Signification Statistique : Taille(s) de l'Échantillon et Puissance Statistique
Quoc Minh Lai
Partager :
Signification Statistique : Taille(s) de l'échantillon & Puissance Statistique - Pour comprendre le monde qui nous entoure, les chercheurs utilisent formellement la méthode scientifique comme moyen de séparer les vérités suspectées des falsifications. La neuroscience cognitive vise à comprendre comment les systèmes génétiques, neurologiques et comportementaux soutiennent la capacité d'un organisme à percevoir, interagir, naviguer et penser au sujet du monde qui l'entoure.
Cela signifie que la neuroscience cognitive conçoit des expériences et collecte des données à tous les niveaux d'analyse. Les programmes de recherche dans le monde entier cherchant à approfondir notre compréhension du monde naturel testent régulièrement des hypothèses dans une série bien planifiée de petites expériences. Ces expériences tendent à explorer des facteurs spécifiques qui peuvent ou non influencer un résultat tout en minimisant l'influence de facteurs extrinsèques tels que l'environnement, l'orientation sexuelle, la race ou le statut socio-économique.
Scénario Un : Une étude sur la libération de dopamine
En neuroscience cognitive, la dopamine est généralement considérée comme un composé de "bien-être". Sa libération dans le noyau accumbens (NuAc) est déclenchée par des comportements ou des éléments qui nous motivent à agir. Cela peut inclure :
Manger un bon repas
Passer du temps avec des êtres chers
Le sexe
Le sucre
Supposons que nous aimerions savoir si les niveaux de dopamine de pointe dans le NuAc se produisent avant, pendant ou après l'exposition à un stimulus visuel désiré ou familier. Nous pouvons utiliser le design expérimental EEG adopté de l'étude d'Amatya Johanna Mackintosh. Nous pouvons formuler l'hypothèse selon laquelle la libération de dopamine se produit pendant et atteint un pic légèrement après l'exposition aux stimuli visuels familiers ou souhaités.
Maintenant, où obtenons-nous des sujets de test ?
Dans les situations expérimentales, "population" se réfère au groupe collectif total plus large étudié. Il est peu pratique et peu probable que votre laboratoire puisse concevoir une technique pour recruter et collecter des données de libération de dopamine sur des centaines de milliers ou des millions de personnes.
Par conséquent, nous tenterons de rassembler des données à partir d'un petit groupe représentatif ou d'un échantillon pour comprendre la population. Pour ce faire, nous devrons répondre à deux questions principales.
Combien d'individus doivent être inclus dans notre échantillon ?
Comment cela se rapporte-t-il à la signification pratique et à la puissance statistique ?
Décomposons cela ci-dessous.
Puissance Statistique et Vrai Effet
La puissance statistique est définie comme la probabilité qu'un test détecte une différence statistiquement significative lorsqu'une telle différence existe vraiment. Elle est également désignée par vrai effet.
Le vrai effet est la pierre angulaire de la conception expérimentale. Le rapport de Cohen de 1988, prolifique pour ses contributions à la méthode scientifique, a raisonné qu'une étude devrait être conçue pour avoir une probabilité de 80 % de détecter un vrai effet. Ce 80 % représente un design de test à haute puissance (HP), tandis que toute valeur proche de 20 % est un design de test à faible puissance (LP).
Cohen a suggéré que les études devraient toujours avoir moins de 20 % de probabilité de commettre une erreur de type II, connue sous le nom de faux négatif. Il utilise également ces mêmes plages directrices pour les découvertes manquées, qui se produisent lorsqu'un chercheur signale inexactement qu'il n'y a pas d'effet significatif lorsqu'une différence existe vraiment.
Pourquoi la Puissance Statistique Est-elle Importante ?
Pensez à ce scénario. S'il existe un vrai effet dans 100 études différentes avec 80 % de puissance, les tests statistiques détecteront un vrai effet dans 80 des 100. Cependant, lorsqu'une étude a une puissance de recherche de 20 %, s'il y a 100 effets réellement non nuls dans les résultats, on s'attend à ce que ces études ne découvrent que 20 d'entre eux.
Les Limites de la Puissance Statistique dans la Recherche en Neurosciences
Sans surprise, en raison de la nature gourmande en ressources de la recherche en neurosciences, ce domaine a une puissance statistique médiane de environ 21 % et varie de 8 % à 31 %. La faible puissance statistique dans la recherche en neurosciences :
Mets en doute la reproductibilité des résultats.
Conduit à une taille d'effet exagérée.
Réduit la probabilité de résultats statistiquement significatifs qui représentent avec précision le vrai effet.
En conséquence, l'état actuel de la recherche en neurosciences est piégé par le problème de puissance statistique, car ces valeurs sont bien en dessous du seuil théorique de Cohen.
Établir un Échantillon Représentatif
Objectif du scénario un : Éviter les erreurs d'échantillonnage et les erreurs de type I et II dans notre test avec un échantillonnage inclusif et large.
Combien de scans cérébraux humains doivent être inclus dans notre ensemble d'échantillons si nous voulons que l'expérience soit pratiquement significative ? La signification pratique se réfère à savoir si les résultats d'une expérience s'appliquent au monde réel.
La capacité d'un scientifique en neurosciences à déterminer les effets (puissance statistique) est liée à la taille de l'échantillon. Poursuivant les paramètres du scénario 1, l'objectif est toujours de rassembler suffisamment de données afin que nous puissions évaluer statistiquement s'il y a un vrai effet dans le timing de la libération de dopamine après avoir montré des stimuli visuels chargés émotionnellement. Nous devons également établir des critères d'inclusion dans l'échantillon qui minimisent le potentiel d'une erreur d'échantillonnage.
Comment Éviter les Erreurs d'Échantillonnage
Deux termes sont importants à comprendre avant de progresser.
Erreur d'échantillonnage : Lors de l'échantillonnage, il y a toujours une chance que les données collectées des individus sélectionnés ne représentent pas la population.
Signification Statistique : La signification statistique signifie que nos données et nos effets observés sont probablement de vrais effets. Dans la plupart des sciences biomédicales, la signification statistique est établie avec un niveau de signification ou une valeur p de .05. Essentiellement, cela signifie que les scientifiques sont 95 % confiants dans l'effet observé dans leurs expériences.
Considérez si les données montrent une relation (c'est-à-dire, la libération de dopamine). Il y a 5 % de possibilité que l'effet provienne du hasard et soit sans rapport avec la variable (stimuli visuels). Ce serait une erreur de type I. Alternativement, il y a 5 % de probabilité que nos données collectées pourraient ne montrer aucune relation entre la libération de dopamine et les stimuli visuels alors qu'en réalité, il y a un vrai effet - un faux négatif ou une erreur de type II.
Établir soigneusement des critères d'inclusion est plus impactant car il existe un point de rendements décroissants après une certaine taille d'échantillon.
Nous espérons collecter des données représentant tous les humains, et nous voulons que nos conclusions soient à la fois pratiquement significatives et statistiquement significatives. Pour concevoir avec succès notre ensemble d'échantillons, une erreur d'échantillonnage, une erreur de type I (faux positif) ou une erreur de type II (faux négatif) doit être prise en compte et évitée.
Notre expérience teste l'hypothèse suivante :
Hypothèse nulle - Aucune relation ou effet entre le timing de la libération de dopamine dans le NAc et le stimulus visuel émotionnellement valent.
Hypothèse - Il Y A une relation entre le timing de la libération de dopamine dans le NAc et le stimulus visuel émotionnellement valent, et la libération de dopamine atteint un pic après avoir vu les stimuli visuels.
Il existe une relation entre le timing de la libération de dopamine dans le NAc et les stimuli visuels émotionnellement valents. Lorsque les données ne sont pas statistiquement significatives :
Notre hypothèse est rejetée.
Aucun vrai effet ou différence n'est trouvé.
Nos effets observés sont tout aussi susceptibles de résulter du hasard.
Comprendre la Population ?
Limitations pratiques dans la conception expérimentale.
Dans la recherche en neurosciences, un critère d'inclusion formel tente généralement de randomiser et/ou d'égaliser la probabilité d'inclusion dans la population pour éviter les erreurs d'échantillonnage. Nous devons éviter de sélectionner des individus simplement parce qu'ils sont les plus proches ou les plus accessibles pour collecter des données, car cela est la prescription d'une erreur d'échantillonnage.
La meilleure approche pour générer un ensemble d'échantillons est d'utiliser des critères d'inclusion qui égalisent aléatoirement la probabilité de sélection dans l'ensemble de la population. Par exemple, en utilisant des données de recensement, nous pourrions obtenir des informations de contact pour 50 individus sélectionnés aléatoirement dans chaque comté de l'Ohio. Cela minimiserait le biais de sélection car les noms seraient choisis aléatoirement de manière égale dans toutes les zones géographiques.
Établir la conception expérimentale, augmenter la taille de l'échantillon et réaliser pleinement des critères d'inclusion non biaisés, randomisés et appliqués également peuvent rapidement se heurter à des limitations pratiques. C'est un problème pour la recherche scientifique à tous les niveaux, des exercices académiques aux universités de recherche bien établies. En général, les limitations budgétaires et de temps sont les premières à obliger à des compromis. Collectivement, ces problèmes autour de la signification statistique sont des domaines de recherche actifs.
Quelle est la Taille de l'Effet Vraie ?
En raison de la faible puissance statistique de la recherche en neurosciences, nous avons tendance à surestimer la vraie taille de l'effet, ce qui conduit à la faible reproductibilité de nombreuses études. De plus, la complexité inhérente à la recherche en neurosciences rend la puissance statique critique.
Une méthode que le domaine peut adopter est d'augmenter la puissance d'une étude en augmentant la taille de l'échantillon. Cela augmente la probabilité de détecter un vrai effet. Choisir une taille d'échantillon appropriée est vital pour concevoir une recherche qui :
Fait des découvertes pratiques.
Fait progresser notre compréhension des innombrables processus dans le cerveau.
Développe des thérapies efficaces.
Surmonter les Défis dans la Recherche en Neurosciences Contemporaine : La Plateforme EmotivLAB
Les conceptions expérimentales de la recherche en neurosciences devraient s'efforcer d'établir des tailles de groupes échantillons plus importantes et de meilleurs critères d'inclusion afin d'atteindre une signification statistique fiable. Avec accès à une plateforme habilitée par la foule comme EmotivLAB, les chercheurs ont accès à des sujets potentiellement beaucoup plus diversifiés et représentatifs - améliorant la taille de l'échantillon et l'inclusivité de tous les démographies avec un effort logistique minimal pour les groupes de recherche.
La recherche moderne en neurosciences peut être vulnérable aux erreurs d'échantillonnage en raison des ressources disponibles limitées pour recruter un groupe diversifié pour l'ensemble d'échantillons expérimentaux. Le concept de "groupe WEIRD" encapsule le problème. La plupart des recherches universitaires sont réalisées avec un budget limité sur des sujets expérimentaux qui, de manière générale, sont occidentaux, éduqués et issus de pays industrialisés, riches et démocratiques. Cependant, des équipements de collecte de données à distance, comme la plateforme EEG d'EmotivLAB, permettent aux chercheurs de dépasser le campus universitaire pour recruter des groupes échantillons qui reflètent mieux la population.
La plateforme d'EmotivLAB et les équipements EEG à distance n'aident pas seulement les chercheurs à élargir la diversité des individus inclus dans les groupes échantillons expérimentaux. Elle médiatise également les problèmes concernant la taille globale de l'échantillon et la portée géographique dans les populations cibles.
La plateforme EmotivLAB libère les chercheurs des contraintes actuelles et leur permet de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats. Notre plateforme associe l'expérience aux individus les plus adaptés dans le pool de sujets. Il n'est pas nécessaire de passer du temps à recruter des participants, à les coordonner et à les planifier, et à réaliser la collecte de données en laboratoire. Tout ce qui est requis est que la démographie souhaitée soit spécifiée dans la plateforme en ligne, et EmotivLAB mettra l'expérience à la disposition des contributeurs qui se conforment le mieux aux paramètres souhaités. Les participants peuvent entreprendre les expériences dans leur propre maison, en utilisant leur propre équipement. Leur familiarité avec le casque élimine le besoin pour les chercheurs de donner des instructions concernant son utilisation.
Au-delà de cela, la plateforme EmotivLAB fournit un contrôle qualité et une évaluation des données d'enregistrement EEG automatisés. De grandes quantités de données de faible qualité n'aident pas à surmonter les erreurs d'échantillonnage ou statistiques dans les conceptions expérimentales. Avoir accès à des données de meilleure qualité, cependant, fournit une solution pour aider à éviter les erreurs dans :
Échantillonnage
Population
Signification statistique
Vous Voulez En Savoir Plus Sur Ce Que la Plateforme EmotivLAB Pourrait Faire Pour Votre Recherche ?
EmotivLABS vous permet de construire votre expérience, de déployer votre expérience en toute sécurité, de recruter à partir d'un panel mondial de participants vérifiés et de collecter des données EEG de haute qualité, le tout depuis une seule plateforme. Cliquez ici pour en savoir plus ou demander une démo.
Signification Statistique : Taille(s) de l'échantillon & Puissance Statistique - Pour comprendre le monde qui nous entoure, les chercheurs utilisent formellement la méthode scientifique comme moyen de séparer les vérités suspectées des falsifications. La neuroscience cognitive vise à comprendre comment les systèmes génétiques, neurologiques et comportementaux soutiennent la capacité d'un organisme à percevoir, interagir, naviguer et penser au sujet du monde qui l'entoure.
Cela signifie que la neuroscience cognitive conçoit des expériences et collecte des données à tous les niveaux d'analyse. Les programmes de recherche dans le monde entier cherchant à approfondir notre compréhension du monde naturel testent régulièrement des hypothèses dans une série bien planifiée de petites expériences. Ces expériences tendent à explorer des facteurs spécifiques qui peuvent ou non influencer un résultat tout en minimisant l'influence de facteurs extrinsèques tels que l'environnement, l'orientation sexuelle, la race ou le statut socio-économique.
Scénario Un : Une étude sur la libération de dopamine
En neuroscience cognitive, la dopamine est généralement considérée comme un composé de "bien-être". Sa libération dans le noyau accumbens (NuAc) est déclenchée par des comportements ou des éléments qui nous motivent à agir. Cela peut inclure :
Manger un bon repas
Passer du temps avec des êtres chers
Le sexe
Le sucre
Supposons que nous aimerions savoir si les niveaux de dopamine de pointe dans le NuAc se produisent avant, pendant ou après l'exposition à un stimulus visuel désiré ou familier. Nous pouvons utiliser le design expérimental EEG adopté de l'étude d'Amatya Johanna Mackintosh. Nous pouvons formuler l'hypothèse selon laquelle la libération de dopamine se produit pendant et atteint un pic légèrement après l'exposition aux stimuli visuels familiers ou souhaités.
Maintenant, où obtenons-nous des sujets de test ?
Dans les situations expérimentales, "population" se réfère au groupe collectif total plus large étudié. Il est peu pratique et peu probable que votre laboratoire puisse concevoir une technique pour recruter et collecter des données de libération de dopamine sur des centaines de milliers ou des millions de personnes.
Par conséquent, nous tenterons de rassembler des données à partir d'un petit groupe représentatif ou d'un échantillon pour comprendre la population. Pour ce faire, nous devrons répondre à deux questions principales.
Combien d'individus doivent être inclus dans notre échantillon ?
Comment cela se rapporte-t-il à la signification pratique et à la puissance statistique ?
Décomposons cela ci-dessous.
Puissance Statistique et Vrai Effet
La puissance statistique est définie comme la probabilité qu'un test détecte une différence statistiquement significative lorsqu'une telle différence existe vraiment. Elle est également désignée par vrai effet.
Le vrai effet est la pierre angulaire de la conception expérimentale. Le rapport de Cohen de 1988, prolifique pour ses contributions à la méthode scientifique, a raisonné qu'une étude devrait être conçue pour avoir une probabilité de 80 % de détecter un vrai effet. Ce 80 % représente un design de test à haute puissance (HP), tandis que toute valeur proche de 20 % est un design de test à faible puissance (LP).
Cohen a suggéré que les études devraient toujours avoir moins de 20 % de probabilité de commettre une erreur de type II, connue sous le nom de faux négatif. Il utilise également ces mêmes plages directrices pour les découvertes manquées, qui se produisent lorsqu'un chercheur signale inexactement qu'il n'y a pas d'effet significatif lorsqu'une différence existe vraiment.
Pourquoi la Puissance Statistique Est-elle Importante ?
Pensez à ce scénario. S'il existe un vrai effet dans 100 études différentes avec 80 % de puissance, les tests statistiques détecteront un vrai effet dans 80 des 100. Cependant, lorsqu'une étude a une puissance de recherche de 20 %, s'il y a 100 effets réellement non nuls dans les résultats, on s'attend à ce que ces études ne découvrent que 20 d'entre eux.
Les Limites de la Puissance Statistique dans la Recherche en Neurosciences
Sans surprise, en raison de la nature gourmande en ressources de la recherche en neurosciences, ce domaine a une puissance statistique médiane de environ 21 % et varie de 8 % à 31 %. La faible puissance statistique dans la recherche en neurosciences :
Mets en doute la reproductibilité des résultats.
Conduit à une taille d'effet exagérée.
Réduit la probabilité de résultats statistiquement significatifs qui représentent avec précision le vrai effet.
En conséquence, l'état actuel de la recherche en neurosciences est piégé par le problème de puissance statistique, car ces valeurs sont bien en dessous du seuil théorique de Cohen.
Établir un Échantillon Représentatif
Objectif du scénario un : Éviter les erreurs d'échantillonnage et les erreurs de type I et II dans notre test avec un échantillonnage inclusif et large.
Combien de scans cérébraux humains doivent être inclus dans notre ensemble d'échantillons si nous voulons que l'expérience soit pratiquement significative ? La signification pratique se réfère à savoir si les résultats d'une expérience s'appliquent au monde réel.
La capacité d'un scientifique en neurosciences à déterminer les effets (puissance statistique) est liée à la taille de l'échantillon. Poursuivant les paramètres du scénario 1, l'objectif est toujours de rassembler suffisamment de données afin que nous puissions évaluer statistiquement s'il y a un vrai effet dans le timing de la libération de dopamine après avoir montré des stimuli visuels chargés émotionnellement. Nous devons également établir des critères d'inclusion dans l'échantillon qui minimisent le potentiel d'une erreur d'échantillonnage.
Comment Éviter les Erreurs d'Échantillonnage
Deux termes sont importants à comprendre avant de progresser.
Erreur d'échantillonnage : Lors de l'échantillonnage, il y a toujours une chance que les données collectées des individus sélectionnés ne représentent pas la population.
Signification Statistique : La signification statistique signifie que nos données et nos effets observés sont probablement de vrais effets. Dans la plupart des sciences biomédicales, la signification statistique est établie avec un niveau de signification ou une valeur p de .05. Essentiellement, cela signifie que les scientifiques sont 95 % confiants dans l'effet observé dans leurs expériences.
Considérez si les données montrent une relation (c'est-à-dire, la libération de dopamine). Il y a 5 % de possibilité que l'effet provienne du hasard et soit sans rapport avec la variable (stimuli visuels). Ce serait une erreur de type I. Alternativement, il y a 5 % de probabilité que nos données collectées pourraient ne montrer aucune relation entre la libération de dopamine et les stimuli visuels alors qu'en réalité, il y a un vrai effet - un faux négatif ou une erreur de type II.
Établir soigneusement des critères d'inclusion est plus impactant car il existe un point de rendements décroissants après une certaine taille d'échantillon.
Nous espérons collecter des données représentant tous les humains, et nous voulons que nos conclusions soient à la fois pratiquement significatives et statistiquement significatives. Pour concevoir avec succès notre ensemble d'échantillons, une erreur d'échantillonnage, une erreur de type I (faux positif) ou une erreur de type II (faux négatif) doit être prise en compte et évitée.
Notre expérience teste l'hypothèse suivante :
Hypothèse nulle - Aucune relation ou effet entre le timing de la libération de dopamine dans le NAc et le stimulus visuel émotionnellement valent.
Hypothèse - Il Y A une relation entre le timing de la libération de dopamine dans le NAc et le stimulus visuel émotionnellement valent, et la libération de dopamine atteint un pic après avoir vu les stimuli visuels.
Il existe une relation entre le timing de la libération de dopamine dans le NAc et les stimuli visuels émotionnellement valents. Lorsque les données ne sont pas statistiquement significatives :
Notre hypothèse est rejetée.
Aucun vrai effet ou différence n'est trouvé.
Nos effets observés sont tout aussi susceptibles de résulter du hasard.
Comprendre la Population ?
Limitations pratiques dans la conception expérimentale.
Dans la recherche en neurosciences, un critère d'inclusion formel tente généralement de randomiser et/ou d'égaliser la probabilité d'inclusion dans la population pour éviter les erreurs d'échantillonnage. Nous devons éviter de sélectionner des individus simplement parce qu'ils sont les plus proches ou les plus accessibles pour collecter des données, car cela est la prescription d'une erreur d'échantillonnage.
La meilleure approche pour générer un ensemble d'échantillons est d'utiliser des critères d'inclusion qui égalisent aléatoirement la probabilité de sélection dans l'ensemble de la population. Par exemple, en utilisant des données de recensement, nous pourrions obtenir des informations de contact pour 50 individus sélectionnés aléatoirement dans chaque comté de l'Ohio. Cela minimiserait le biais de sélection car les noms seraient choisis aléatoirement de manière égale dans toutes les zones géographiques.
Établir la conception expérimentale, augmenter la taille de l'échantillon et réaliser pleinement des critères d'inclusion non biaisés, randomisés et appliqués également peuvent rapidement se heurter à des limitations pratiques. C'est un problème pour la recherche scientifique à tous les niveaux, des exercices académiques aux universités de recherche bien établies. En général, les limitations budgétaires et de temps sont les premières à obliger à des compromis. Collectivement, ces problèmes autour de la signification statistique sont des domaines de recherche actifs.
Quelle est la Taille de l'Effet Vraie ?
En raison de la faible puissance statistique de la recherche en neurosciences, nous avons tendance à surestimer la vraie taille de l'effet, ce qui conduit à la faible reproductibilité de nombreuses études. De plus, la complexité inhérente à la recherche en neurosciences rend la puissance statique critique.
Une méthode que le domaine peut adopter est d'augmenter la puissance d'une étude en augmentant la taille de l'échantillon. Cela augmente la probabilité de détecter un vrai effet. Choisir une taille d'échantillon appropriée est vital pour concevoir une recherche qui :
Fait des découvertes pratiques.
Fait progresser notre compréhension des innombrables processus dans le cerveau.
Développe des thérapies efficaces.
Surmonter les Défis dans la Recherche en Neurosciences Contemporaine : La Plateforme EmotivLAB
Les conceptions expérimentales de la recherche en neurosciences devraient s'efforcer d'établir des tailles de groupes échantillons plus importantes et de meilleurs critères d'inclusion afin d'atteindre une signification statistique fiable. Avec accès à une plateforme habilitée par la foule comme EmotivLAB, les chercheurs ont accès à des sujets potentiellement beaucoup plus diversifiés et représentatifs - améliorant la taille de l'échantillon et l'inclusivité de tous les démographies avec un effort logistique minimal pour les groupes de recherche.
La recherche moderne en neurosciences peut être vulnérable aux erreurs d'échantillonnage en raison des ressources disponibles limitées pour recruter un groupe diversifié pour l'ensemble d'échantillons expérimentaux. Le concept de "groupe WEIRD" encapsule le problème. La plupart des recherches universitaires sont réalisées avec un budget limité sur des sujets expérimentaux qui, de manière générale, sont occidentaux, éduqués et issus de pays industrialisés, riches et démocratiques. Cependant, des équipements de collecte de données à distance, comme la plateforme EEG d'EmotivLAB, permettent aux chercheurs de dépasser le campus universitaire pour recruter des groupes échantillons qui reflètent mieux la population.
La plateforme d'EmotivLAB et les équipements EEG à distance n'aident pas seulement les chercheurs à élargir la diversité des individus inclus dans les groupes échantillons expérimentaux. Elle médiatise également les problèmes concernant la taille globale de l'échantillon et la portée géographique dans les populations cibles.
La plateforme EmotivLAB libère les chercheurs des contraintes actuelles et leur permet de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats. Notre plateforme associe l'expérience aux individus les plus adaptés dans le pool de sujets. Il n'est pas nécessaire de passer du temps à recruter des participants, à les coordonner et à les planifier, et à réaliser la collecte de données en laboratoire. Tout ce qui est requis est que la démographie souhaitée soit spécifiée dans la plateforme en ligne, et EmotivLAB mettra l'expérience à la disposition des contributeurs qui se conforment le mieux aux paramètres souhaités. Les participants peuvent entreprendre les expériences dans leur propre maison, en utilisant leur propre équipement. Leur familiarité avec le casque élimine le besoin pour les chercheurs de donner des instructions concernant son utilisation.
Au-delà de cela, la plateforme EmotivLAB fournit un contrôle qualité et une évaluation des données d'enregistrement EEG automatisés. De grandes quantités de données de faible qualité n'aident pas à surmonter les erreurs d'échantillonnage ou statistiques dans les conceptions expérimentales. Avoir accès à des données de meilleure qualité, cependant, fournit une solution pour aider à éviter les erreurs dans :
Échantillonnage
Population
Signification statistique
Vous Voulez En Savoir Plus Sur Ce Que la Plateforme EmotivLAB Pourrait Faire Pour Votre Recherche ?
EmotivLABS vous permet de construire votre expérience, de déployer votre expérience en toute sécurité, de recruter à partir d'un panel mondial de participants vérifiés et de collecter des données EEG de haute qualité, le tout depuis une seule plateforme. Cliquez ici pour en savoir plus ou demander une démo.
Signification Statistique : Taille(s) de l'échantillon & Puissance Statistique - Pour comprendre le monde qui nous entoure, les chercheurs utilisent formellement la méthode scientifique comme moyen de séparer les vérités suspectées des falsifications. La neuroscience cognitive vise à comprendre comment les systèmes génétiques, neurologiques et comportementaux soutiennent la capacité d'un organisme à percevoir, interagir, naviguer et penser au sujet du monde qui l'entoure.
Cela signifie que la neuroscience cognitive conçoit des expériences et collecte des données à tous les niveaux d'analyse. Les programmes de recherche dans le monde entier cherchant à approfondir notre compréhension du monde naturel testent régulièrement des hypothèses dans une série bien planifiée de petites expériences. Ces expériences tendent à explorer des facteurs spécifiques qui peuvent ou non influencer un résultat tout en minimisant l'influence de facteurs extrinsèques tels que l'environnement, l'orientation sexuelle, la race ou le statut socio-économique.
Scénario Un : Une étude sur la libération de dopamine
En neuroscience cognitive, la dopamine est généralement considérée comme un composé de "bien-être". Sa libération dans le noyau accumbens (NuAc) est déclenchée par des comportements ou des éléments qui nous motivent à agir. Cela peut inclure :
Manger un bon repas
Passer du temps avec des êtres chers
Le sexe
Le sucre
Supposons que nous aimerions savoir si les niveaux de dopamine de pointe dans le NuAc se produisent avant, pendant ou après l'exposition à un stimulus visuel désiré ou familier. Nous pouvons utiliser le design expérimental EEG adopté de l'étude d'Amatya Johanna Mackintosh. Nous pouvons formuler l'hypothèse selon laquelle la libération de dopamine se produit pendant et atteint un pic légèrement après l'exposition aux stimuli visuels familiers ou souhaités.
Maintenant, où obtenons-nous des sujets de test ?
Dans les situations expérimentales, "population" se réfère au groupe collectif total plus large étudié. Il est peu pratique et peu probable que votre laboratoire puisse concevoir une technique pour recruter et collecter des données de libération de dopamine sur des centaines de milliers ou des millions de personnes.
Par conséquent, nous tenterons de rassembler des données à partir d'un petit groupe représentatif ou d'un échantillon pour comprendre la population. Pour ce faire, nous devrons répondre à deux questions principales.
Combien d'individus doivent être inclus dans notre échantillon ?
Comment cela se rapporte-t-il à la signification pratique et à la puissance statistique ?
Décomposons cela ci-dessous.
Puissance Statistique et Vrai Effet
La puissance statistique est définie comme la probabilité qu'un test détecte une différence statistiquement significative lorsqu'une telle différence existe vraiment. Elle est également désignée par vrai effet.
Le vrai effet est la pierre angulaire de la conception expérimentale. Le rapport de Cohen de 1988, prolifique pour ses contributions à la méthode scientifique, a raisonné qu'une étude devrait être conçue pour avoir une probabilité de 80 % de détecter un vrai effet. Ce 80 % représente un design de test à haute puissance (HP), tandis que toute valeur proche de 20 % est un design de test à faible puissance (LP).
Cohen a suggéré que les études devraient toujours avoir moins de 20 % de probabilité de commettre une erreur de type II, connue sous le nom de faux négatif. Il utilise également ces mêmes plages directrices pour les découvertes manquées, qui se produisent lorsqu'un chercheur signale inexactement qu'il n'y a pas d'effet significatif lorsqu'une différence existe vraiment.
Pourquoi la Puissance Statistique Est-elle Importante ?
Pensez à ce scénario. S'il existe un vrai effet dans 100 études différentes avec 80 % de puissance, les tests statistiques détecteront un vrai effet dans 80 des 100. Cependant, lorsqu'une étude a une puissance de recherche de 20 %, s'il y a 100 effets réellement non nuls dans les résultats, on s'attend à ce que ces études ne découvrent que 20 d'entre eux.
Les Limites de la Puissance Statistique dans la Recherche en Neurosciences
Sans surprise, en raison de la nature gourmande en ressources de la recherche en neurosciences, ce domaine a une puissance statistique médiane de environ 21 % et varie de 8 % à 31 %. La faible puissance statistique dans la recherche en neurosciences :
Mets en doute la reproductibilité des résultats.
Conduit à une taille d'effet exagérée.
Réduit la probabilité de résultats statistiquement significatifs qui représentent avec précision le vrai effet.
En conséquence, l'état actuel de la recherche en neurosciences est piégé par le problème de puissance statistique, car ces valeurs sont bien en dessous du seuil théorique de Cohen.
Établir un Échantillon Représentatif
Objectif du scénario un : Éviter les erreurs d'échantillonnage et les erreurs de type I et II dans notre test avec un échantillonnage inclusif et large.
Combien de scans cérébraux humains doivent être inclus dans notre ensemble d'échantillons si nous voulons que l'expérience soit pratiquement significative ? La signification pratique se réfère à savoir si les résultats d'une expérience s'appliquent au monde réel.
La capacité d'un scientifique en neurosciences à déterminer les effets (puissance statistique) est liée à la taille de l'échantillon. Poursuivant les paramètres du scénario 1, l'objectif est toujours de rassembler suffisamment de données afin que nous puissions évaluer statistiquement s'il y a un vrai effet dans le timing de la libération de dopamine après avoir montré des stimuli visuels chargés émotionnellement. Nous devons également établir des critères d'inclusion dans l'échantillon qui minimisent le potentiel d'une erreur d'échantillonnage.
Comment Éviter les Erreurs d'Échantillonnage
Deux termes sont importants à comprendre avant de progresser.
Erreur d'échantillonnage : Lors de l'échantillonnage, il y a toujours une chance que les données collectées des individus sélectionnés ne représentent pas la population.
Signification Statistique : La signification statistique signifie que nos données et nos effets observés sont probablement de vrais effets. Dans la plupart des sciences biomédicales, la signification statistique est établie avec un niveau de signification ou une valeur p de .05. Essentiellement, cela signifie que les scientifiques sont 95 % confiants dans l'effet observé dans leurs expériences.
Considérez si les données montrent une relation (c'est-à-dire, la libération de dopamine). Il y a 5 % de possibilité que l'effet provienne du hasard et soit sans rapport avec la variable (stimuli visuels). Ce serait une erreur de type I. Alternativement, il y a 5 % de probabilité que nos données collectées pourraient ne montrer aucune relation entre la libération de dopamine et les stimuli visuels alors qu'en réalité, il y a un vrai effet - un faux négatif ou une erreur de type II.
Établir soigneusement des critères d'inclusion est plus impactant car il existe un point de rendements décroissants après une certaine taille d'échantillon.
Nous espérons collecter des données représentant tous les humains, et nous voulons que nos conclusions soient à la fois pratiquement significatives et statistiquement significatives. Pour concevoir avec succès notre ensemble d'échantillons, une erreur d'échantillonnage, une erreur de type I (faux positif) ou une erreur de type II (faux négatif) doit être prise en compte et évitée.
Notre expérience teste l'hypothèse suivante :
Hypothèse nulle - Aucune relation ou effet entre le timing de la libération de dopamine dans le NAc et le stimulus visuel émotionnellement valent.
Hypothèse - Il Y A une relation entre le timing de la libération de dopamine dans le NAc et le stimulus visuel émotionnellement valent, et la libération de dopamine atteint un pic après avoir vu les stimuli visuels.
Il existe une relation entre le timing de la libération de dopamine dans le NAc et les stimuli visuels émotionnellement valents. Lorsque les données ne sont pas statistiquement significatives :
Notre hypothèse est rejetée.
Aucun vrai effet ou différence n'est trouvé.
Nos effets observés sont tout aussi susceptibles de résulter du hasard.
Comprendre la Population ?
Limitations pratiques dans la conception expérimentale.
Dans la recherche en neurosciences, un critère d'inclusion formel tente généralement de randomiser et/ou d'égaliser la probabilité d'inclusion dans la population pour éviter les erreurs d'échantillonnage. Nous devons éviter de sélectionner des individus simplement parce qu'ils sont les plus proches ou les plus accessibles pour collecter des données, car cela est la prescription d'une erreur d'échantillonnage.
La meilleure approche pour générer un ensemble d'échantillons est d'utiliser des critères d'inclusion qui égalisent aléatoirement la probabilité de sélection dans l'ensemble de la population. Par exemple, en utilisant des données de recensement, nous pourrions obtenir des informations de contact pour 50 individus sélectionnés aléatoirement dans chaque comté de l'Ohio. Cela minimiserait le biais de sélection car les noms seraient choisis aléatoirement de manière égale dans toutes les zones géographiques.
Établir la conception expérimentale, augmenter la taille de l'échantillon et réaliser pleinement des critères d'inclusion non biaisés, randomisés et appliqués également peuvent rapidement se heurter à des limitations pratiques. C'est un problème pour la recherche scientifique à tous les niveaux, des exercices académiques aux universités de recherche bien établies. En général, les limitations budgétaires et de temps sont les premières à obliger à des compromis. Collectivement, ces problèmes autour de la signification statistique sont des domaines de recherche actifs.
Quelle est la Taille de l'Effet Vraie ?
En raison de la faible puissance statistique de la recherche en neurosciences, nous avons tendance à surestimer la vraie taille de l'effet, ce qui conduit à la faible reproductibilité de nombreuses études. De plus, la complexité inhérente à la recherche en neurosciences rend la puissance statique critique.
Une méthode que le domaine peut adopter est d'augmenter la puissance d'une étude en augmentant la taille de l'échantillon. Cela augmente la probabilité de détecter un vrai effet. Choisir une taille d'échantillon appropriée est vital pour concevoir une recherche qui :
Fait des découvertes pratiques.
Fait progresser notre compréhension des innombrables processus dans le cerveau.
Développe des thérapies efficaces.
Surmonter les Défis dans la Recherche en Neurosciences Contemporaine : La Plateforme EmotivLAB
Les conceptions expérimentales de la recherche en neurosciences devraient s'efforcer d'établir des tailles de groupes échantillons plus importantes et de meilleurs critères d'inclusion afin d'atteindre une signification statistique fiable. Avec accès à une plateforme habilitée par la foule comme EmotivLAB, les chercheurs ont accès à des sujets potentiellement beaucoup plus diversifiés et représentatifs - améliorant la taille de l'échantillon et l'inclusivité de tous les démographies avec un effort logistique minimal pour les groupes de recherche.
La recherche moderne en neurosciences peut être vulnérable aux erreurs d'échantillonnage en raison des ressources disponibles limitées pour recruter un groupe diversifié pour l'ensemble d'échantillons expérimentaux. Le concept de "groupe WEIRD" encapsule le problème. La plupart des recherches universitaires sont réalisées avec un budget limité sur des sujets expérimentaux qui, de manière générale, sont occidentaux, éduqués et issus de pays industrialisés, riches et démocratiques. Cependant, des équipements de collecte de données à distance, comme la plateforme EEG d'EmotivLAB, permettent aux chercheurs de dépasser le campus universitaire pour recruter des groupes échantillons qui reflètent mieux la population.
La plateforme d'EmotivLAB et les équipements EEG à distance n'aident pas seulement les chercheurs à élargir la diversité des individus inclus dans les groupes échantillons expérimentaux. Elle médiatise également les problèmes concernant la taille globale de l'échantillon et la portée géographique dans les populations cibles.
La plateforme EmotivLAB libère les chercheurs des contraintes actuelles et leur permet de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats. Notre plateforme associe l'expérience aux individus les plus adaptés dans le pool de sujets. Il n'est pas nécessaire de passer du temps à recruter des participants, à les coordonner et à les planifier, et à réaliser la collecte de données en laboratoire. Tout ce qui est requis est que la démographie souhaitée soit spécifiée dans la plateforme en ligne, et EmotivLAB mettra l'expérience à la disposition des contributeurs qui se conforment le mieux aux paramètres souhaités. Les participants peuvent entreprendre les expériences dans leur propre maison, en utilisant leur propre équipement. Leur familiarité avec le casque élimine le besoin pour les chercheurs de donner des instructions concernant son utilisation.
Au-delà de cela, la plateforme EmotivLAB fournit un contrôle qualité et une évaluation des données d'enregistrement EEG automatisés. De grandes quantités de données de faible qualité n'aident pas à surmonter les erreurs d'échantillonnage ou statistiques dans les conceptions expérimentales. Avoir accès à des données de meilleure qualité, cependant, fournit une solution pour aider à éviter les erreurs dans :
Échantillonnage
Population
Signification statistique
Vous Voulez En Savoir Plus Sur Ce Que la Plateforme EmotivLAB Pourrait Faire Pour Votre Recherche ?
EmotivLABS vous permet de construire votre expérience, de déployer votre expérience en toute sécurité, de recruter à partir d'un panel mondial de participants vérifiés et de collecter des données EEG de haute qualité, le tout depuis une seule plateforme. Cliquez ici pour en savoir plus ou demander une démo.
