Signifikansi Statistik: Ukuran Sampel dan Daya Statistik

Kepentingan Statistis: Ukuran Sampel dan Daya Statistis - Untuk memahami dunia di sekitar kita, peneliti secara formal menggunakan metode ilmiah sebagai cara untuk memisahkan kebenaran yang dicurigai dari kebohongan. Ilmu Saraf Kognitif bertujuan untuk memahami bagaimana sistem genetik, neurologis, dan perilaku mendukung kemampuan organisme untuk merasakan, berinteraksi, bernavigasi, dan berpikir tentang dunia di sekitar mereka.

Ini berarti ilmu saraf kognitif merancang eksperimen dan mengumpulkan data di semua level analisis. Program penelitian di seluruh dunia yang berusaha untuk memperdalam pemahaman kita tentang dunia alami secara teratur menguji asumsi, atau hipotesis, dalam serangkaian eksperimen kecil yang direncanakan dengan baik. Eksperimen ini cenderung menyelidiki faktor-faktor tertentu yang mungkin atau mungkin tidak memengaruhi hasil sambil meminimalkan pengaruh faktor luar seperti lingkungan, orientasi seksual, ras, atau status sosial ekonomi.

Skenario Satu: Studi Pelepasan Dopamin

Dalam Ilmu Saraf Kognitif, dopamin umumnya dianggap sebagai senyawa "membuat bahagia". Pelepasan dopamin di Nukleus Akumbens (NuAc) dipicu oleh perilaku atau hal-hal yang membuat kita termotivasi untuk berperilaku. Ini dapat mencakup:

• Makan makanan yang enak

• Waktu dengan orang terkasih

• Hubungan seks

• Gula

Misalkan kita ingin mengetahui apakah tingkat dopamin puncak di NuAc terjadi sebelum, selama, atau setelah paparan terhadap stimulus visual yang diinginkan atau akrab. Kita dapat menggunakan desain eksperimental EEG yang diadopsi dari studi Amatya Johanna Mackintosh. Kita dapat berhipotesis bahwa pelepasan dopamin terjadi selama dan mencapai puncaknya sedikit setelah paparan terhadap stimulus visual yang akrab atau diinginkan.

Sekarang, yang paling penting, di mana kita mendapatkan subjek uji?

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

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

1. Berapa banyak individu yang perlu disertakan dalam sampel kita?

2. Bagaimana ini berhubungan dengan signifikansi praktis dan daya statistis?

Ayo kita bahas di bawah ini.

Daya Statistis dan Efek Nyata

Daya statistis didefinisikan sebagai probabilitas suatu tes mendeteksi perbedaan yang signifikan secara statistik ketika perbedaan tersebut benar-benar ada. Ini juga dikenal sebagai efek nyata.

Efek nyata adalah dasar dari desain eksperimental. Laporan Cohen 1988, yang sangat terkenal karena kontribusinya terhadap metode ilmiah, berpendapat bahwa sebuah penelitian harus dirancang untuk memiliki probabilitas 80% dalam mendeteksi efek nyata. Angka 80% ini mewakili desain tes daya tinggi (HP), sedangkan nilai yang mendekati 20% merupakan desain tes daya rendah (LP).

Cohen menyarankan agar penelitian selalu memiliki probabilitas kurang dari 20% dalam 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 melaporkan tidak ada efek signifikan ketika perbedaan sebenarnya ada.

Mengapa Daya Statistis Penting?

Pikirkan skenario ini. Jika efek nyata ada di 100 penelitian yang berbeda dengan daya 80%, tes statistik akan mendeteksi efek nyata di 80 dari 100 tersebut. Namun, ketika sebuah penelitian memiliki daya riset 20%, jika ada 100 efek non-nol yang sebenarnya dalam hasil, penelitian ini diperkirakan hanya akan menemukan 20 dari mereka.

Kekurangan Daya Statistis dalam Penelitian Neurosains

Tanpa mengejutkan, karena sifat penelitian neurosain yang membutuhkan sumber daya, bidang ini memiliki daya statistis median sekitar 21% dan rata-rata berkisar antara 8%-31%. Daya statistis yang rendah dalam penelitian neurosain:

• Menyebabkan keraguan pada reproduktifitas temuan.

• Mengarah pada ukuran efek yang dibesar-besarkan.

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

Oleh karena itu, kondisi saat ini dari penelitian neurosain terjebak oleh masalah daya statistis karena nilai-nilai ini jauh di bawah ambang teoritis Cohen.

Mendirikan Kelompok Sampel yang Representatif

Tujuan Skenario Satu: Menghindari kesalahan sampling dan kesalahan tipe I dan II dalam uji kami dengan sampling yang inklusif dan besar.

Berapa banyak pemindaian otak manusia yang perlu disertakan dalam set sampel kami jika kita ingin eksperimen ini signifikan secara praktis? Signifikansi praktis merujuk pada apakah hasil dari eksperimen berlaku untuk dunia nyata.

Kemampuan eksperimen seorang neuroscientist untuk menentukan efek (daya statistis) berkaitan dengan ukuran sampel. Melanjutkan parameter skenario 1, tujuan tetap mengumpulkan data yang cukup sehingga kita dapat secara statistik mengevaluasi apakah ada efek nyata dalam waktu pelepasan dopamin setelah menunjukkan stimulus visual yang sangat emosional. Kita juga perlu menetapkan kriteria untuk inklusi ke dalam sampel yang meminimalkan potensi kesalahan sampling.

Bagaimana Menghindari Kesalahan Sampling

Dua istilah penting untuk dipahami sebelum melanjutkan.

1. Kesalahan sampling: Saat sampling, selalu ada kemungkinan bahwa data yang dikumpulkan dari individu yang terpilih tidak akan mewakili populasi.

2. Signifikansi Statistis: Signifikansi statistis berarti bahwa data dan efek yang diamati kemungkinan merupakan efek nyata. Dalam kebanyakan ilmu biomedis, signifikansi statistis ditentukan dengan tingkat signifikansi atau p-value sebesar .05. Sederhananya, ini berarti para ilmuwan 95% yakin dengan efek yang diamati dalam eksperimen mereka.

Pertimbangkan jika data menunjukkan adanya hubungan (yaitu, pelepasan dopamin). Ada kemungkinan 5% bahwa efek tersebut terjadi karena kebetulan dan tidak terkait dengan variabel (stimulus visual). Ini akan menjadi kesalahan Tipe I. Sebaliknya, ada kemungkinan 5% bahwa data yang kita kumpulkan dapat menunjukkan tidak ada hubungan antara pelepasan dopamin dan stimulus visual ketika, pada kenyataannya, ada efek nyata - negatif palsu atau kesalahan Tipe II.

Menetapkan kriteria inklusi dengan hati-hati lebih berdampak karena ada titik pengembalian yang menyusut setelah ukuran sampel tertentu.

Kami berharap untuk mengumpulkan data yang mewakili semua manusia, dan kami ingin kesimpulan kami menjadi signifikan secara praktis dan signifikan secara statistik. Untuk merancang set sampel kami dengan sukses, kesalahan sampling, 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 stimulus visual yang memiliki nilai emosional.

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

Ada hubungan antara waktu pelepasan dopamin di NAc dan stimulus visual yang memiliki nilai emosional. Ketika data tidak signifikan secara statistik:

• Hipotesis kami ditolak.

• Tidak ditemukan efek atau perbedaan nyata.

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

Memahami Populasi?

Limitasi praktis dalam desain eksperimental.

Dalam penelitian neurosains, kriteria inklusi formal biasanya berusaha untuk merandomisasi dan/atau menyamakan kemungkinan inklusi di seluruh populasi untuk menghindari kesalahan sampling. Kita perlu menghindari pemilihan individu hanya karena mereka yang terdekat atau paling mudah untuk mengumpulkan data, karena ini adalah resep untuk kesalahan sampling.

Pendekatan terbaik untuk menghasilkan set sampel adalah menggunakan kriteria inklusi yang secara acak menyamakan kemungkinan pemilihan di seluruh populasi. Misalnya, menggunakan data sensus, kita bisa mendapatkan informasi kontak untuk 50 individu yang dipilih secara acak di setiap kabupaten di Ohio. Ini akan meminimalkan bias pemilihan karena nama akan dipilih secara acak sama dari semua area geografis.

Menetapkan desain eksperimental, meningkatkan ukuran sampel, dan sepenuhnya menyadari kriteria inklusi yang tidak bias, acak, dan diterapkan secara merata dapat dengan cepat menghadapi batasan praktis. Ini adalah masalah bagi penelitian ilmiah di semua level, dari latihan akademis hingga universitas penelitian sepenuhnya. Biasanya, batasan anggaran dan jadwal adalah yang pertama dipaksa untuk berkompromi. Secara kolektif, masalah ini terkait signifikansi statistis sedang menjadi area penelitian yang aktif.

Apa itu Ukuran Efek Nyata?

Karena rendahnya daya statistis dalam penelitian neurosains, kita cenderung memperkirakan ukuran efek nyata secara berlebihan yang menyebabkan rendahnya reproduktifitas banyak studi. Selain itu, kompleksitas inheren dari penelitian neurosains menjadikan daya statistis menjadi kritis.

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

• Menghasilkan penemuan praktis.

• Meningkatkan pemahaman kita tentang begitu banyak proses di otak.

• Mengembangkan terapi yang efektif.

Mengatasi Tantangan dalam Penelitian Neurosains Kontemporer: Platform EmotivLAB

Desain eksperimental penelitian neurosains harus mendorong untuk menetapkan ukuran kelompok sampel yang lebih besar dan kriteria inklusi yang lebih baik agar mencapai signifikansi statistik yang dapat diandalkan. Dengan akses ke platform yang memungkinkan sumber kerumunan seperti EmotivLAB, peneliti diberikan akses ke individu subjek yang lebih beragam dan lebih representatif - meningkatkan ukuran sampel dan inklusivitas semua demografi dengan sedikit tambahan usaha logistik bagi kelompok penelitian.

Penelitian neurosains modern bisa rentan terhadap kesalahan sampling karena terbatasnya sumber daya yang tersedia untuk merekrut kelompok yang beragam untuk set sampel eksperimental. Konsep "kelompok WEIRD" menggambarkan isu tersebut. Sebagian besar penelitian universitas dilakukan dengan anggaran yang sangat terbatas pada subjek eksperimental yang umumnya berasal dari negara-negara Barat, terdidik, dan dari negara-negara industri, kaya, dan demokratik. Namun, peralatan pengumpulan data jarak jauh, seperti platform EEG EmotivLAB, memungkinkan peneliti untuk melampaui kampus universitas untuk merekrut kelompok sampel yang lebih baik mencerminkan populasi.

Platform EmotivLABs membebaskan peneliti dari batasan yang ada saat ini dan justru memungkinkan mereka untuk memfokuskan energi mereka pada merancang eksperimen dan menganalisis hasil.

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

Platform EmotivLABs membebaskan peneliti dari batasan yang ada saat ini dan justru memungkinkan mereka untuk memfokuskan energi mereka pada merancang eksperimen dan menganalisis hasil. Platform kami mencocokkan eksperimen dengan individu yang paling sesuai dalam kelompok subjek. Tidak perlu menghabiskan waktu merekrut peserta, mengoordinasikan dan menjadwalkan mereka, dan melakukan pengumpulan data di laboratorium. Semua yang diperlukan adalah bahwa demografi yang diinginkan ditentukan di platform online, dan EmotivLABs akan membuat eksperimen tersebut tersedia bagi kontributor yang paling sesuai dengan parameter yang diinginkan. Peserta dapat menjalani eksperimen di rumah mereka sendiri, menggunakan peralatan mereka sendiri. Keny familiarity mereka dengan headset menghilangkan kebutuhan bagi peneliti untuk memberikan instruksi tentang cara penggunaannya.

Lebih dari itu, platform EmotivLAB menyediakan kontrol dan penilaian kualitas data rekaman EEG otomatis. Banyak data berkualitas rendah tidak membantu mengatasi kesalahan sampling atau statistik dalam desain eksperimen. Namun, memiliki akses ke lebih banyak data berkualitas tinggi, memberikan solusi untuk membantu menghindari kesalahan dalam:

• Sampling

• Populasi

• Signifikansi statistis

Ingin Belajar Lebih Banyak Tentang Apa yang Dapat Dilakukan Platform EmotivLABs untuk Penelitian Anda?

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