معنای آماری: اندازه نمونه و قدرت آماری

اهمیت آماری: اندازه نمونه(s) و قدرت آماری - برای درک دنیای اطرافمان، پژوهشگران به طور رسمی از روش علمی به عنوان روشی برای جداسازی حقیقت‌های مشکوک از دروغ‌ها استفاده می‌کنند. نوروساینس شناختی به درک این موضوع می‌پردازد که چگونه سیستم‌های ژنتیکی، عصبی و رفتاری توانایی حس کردن، تعامل، ناوبری و تفکر یک موجود زنده در مورد دنیای اطرافش را پشتیبانی می‌کنند.

این به این معنی است که نوروساینس شناختی آزمایش‌هایی را طراحی می‌کند و داده‌ها را در تمام سطوح تحلیل جمع‌آوری می‌کند. برنامه‌های تحقیقاتی در سرتاسر جهان در تلاشند تا فهم ما را از دنیای طبیعی بهبود بخشند و به طور مرتب فرضیات یا فرضیه‌ها را در یک سری از آزمایش‌های کوچک و برنامه‌ریزی‌شده به آزمایش می‌گذارند. این آزمایش‌ها معمولاً به عوامل خاصی که ممکن است بر یک نتیجه تأثیر بگذارد یا نگذارد، اما تأثیر عوامل حاشیه‌ای مانند محیط، گرایش جنسی، نژاد یا وضعیت اقتصادی-اجتماعی را به حداقل می‌رسانند، پرداخته می‌شوند.

سناریو اول: مطالعه انتشار دوپامین

در نوروساینس شناختی، دوپامین معمولاً به عنوان یک ترکیب "احساس خوب" در نظر گرفته می‌شود. انتشار آن در هسته آکومبنس (NuAc) با رفتارها یا اشیایی که ما را به فعالیت وادار می‌کنند، فعال می‌شود. این‌ها می‌توانند شامل:

• خوردن یک وعده غذای خوب

• زمان با عزیزان

• نزدیکی جنسی

• شکر

فرض کنید بخواهیم بفهمیم آیا اوج سطح دوپامین در NuAc قبل، در حین، یا بعد از قرار گرفتن در معرض یک محرک بصری مطلوب یا آشنا رخ می‌دهد. می‌توانیم از طراحی آزمایش EEG اقتباس‌شده از مطالعه آمتیا جوهانا مکینتاش استفاده کنیم. می‌توانیم فرض کنیم که انتشار دوپامین در حین و کمی پس از قرار گرفتن در معرض محرک‌های بصری آشنا یا مطلوب اتفاق می‌افتد.

اکنون، حیاتی‌ترین مورد، کجا می‌توانیم آزمودنی‌ها را پیدا کنیم؟

در شرایط آزمایشی، "جمعیت" به گروه بزرگ‌تر و کلی اطلاعاتی که تحت مطالعه است، اشاره دارد. در عمل غیرممکن و بعید است که آزمایشگاه شما بتواند تکنیک‌هایی برای جذب و جمع‌آوری داده‌های انتشار دوپامین از صدها هزار یا میلیون‌ها نفر ابداع کند.

بنابراین، ما تلاش خواهیم کرد تا داده‌ها را از یک گروه یا نمونه کوچک و نماینده جمع‌آوری کنیم تا جمعیت را درک کنیم. برای انجام این کار، باید به دو سوال اصلی پاسخ دهیم.

1. چند فرد باید در نمونه ما گنجانده شود؟

2. این موضوع چگونه با اهمیت عملی و قدرت آماری مرتبط است؟

بیایید آن را در زیر بررسی کنیم.

قدرت آماری و اثر واقعی

قدرت آماری به عنوان احتمال شناسایی یک تفاوت آماری معنادار زمانی که چنین تفاوتی واقعاً وجود دارد، تعریف می‌شود. همچنین به عنوان یک اثر واقعی شناخته می‌شود.

اثر واقعی سنگ بنای طراحی آزمایش است. گزارش کوهن ۱۹۸۸، به خاطر مشارکت‌هایش در روش علمی، استدلال کرد که یک مطالعه باید به گونه‌ای طراحی شود که ۸۰٪ احتمال شناسایی یک اثر واقعی را داشته باشد. این ۸۰٪ نمایانگر طراحی آزمایش با قدرت بالا (HP) است، در حالی که هر مقداری نزدیک به ۲۰٪ طراحی آزمایش با قدرت پایین (LP) است.

کوهن پیشنهاد کرد که مطالعات باید همیشه کمتر از ۲۰٪ احتمال ایجاد خطای نوع II، معروف به منفی کاذب، داشته باشند. او همچنین از این محدوده‌های راهنمایی مشابه برای کشف‌های از دست رفته استفاده می‌کند، که زمانی رخ می‌دهد که یک پژوهشگر به طور نادرست گزارش می‌دهد که اثری معنادار وجود ندارد در حالی که واقعاً یک تفاوت وجود دارد.

چرا قدرت آماری مهم است؟

به این سناریو فکر کنید. اگر یک اثر واقعی در ۱۰۰ مطالعه مختلف با ۸۰٪ قدرت وجود داشته باشد، آزمون‌های آماری یک اثر واقعی را در ۸۰ از ۱۰۰ شناسایی می‌کنند. با این حال، وقتی یک مطالعه قدرت پژوهشی ۲۰٪ داشته باشد، اگر در نتایج ۱۰۰ اثر غیرخنثی واقعی وجود داشته باشد، انتظار می‌رود این مطالعات تنها ۲۰ تای آن‌ها را کشف کنند.

کمبودهای قدرت آماری در تحقیقات نوروساینس

غیرمعمول نیست که به دلیل ماهیت منابع‌بر تحقیقات نوروساینس، این حوزه دارای قدرت آماری میانه حدود ۲۱٪ و میانگین ۸٪ تا ۳۱٪ است. قدرت پایین آماری در تحقیقات نوروساینس:

• شک و تردید بر روی قابلیت تکثیر یافته‌ها ایجاد می‌کند.

• به بزرگ‌نمایی اندازه تاثیر منجر می‌شود.

• احتمال نتایج آماری معنادار را که به درستی اثر واقعی را نمایندگی می‌کنند، کاهش می‌دهد.

از این رو، وضعیت کنونی تحقیقات نوروساینس به دلیل مشکل قدرت آماری به دام افتاده است زیرا این مقادیر بسیار پایین‌تر از آستانه نظری کوهن هستند.

ایجاد یک نمونه نماینده(s)

هدف سناریو اول: اجتناب از خطاهای نمونه‌گیری و خطاهای نوع I و II در آزمایش ما با نمونه‌گیری فراگیر و بزرگ.

اگر می‌خواهیم آزمایش به طور عملی معنادار باشد، چند اسکن مغز انسانی باید در مجموعه نمونه ما گنجانده شود؟ اهمیت عملی به این اشاره دارد که آیا نتایج یک آزمایش به دنیای واقعی مربوط می‌شود یا نه.

توانایی آزمایش یک نوروساینتیست برای تعیین اثرات (قدرت آماری) به اندازه نمونه مرتبط است. با ادامه پارامترهای سناریوی ۱، هدف هنوز این است که داده‌های کافی جمع‌آوری کنیم تا بتوانیم به طور آماری ارزیابی کنیم که آیا اثر واقعی در زمان انتشار دوپامین پس از نشان دادن محرک‌های بصری با بار عاطفی وجود دارد یا خیر. ما همچنین باید معیارهایی را برای گنجاندن در نمونه تعیین کنیم که احتمال خطای نمونه‌گیری را به حداقل برسانند.

چگونه می‌توان از خطای نمونه‌گیری جلوگیری کرد

دو اصطلاح برای درک قبل از ادامه مهم هستند.

1. خطای نمونه‌گیری: هنگام نمونه‌گیری، همیشه احتمال وجود دارد که داده‌های جمع‌آوری‌شده از افراد انتخاب‌شده نمایانگر جمعیت نباشد.

2. اهمیت آماری: اهمیت آماری به این معنی است که داده‌های ما و اثرات مشاهده‌شده‌ ما احتمالاً اثرات واقعی هستند. در بیشتر علوم زیستی، اهمیت آماری با سطح معنایی یا p-value برابر با ۰.۰۵ تعیین می‌شود. به طور اساسی، این به این معنی است که دانشمندان ۹۵٪ مطمئن هستند که اثر مشاهده‌شده در آزمایش‌هایشان واقعی است.

در نظر بگیرید که داده‌ها یک رابطه را نشان می‌دهد (یعنی انتشار دوپامین). ۵٪ احتمال وجود دارد که این اثر ناشی از شانس باشد و به متغیر (تحریک‌های بصری) مربوط نباشد. این یک خطای نوع I خواهد بود. به طور مشابه، ۵٪ احتمال وجود دارد که داده‌های جمع‌آوری شده ما نشان دهند رابطه‌ای بین انتشار دوپامین و تحریک‌های بصری وجود ندارد در حالی که واقعاً یک اثر واقعی وجود دارد - یک منفی کاذب یا خطای نوع II.

تعیین دقیق معیارهای گنجاندن تأثیر بیشتری دارد زیرا پس از یک اندازه نمونه خاص، بازدهی کاهش می‌یابد.

ما امیدواریم داده‌هایی را جمع‌آوری کنیم که نمایانگر همه انسان‌ها باشد و می‌خواهیم نتایج ما هم از نظر عملی و هم از نظر آماری معنادار باشد. برای طراحی موفق مجموعه نمونه‌ ما، باید خطای نمونه‌گیری، خطای نوع I (مثبت کاذب) یا خطای نوع II (منفی کاذب) در نظر گرفته شود و از آن‌ها اجتناب گردد.

آزمایش ما در حال آزمایش فرضیه زیر است:

• فرضیه صفر - هیچ رابطه یا اثری بین زمان انتشار دوپامین در NAc و محرک بصری با بار عاطفی وجود ندارد.

• فرضیه - یک رابطه بین زمان انتشار دوپامین در NAc و محرک بصری با بار عاطفی وجود دارد و اوج انتشار دوپامین پس از دیدن محرک‌های بصری رخ می‌دهد.

رابطه‌ای بین زمان انتشار دوپامین در NAc و محرک‌های بصری با بار عاطفی وجود دارد. زمانی که داده‌ها از نظر آماری معنادار نیستند:

• فرضیه ما رد می‌شود.

• هیچ اثر واقعی یا تفاوتی پیدا نمی‌شود.

• اثرات مشاهده‌شده ما به همین اندازه احتمال دارد که ناشی از شانس باشند.

درک جمعیت؟

محدودیت‌های عملی در طراحی آزمایش.

در تحقیقات نوروساینس، معیار گنجاندن رسمی معمولاً تلاش می‌کند تا احتمال گنجاندن در میان جمعیت را تصادفی و/یا برابر کند تا از خطای نمونه‌گیری جلوگیری کند. ما باید از انتخاب افراد فقط به این دلیل که نزدیکترین یا در دسترس‌ترین هستند برای جمع‌آوری داده‌ها جلوگیری کنیم، زیرا این نسخه‌برداری خطای نمونه‌گیری است.

بهترین رویکرد برای تولید مجموعه نمونه استفاده از معیارهای گنجاندن است که احتمال انتخاب را به طور تصادفی در سرتاسر جمعیت یکسان کند. به عنوان مثال، با استفاده از داده‌های سرشماری، می‌توانیم اطلاعات تماس برای ۵۰ فرد به‌طور تصادفی انتخاب‌شده در هر شهرستان اوهایو را بدست آوریم. این به حداقل رساندن سوگیری انتخاب کمک می‌کند زیرا نام‌ها به‌طور تصادفی از تمام مناطق جغرافیایی انتخاب می‌شوند.

تأسیس طراحی آزمایش، افزایش اندازه نمونه و به طور کامل تحقق معیاری گنجاندن بدون سوگیری، تصادفی و به طور مساوی اعمال شده می‌تواند به سرعت با محدودیت‌های عملی روبرو شود. این موضوعی برای تحقیقات علمی در تمام سطوح، از تمرین‌های دانشگاهی تا دانشگاه‌های تحقیقات کامل است. معمولاً محدودیت‌های بودجه و زمان اولین چیزی هستند که مجبور به سازش می‌شوند. به طور جمعی، این مسائل حول اهمیت آماری مناطق فعال تحقیق هستند.

اندازه اثر واقعی چیست؟

به دلیل قدرت پایین آماری تحقیقات نوروساینس، ما معمولاً اندازه اثر واقعی را بیش از حد برآورد می‌کنیم که منجر به پایین بودن قابلیت باز تولید بسیاری از مطالعات می‌شود. به علاوه، پیچیدگی ذاتی تحقیقات نوروساینس قدرت آماری را حیاتی می‌سازد.

یکی از روش‌هایی که این حوزه می‌تواند به کار گیرد، افزایش قدرت یک مطالعه از طریق افزایش اندازه نمونه است. این احتمال شناسایی یک اثر واقعی را افزایش می‌دهد. انتخاب اندازه نمونه مناسب برای طراحی تحقیقاتی که:

• کشف‌های عملی انجام دهد.

• درک ما را از فرایندهای بی‌شمار در مغز پیش ببرد.

• درمان‌های مؤثر را توسعه دهد.

غلبه بر چالش‌ها در تحقیقات مدرن نوروساینس: پلتفرم EmotivLAB

طراحی‌های تجربی تحقیقات نوروساینس باید به ایجاد اندازه‌های بزرگ‌تر گروه نمونه و معیارهای بهتر گنجاندن فشار بیاورند تا به اهمیت آماری قابل اعتماد دست یابند. با دسترسی به یک پلتفرم crowd-sourced مانند EmotivLAB، پژوهشگران به طور پتانسیل بیشتری برای دسترسی به افراد بسیار متنوع و نماینده - بهبود اندازه نمونه و شمول تمامی جمعیت‌ها با حداقل تلاش لجستیکی اضافی برای گروه‌های تحقیقاتی - در اختیار دارند.

تحقیقات نوروساینس مدرن ممکن است به دلیل محدودیت‌های منابع موجود برای جذب گروه متنوع برای مجموعه نمونه آزمایشی آسیب‌پذیر باشد. مفهوم "گروه WEIRD" این موضوع را مورد بررسی قرار می‌دهد. بیشتر تحقیقات دانشگاهی با بودجه کم روی آزمودنی‌های تجربی که به طور کلی غربی، تحصیل‌کرده و از کشورهای صنعتی غنی و دموکراتیک انجام می‌شود، انجام می‌شود. با این حال، تجهیزات جمع‌آوری داده از راه دور، مانند پلتفرم EEG EmotivLAB، به پژوهشگران این امکان را می‌دهد که فراتر از دانشگاه‌ها برای جذب گروه‌های نمونه‌ای که بهتر نمایانگر جمعیت هستند دست یابند.

پلتفرم EmotivLAB پژوهشگران را از محدودیت‌های فعلی آزاد می‌کند و به جای آن به آن‌ها اجازه می‌دهد انرژی خود را بر روی طراحی آزمایش‌ها و تحلیل نتایج متمرکز کنند.

پلتفرم EmotivLAB و تجهیزات EEG از راه دور نه تنها به پژوهشگران کمک می‌کنند که تنوع افراد گنجانده شده در گروه‌های نمونه آزمایشی را گسترش دهند. بلکه همچنین مسائل مربوط به اندازه نمونه کلی و دسترسی جغرافیایی به جمعیت‌های هدف را مدیترمی‌کند.

پلتفرم EmotivLAB پژوهشگران را از محدودیت‌های فعلی آزاد می‌کند و به جای آن به آن‌ها اجازه می‌دهد انرژی خود را بر روی طراحی آزمایش‌ها و تحلیل نتایج متمرکز کنند. پلتفرم ما آزمایش را با مناسب‌ترین افراد در مجموعه موضوعات تطبیق می‌دهد. نیازی به صرف زمان برای جذب شرکت‌کنندگان، هماهنگی و زمان‌بندی آن‌ها و جمع‌آوری داده در آزمایشگاه نیست. تنها چیزی که لازم است این است که جمعیت مورد نظر در پلتفرم آنلاین مشخص شود و EmotivLAB آزمایش را برای مشارکت‌کنندگانی که بهترین تطابق را با پارامترهای مورد نظر دارند، در دسترس قرار می‌دهد. شرکت‌کنندگان می‌توانند آزمایش‌ها را در خانه‌های خود با استفاده از تجهیزات خود انجام دهند. آشنایی آن‌ها با هدست، نیاز به آموزش درباره نحوه استفاده آن را برای پژوهشگران از بین می‌برد.

علاوه بر این، پلتفرم EmotivLAB قابلیت کنترل کیفیت و ارزیابی داده‌های ضبط EEG را به صورت اتوماتیک فراهم می‌کند. وجود حجم زیادی از داده‌های بی‌کیفیت به حل خطاهای نمونه‌گیری یا آماری در طراحی‌های آزمایشی کمکی نمی‌کند. با این حال، دسترسی به داده‌های با کیفیت بالا، راه حلی برای جلوگیری از خطاها فراهم می‌کند در:

• نمونه‌گیری

• جمعیت

• اهمیت آماری

می‌خواهید بیشتر درباره آنچه که پلتفرم EmotivLAB می‌تواند برای تحقیقات شما انجام دهد، بیاموزید؟

EmotivLABS به شما امکان می‌دهد آزمایش خود را بسازید، آزمایش خود را به طور ایمن و مطمئن اجرا کنید، از یک پنل جهانی شرکت‌کنندگان تأییدشده جذب کنید و داده‌های EEG با کیفیت بالا جمع‌آوری کنید، همه در یک پلتفرم. برای اطلاعات بیشتر اینجا کلیک کنید یا درخواست دمو دهید.