Statistische Signifikanz: Stichprobengröße(n) und statistische Power
Quoc Minh Lai
Teilen:
Statistische Signifikanz: Stichprobengröße(n) & Statistische Power - Um die Welt um uns herum zu verstehen, nutzen Forscher formal die wissenschaftliche Methode, um vermutete Wahrheiten von Falschheiten zu trennen. Die kognitive Neurowissenschaft zielt darauf ab, zu verstehen, wie genetische, neurologische und verhaltenstechnische Systeme die Fähigkeit eines Organismus unterstützen, die Welt um ihn herum zu spüren, zu interagieren, sich zu orientieren und darüber nachzudenken.
Das bedeutet, dass die kognitive Neurowissenschaft Experimente entwirft und Daten auf allen Analyseebenen sammelt. Forschungsprogramme weltweit, die unser Verständnis der natürlichen Welt vertiefen wollen, testen regelmäßig Annahmen oder Hypothesen in einer gut geplanten Serie kleinerer Experimente. Diese Experimente zielen darauf ab, spezifische Faktoren zu untersuchen, die möglicherweise einen Einfluss auf ein Ergebnis haben oder auch nicht, während sie den Einfluss von extranen Faktoren wie Umwelt, sexueller Orientierung, Rasse oder sozioökonomischem Status minimieren.
Szenario Eins: Eine Dopaminausschüttungsstudie
In der kognitiven Neurowissenschaft wird Dopamin allgemein als eine "Wohlfühl"-Verbindung angesehen. Seine Ausschüttung im Nucleus Accumbens (NuAc) wird durch Verhaltensweisen oder Dinge ausgelöst, die uns motivieren, uns zu verhalten. Dazu können gehören:
Ein gutes Essen
Zeit mit geliebten Menschen
Sex
Zucker
Angenommen, wir möchten herausfinden, ob die maximalen Dopaminwerte im NuAc vor, während oder nach der Exposition gegenüber einem gewünschten oder vertrauten visuellen Reiz auftreten. Wir können das EEG-Experimentdesign verwenden, das aus Amatya Johanna Mackintoshs Studie übernommen wurde. Wir können die Hypothese aufstellen, dass die Dopaminausschüttung während der Exposition und leicht danach ihren Höhepunkt erreicht.
Nun, am wichtigsten, woher bekommen wir Testpersonen?
In experimentellen Situationen bezieht sich "Population" auf die größere, gesamte kollektive Gruppe, die untersucht wird. Es ist unpraktisch und unwahrscheinlich, dass Ihr Labor eine Technik entwickeln kann, um Dopaminausschüttungsdaten von Hunderttausenden oder Millionen von Menschen zu rekrutieren und zu sammeln.
Daher werden wir versuchen, Daten von einer kleineren, repräsentativen Gruppe oder Stichprobe zu sammeln, um die Population zu verstehen. Dazu müssen wir zwei Hauptfragen beantworten.
Wie viele Personen müssen in unsere Stichprobe aufgenommen werden?
Wie hängt dies mit der praktischen Signifikanz und der statistischen Power zusammen?
Schauen wir uns das im Folgenden an.
Statistische Power und wahrer Effekt
Statistische Power wird definiert als die Wahrscheinlichkeit, dass ein Test einen statistisch signifikanten Unterschied erkennt, wenn ein solcher Unterschied tatsächlich vorhanden ist. Es wird auch als wahrer Effekt bezeichnet.
Der wahre Effekt ist das Fundament des experimentellen Designs. Cohens Bericht von 1988, bekannt für seine Beiträge zur wissenschaftlichen Methode, argumentierte, dass eine Studie so gestaltet sein sollte, dass sie eine 80%ige Wahrscheinlichkeit hat, einen wahren Effekt zu erkennen. Diese 80% repräsentieren ein Hochleistungs- (HP) Testdesign, während jeder Wert nahe 20% ein Niedrigleistungs- (LP) Testdesign darstellt.
Cohen schlug vor, dass Studien immer weniger als 20% Wahrscheinlichkeit haben sollten, einen Typ-II-Fehler zu machen, auch bekannt als falsch negatives Ergebnis. Er verwendet auch diese gleichen Richtlinienbereiche für verpasste Entdeckungen, die auftreten, wenn ein Forscher fälschlicherweise berichtet, dass kein signifikanter Effekt vorliegt, wenn tatsächlich ein Unterschied besteht.
Warum ist statistische Power wichtig?
Denken Sie an dieses Szenario. Wenn ein wahrer Effekt in 100 verschiedenen Studien mit 80% Wahrscheinlichkeit besteht, erkennt die statistische Tests einen wahren Effekt in 80 von 100. Wenn eine Studie jedoch eine Forschungsleistung von 20% hat, sollten diese Studien, wenn es 100 echte, nicht-null Effekte in den Ergebnissen gibt, voraussichtlich nur 20 davon entdecken.
Statistische Power-Mängel in der neurowissenschaftlichen Forschung
Wie nicht anders zu erwarten war, hat die neurowissenschaftliche Forschung aufgrund ihrer ressourcenintensiven Natur eine mediane statistische Power von etwa 21% und schwankt stark zwischen 8% und 31%. Niedrige statistische Power in der neurowissenschaftlichen Forschung:
Wirft Zweifel an der Replizierbarkeit von Ergebnissen auf.
Führt zu einer übertriebenen Effektgröße.
Reduziert die Wahrscheinlichkeit statistisch signifikanter Ergebnisse, die den wahren Effekt genau repräsentieren.
Infolgedessen ist der aktuelle Stand der neurowissenschaftlichen Forschung durch das Problem der statistischen Power gefangen, da diese Werte weit unter Cohens theoretischem Schwellenwert liegen.
Eine repräsentative Gruppe von Stichproben aufstellen
Das Ziel von Szenario Eins: Vermeidung von Stichprobenfehlern und Typ-I- und Typ-II-Fehlern in unserem Test mit umfassender und großer Stichprobenauswahl.
Wie viele menschliche Hirnscans müssen in unsere Stichprobengruppe aufgenommen werden, wenn wir wollen, dass das Experiment praktisch signifikant ist? Praktische Signifikanz bezieht sich darauf, ob die Ergebnisse eines Experiments auf die reale Welt anwendbar sind.
Die Fähigkeit eines Experiments eines Neurowissenschaftlers, Effekte zu bestimmen (statistische Power), hängt von der Stichprobengröße ab. Fortgesetzt anhand der Parameter von Szenario 1, besteht das Ziel weiterhin darin, genügend Daten zu sammeln, um statistisch zu bewerten, ob es einen wahren Effekt im Timing der Dopaminausschüttung nach der Präsentation emotional aufgeladener visueller Reize gibt. Wir müssen auch Kriterien für die Einschluss in die Stichprobe festlegen, die das Potenzial für einen Stichprobenfehler minimieren.
Wie man Stichprobenfehler vermeidet
Bevor wir weitermachen, sind zwei Begriffe wichtig zu verstehen.
Stichprobenfehler: Bei der Stichprobenbildung besteht immer die Möglichkeit, dass die gesammelten Daten der ausgewählten Personen nicht die Population repräsentieren.
Statistische Signifikanz: Statistische Signifikanz bedeutet, dass unsere Daten und die beobachteten Effekte wahrscheinlich wahre Effekte sind. In den meisten biomedizinischen Wissenschaften wird statistische Signifikanz mit einem Signifikanzniveau oder p-Wert von 0,05 festgestellt. Im Wesentlichen bedeutet dies, dass die Wissenschaftler zu 95% sicher in den Effekt sind, der in ihren Experimenten beobachtet wurde.
Berücksichtigen Sie, ob die Daten eine Beziehung zeigen (d.h. Dopaminausschüttung). Es besteht eine 5%ige Möglichkeit, dass der Effekt durch Zufall und nicht mit der Variablen (visuellen Reizen) zusammenhängt. Dies wäre ein Typ-I-Fehler. Alternativ besteht eine 5%ige Wahrscheinlichkeit, dass unsere gesammelten Daten keine Beziehung zwischen Dopaminausschüttung und visuellen Reizen zeigen, obwohl tatsächlich ein wahrer Effekt vorliegt - ein falsch negatives Ergebnis oder Typ-II-Fehler.
Die sorgfältige Festlegung von Einschlusskriterien hat einen größeren Einfluss, da es nach einer bestimmten Stichprobengröße einen Punkt mit abnehmenden Erträgen gibt.
Wir hoffen, Daten zu sammeln, die alle Menschen repräsentieren, und wir möchten, dass unsere Schlussfolgerungen sowohl praktisch signifikant als auch statistisch signifikant sind. Um unser Stichproben-Set erfolgreich zu entwerfen, müssen ein Stichprobenfehler, ein Typ-I-Fehler (falsch positiv) oder ein Typ-II-Fehler (falsch negativ) berücksichtigt und vermieden werden.
Unser Experiment testet die folgende Hypothese:
Nullhypothese - Keine Beziehung oder Effekt zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen.
Hypothese - Es gibt eine Beziehung zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen, und die maximale Dopaminausschüttung erfolgt nach dem Sehen der visuellen Reize.
Es gibt eine Beziehung zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen. Wenn die Daten nicht statistisch signifikant sind:
Unsere Hypothese wird abgelehnt.
Es wird kein wahrer Effekt oder Unterschied gefunden.
Unsere beobachteten Effekte sind ebenso wahrscheinlich durch Zufall entstanden.
Die Population verstehen?
Praktische Einschränkungen im experimentellen Design.
In der neurowissenschaftlichen Forschung versucht ein formelles Einschlusskriterium typischerweise, die Wahrscheinlichkeit der Einschluss gleichmäßig über die Population hinweg zu randomisieren und/oder auszugleichen, um Stichprobenfehler zu vermeiden. Wir müssen vermeiden, Personen auszuwählen, nur weil sie die nächsten oder am leichtesten zugänglichen sind, um Daten zu sammeln, da dies die Voraussetzung für einen Stichprobenfehler darstellt.
Der beste Ansatz zur Generierung von Stichprobensätzen besteht darin, Einschlusskriterien zu verwenden, die die Wahrscheinlichkeit der Auswahl über die gesamte Population hinweg zufällig ausgleichen. Zum Beispiel könnten wir mit Bevölkerungsdaten die Kontaktdaten von 50 zufällig ausgewählten Personen in jedem Landkreis von Ohio erhalten. Dies würde eine Selektionsverzerrung minimieren, da die Namen zufällig und gleichmäßig aus allen geographischen Gebieten gewählt würden.
Die Festlegung des experimentellen Designs, die Erhöhung der Stichprobengröße und die vollständige Verwirklichung eines unvoreingenommenen, randomisierten und gleichmäßig angewendeten Einschlusskriteriums können schnell auf praktische Einschränkungen stoßen. Dies ist ein Problem für die wissenschaftliche Forschung auf allen Ebenen, von akademischen Übungen bis hin zu etablierten Forschungsuniversitäten. In der Regel sind budgetäre und zeitliche Einschränkungen die ersten, die Kompromisse erfordern. Kollektiv sind diese Fragen rund um die statistische Signifikanz aktive Forschungsbereiche.
Was ist die Wahre Effektgröße?
Aufgrund der geringen statistischen Power der neurowissenschaftlichen Forschung tendieren wir dazu, die wahre Effektgröße zu überschätzen, was zu der geringen Reproduzierbarkeit vieler Studien führt. Darüber hinaus macht die inhärente Komplexität der neurowissenschaftlichen Forschung die statistische Power kritisch.
Eine Methode, die das Fachgebiet übernehmen kann, besteht darin, die Power einer Studie zu erhöhen, indem die Stichprobengröße erhöht wird. Dies erhöht die Wahrscheinlichkeit, einen wahren Effekt zu erkennen. Die Wahl einer geeigneten Stichprobengröße ist entscheidend für die Gestaltung von Forschung, die:
Praktische Entdeckungen macht.
Unser Verständnis der unzähligen Prozesse im Gehirn voranbringt.
Effektive Therapien entwickelt.
Herausforderungen in der zeitgenössischen neurowissenschaftlichen Forschung überwinden: Die EmotivLAB-Plattform
Die experimentellen Designs der neurowissenschaftlichen Forschung sollten darauf abzielen, größere Stichprobengruppen zu etablieren und bessere Einschlusskriterien festzulegen, um zuverlässige statistische Signifikanz zu erreichen. Mit einem zugänglichen Crowd-Sourcing-Plattform wie EmotivLAB haben Forscher Zugriff auf potenziell viel vielfältigere, viel repräsentativere Probanden - was die Stichprobengröße und die Inklusivität aller demografischen Merkmale mit minimalem zusätzlichem logistischen Aufwand für die Forschungsgruppen verbessert.
Moderne neurowissenschaftliche Forschung kann anfällig für Stichprobenfehler sein, da nur begrenzte Ressourcen zur Verfügung stehen, um eine vielfältige Gruppe für den experimentellen Stichproben-Set zu rekrutieren. Das Konzept der "WEIRD-Gruppe" fasst das Problem zusammen. Die meisten Universitätsforschungen werden mit einem geringen Budget an experimentellen Probanden durchgeführt, die im Allgemeinen westlich, gebildet und aus industrialisierten, reichen und demokratischen Ländern stammen. Die Verwendung von Fernaufnahmegeräten, wie der EEG-Plattform von EmotivLAB, ermöglicht es den Forschern jedoch, über den Campus hinauszugehen, um Stichprobengruppen zu rekrutieren, die die Bevölkerung besser widerspiegeln.
Die Plattform von EmotivLAB und die remote EEG-Ausrüstung helfen nicht nur Forschern, die Vielfalt der in experimentellen Stichprobengruppen einbezogenen Personen zu erweitern. Sie vermittelt auch die Probleme bezüglich der Gesamtheit der Stichprobengröße und der geografischen Reichweite in Zielpopulationen.
Die EmotivLAB-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf die Gestaltung von Experimenten und die Analyse der Ergebnisse zu konzentrieren. Unsere Plattform bringt das Experiment mit den am besten geeigneten Personen im Probandenpool zusammen. Es ist nicht nötig, Zeit mit der Rekrutierung von Teilnehmern, der Koordination und Planung und der Durchführung von Datensammlungen im Labor zu verbringen. Alles, was erforderlich ist, ist die Angabe der gewünschten Demografie in der Online-Plattform, und EmotivLAB wird das Experiment den Beitragsleistenden zur Verfügung stellen, die am besten den gewünschten Parametern entsprechen. Die Teilnehmer können die Experimente in ihren eigenen Häusern mit ihrer eigenen Ausrüstung durchführen. Ihre Vertrautheit mit dem Headset beseitigt die Notwendigkeit, dass Forscher Anleitungen zu seiner Verwendung geben.
Darüber hinaus bietet die EmotivLAB-Plattform eine automatisierte Qualitätskontrolle und Bewertung der EEG-Aufnahmedaten. Große Mengen von qualitativ schlechten Daten helfen nicht, Stichproben- oder Statistikfehler in experimentellen Designs zu überwinden. Der Zugang zu qualitativ hochwertigen Daten bietet jedoch eine Lösung um Fehler zu vermeiden in:
Stichprobe
Bevölkerung
Statistische Signifikanz
Möchten Sie mehr darüber erfahren, was die EmotivLABs-Plattform für Ihre Forschung tun kann?
EmotivLABS ermöglicht es Ihnen, Ihr Experiment zu erstellen, es sicher und geschützt durchzuführen, aus einem globalen Pool verifizierter Teilnehmer zu rekrutieren und qualitativ hochwertige EEG-Daten zu sammeln, alles von einer Plattform aus. Klicken Sie hier, um mehr zu erfahren oder eine Demo anzufordern.
Statistische Signifikanz: Stichprobengröße(n) & Statistische Power - Um die Welt um uns herum zu verstehen, nutzen Forscher formal die wissenschaftliche Methode, um vermutete Wahrheiten von Falschheiten zu trennen. Die kognitive Neurowissenschaft zielt darauf ab, zu verstehen, wie genetische, neurologische und verhaltenstechnische Systeme die Fähigkeit eines Organismus unterstützen, die Welt um ihn herum zu spüren, zu interagieren, sich zu orientieren und darüber nachzudenken.
Das bedeutet, dass die kognitive Neurowissenschaft Experimente entwirft und Daten auf allen Analyseebenen sammelt. Forschungsprogramme weltweit, die unser Verständnis der natürlichen Welt vertiefen wollen, testen regelmäßig Annahmen oder Hypothesen in einer gut geplanten Serie kleinerer Experimente. Diese Experimente zielen darauf ab, spezifische Faktoren zu untersuchen, die möglicherweise einen Einfluss auf ein Ergebnis haben oder auch nicht, während sie den Einfluss von extranen Faktoren wie Umwelt, sexueller Orientierung, Rasse oder sozioökonomischem Status minimieren.
Szenario Eins: Eine Dopaminausschüttungsstudie
In der kognitiven Neurowissenschaft wird Dopamin allgemein als eine "Wohlfühl"-Verbindung angesehen. Seine Ausschüttung im Nucleus Accumbens (NuAc) wird durch Verhaltensweisen oder Dinge ausgelöst, die uns motivieren, uns zu verhalten. Dazu können gehören:
Ein gutes Essen
Zeit mit geliebten Menschen
Sex
Zucker
Angenommen, wir möchten herausfinden, ob die maximalen Dopaminwerte im NuAc vor, während oder nach der Exposition gegenüber einem gewünschten oder vertrauten visuellen Reiz auftreten. Wir können das EEG-Experimentdesign verwenden, das aus Amatya Johanna Mackintoshs Studie übernommen wurde. Wir können die Hypothese aufstellen, dass die Dopaminausschüttung während der Exposition und leicht danach ihren Höhepunkt erreicht.
Nun, am wichtigsten, woher bekommen wir Testpersonen?
In experimentellen Situationen bezieht sich "Population" auf die größere, gesamte kollektive Gruppe, die untersucht wird. Es ist unpraktisch und unwahrscheinlich, dass Ihr Labor eine Technik entwickeln kann, um Dopaminausschüttungsdaten von Hunderttausenden oder Millionen von Menschen zu rekrutieren und zu sammeln.
Daher werden wir versuchen, Daten von einer kleineren, repräsentativen Gruppe oder Stichprobe zu sammeln, um die Population zu verstehen. Dazu müssen wir zwei Hauptfragen beantworten.
Wie viele Personen müssen in unsere Stichprobe aufgenommen werden?
Wie hängt dies mit der praktischen Signifikanz und der statistischen Power zusammen?
Schauen wir uns das im Folgenden an.
Statistische Power und wahrer Effekt
Statistische Power wird definiert als die Wahrscheinlichkeit, dass ein Test einen statistisch signifikanten Unterschied erkennt, wenn ein solcher Unterschied tatsächlich vorhanden ist. Es wird auch als wahrer Effekt bezeichnet.
Der wahre Effekt ist das Fundament des experimentellen Designs. Cohens Bericht von 1988, bekannt für seine Beiträge zur wissenschaftlichen Methode, argumentierte, dass eine Studie so gestaltet sein sollte, dass sie eine 80%ige Wahrscheinlichkeit hat, einen wahren Effekt zu erkennen. Diese 80% repräsentieren ein Hochleistungs- (HP) Testdesign, während jeder Wert nahe 20% ein Niedrigleistungs- (LP) Testdesign darstellt.
Cohen schlug vor, dass Studien immer weniger als 20% Wahrscheinlichkeit haben sollten, einen Typ-II-Fehler zu machen, auch bekannt als falsch negatives Ergebnis. Er verwendet auch diese gleichen Richtlinienbereiche für verpasste Entdeckungen, die auftreten, wenn ein Forscher fälschlicherweise berichtet, dass kein signifikanter Effekt vorliegt, wenn tatsächlich ein Unterschied besteht.
Warum ist statistische Power wichtig?
Denken Sie an dieses Szenario. Wenn ein wahrer Effekt in 100 verschiedenen Studien mit 80% Wahrscheinlichkeit besteht, erkennt die statistische Tests einen wahren Effekt in 80 von 100. Wenn eine Studie jedoch eine Forschungsleistung von 20% hat, sollten diese Studien, wenn es 100 echte, nicht-null Effekte in den Ergebnissen gibt, voraussichtlich nur 20 davon entdecken.
Statistische Power-Mängel in der neurowissenschaftlichen Forschung
Wie nicht anders zu erwarten war, hat die neurowissenschaftliche Forschung aufgrund ihrer ressourcenintensiven Natur eine mediane statistische Power von etwa 21% und schwankt stark zwischen 8% und 31%. Niedrige statistische Power in der neurowissenschaftlichen Forschung:
Wirft Zweifel an der Replizierbarkeit von Ergebnissen auf.
Führt zu einer übertriebenen Effektgröße.
Reduziert die Wahrscheinlichkeit statistisch signifikanter Ergebnisse, die den wahren Effekt genau repräsentieren.
Infolgedessen ist der aktuelle Stand der neurowissenschaftlichen Forschung durch das Problem der statistischen Power gefangen, da diese Werte weit unter Cohens theoretischem Schwellenwert liegen.
Eine repräsentative Gruppe von Stichproben aufstellen
Das Ziel von Szenario Eins: Vermeidung von Stichprobenfehlern und Typ-I- und Typ-II-Fehlern in unserem Test mit umfassender und großer Stichprobenauswahl.
Wie viele menschliche Hirnscans müssen in unsere Stichprobengruppe aufgenommen werden, wenn wir wollen, dass das Experiment praktisch signifikant ist? Praktische Signifikanz bezieht sich darauf, ob die Ergebnisse eines Experiments auf die reale Welt anwendbar sind.
Die Fähigkeit eines Experiments eines Neurowissenschaftlers, Effekte zu bestimmen (statistische Power), hängt von der Stichprobengröße ab. Fortgesetzt anhand der Parameter von Szenario 1, besteht das Ziel weiterhin darin, genügend Daten zu sammeln, um statistisch zu bewerten, ob es einen wahren Effekt im Timing der Dopaminausschüttung nach der Präsentation emotional aufgeladener visueller Reize gibt. Wir müssen auch Kriterien für die Einschluss in die Stichprobe festlegen, die das Potenzial für einen Stichprobenfehler minimieren.
Wie man Stichprobenfehler vermeidet
Bevor wir weitermachen, sind zwei Begriffe wichtig zu verstehen.
Stichprobenfehler: Bei der Stichprobenbildung besteht immer die Möglichkeit, dass die gesammelten Daten der ausgewählten Personen nicht die Population repräsentieren.
Statistische Signifikanz: Statistische Signifikanz bedeutet, dass unsere Daten und die beobachteten Effekte wahrscheinlich wahre Effekte sind. In den meisten biomedizinischen Wissenschaften wird statistische Signifikanz mit einem Signifikanzniveau oder p-Wert von 0,05 festgestellt. Im Wesentlichen bedeutet dies, dass die Wissenschaftler zu 95% sicher in den Effekt sind, der in ihren Experimenten beobachtet wurde.
Berücksichtigen Sie, ob die Daten eine Beziehung zeigen (d.h. Dopaminausschüttung). Es besteht eine 5%ige Möglichkeit, dass der Effekt durch Zufall und nicht mit der Variablen (visuellen Reizen) zusammenhängt. Dies wäre ein Typ-I-Fehler. Alternativ besteht eine 5%ige Wahrscheinlichkeit, dass unsere gesammelten Daten keine Beziehung zwischen Dopaminausschüttung und visuellen Reizen zeigen, obwohl tatsächlich ein wahrer Effekt vorliegt - ein falsch negatives Ergebnis oder Typ-II-Fehler.
Die sorgfältige Festlegung von Einschlusskriterien hat einen größeren Einfluss, da es nach einer bestimmten Stichprobengröße einen Punkt mit abnehmenden Erträgen gibt.
Wir hoffen, Daten zu sammeln, die alle Menschen repräsentieren, und wir möchten, dass unsere Schlussfolgerungen sowohl praktisch signifikant als auch statistisch signifikant sind. Um unser Stichproben-Set erfolgreich zu entwerfen, müssen ein Stichprobenfehler, ein Typ-I-Fehler (falsch positiv) oder ein Typ-II-Fehler (falsch negativ) berücksichtigt und vermieden werden.
Unser Experiment testet die folgende Hypothese:
Nullhypothese - Keine Beziehung oder Effekt zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen.
Hypothese - Es gibt eine Beziehung zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen, und die maximale Dopaminausschüttung erfolgt nach dem Sehen der visuellen Reize.
Es gibt eine Beziehung zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen. Wenn die Daten nicht statistisch signifikant sind:
Unsere Hypothese wird abgelehnt.
Es wird kein wahrer Effekt oder Unterschied gefunden.
Unsere beobachteten Effekte sind ebenso wahrscheinlich durch Zufall entstanden.
Die Population verstehen?
Praktische Einschränkungen im experimentellen Design.
In der neurowissenschaftlichen Forschung versucht ein formelles Einschlusskriterium typischerweise, die Wahrscheinlichkeit der Einschluss gleichmäßig über die Population hinweg zu randomisieren und/oder auszugleichen, um Stichprobenfehler zu vermeiden. Wir müssen vermeiden, Personen auszuwählen, nur weil sie die nächsten oder am leichtesten zugänglichen sind, um Daten zu sammeln, da dies die Voraussetzung für einen Stichprobenfehler darstellt.
Der beste Ansatz zur Generierung von Stichprobensätzen besteht darin, Einschlusskriterien zu verwenden, die die Wahrscheinlichkeit der Auswahl über die gesamte Population hinweg zufällig ausgleichen. Zum Beispiel könnten wir mit Bevölkerungsdaten die Kontaktdaten von 50 zufällig ausgewählten Personen in jedem Landkreis von Ohio erhalten. Dies würde eine Selektionsverzerrung minimieren, da die Namen zufällig und gleichmäßig aus allen geographischen Gebieten gewählt würden.
Die Festlegung des experimentellen Designs, die Erhöhung der Stichprobengröße und die vollständige Verwirklichung eines unvoreingenommenen, randomisierten und gleichmäßig angewendeten Einschlusskriteriums können schnell auf praktische Einschränkungen stoßen. Dies ist ein Problem für die wissenschaftliche Forschung auf allen Ebenen, von akademischen Übungen bis hin zu etablierten Forschungsuniversitäten. In der Regel sind budgetäre und zeitliche Einschränkungen die ersten, die Kompromisse erfordern. Kollektiv sind diese Fragen rund um die statistische Signifikanz aktive Forschungsbereiche.
Was ist die Wahre Effektgröße?
Aufgrund der geringen statistischen Power der neurowissenschaftlichen Forschung tendieren wir dazu, die wahre Effektgröße zu überschätzen, was zu der geringen Reproduzierbarkeit vieler Studien führt. Darüber hinaus macht die inhärente Komplexität der neurowissenschaftlichen Forschung die statistische Power kritisch.
Eine Methode, die das Fachgebiet übernehmen kann, besteht darin, die Power einer Studie zu erhöhen, indem die Stichprobengröße erhöht wird. Dies erhöht die Wahrscheinlichkeit, einen wahren Effekt zu erkennen. Die Wahl einer geeigneten Stichprobengröße ist entscheidend für die Gestaltung von Forschung, die:
Praktische Entdeckungen macht.
Unser Verständnis der unzähligen Prozesse im Gehirn voranbringt.
Effektive Therapien entwickelt.
Herausforderungen in der zeitgenössischen neurowissenschaftlichen Forschung überwinden: Die EmotivLAB-Plattform
Die experimentellen Designs der neurowissenschaftlichen Forschung sollten darauf abzielen, größere Stichprobengruppen zu etablieren und bessere Einschlusskriterien festzulegen, um zuverlässige statistische Signifikanz zu erreichen. Mit einem zugänglichen Crowd-Sourcing-Plattform wie EmotivLAB haben Forscher Zugriff auf potenziell viel vielfältigere, viel repräsentativere Probanden - was die Stichprobengröße und die Inklusivität aller demografischen Merkmale mit minimalem zusätzlichem logistischen Aufwand für die Forschungsgruppen verbessert.
Moderne neurowissenschaftliche Forschung kann anfällig für Stichprobenfehler sein, da nur begrenzte Ressourcen zur Verfügung stehen, um eine vielfältige Gruppe für den experimentellen Stichproben-Set zu rekrutieren. Das Konzept der "WEIRD-Gruppe" fasst das Problem zusammen. Die meisten Universitätsforschungen werden mit einem geringen Budget an experimentellen Probanden durchgeführt, die im Allgemeinen westlich, gebildet und aus industrialisierten, reichen und demokratischen Ländern stammen. Die Verwendung von Fernaufnahmegeräten, wie der EEG-Plattform von EmotivLAB, ermöglicht es den Forschern jedoch, über den Campus hinauszugehen, um Stichprobengruppen zu rekrutieren, die die Bevölkerung besser widerspiegeln.
Die Plattform von EmotivLAB und die remote EEG-Ausrüstung helfen nicht nur Forschern, die Vielfalt der in experimentellen Stichprobengruppen einbezogenen Personen zu erweitern. Sie vermittelt auch die Probleme bezüglich der Gesamtheit der Stichprobengröße und der geografischen Reichweite in Zielpopulationen.
Die EmotivLAB-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf die Gestaltung von Experimenten und die Analyse der Ergebnisse zu konzentrieren. Unsere Plattform bringt das Experiment mit den am besten geeigneten Personen im Probandenpool zusammen. Es ist nicht nötig, Zeit mit der Rekrutierung von Teilnehmern, der Koordination und Planung und der Durchführung von Datensammlungen im Labor zu verbringen. Alles, was erforderlich ist, ist die Angabe der gewünschten Demografie in der Online-Plattform, und EmotivLAB wird das Experiment den Beitragsleistenden zur Verfügung stellen, die am besten den gewünschten Parametern entsprechen. Die Teilnehmer können die Experimente in ihren eigenen Häusern mit ihrer eigenen Ausrüstung durchführen. Ihre Vertrautheit mit dem Headset beseitigt die Notwendigkeit, dass Forscher Anleitungen zu seiner Verwendung geben.
Darüber hinaus bietet die EmotivLAB-Plattform eine automatisierte Qualitätskontrolle und Bewertung der EEG-Aufnahmedaten. Große Mengen von qualitativ schlechten Daten helfen nicht, Stichproben- oder Statistikfehler in experimentellen Designs zu überwinden. Der Zugang zu qualitativ hochwertigen Daten bietet jedoch eine Lösung um Fehler zu vermeiden in:
Stichprobe
Bevölkerung
Statistische Signifikanz
Möchten Sie mehr darüber erfahren, was die EmotivLABs-Plattform für Ihre Forschung tun kann?
EmotivLABS ermöglicht es Ihnen, Ihr Experiment zu erstellen, es sicher und geschützt durchzuführen, aus einem globalen Pool verifizierter Teilnehmer zu rekrutieren und qualitativ hochwertige EEG-Daten zu sammeln, alles von einer Plattform aus. Klicken Sie hier, um mehr zu erfahren oder eine Demo anzufordern.
Statistische Signifikanz: Stichprobengröße(n) & Statistische Power - Um die Welt um uns herum zu verstehen, nutzen Forscher formal die wissenschaftliche Methode, um vermutete Wahrheiten von Falschheiten zu trennen. Die kognitive Neurowissenschaft zielt darauf ab, zu verstehen, wie genetische, neurologische und verhaltenstechnische Systeme die Fähigkeit eines Organismus unterstützen, die Welt um ihn herum zu spüren, zu interagieren, sich zu orientieren und darüber nachzudenken.
Das bedeutet, dass die kognitive Neurowissenschaft Experimente entwirft und Daten auf allen Analyseebenen sammelt. Forschungsprogramme weltweit, die unser Verständnis der natürlichen Welt vertiefen wollen, testen regelmäßig Annahmen oder Hypothesen in einer gut geplanten Serie kleinerer Experimente. Diese Experimente zielen darauf ab, spezifische Faktoren zu untersuchen, die möglicherweise einen Einfluss auf ein Ergebnis haben oder auch nicht, während sie den Einfluss von extranen Faktoren wie Umwelt, sexueller Orientierung, Rasse oder sozioökonomischem Status minimieren.
Szenario Eins: Eine Dopaminausschüttungsstudie
In der kognitiven Neurowissenschaft wird Dopamin allgemein als eine "Wohlfühl"-Verbindung angesehen. Seine Ausschüttung im Nucleus Accumbens (NuAc) wird durch Verhaltensweisen oder Dinge ausgelöst, die uns motivieren, uns zu verhalten. Dazu können gehören:
Ein gutes Essen
Zeit mit geliebten Menschen
Sex
Zucker
Angenommen, wir möchten herausfinden, ob die maximalen Dopaminwerte im NuAc vor, während oder nach der Exposition gegenüber einem gewünschten oder vertrauten visuellen Reiz auftreten. Wir können das EEG-Experimentdesign verwenden, das aus Amatya Johanna Mackintoshs Studie übernommen wurde. Wir können die Hypothese aufstellen, dass die Dopaminausschüttung während der Exposition und leicht danach ihren Höhepunkt erreicht.
Nun, am wichtigsten, woher bekommen wir Testpersonen?
In experimentellen Situationen bezieht sich "Population" auf die größere, gesamte kollektive Gruppe, die untersucht wird. Es ist unpraktisch und unwahrscheinlich, dass Ihr Labor eine Technik entwickeln kann, um Dopaminausschüttungsdaten von Hunderttausenden oder Millionen von Menschen zu rekrutieren und zu sammeln.
Daher werden wir versuchen, Daten von einer kleineren, repräsentativen Gruppe oder Stichprobe zu sammeln, um die Population zu verstehen. Dazu müssen wir zwei Hauptfragen beantworten.
Wie viele Personen müssen in unsere Stichprobe aufgenommen werden?
Wie hängt dies mit der praktischen Signifikanz und der statistischen Power zusammen?
Schauen wir uns das im Folgenden an.
Statistische Power und wahrer Effekt
Statistische Power wird definiert als die Wahrscheinlichkeit, dass ein Test einen statistisch signifikanten Unterschied erkennt, wenn ein solcher Unterschied tatsächlich vorhanden ist. Es wird auch als wahrer Effekt bezeichnet.
Der wahre Effekt ist das Fundament des experimentellen Designs. Cohens Bericht von 1988, bekannt für seine Beiträge zur wissenschaftlichen Methode, argumentierte, dass eine Studie so gestaltet sein sollte, dass sie eine 80%ige Wahrscheinlichkeit hat, einen wahren Effekt zu erkennen. Diese 80% repräsentieren ein Hochleistungs- (HP) Testdesign, während jeder Wert nahe 20% ein Niedrigleistungs- (LP) Testdesign darstellt.
Cohen schlug vor, dass Studien immer weniger als 20% Wahrscheinlichkeit haben sollten, einen Typ-II-Fehler zu machen, auch bekannt als falsch negatives Ergebnis. Er verwendet auch diese gleichen Richtlinienbereiche für verpasste Entdeckungen, die auftreten, wenn ein Forscher fälschlicherweise berichtet, dass kein signifikanter Effekt vorliegt, wenn tatsächlich ein Unterschied besteht.
Warum ist statistische Power wichtig?
Denken Sie an dieses Szenario. Wenn ein wahrer Effekt in 100 verschiedenen Studien mit 80% Wahrscheinlichkeit besteht, erkennt die statistische Tests einen wahren Effekt in 80 von 100. Wenn eine Studie jedoch eine Forschungsleistung von 20% hat, sollten diese Studien, wenn es 100 echte, nicht-null Effekte in den Ergebnissen gibt, voraussichtlich nur 20 davon entdecken.
Statistische Power-Mängel in der neurowissenschaftlichen Forschung
Wie nicht anders zu erwarten war, hat die neurowissenschaftliche Forschung aufgrund ihrer ressourcenintensiven Natur eine mediane statistische Power von etwa 21% und schwankt stark zwischen 8% und 31%. Niedrige statistische Power in der neurowissenschaftlichen Forschung:
Wirft Zweifel an der Replizierbarkeit von Ergebnissen auf.
Führt zu einer übertriebenen Effektgröße.
Reduziert die Wahrscheinlichkeit statistisch signifikanter Ergebnisse, die den wahren Effekt genau repräsentieren.
Infolgedessen ist der aktuelle Stand der neurowissenschaftlichen Forschung durch das Problem der statistischen Power gefangen, da diese Werte weit unter Cohens theoretischem Schwellenwert liegen.
Eine repräsentative Gruppe von Stichproben aufstellen
Das Ziel von Szenario Eins: Vermeidung von Stichprobenfehlern und Typ-I- und Typ-II-Fehlern in unserem Test mit umfassender und großer Stichprobenauswahl.
Wie viele menschliche Hirnscans müssen in unsere Stichprobengruppe aufgenommen werden, wenn wir wollen, dass das Experiment praktisch signifikant ist? Praktische Signifikanz bezieht sich darauf, ob die Ergebnisse eines Experiments auf die reale Welt anwendbar sind.
Die Fähigkeit eines Experiments eines Neurowissenschaftlers, Effekte zu bestimmen (statistische Power), hängt von der Stichprobengröße ab. Fortgesetzt anhand der Parameter von Szenario 1, besteht das Ziel weiterhin darin, genügend Daten zu sammeln, um statistisch zu bewerten, ob es einen wahren Effekt im Timing der Dopaminausschüttung nach der Präsentation emotional aufgeladener visueller Reize gibt. Wir müssen auch Kriterien für die Einschluss in die Stichprobe festlegen, die das Potenzial für einen Stichprobenfehler minimieren.
Wie man Stichprobenfehler vermeidet
Bevor wir weitermachen, sind zwei Begriffe wichtig zu verstehen.
Stichprobenfehler: Bei der Stichprobenbildung besteht immer die Möglichkeit, dass die gesammelten Daten der ausgewählten Personen nicht die Population repräsentieren.
Statistische Signifikanz: Statistische Signifikanz bedeutet, dass unsere Daten und die beobachteten Effekte wahrscheinlich wahre Effekte sind. In den meisten biomedizinischen Wissenschaften wird statistische Signifikanz mit einem Signifikanzniveau oder p-Wert von 0,05 festgestellt. Im Wesentlichen bedeutet dies, dass die Wissenschaftler zu 95% sicher in den Effekt sind, der in ihren Experimenten beobachtet wurde.
Berücksichtigen Sie, ob die Daten eine Beziehung zeigen (d.h. Dopaminausschüttung). Es besteht eine 5%ige Möglichkeit, dass der Effekt durch Zufall und nicht mit der Variablen (visuellen Reizen) zusammenhängt. Dies wäre ein Typ-I-Fehler. Alternativ besteht eine 5%ige Wahrscheinlichkeit, dass unsere gesammelten Daten keine Beziehung zwischen Dopaminausschüttung und visuellen Reizen zeigen, obwohl tatsächlich ein wahrer Effekt vorliegt - ein falsch negatives Ergebnis oder Typ-II-Fehler.
Die sorgfältige Festlegung von Einschlusskriterien hat einen größeren Einfluss, da es nach einer bestimmten Stichprobengröße einen Punkt mit abnehmenden Erträgen gibt.
Wir hoffen, Daten zu sammeln, die alle Menschen repräsentieren, und wir möchten, dass unsere Schlussfolgerungen sowohl praktisch signifikant als auch statistisch signifikant sind. Um unser Stichproben-Set erfolgreich zu entwerfen, müssen ein Stichprobenfehler, ein Typ-I-Fehler (falsch positiv) oder ein Typ-II-Fehler (falsch negativ) berücksichtigt und vermieden werden.
Unser Experiment testet die folgende Hypothese:
Nullhypothese - Keine Beziehung oder Effekt zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen.
Hypothese - Es gibt eine Beziehung zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen, und die maximale Dopaminausschüttung erfolgt nach dem Sehen der visuellen Reize.
Es gibt eine Beziehung zwischen dem Timing der Dopaminausschüttung im NAc und emotional wertvollen visuellen Reizen. Wenn die Daten nicht statistisch signifikant sind:
Unsere Hypothese wird abgelehnt.
Es wird kein wahrer Effekt oder Unterschied gefunden.
Unsere beobachteten Effekte sind ebenso wahrscheinlich durch Zufall entstanden.
Die Population verstehen?
Praktische Einschränkungen im experimentellen Design.
In der neurowissenschaftlichen Forschung versucht ein formelles Einschlusskriterium typischerweise, die Wahrscheinlichkeit der Einschluss gleichmäßig über die Population hinweg zu randomisieren und/oder auszugleichen, um Stichprobenfehler zu vermeiden. Wir müssen vermeiden, Personen auszuwählen, nur weil sie die nächsten oder am leichtesten zugänglichen sind, um Daten zu sammeln, da dies die Voraussetzung für einen Stichprobenfehler darstellt.
Der beste Ansatz zur Generierung von Stichprobensätzen besteht darin, Einschlusskriterien zu verwenden, die die Wahrscheinlichkeit der Auswahl über die gesamte Population hinweg zufällig ausgleichen. Zum Beispiel könnten wir mit Bevölkerungsdaten die Kontaktdaten von 50 zufällig ausgewählten Personen in jedem Landkreis von Ohio erhalten. Dies würde eine Selektionsverzerrung minimieren, da die Namen zufällig und gleichmäßig aus allen geographischen Gebieten gewählt würden.
Die Festlegung des experimentellen Designs, die Erhöhung der Stichprobengröße und die vollständige Verwirklichung eines unvoreingenommenen, randomisierten und gleichmäßig angewendeten Einschlusskriteriums können schnell auf praktische Einschränkungen stoßen. Dies ist ein Problem für die wissenschaftliche Forschung auf allen Ebenen, von akademischen Übungen bis hin zu etablierten Forschungsuniversitäten. In der Regel sind budgetäre und zeitliche Einschränkungen die ersten, die Kompromisse erfordern. Kollektiv sind diese Fragen rund um die statistische Signifikanz aktive Forschungsbereiche.
Was ist die Wahre Effektgröße?
Aufgrund der geringen statistischen Power der neurowissenschaftlichen Forschung tendieren wir dazu, die wahre Effektgröße zu überschätzen, was zu der geringen Reproduzierbarkeit vieler Studien führt. Darüber hinaus macht die inhärente Komplexität der neurowissenschaftlichen Forschung die statistische Power kritisch.
Eine Methode, die das Fachgebiet übernehmen kann, besteht darin, die Power einer Studie zu erhöhen, indem die Stichprobengröße erhöht wird. Dies erhöht die Wahrscheinlichkeit, einen wahren Effekt zu erkennen. Die Wahl einer geeigneten Stichprobengröße ist entscheidend für die Gestaltung von Forschung, die:
Praktische Entdeckungen macht.
Unser Verständnis der unzähligen Prozesse im Gehirn voranbringt.
Effektive Therapien entwickelt.
Herausforderungen in der zeitgenössischen neurowissenschaftlichen Forschung überwinden: Die EmotivLAB-Plattform
Die experimentellen Designs der neurowissenschaftlichen Forschung sollten darauf abzielen, größere Stichprobengruppen zu etablieren und bessere Einschlusskriterien festzulegen, um zuverlässige statistische Signifikanz zu erreichen. Mit einem zugänglichen Crowd-Sourcing-Plattform wie EmotivLAB haben Forscher Zugriff auf potenziell viel vielfältigere, viel repräsentativere Probanden - was die Stichprobengröße und die Inklusivität aller demografischen Merkmale mit minimalem zusätzlichem logistischen Aufwand für die Forschungsgruppen verbessert.
Moderne neurowissenschaftliche Forschung kann anfällig für Stichprobenfehler sein, da nur begrenzte Ressourcen zur Verfügung stehen, um eine vielfältige Gruppe für den experimentellen Stichproben-Set zu rekrutieren. Das Konzept der "WEIRD-Gruppe" fasst das Problem zusammen. Die meisten Universitätsforschungen werden mit einem geringen Budget an experimentellen Probanden durchgeführt, die im Allgemeinen westlich, gebildet und aus industrialisierten, reichen und demokratischen Ländern stammen. Die Verwendung von Fernaufnahmegeräten, wie der EEG-Plattform von EmotivLAB, ermöglicht es den Forschern jedoch, über den Campus hinauszugehen, um Stichprobengruppen zu rekrutieren, die die Bevölkerung besser widerspiegeln.
Die Plattform von EmotivLAB und die remote EEG-Ausrüstung helfen nicht nur Forschern, die Vielfalt der in experimentellen Stichprobengruppen einbezogenen Personen zu erweitern. Sie vermittelt auch die Probleme bezüglich der Gesamtheit der Stichprobengröße und der geografischen Reichweite in Zielpopulationen.
Die EmotivLAB-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf die Gestaltung von Experimenten und die Analyse der Ergebnisse zu konzentrieren. Unsere Plattform bringt das Experiment mit den am besten geeigneten Personen im Probandenpool zusammen. Es ist nicht nötig, Zeit mit der Rekrutierung von Teilnehmern, der Koordination und Planung und der Durchführung von Datensammlungen im Labor zu verbringen. Alles, was erforderlich ist, ist die Angabe der gewünschten Demografie in der Online-Plattform, und EmotivLAB wird das Experiment den Beitragsleistenden zur Verfügung stellen, die am besten den gewünschten Parametern entsprechen. Die Teilnehmer können die Experimente in ihren eigenen Häusern mit ihrer eigenen Ausrüstung durchführen. Ihre Vertrautheit mit dem Headset beseitigt die Notwendigkeit, dass Forscher Anleitungen zu seiner Verwendung geben.
Darüber hinaus bietet die EmotivLAB-Plattform eine automatisierte Qualitätskontrolle und Bewertung der EEG-Aufnahmedaten. Große Mengen von qualitativ schlechten Daten helfen nicht, Stichproben- oder Statistikfehler in experimentellen Designs zu überwinden. Der Zugang zu qualitativ hochwertigen Daten bietet jedoch eine Lösung um Fehler zu vermeiden in:
Stichprobe
Bevölkerung
Statistische Signifikanz
Möchten Sie mehr darüber erfahren, was die EmotivLABs-Plattform für Ihre Forschung tun kann?
EmotivLABS ermöglicht es Ihnen, Ihr Experiment zu erstellen, es sicher und geschützt durchzuführen, aus einem globalen Pool verifizierter Teilnehmer zu rekrutieren und qualitativ hochwertige EEG-Daten zu sammeln, alles von einer Plattform aus. Klicken Sie hier, um mehr zu erfahren oder eine Demo anzufordern.
