Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
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, verwenden Forscher formell die wissenschaftliche Methode, um vermeintliche Wahrheiten von Falschheiten zu trennen. Die kognitive Neurowissenschaft hat das Ziel zu verstehen, wie genetische, neurologische und behaviorale Systeme die Fähigkeit eines Organismus unterstützen, seine Umgebung wahrzunehmen, zu interagieren, zu navigieren und über die Welt nachzudenken.
Das bedeutet, dass die kognitive Neurowissenschaft Experimente entwirft und Daten auf allen Ebenen der Analyse sammelt. Forschungsprogramme weltweit, die unser Verständnis der natürlichen Welt erweitern möchten, testen regelmäßig Annahmen oder Hypothesen in einer gut geplanten Reihe kleinerer Experimente. Diese Experimente neigen dazu, spezifische Faktoren zu untersuchen, die einen Einfluss auf ein Ergebnis haben können oder nicht, während sie den Einfluss von extrinsischen Faktoren wie Umwelt, sexueller Orientierung, Rasse oder sozioökonomischem Status minimieren.
Szenario Eins: Eine Studie zur Dopaminfreisetzung
In der kognitiven Neurowissenschaft wird Dopamin allgemein als eine "Wohlfühl"-Verbindung angesehen. Seine Freisetzung im Nucleus Accumbens (NuAc) wird durch Verhaltensweisen oder Dinge ausgelöst, die uns motivieren, zu handeln. Dazu gehören:
Ein gutes Essen
Zeit mit geliebten Menschen
Sex
Zucker
Angenommen, wir möchten herausfinden, ob die Spitzenwerte von Dopamin im NuAc vor, während oder nach der Exposition gegenüber einem gewünschten oder vertrauten visuellen Stimulus auftreten. Wir können das EEG-Experimentdesign verwenden, das von Amatya Johanna Mackintoshs Studie übernommen wurde. Wir können die Hypothese aufstellen, dass die Dopaminfreisetzung währenddessen auftritt und leicht nach der Exposition gegenüber den vertrauten oder gewünschten visuellen Stimuli ihren Höhepunkt erreicht.
Nun, am kritischsten, woher bekommen wir Testpersonen?
In experimentellen Situationen bezieht sich "Population" auf die größere, gesamte Gruppe, die untersucht wird. Es ist unpraktisch und unwahrscheinlich, dass Ihr Labor eine Technik entwickeln könnte, um Daten zur Dopaminfreisetzung bei 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. Um dies zu tun, müssen wir zwei Hauptfragen beantworten.
Wie viele Individuen müssen in unserer Stichprobe enthalten sein?
Wie hängt dies mit der praktischen Signifikanz und der statistischen Power zusammen?
Lassen Sie uns das unten aufschlüsseln.
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 existiert. Es wird auch als wahrer Effekt bezeichnet.
Der wahre Effekt ist das Fundament des experimentellen Designs. Cohens Bericht von 1988, der aufgrund seiner Beiträge zur wissenschaftlichen Methode bekannt ist, argumentierte, dass eine Studie so entworfen werden sollte, dass sie eine 80%ige Wahrscheinlichkeit hat, einen wahren Effekt zu erkennen. Diese 80% stehen für ein hochpower (HP) Testdesign, während jeder Wert, der sich dem 20% nähert, ein niedriges Power (LP) Testdesign darstellt.
Cohen schlug vor, dass Studien immer weniger als eine 20%ige Wahrscheinlichkeit für einen Fehler des Typs II haben sollten, der als falsch negativ bekannt ist. Er verwendet auch diese gleichen Richtlinienbereiche für verpasste Entdeckungen, die auftreten, wenn ein Forscher fälschlicherweise berichtet, dass kein signifikanter Effekt vorliegt, wenn ein Unterschied tatsächlich existiert.
Warum ist die statistische Power wichtig?
Denken Sie an dieses Szenario. Wenn ein wahrer Effekt in 100 verschiedenen Studien mit 80% Power existiert, werden statistische Tests einen wahren Effekt in 80 von 100 erkennen. Wenn eine Studie jedoch eine Forschungspower von 20% hat, wird diese Studie voraussichtlich nur 20 davon entdecken.
Schwächen der statistischen Power in der neurowissenschaftlichen Forschung
Es ist nicht überraschend, dass aufgrund der ressourcenintensiven Natur der neurowissenschaftlichen Forschung dieses Gebiet eine mediane statistische Power von etwa 21% hat und sich über einen breiten Bereich von 8%-31% erstreckt. Eine niedrige statistische Power in der neurowissenschaftlichen Forschung:
Weckt Zweifel an der Reproduzierbarkeit von Ergebnissen.
Führt zu einer übertriebenen Effektgröße.
Reduziert die Wahrscheinlichkeit statistisch signifikanter Ergebnisse, die den wahren Effekt genau darstellen.
Infolgedessen ist der aktuelle Zustand der neurowissenschaftlichen Forschung durch das Problem der statistischen Power gefangen, da diese Werte weit unter Cohens theoretischem Schwellenwert liegen.
Ein repräsentatives Stichprobengruppe(n) etablieren
Das Ziel von Szenario Eins: Sampling-Fehler und Fehler des Typs I und II in unserem Test durch inklusives und großes Sampling vermeiden.
Wie viele menschliche Gehirnscans müssen in unser Stichprobenset aufgenommen werden, wenn wir möchten, 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), ist mit der Stichprobengröße verbunden. Fortlaufend die Parameter von Szenario 1, bleibt das Ziel weiterhin, genügend Daten zu sammeln, um statistisch zu bewerten, ob ein wahrer Effekt im Timing der Dopaminfreisetzung nach der Präsentation emotional aufgeladener visueller Stimuli vorliegt. Wir müssen auch Kriterien für die Aufnahme in die Stichprobe festlegen, die das Potenzial für Sampling-Fehler minimieren.
Wie man Sampling-Fehler vermeidet
Zwei Begriffe sind wichtig zu verstehen, bevor wir fortfahren.
Sampling-Fehler: Bei der Auswahl gibt es immer die Möglichkeit, dass die gesammelten Daten der ausgewählten Individuen nicht die Population repräsentieren.
Statistische Signifikanz: Statistische Signifikanz bedeutet, dass unsere Daten und unsere beobachteten Effekte wahrscheinlich wahre Effekte sind. In den meisten biomedizinischen Wissenschaften wird die statistische Signifikanz mit einem Signifikanzniveau oder p-Wert von 0.05 etabliert. Grundsätzlich bedeutet dies, dass die Wissenschaftler zu 95% zuversichtlich in den Effekt sind, der in ihren Experimenten beobachtet wird.
Betrachten Sie, ob die Daten eine Beziehung zeigen (d.h. Dopaminfreisetzung). Es gibt eine 5%ige Möglichkeit, dass der Effekt auf Zufall beruht und nicht mit der Variable (visuelle Stimuli) zusammenhängt. Dies wäre ein Fehler des Typs I. Alternativ gibt es eine 5%ige Wahrscheinlichkeit, dass unsere gesammelten Daten keine Beziehung zwischen Dopaminfreisetzung und visuellen Stimuli zeigen, obwohl tatsächlich ein wahrer Effekt besteht - ein falsch negativer oder Fehler des Typs II.
Die sorgfältige Festlegung von Einschlusskriterien ist bedeutender, da es einen Punkt mit abnehmenden Erträgen nach einer bestimmten Stichprobengröße 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 Stichprobenset erfolgreich zu gestalten, müssen ein Sampling-Fehler, ein Fehler des Typs I (falsch positiv) oder ein Fehler des Typs II (falsch negativ) berücksichtigt und vermieden werden.
Unser Experiment testet die folgende Hypothese:
Nullhypothese - Keine Beziehung oder Effekt zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalem visuellen Stimulus.
Hypothese - Es gibt eine Beziehung zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalem visuellen Stimulus, und die Spitzenfreisetzung von Dopamin erfolgt nach dem Sehen der visuellen Stimuli.
Es gibt eine Beziehung zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalen visuellen Stimuli. Wenn die Daten statistisch nicht signifikant sind:
Wird unsere Hypothese abgelehnt.
Es wird kein wahrer Effekt oder Unterschied gefunden.
Unsere beobachteten Effekte sind ebenso wahrscheinlich, aus Zufall zu resultieren.
Die Population verstehen?
Praktische Einschränkungen im experimentellen Design.
In der neurowissenschaftlichen Forschung versucht ein formelles Einschlusskriterium typischerweise, die Wahrscheinlichkeit der Einbeziehung in die gesamte Population zu randomisieren und/oder zu egalisieren, um Sampling-Fehler zu vermeiden. Wir müssen vermeiden, Individuen nur auszuwählen, weil sie den nächstgelegenen oder am leichtesten zugänglichen sind, um Daten zu sammeln, da dies die Verschreibung für einen Sampling-Fehler ist.
Der beste Ansatz zur Generierung eines Stichproben-Sets besteht darin, Einschlusskriterien zu verwenden, die die Wahrscheinlichkeit der Auswahl über die gesamte Population zufällig egalisieren. Beispielsweise könnten wir mithilfe von Volkszählungsdaten Kontaktinformationen für 50 zufällig ausgewählte Personen in jedem Landkreis von Ohio erhalten. Dies würde die Auswahlverzerrung minimieren, da die Namen zufällig gleichmäßig aus allen geografischen Gebieten ausgewählt würden.
Die Festlegung des experimentellen Designs, die Erhöhung der Stichprobengröße und die vollständige Realisierung von unvoreingenommenen, randomisierten und gleichmäßig angewandten Einschlusskriterien können schnell auf praktische Einschränkungen stoßen. Dies ist ein Problem für die wissenschaftliche Forschung auf allen Ebenen, von akademischen Übungen bis hin zu vollwertigen Forschungsuniversitäten. In der Regel sind Budget- und Zeitrahmen Einschränkungen die ersten, die Kompromisse erzwingen. Kollektiv sind diese Fragen rund um die statistische Signifikanz aktive Forschungsgebiete.
Was ist die wahre Effektgröße?
Aufgrund der niedrigen statistischen Power der neurowissenschaftlichen Forschung neigen wir dazu, die wahre Effektgröße zu überschätzen, was zu der niedrigen Reproduzierbarkeit vieler Studien führt. Darüber hinaus macht die inhärente Komplexität der neurowissenschaftlichen Forschung die statistische Power entscheidend.
Eine Methode, die das Feld 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 angemessenen Stichprobengröße ist entscheidend für das Design von Forschungen, die:
Praktische Entdeckungen machen.
Unser Verständnis der unzähligen Prozesse im Gehirn vorantreiben.
Wirksame Therapien entwickeln.
Herausforderungen in der modernen neurowissenschaftlichen Forschung überwinden: Die EmotivLAB-Plattform
Die experimentellen Designs der neurowissenschaftlichen Forschung sollten darauf abzielen, größere Stichprobengruppen und bessere Einschlusskriterien zu etablieren, um zuverlässige statistische Signifikanz zu erreichen. Mit Zugang zu einer crowdsourcing-fähigen Plattform wie EmotivLAB erhalten Forscher Zugang zu potenziell viel vielfältigeren, viel repräsentativeren Teilnehmenden - was die Stichprobengröße und die Inklusion aller demografischen Gruppen mit minimalem zusätzlichem logistischem Aufwand für die Forschungsgruppen verbessert.
Moderne neurowissenschaftliche Forschung kann aufgrund begrenzter verfügbarer Ressourcen, um eine vielfältige Gruppe für das experimentelle Stichproben-Set zu rekrutieren, anfällig für Sampling-Fehler sein. Das Konzept der "WEIRD-Gruppe" fasst das Problem zusammen. Die meiste Universitätsforschung wird mit einem knappen Budget an experimentellen Probanden durchgeführt, die im Allgemeinen westlich, gebildet und aus industrialisierten, reichen und demokratischen Ländern stammen. Remote-Datenaufzeichnungsgeräte, wie die EEG-Plattform von EmotivLAB, ermöglichen es Forschern, über den Campus hinauszugehen, um Stichprobengruppen zu rekrutieren, die die Population besser widerspiegeln.
Die EmotivLABs-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf das Design von Experimenten und die Analyse der Ergebnisse zu konzentrieren.
Die Plattform von EmotivLABs und die Remote-EEG-Ausrüstung helfen nicht nur den Forschern, die Vielfalt der Individuen in den experimentellen Stichprobengruppen zu erhöhen. Sie vermitteln auch die Probleme in Bezug auf die gesamte Stichprobengröße und die geografische Reichweite in die Zielpopulationen.
Die EmotivLABs-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf das Design von Experimenten und die Analyse der Ergebnisse zu konzentrieren. Unsere Plattform bringt das Experiment mit den am besten geeigneten Individuen im Teilnehmerpool zusammen. Es besteht keine Notwendigkeit, Zeit mit der Rekrutierung von Teilnehmern, deren Koordination und Planung sowie der Durchführung von Datenaufzeichnungen im Labor zu verbringen. Alles, was erforderlich ist, ist, dass die gewünschte Demografie in der Online-Plattform angegeben wird, und EmotivLABs wird das Experiment den beitragenden Personen verfügbar machen, die am besten den gewünschten Parametern entsprechen. Die Teilnehmer können die Experimente in ihren eigenen Häusern mit eigener Ausrüstung durchführen. Ihre Vertrautheit mit dem Headset beseitigt die Notwendigkeit für Forscher, Anweisungen zur Benutzung bereitzustellen.
Darüber hinaus bietet die EmotivLAB-Plattform automatisierte EEG-Aufzeichnungsdatenqualitätssicherung und -bewertung. Große Mengen an Daten von schlechter Qualität tragen nicht dazu bei, Sampling- oder statistische Fehler in experimentellen Designs zu überwinden. Der Zugang zu mehr hochwertigen Daten bietet jedoch eine Lösung um Fehler zu vermeiden in:
Sampling
Population
Statistische Signifikanz
Möchten Sie mehr darüber erfahren, was die EmotivLABs-Plattform für Ihre Forschung leisten könnte?
EmotivLABS ermöglicht es Ihnen, Ihr Experiment zu entwerfen, sicher und geschützt durchzuführen, aus einem globalen Panel von verifizierten Teilnehmern zu rekrutieren und 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, verwenden Forscher formell die wissenschaftliche Methode, um vermeintliche Wahrheiten von Falschheiten zu trennen. Die kognitive Neurowissenschaft hat das Ziel zu verstehen, wie genetische, neurologische und behaviorale Systeme die Fähigkeit eines Organismus unterstützen, seine Umgebung wahrzunehmen, zu interagieren, zu navigieren und über die Welt nachzudenken.
Das bedeutet, dass die kognitive Neurowissenschaft Experimente entwirft und Daten auf allen Ebenen der Analyse sammelt. Forschungsprogramme weltweit, die unser Verständnis der natürlichen Welt erweitern möchten, testen regelmäßig Annahmen oder Hypothesen in einer gut geplanten Reihe kleinerer Experimente. Diese Experimente neigen dazu, spezifische Faktoren zu untersuchen, die einen Einfluss auf ein Ergebnis haben können oder nicht, während sie den Einfluss von extrinsischen Faktoren wie Umwelt, sexueller Orientierung, Rasse oder sozioökonomischem Status minimieren.
Szenario Eins: Eine Studie zur Dopaminfreisetzung
In der kognitiven Neurowissenschaft wird Dopamin allgemein als eine "Wohlfühl"-Verbindung angesehen. Seine Freisetzung im Nucleus Accumbens (NuAc) wird durch Verhaltensweisen oder Dinge ausgelöst, die uns motivieren, zu handeln. Dazu gehören:
Ein gutes Essen
Zeit mit geliebten Menschen
Sex
Zucker
Angenommen, wir möchten herausfinden, ob die Spitzenwerte von Dopamin im NuAc vor, während oder nach der Exposition gegenüber einem gewünschten oder vertrauten visuellen Stimulus auftreten. Wir können das EEG-Experimentdesign verwenden, das von Amatya Johanna Mackintoshs Studie übernommen wurde. Wir können die Hypothese aufstellen, dass die Dopaminfreisetzung währenddessen auftritt und leicht nach der Exposition gegenüber den vertrauten oder gewünschten visuellen Stimuli ihren Höhepunkt erreicht.
Nun, am kritischsten, woher bekommen wir Testpersonen?
In experimentellen Situationen bezieht sich "Population" auf die größere, gesamte Gruppe, die untersucht wird. Es ist unpraktisch und unwahrscheinlich, dass Ihr Labor eine Technik entwickeln könnte, um Daten zur Dopaminfreisetzung bei 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. Um dies zu tun, müssen wir zwei Hauptfragen beantworten.
Wie viele Individuen müssen in unserer Stichprobe enthalten sein?
Wie hängt dies mit der praktischen Signifikanz und der statistischen Power zusammen?
Lassen Sie uns das unten aufschlüsseln.
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 existiert. Es wird auch als wahrer Effekt bezeichnet.
Der wahre Effekt ist das Fundament des experimentellen Designs. Cohens Bericht von 1988, der aufgrund seiner Beiträge zur wissenschaftlichen Methode bekannt ist, argumentierte, dass eine Studie so entworfen werden sollte, dass sie eine 80%ige Wahrscheinlichkeit hat, einen wahren Effekt zu erkennen. Diese 80% stehen für ein hochpower (HP) Testdesign, während jeder Wert, der sich dem 20% nähert, ein niedriges Power (LP) Testdesign darstellt.
Cohen schlug vor, dass Studien immer weniger als eine 20%ige Wahrscheinlichkeit für einen Fehler des Typs II haben sollten, der als falsch negativ bekannt ist. Er verwendet auch diese gleichen Richtlinienbereiche für verpasste Entdeckungen, die auftreten, wenn ein Forscher fälschlicherweise berichtet, dass kein signifikanter Effekt vorliegt, wenn ein Unterschied tatsächlich existiert.
Warum ist die statistische Power wichtig?
Denken Sie an dieses Szenario. Wenn ein wahrer Effekt in 100 verschiedenen Studien mit 80% Power existiert, werden statistische Tests einen wahren Effekt in 80 von 100 erkennen. Wenn eine Studie jedoch eine Forschungspower von 20% hat, wird diese Studie voraussichtlich nur 20 davon entdecken.
Schwächen der statistischen Power in der neurowissenschaftlichen Forschung
Es ist nicht überraschend, dass aufgrund der ressourcenintensiven Natur der neurowissenschaftlichen Forschung dieses Gebiet eine mediane statistische Power von etwa 21% hat und sich über einen breiten Bereich von 8%-31% erstreckt. Eine niedrige statistische Power in der neurowissenschaftlichen Forschung:
Weckt Zweifel an der Reproduzierbarkeit von Ergebnissen.
Führt zu einer übertriebenen Effektgröße.
Reduziert die Wahrscheinlichkeit statistisch signifikanter Ergebnisse, die den wahren Effekt genau darstellen.
Infolgedessen ist der aktuelle Zustand der neurowissenschaftlichen Forschung durch das Problem der statistischen Power gefangen, da diese Werte weit unter Cohens theoretischem Schwellenwert liegen.
Ein repräsentatives Stichprobengruppe(n) etablieren
Das Ziel von Szenario Eins: Sampling-Fehler und Fehler des Typs I und II in unserem Test durch inklusives und großes Sampling vermeiden.
Wie viele menschliche Gehirnscans müssen in unser Stichprobenset aufgenommen werden, wenn wir möchten, 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), ist mit der Stichprobengröße verbunden. Fortlaufend die Parameter von Szenario 1, bleibt das Ziel weiterhin, genügend Daten zu sammeln, um statistisch zu bewerten, ob ein wahrer Effekt im Timing der Dopaminfreisetzung nach der Präsentation emotional aufgeladener visueller Stimuli vorliegt. Wir müssen auch Kriterien für die Aufnahme in die Stichprobe festlegen, die das Potenzial für Sampling-Fehler minimieren.
Wie man Sampling-Fehler vermeidet
Zwei Begriffe sind wichtig zu verstehen, bevor wir fortfahren.
Sampling-Fehler: Bei der Auswahl gibt es immer die Möglichkeit, dass die gesammelten Daten der ausgewählten Individuen nicht die Population repräsentieren.
Statistische Signifikanz: Statistische Signifikanz bedeutet, dass unsere Daten und unsere beobachteten Effekte wahrscheinlich wahre Effekte sind. In den meisten biomedizinischen Wissenschaften wird die statistische Signifikanz mit einem Signifikanzniveau oder p-Wert von 0.05 etabliert. Grundsätzlich bedeutet dies, dass die Wissenschaftler zu 95% zuversichtlich in den Effekt sind, der in ihren Experimenten beobachtet wird.
Betrachten Sie, ob die Daten eine Beziehung zeigen (d.h. Dopaminfreisetzung). Es gibt eine 5%ige Möglichkeit, dass der Effekt auf Zufall beruht und nicht mit der Variable (visuelle Stimuli) zusammenhängt. Dies wäre ein Fehler des Typs I. Alternativ gibt es eine 5%ige Wahrscheinlichkeit, dass unsere gesammelten Daten keine Beziehung zwischen Dopaminfreisetzung und visuellen Stimuli zeigen, obwohl tatsächlich ein wahrer Effekt besteht - ein falsch negativer oder Fehler des Typs II.
Die sorgfältige Festlegung von Einschlusskriterien ist bedeutender, da es einen Punkt mit abnehmenden Erträgen nach einer bestimmten Stichprobengröße 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 Stichprobenset erfolgreich zu gestalten, müssen ein Sampling-Fehler, ein Fehler des Typs I (falsch positiv) oder ein Fehler des Typs II (falsch negativ) berücksichtigt und vermieden werden.
Unser Experiment testet die folgende Hypothese:
Nullhypothese - Keine Beziehung oder Effekt zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalem visuellen Stimulus.
Hypothese - Es gibt eine Beziehung zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalem visuellen Stimulus, und die Spitzenfreisetzung von Dopamin erfolgt nach dem Sehen der visuellen Stimuli.
Es gibt eine Beziehung zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalen visuellen Stimuli. Wenn die Daten statistisch nicht signifikant sind:
Wird unsere Hypothese abgelehnt.
Es wird kein wahrer Effekt oder Unterschied gefunden.
Unsere beobachteten Effekte sind ebenso wahrscheinlich, aus Zufall zu resultieren.
Die Population verstehen?
Praktische Einschränkungen im experimentellen Design.
In der neurowissenschaftlichen Forschung versucht ein formelles Einschlusskriterium typischerweise, die Wahrscheinlichkeit der Einbeziehung in die gesamte Population zu randomisieren und/oder zu egalisieren, um Sampling-Fehler zu vermeiden. Wir müssen vermeiden, Individuen nur auszuwählen, weil sie den nächstgelegenen oder am leichtesten zugänglichen sind, um Daten zu sammeln, da dies die Verschreibung für einen Sampling-Fehler ist.
Der beste Ansatz zur Generierung eines Stichproben-Sets besteht darin, Einschlusskriterien zu verwenden, die die Wahrscheinlichkeit der Auswahl über die gesamte Population zufällig egalisieren. Beispielsweise könnten wir mithilfe von Volkszählungsdaten Kontaktinformationen für 50 zufällig ausgewählte Personen in jedem Landkreis von Ohio erhalten. Dies würde die Auswahlverzerrung minimieren, da die Namen zufällig gleichmäßig aus allen geografischen Gebieten ausgewählt würden.
Die Festlegung des experimentellen Designs, die Erhöhung der Stichprobengröße und die vollständige Realisierung von unvoreingenommenen, randomisierten und gleichmäßig angewandten Einschlusskriterien können schnell auf praktische Einschränkungen stoßen. Dies ist ein Problem für die wissenschaftliche Forschung auf allen Ebenen, von akademischen Übungen bis hin zu vollwertigen Forschungsuniversitäten. In der Regel sind Budget- und Zeitrahmen Einschränkungen die ersten, die Kompromisse erzwingen. Kollektiv sind diese Fragen rund um die statistische Signifikanz aktive Forschungsgebiete.
Was ist die wahre Effektgröße?
Aufgrund der niedrigen statistischen Power der neurowissenschaftlichen Forschung neigen wir dazu, die wahre Effektgröße zu überschätzen, was zu der niedrigen Reproduzierbarkeit vieler Studien führt. Darüber hinaus macht die inhärente Komplexität der neurowissenschaftlichen Forschung die statistische Power entscheidend.
Eine Methode, die das Feld 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 angemessenen Stichprobengröße ist entscheidend für das Design von Forschungen, die:
Praktische Entdeckungen machen.
Unser Verständnis der unzähligen Prozesse im Gehirn vorantreiben.
Wirksame Therapien entwickeln.
Herausforderungen in der modernen neurowissenschaftlichen Forschung überwinden: Die EmotivLAB-Plattform
Die experimentellen Designs der neurowissenschaftlichen Forschung sollten darauf abzielen, größere Stichprobengruppen und bessere Einschlusskriterien zu etablieren, um zuverlässige statistische Signifikanz zu erreichen. Mit Zugang zu einer crowdsourcing-fähigen Plattform wie EmotivLAB erhalten Forscher Zugang zu potenziell viel vielfältigeren, viel repräsentativeren Teilnehmenden - was die Stichprobengröße und die Inklusion aller demografischen Gruppen mit minimalem zusätzlichem logistischem Aufwand für die Forschungsgruppen verbessert.
Moderne neurowissenschaftliche Forschung kann aufgrund begrenzter verfügbarer Ressourcen, um eine vielfältige Gruppe für das experimentelle Stichproben-Set zu rekrutieren, anfällig für Sampling-Fehler sein. Das Konzept der "WEIRD-Gruppe" fasst das Problem zusammen. Die meiste Universitätsforschung wird mit einem knappen Budget an experimentellen Probanden durchgeführt, die im Allgemeinen westlich, gebildet und aus industrialisierten, reichen und demokratischen Ländern stammen. Remote-Datenaufzeichnungsgeräte, wie die EEG-Plattform von EmotivLAB, ermöglichen es Forschern, über den Campus hinauszugehen, um Stichprobengruppen zu rekrutieren, die die Population besser widerspiegeln.
Die EmotivLABs-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf das Design von Experimenten und die Analyse der Ergebnisse zu konzentrieren.
Die Plattform von EmotivLABs und die Remote-EEG-Ausrüstung helfen nicht nur den Forschern, die Vielfalt der Individuen in den experimentellen Stichprobengruppen zu erhöhen. Sie vermitteln auch die Probleme in Bezug auf die gesamte Stichprobengröße und die geografische Reichweite in die Zielpopulationen.
Die EmotivLABs-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf das Design von Experimenten und die Analyse der Ergebnisse zu konzentrieren. Unsere Plattform bringt das Experiment mit den am besten geeigneten Individuen im Teilnehmerpool zusammen. Es besteht keine Notwendigkeit, Zeit mit der Rekrutierung von Teilnehmern, deren Koordination und Planung sowie der Durchführung von Datenaufzeichnungen im Labor zu verbringen. Alles, was erforderlich ist, ist, dass die gewünschte Demografie in der Online-Plattform angegeben wird, und EmotivLABs wird das Experiment den beitragenden Personen verfügbar machen, die am besten den gewünschten Parametern entsprechen. Die Teilnehmer können die Experimente in ihren eigenen Häusern mit eigener Ausrüstung durchführen. Ihre Vertrautheit mit dem Headset beseitigt die Notwendigkeit für Forscher, Anweisungen zur Benutzung bereitzustellen.
Darüber hinaus bietet die EmotivLAB-Plattform automatisierte EEG-Aufzeichnungsdatenqualitätssicherung und -bewertung. Große Mengen an Daten von schlechter Qualität tragen nicht dazu bei, Sampling- oder statistische Fehler in experimentellen Designs zu überwinden. Der Zugang zu mehr hochwertigen Daten bietet jedoch eine Lösung um Fehler zu vermeiden in:
Sampling
Population
Statistische Signifikanz
Möchten Sie mehr darüber erfahren, was die EmotivLABs-Plattform für Ihre Forschung leisten könnte?
EmotivLABS ermöglicht es Ihnen, Ihr Experiment zu entwerfen, sicher und geschützt durchzuführen, aus einem globalen Panel von verifizierten Teilnehmern zu rekrutieren und 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, verwenden Forscher formell die wissenschaftliche Methode, um vermeintliche Wahrheiten von Falschheiten zu trennen. Die kognitive Neurowissenschaft hat das Ziel zu verstehen, wie genetische, neurologische und behaviorale Systeme die Fähigkeit eines Organismus unterstützen, seine Umgebung wahrzunehmen, zu interagieren, zu navigieren und über die Welt nachzudenken.
Das bedeutet, dass die kognitive Neurowissenschaft Experimente entwirft und Daten auf allen Ebenen der Analyse sammelt. Forschungsprogramme weltweit, die unser Verständnis der natürlichen Welt erweitern möchten, testen regelmäßig Annahmen oder Hypothesen in einer gut geplanten Reihe kleinerer Experimente. Diese Experimente neigen dazu, spezifische Faktoren zu untersuchen, die einen Einfluss auf ein Ergebnis haben können oder nicht, während sie den Einfluss von extrinsischen Faktoren wie Umwelt, sexueller Orientierung, Rasse oder sozioökonomischem Status minimieren.
Szenario Eins: Eine Studie zur Dopaminfreisetzung
In der kognitiven Neurowissenschaft wird Dopamin allgemein als eine "Wohlfühl"-Verbindung angesehen. Seine Freisetzung im Nucleus Accumbens (NuAc) wird durch Verhaltensweisen oder Dinge ausgelöst, die uns motivieren, zu handeln. Dazu gehören:
Ein gutes Essen
Zeit mit geliebten Menschen
Sex
Zucker
Angenommen, wir möchten herausfinden, ob die Spitzenwerte von Dopamin im NuAc vor, während oder nach der Exposition gegenüber einem gewünschten oder vertrauten visuellen Stimulus auftreten. Wir können das EEG-Experimentdesign verwenden, das von Amatya Johanna Mackintoshs Studie übernommen wurde. Wir können die Hypothese aufstellen, dass die Dopaminfreisetzung währenddessen auftritt und leicht nach der Exposition gegenüber den vertrauten oder gewünschten visuellen Stimuli ihren Höhepunkt erreicht.
Nun, am kritischsten, woher bekommen wir Testpersonen?
In experimentellen Situationen bezieht sich "Population" auf die größere, gesamte Gruppe, die untersucht wird. Es ist unpraktisch und unwahrscheinlich, dass Ihr Labor eine Technik entwickeln könnte, um Daten zur Dopaminfreisetzung bei 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. Um dies zu tun, müssen wir zwei Hauptfragen beantworten.
Wie viele Individuen müssen in unserer Stichprobe enthalten sein?
Wie hängt dies mit der praktischen Signifikanz und der statistischen Power zusammen?
Lassen Sie uns das unten aufschlüsseln.
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 existiert. Es wird auch als wahrer Effekt bezeichnet.
Der wahre Effekt ist das Fundament des experimentellen Designs. Cohens Bericht von 1988, der aufgrund seiner Beiträge zur wissenschaftlichen Methode bekannt ist, argumentierte, dass eine Studie so entworfen werden sollte, dass sie eine 80%ige Wahrscheinlichkeit hat, einen wahren Effekt zu erkennen. Diese 80% stehen für ein hochpower (HP) Testdesign, während jeder Wert, der sich dem 20% nähert, ein niedriges Power (LP) Testdesign darstellt.
Cohen schlug vor, dass Studien immer weniger als eine 20%ige Wahrscheinlichkeit für einen Fehler des Typs II haben sollten, der als falsch negativ bekannt ist. Er verwendet auch diese gleichen Richtlinienbereiche für verpasste Entdeckungen, die auftreten, wenn ein Forscher fälschlicherweise berichtet, dass kein signifikanter Effekt vorliegt, wenn ein Unterschied tatsächlich existiert.
Warum ist die statistische Power wichtig?
Denken Sie an dieses Szenario. Wenn ein wahrer Effekt in 100 verschiedenen Studien mit 80% Power existiert, werden statistische Tests einen wahren Effekt in 80 von 100 erkennen. Wenn eine Studie jedoch eine Forschungspower von 20% hat, wird diese Studie voraussichtlich nur 20 davon entdecken.
Schwächen der statistischen Power in der neurowissenschaftlichen Forschung
Es ist nicht überraschend, dass aufgrund der ressourcenintensiven Natur der neurowissenschaftlichen Forschung dieses Gebiet eine mediane statistische Power von etwa 21% hat und sich über einen breiten Bereich von 8%-31% erstreckt. Eine niedrige statistische Power in der neurowissenschaftlichen Forschung:
Weckt Zweifel an der Reproduzierbarkeit von Ergebnissen.
Führt zu einer übertriebenen Effektgröße.
Reduziert die Wahrscheinlichkeit statistisch signifikanter Ergebnisse, die den wahren Effekt genau darstellen.
Infolgedessen ist der aktuelle Zustand der neurowissenschaftlichen Forschung durch das Problem der statistischen Power gefangen, da diese Werte weit unter Cohens theoretischem Schwellenwert liegen.
Ein repräsentatives Stichprobengruppe(n) etablieren
Das Ziel von Szenario Eins: Sampling-Fehler und Fehler des Typs I und II in unserem Test durch inklusives und großes Sampling vermeiden.
Wie viele menschliche Gehirnscans müssen in unser Stichprobenset aufgenommen werden, wenn wir möchten, 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), ist mit der Stichprobengröße verbunden. Fortlaufend die Parameter von Szenario 1, bleibt das Ziel weiterhin, genügend Daten zu sammeln, um statistisch zu bewerten, ob ein wahrer Effekt im Timing der Dopaminfreisetzung nach der Präsentation emotional aufgeladener visueller Stimuli vorliegt. Wir müssen auch Kriterien für die Aufnahme in die Stichprobe festlegen, die das Potenzial für Sampling-Fehler minimieren.
Wie man Sampling-Fehler vermeidet
Zwei Begriffe sind wichtig zu verstehen, bevor wir fortfahren.
Sampling-Fehler: Bei der Auswahl gibt es immer die Möglichkeit, dass die gesammelten Daten der ausgewählten Individuen nicht die Population repräsentieren.
Statistische Signifikanz: Statistische Signifikanz bedeutet, dass unsere Daten und unsere beobachteten Effekte wahrscheinlich wahre Effekte sind. In den meisten biomedizinischen Wissenschaften wird die statistische Signifikanz mit einem Signifikanzniveau oder p-Wert von 0.05 etabliert. Grundsätzlich bedeutet dies, dass die Wissenschaftler zu 95% zuversichtlich in den Effekt sind, der in ihren Experimenten beobachtet wird.
Betrachten Sie, ob die Daten eine Beziehung zeigen (d.h. Dopaminfreisetzung). Es gibt eine 5%ige Möglichkeit, dass der Effekt auf Zufall beruht und nicht mit der Variable (visuelle Stimuli) zusammenhängt. Dies wäre ein Fehler des Typs I. Alternativ gibt es eine 5%ige Wahrscheinlichkeit, dass unsere gesammelten Daten keine Beziehung zwischen Dopaminfreisetzung und visuellen Stimuli zeigen, obwohl tatsächlich ein wahrer Effekt besteht - ein falsch negativer oder Fehler des Typs II.
Die sorgfältige Festlegung von Einschlusskriterien ist bedeutender, da es einen Punkt mit abnehmenden Erträgen nach einer bestimmten Stichprobengröße 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 Stichprobenset erfolgreich zu gestalten, müssen ein Sampling-Fehler, ein Fehler des Typs I (falsch positiv) oder ein Fehler des Typs II (falsch negativ) berücksichtigt und vermieden werden.
Unser Experiment testet die folgende Hypothese:
Nullhypothese - Keine Beziehung oder Effekt zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalem visuellen Stimulus.
Hypothese - Es gibt eine Beziehung zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalem visuellen Stimulus, und die Spitzenfreisetzung von Dopamin erfolgt nach dem Sehen der visuellen Stimuli.
Es gibt eine Beziehung zwischen dem Timing der Dopaminfreisetzung im NAc und emotionalen visuellen Stimuli. Wenn die Daten statistisch nicht signifikant sind:
Wird unsere Hypothese abgelehnt.
Es wird kein wahrer Effekt oder Unterschied gefunden.
Unsere beobachteten Effekte sind ebenso wahrscheinlich, aus Zufall zu resultieren.
Die Population verstehen?
Praktische Einschränkungen im experimentellen Design.
In der neurowissenschaftlichen Forschung versucht ein formelles Einschlusskriterium typischerweise, die Wahrscheinlichkeit der Einbeziehung in die gesamte Population zu randomisieren und/oder zu egalisieren, um Sampling-Fehler zu vermeiden. Wir müssen vermeiden, Individuen nur auszuwählen, weil sie den nächstgelegenen oder am leichtesten zugänglichen sind, um Daten zu sammeln, da dies die Verschreibung für einen Sampling-Fehler ist.
Der beste Ansatz zur Generierung eines Stichproben-Sets besteht darin, Einschlusskriterien zu verwenden, die die Wahrscheinlichkeit der Auswahl über die gesamte Population zufällig egalisieren. Beispielsweise könnten wir mithilfe von Volkszählungsdaten Kontaktinformationen für 50 zufällig ausgewählte Personen in jedem Landkreis von Ohio erhalten. Dies würde die Auswahlverzerrung minimieren, da die Namen zufällig gleichmäßig aus allen geografischen Gebieten ausgewählt würden.
Die Festlegung des experimentellen Designs, die Erhöhung der Stichprobengröße und die vollständige Realisierung von unvoreingenommenen, randomisierten und gleichmäßig angewandten Einschlusskriterien können schnell auf praktische Einschränkungen stoßen. Dies ist ein Problem für die wissenschaftliche Forschung auf allen Ebenen, von akademischen Übungen bis hin zu vollwertigen Forschungsuniversitäten. In der Regel sind Budget- und Zeitrahmen Einschränkungen die ersten, die Kompromisse erzwingen. Kollektiv sind diese Fragen rund um die statistische Signifikanz aktive Forschungsgebiete.
Was ist die wahre Effektgröße?
Aufgrund der niedrigen statistischen Power der neurowissenschaftlichen Forschung neigen wir dazu, die wahre Effektgröße zu überschätzen, was zu der niedrigen Reproduzierbarkeit vieler Studien führt. Darüber hinaus macht die inhärente Komplexität der neurowissenschaftlichen Forschung die statistische Power entscheidend.
Eine Methode, die das Feld 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 angemessenen Stichprobengröße ist entscheidend für das Design von Forschungen, die:
Praktische Entdeckungen machen.
Unser Verständnis der unzähligen Prozesse im Gehirn vorantreiben.
Wirksame Therapien entwickeln.
Herausforderungen in der modernen neurowissenschaftlichen Forschung überwinden: Die EmotivLAB-Plattform
Die experimentellen Designs der neurowissenschaftlichen Forschung sollten darauf abzielen, größere Stichprobengruppen und bessere Einschlusskriterien zu etablieren, um zuverlässige statistische Signifikanz zu erreichen. Mit Zugang zu einer crowdsourcing-fähigen Plattform wie EmotivLAB erhalten Forscher Zugang zu potenziell viel vielfältigeren, viel repräsentativeren Teilnehmenden - was die Stichprobengröße und die Inklusion aller demografischen Gruppen mit minimalem zusätzlichem logistischem Aufwand für die Forschungsgruppen verbessert.
Moderne neurowissenschaftliche Forschung kann aufgrund begrenzter verfügbarer Ressourcen, um eine vielfältige Gruppe für das experimentelle Stichproben-Set zu rekrutieren, anfällig für Sampling-Fehler sein. Das Konzept der "WEIRD-Gruppe" fasst das Problem zusammen. Die meiste Universitätsforschung wird mit einem knappen Budget an experimentellen Probanden durchgeführt, die im Allgemeinen westlich, gebildet und aus industrialisierten, reichen und demokratischen Ländern stammen. Remote-Datenaufzeichnungsgeräte, wie die EEG-Plattform von EmotivLAB, ermöglichen es Forschern, über den Campus hinauszugehen, um Stichprobengruppen zu rekrutieren, die die Population besser widerspiegeln.
Die EmotivLABs-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf das Design von Experimenten und die Analyse der Ergebnisse zu konzentrieren.
Die Plattform von EmotivLABs und die Remote-EEG-Ausrüstung helfen nicht nur den Forschern, die Vielfalt der Individuen in den experimentellen Stichprobengruppen zu erhöhen. Sie vermitteln auch die Probleme in Bezug auf die gesamte Stichprobengröße und die geografische Reichweite in die Zielpopulationen.
Die EmotivLABs-Plattform befreit Forscher von den aktuellen Einschränkungen und ermöglicht es ihnen stattdessen, ihre Energie auf das Design von Experimenten und die Analyse der Ergebnisse zu konzentrieren. Unsere Plattform bringt das Experiment mit den am besten geeigneten Individuen im Teilnehmerpool zusammen. Es besteht keine Notwendigkeit, Zeit mit der Rekrutierung von Teilnehmern, deren Koordination und Planung sowie der Durchführung von Datenaufzeichnungen im Labor zu verbringen. Alles, was erforderlich ist, ist, dass die gewünschte Demografie in der Online-Plattform angegeben wird, und EmotivLABs wird das Experiment den beitragenden Personen verfügbar machen, die am besten den gewünschten Parametern entsprechen. Die Teilnehmer können die Experimente in ihren eigenen Häusern mit eigener Ausrüstung durchführen. Ihre Vertrautheit mit dem Headset beseitigt die Notwendigkeit für Forscher, Anweisungen zur Benutzung bereitzustellen.
Darüber hinaus bietet die EmotivLAB-Plattform automatisierte EEG-Aufzeichnungsdatenqualitätssicherung und -bewertung. Große Mengen an Daten von schlechter Qualität tragen nicht dazu bei, Sampling- oder statistische Fehler in experimentellen Designs zu überwinden. Der Zugang zu mehr hochwertigen Daten bietet jedoch eine Lösung um Fehler zu vermeiden in:
Sampling
Population
Statistische Signifikanz
Möchten Sie mehr darüber erfahren, was die EmotivLABs-Plattform für Ihre Forschung leisten könnte?
EmotivLABS ermöglicht es Ihnen, Ihr Experiment zu entwerfen, sicher und geschützt durchzuführen, aus einem globalen Panel von verifizierten Teilnehmern zu rekrutieren und hochwertige EEG-Daten zu sammeln, alles von einer Plattform aus. Klicken Sie hier, um mehr zu erfahren oder eine Demo anzufordern.