Signifikansi Statistik: Ukuran Sampel & Kekuatan Statistik - Untuk memahami dunia di sekitar kita, para peneliti secara formal menggunakan metode ilmiah sebagai cara untuk memisahkan kebenaran yang dicurigai dari kepalsuan. Neurosains Kognitif bertujuan untuk memahami bagaimana sistem genetik, neurologis, dan perilaku mendukung kemampuan organisme untuk merasakan, berinteraksi, menavigasi, dan berpikir tentang dunia di sekitar mereka.

Ini berarti neurosains kognitif merancang eksperimen dan mengumpulkan data di semua tingkat analisis. Program penelitian di seluruh dunia yang berupaya untuk memperdalam pemahaman kita tentang dunia alam secara teratur menguji asumsi, atau hipotesis, dalam serangkaian eksperimen kecil yang terencana dengan baik. Eksperimen ini cenderung menyelidiki faktor-faktor spesifik yang mungkin atau tidak mungkin memengaruhi hasil sekaligus meminimalkan pengaruh faktor luar seperti lingkungan, orientasi seksual, ras, atau status sosial ekonomi.

Skenario Satu: Studi Pelepasan Dopamin

Dalam Neurosains Kognitif, dopamin umumnya dianggap sebagai senyawa "rasa baik". Pelepasannya di Nucleus Accumbens (NuAc) dipicu oleh perilaku atau hal-hal yang membuat kita termotivasi untuk berperilaku. Ini dapat mencakup:

• Menikmati hidangan yang lezat

• Menghabiskan waktu bersama orang-orang terkasih

• Seks

• Gula

Katakanlah kita ingin mengetahui apakah kadar puncak dopamin di NuAc terjadi sebelum, selama, atau setelah paparan stimulus visual yang diinginkan atau yang sudah dikenal. Kita dapat menggunakan desain eksperimen EEG yang diadaptasi dari studi Amatya Johanna Mackintosh. Kita dapat berhipotesis bahwa pelepasan dopamin terjadi selama dan memuncak sedikit setelah paparan rangsangan visual yang dikenal atau diinginkan.

Sekarang, yang paling krusial, dari mana kita mendapatkan subjek uji?

Dalam situasi eksperimental, "populasi" merujuk pada kelompok kolektif yang lebih besar dan total yang sedang dipelajari. Tidak praktis dan tidak mungkin laboratorium Anda dapat merancang teknik untuk merekrut dan mengumpulkan data pelepasan dopamin pada ratusan ribu atau jutaan orang.

Oleh karena itu, kita akan mencoba mengumpulkan data dari kelompok atau sampel representatif yang lebih kecil untuk memahami populasi tersebut. Untuk melakukannya, kita perlu menjawab dua pertanyaan utama.

1. Berapa banyak individu yang perlu dimasukkan ke dalam sampel kita?

2. Bagaimana hal ini berhubungan dengan signifikansi praktis dan kekuatan statistik?

Mari kita jabarkan di bawah ini.

Kekuatan Statistik dan Efek Nyata

Kekuatan statistik didefinisikan sebagai probabilitas suatu uji mendeteksi perbedaan yang signifikan secara statistik ketika perbedaan tersebut benar-benar ada. Ini juga disebut sebagai efek nyata.

Efek nyata adalah batu penjuru dari desain eksperimen. Laporan Cohen tahun 1988, yang produktif atas kontribusinya pada metode ilmiah, beralasan bahwa suatu studi harus dirancang untuk memiliki probabilitas 80% dalam mendeteksi efek nyata. Angka 80% ini mewakili desain uji kekuatan tinggi (HP), sementara nilai apa pun yang mendekati 20% adalah desain uji kekuatan rendah (LP).

Cohen menyarankan bahwa studi harus selalu memiliki probabilitas kurang dari 20% untuk membuat kesalahan tipe II, yang dikenal sebagai negatif palsu. Dia juga menggunakan rentang pedoman yang sama ini untuk penemuan yang terlewat, yang terjadi ketika seorang peneliti secara tidak akurat melaporkan tidak adanya efek yang signifikan padahal sebenarnya ada perbedaan nyata.

Mengapa Kekuatan Statistik Itu Penting?

Pikirkan skenario ini. Jika efek nyata ada di dalam 100 studi berbeda dengan kekuatan 80%, uji statistik akan mendeteksi efek nyata di dalam 80 dari 100 studi tersebut. Namun, ketika suatu studi memiliki kekuatan penelitian sebesar 20%, jika ada 100 efek non-nol yang asli dalam hasilnya, studi-studi ini diharapkan hanya dapat menemukan 20 di antaranya.

Kelemahan Kekuatan Statistik dalam Penelitian Neurosains

Tidak mengherankan, karena sifat penelitian neurosains yang padat sumber daya, bidang ini memiliki median kekuatan statistik sekitar 21% dan rata-rata berada pada kisaran luas 8%-31%. Kekuatan statistik yang rendah dalam penelitian neurosains:

• Menimbulkan keraguan pada replikabilitas temuan.

• Menghasilkan ukuran efek yang berlebihan.

• Mengurangi kemungkinan hasil yang signifikan secara statistik yang secara akurat mewakili efek nyata.

Oleh karena itu, keadaan penelitian neurosains saat ini terjebak oleh masalah kekuatan statistik karena nilai-nilai ini jauh di bawah ambang batas teoretis Cohen.

Menetapkan Kelompok Sampel Representatif

Tujuan Skenario Satu: Menghindari kesalahan pengambilan sampel serta kesalahan tipe I dan II dalam pengujian kita dengan pengambilan sampel yang inklusif dan besar.

Berapa banyak pemindaian otak manusia yang perlu dimasukkan ke dalam rangkaian sampel kita jika kita ingin eksperimen tersebut signifikan secara praktis? Signifikansi praktis merujuk pada apakah hasil dari suatu eksperimen dapat diterapkan pada dunia nyata atau tidak.

Kemampuan eksperimen seorang ahli neurosains untuk menentukan efek (kekuatan statistik) terkait dengan ukuran sampel. Melanjutkan parameter skenario 1, tujuannya masih mengumpulkan data yang cukup sehingga kita dapat mengevaluasi secara statistik apakah ada efek nyata dalam waktu pelepasan dopamin setelah menunjukkan rangsangan visual yang bermuatan emosional. Kita juga perlu menetapkan kriteria inklusi ke dalam sampel yang meminimalkan potensi kesalahan pengambilan sampel.

Cara Menghindari Kesalahan Pengambilan Sampel

Dua istilah penting untuk dipahami sebelum melangkah lebih jauh.

1. Kesalahan pengambilan sampel (sampling error): Saat mengambil sampel, selalu ada peluang bahwa data yang dikumpulkan dari individu yang dipilih tidak akan mewakili populasi.

2. Signifikansi Statistik: Signifikansi statistik berarti bahwa data kita dan efek yang kita amati kemungkinan besar merupakan efek nyata. Di sebagian besar ilmu biomedis, signifikansi statistik ditetapkan dengan tingkat signifikansi atau nilai p sebesar .05. Pada dasarnya, ini berarti para ilmuwan 95% yakin dengan efek yang diamati dalam eksperimen mereka.

Pertimbangkan jika data menunjukkan suatu hubungan (yaitu, pelepasan dopamin). Ada kemungkinan 5% bahwa efek tersebut terjadi karena kebetulan dan tidak terkait dengan variabel (rangsangan visual). Ini akan menjadi kesalahan Tipe I. Atau, ada probabilitas 5% bahwa data yang kita kumpulkan tidak menunjukkan hubungan antara pelepasan dopamin dan rangsangan visual padahal sebenarnya ada efek nyata - sebuah negatif palsu atau kesalahan Tipe II.

Menetapkan kriteria inklusi secara cermat memiliki dampak yang lebih besar karena ada titik pengembalian yang semakin berkurang setelah ukuran sampel tertentu.

Kita berharap dapat mengumpulkan data yang mewakili semua manusia, dan kita ingin kesimpulan kita signifikan secara praktis dan signifikan secara statistik. Untuk merancang rangkaian sampel kita dengan sukses, kesalahan pengambilan sampel, kesalahan tipe I (positif palsu), atau kesalahan tipe II (negatif palsu) harus diperhitungkan dan dihindari.

Eksperimen kami menguji hipotesis berikut:

• Hipotesis nol - Tidak ada hubungan atau efek antara waktu pelepasan dopamin di NAc dan rangsangan visual yang memiliki valensi emosional.

• Hipotesis - Ada hubungan antara waktu pelepasan dopamin di NAc dan rangsangan visual yang memiliki valensi emosional, dan puncak pelepasan dopamin terjadi setelah melihat rangsangan visual tersebut.

Ada hubungan antara waktu pelepasan dopamin di NAc dan rangsangan visual valensi emosional. Ketika data tidak signifikan secara statistik:

• Hipotesis kita ditolak.

• Tidak ada efek atau perbedaan nyata yang ditemukan.

• Efek yang kita amati sama besarnya kemungkinannya dihasilkan dari kebetulan.

Memahami Populasi?

Batasan praktis dalam desain eksperimen.

Dalam penelitian neurosains, kriteria inklusi formal biasanya mencoba mengacak dan/atau menyamakan kemungkinan inklusi di seluruh populasi untuk menghindari kesalahan pengambilan sampel. Kita perlu menghindari memilih individu hanya karena mereka paling dekat atau paling mudah diakses untuk mengumpulkan data, karena ini adalah resep untuk kesalahan pengambilan sampel.

Pendekatan terbaik untuk pembuatan kumpulan sampel adalah dengan menggunakan kriteria inklusi yang secara acak menyamakan kemungkinan pemilihan di seluruh populasi. Misalnya, dengan menggunakan data sensus, kita dapat memperoleh informasi kontak untuk 50 individu yang dipilih secara acak di setiap wilayah di Ohio. Ini akan meminimalkan bias pemilihan karena nama-nama akan dipilih secara acak secara merata dari semua wilayah geografis.

Menetapkan desain eksperimen, meningkatkan ukuran sampel, dan sepenuhnya menyadari kriteria inklusi yang tidak bias, acak, dan diterapkan secara merata dapat dengan cepat membentur batasan praktis. Ini adalah masalah bagi penelitian ilmiah di semua tingkatan, mulai dari latihan akademis hingga universitas riset skala penuh. Biasanya, keterbatasan anggaran dan lini masa adalah hal pertama yang memaksa terjadinya kompromi. Secara kolektif, masalah-masalah seputar signifikansi statistik ini merupakan area penelitian yang aktif.

Berapakah Ukuran Efek yang Nyata?

Karena kekuatan statistik yang rendah dari penelitian neurosains, kita cenderung melebih-lebihkan ukuran efek yang nyata yang mengarah pada rendahnya reproduksibilitas dari banyak studi. Lebih jauh lagi, kompleksitas yang melekat pada penelitian neurosains membuat kekuatan statistik menjadi sangat penting.

Salah satu metode yang dapat diadopsi oleh bidang ini adalah dengan meningkatkan kekuatan penelitian dengan meningkatkan ukuran sampel. Ini meningkatkan probabilitas mendeteksi efek nyata. Memilih ukuran sampel yang tepat sangat penting untuk merancang penelitian yang:

• Membuat penemuan praktis.

• Memajukan pemahaman kita tentang proses yang tak terhitung jumlahnya di dalam otak.

• Mengembangkan terapi yang efektif.

Mengatasi Tantangan dalam Penelitian Neurosains Kontemporer: Platform EmotivLAB

Desain eksperimen penelitian neurosains harus mendorong penetapan ukuran kelompok sampel yang lebih besar dan kriteria inklusi yang lebih baik untuk mencapai signifikansi statistik yang andal. Dengan akses ke platform berbasis sumber daya massal (crowd-sourced) seperti EmotivLAB, para peneliti diberikan akses ke individu subjek yang berpotensi jauh lebih beragam dan jauh lebih representatif - meningkatkan ukuran sampel dan inklusivitas semua demografi dengan upaya logistik tambahan yang minimal bagi kelompok penelitian.

Penelitian neurosains modern dapat rentan terhadap kesalahan pengambilan sampel karena terbatasnya sumber daya yang tersedia untuk merekrut kelompok yang beragam untuk rangkaian sampel eksperimen. Konsep "kelompok WEIRD" merangkum masalah ini. Sebagian besar penelitian universitas dilakukan dengan anggaran yang sangat minim pada subjek eksperimen yang secara umum adalah orang-orang Barat (Western), Terdidik (Educated), dan berasal dari negara-negara Industri (Industrialized), Kaya (Rich), dan Demokratis (Democratic). Namun, peralatan pengumpulan data jarak jauh, seperti platform EEG EmotivLABs, memungkinkan para peneliti untuk menjangkau melampaui kampus perguruan tinggi untuk merekrut kelompok sampel yang lebih mencerminkan populasi.

Platform EmotivLABs membebaskan peneliti dari batasan yang ada saat ini dan sebaliknya memungkinkan mereka untuk memfokuskan energi mereka pada perancangan eksperimen dan analisis hasil.

Platform EmotivLABs dan peralatan EEG jarak jauh tidak hanya membantu peneliti memperluas keragaman individu yang dimasukkan ke dalam kelompok sampel eksperimental. Ini juga menengahi masalah terkait ukuran sampel keseluruhan dan jangkauan geografis ke dalam populasi target.

Platform EmotivLABs membebaskan peneliti dari kendala saat ini dan sebaliknya memungkinkan mereka untuk memfokuskan energi mereka pada perancangan eksperimen dan analisis hasil. Platform kami mencocokkan eksperimen dengan individu yang paling cocok dalam kumpulan subjek. Tidak perlu menghabiskan waktu merekrut peserta, mengoordinasikan dan menjadwalkan mereka, serta melakukan pengumpulan data di dalam laboratorium. Yang diperlukan hanyalah menentukan demografi yang diinginkan di platform online, dan EmotivLABs akan menyediakan eksperimen tersebut bagi kontributor yang paling sesuai dengan parameter yang diinginkan. Peserta dapat melakukan eksperimen di rumah mereka sendiri, menggunakan peralatan mereka sendiri. Keakraban mereka dengan headset menghilangkan kebutuhan peneliti untuk memberikan instruksi tentang penggunaannya.

Selain itu, platform EmotivLAB menyediakan kontrol kualitas dan penilaian data rekaman EEG otomatis. Data berkualitas rendah dalam jumlah besar tidak membantu mengatasi kesalahan pengambilan sampel atau statistik dalam desain eksperimen. Namun, memiliki akses ke lebih banyak data berkualitas tinggi memberikan solusi untuk membantu menghindari kesalahan dalam:

• Pengambilan Sampel

• Populasi

• Signifikansi statistik

Ingin Mempelajari Lebih Lanjut Tentang Apa yang Dapat Dilakukan Platform EmotivLABs untuk Penelitian Anda?

EmotivLABS memungkinkan Anda membangun eksperimen, menerapkan eksperimen dengan aman dan terjamin, merekrut dari panel peserta global terverifikasi, dan mengumpulkan data EEG berkualitas tinggi, semuanya dari satu platform. Klik di sini untuk mempelajari lebih lanjut atau meminta demo.