرضية العدم ذاتها.
- 2تفسير العلاقة الرياضية التي تربط حجم العينة (N)، والخطأ المعياري (σ / √N)، وحجم الأثر (d)، والقوة الإحصائية.
- 3إدراك كيف يؤدي الفحص المتكرر غير المخطط للبيانات أثناء جمعها (P-hacking) إلى تضخيم معدلات الإيجابيات الكاذبة.
في هذه الصفحة (جدول المحتويات)▼
محاكي القوة الإحصائية وحجم العينة ومستوى الدلالة
يوضح هذا القسم كيف يتفاعل حجم العينة N وحجم الأثر d ومستوى الدلالة α رياضياً لتحديد القوة الإحصائية (1 − β).
عندما يسألك المناقش لماذا ظهر متغير بدلالة إحصائية بينما لم يظهر آخر، يمنحك فهم معادلة الخطأ المعياري (SE = σ / √N) إجابة علمية دقيقة.
يمكن فهم كل إحصائية اختبار معلمي بوصفها نسبة بين الإشارة والضجيج:
Test Statistic (t or Z) = Observed Effect Size / Standard Error = (X̄₁ − X̄₂) / (s_p × √(2 / n))
لاحظ موقع حجم العينة n في مقام الخطأ المعياري؛ فكلما زاد حجم العينة n، انكمش الخطأ المعياري وضاق عرض منحنيات المعاينة وقل التداخل بين H₀ و H₁، مما يرفع القوة الإحصائية (1 − β) دون أن يتغير حجم الأثر البيولوجي ذاته.
مختبر القوة الإحصائية وفك غموض الـ p-value
استكشف العلاقة الحتمية بين حجم العينة (N)، حجم الأثر (d)، واحتمال كشف الحقيقة (Power)
مثال سريري تطبيقي
مستشفيان يقيمان نفس بروتوكول علاج الضغط (حجم الأثر الحقيقي كوهين d = 0.50). جند المستشفى أ 20 مريضاً لكل ذراع، وجند المستشفى ب 80 مريضاً لكل ذراع.
القرار والتفسير: رغم تطابق الأثر البيولوجي (d = 0.50) في المستشفيين، فإن مضاعفة العينة أربع مرات (من 20 إلى 80 لكل ذراع) خفض الخطأ المعياري للنصف ورفع القوة الإحصائية من 35% إلى 88%.
خطأ شائع يجب تجنبه
تفسير قيمة p = .04 بأنها تعني 'احتمال 4% أن فرضية العدم صحيحة' أو 'احتمال 96% أن الدواء فعال'.
مشمول مع أي باقة دراسة في Analysez AI
هذا الفصل التفاعلي (فك غموض القيمة الاحتمالية (p-value) والقوة الإحصائية) والمختبرات السريرية التابعة له متاحة لكل من اشترى أي باقة دراسة في Analysez AI، بدون رسوم إضافية.