통계적 유의성: 샘플 크기와 통계적 힘

통계적 유의성: 샘플 크기 및 통계적 힘 - 우리 주변의 세상을 이해하기 위해 연구자들은 공식적으로 과학적 방법을 사용하여 의심스러운 진실과 거짓을 분리합니다. 인지 신경 과학은 유전적, 신경학적 및 행동적 시스템이 유기체의 세상을 감지하고 상호 작용하며 탐색하고 생각하는 능력을 어떻게 지원하는지 이해하는 것을 목표로 합니다.

이는 인지 신경 과학이 모든 분석 수준에서 실험을 설계하고 데이터를 수집함을 의미합니다. 전 세계의 연구 프로그램은 자연 세계에 대한 우리의 이해를 발전시키기 위해 잘 계획된 일련의 더 작은 실험에서 가정이나 가설을 정기적으로 테스트하고 있습니다. 이러한 실험은 특정 요인을 탐색하고 결과에 영향을 미칠 수 있는 온갖 외부 요인의 영향을 최소화하려고 합니다. 예를 들어 환경, 성적 지향, 인종 또는 사회 경제적 상태 등이 이에 해당합니다.

시나리오 1: 도파민 방출 연구

인지 신경 과학에서 도파민은 일반적으로 "기분 좋은" 화합물로 간주됩니다. 그것의 방출은 행동이나 우리를 행동하게 만드는 것들, 즉 동기를 부여하는 것들에 의해 촉발됩니다. 여기에는 다음이 포함될 수 있습니다:

• 
  
  
  

• 맛있는 식사

• 
  
  
  

  
  
  
  

• 사랑하는 사람과의 시간

• 
  
  
  

  
  
  
  

• 성관계

• 
  
  
  

  
  
  
  

• 설탕

• 
  
  
  

우리가 원하는 또는 친숙한 시각적 자극에 노출되기 전, 중, 후에 NuAc에서 도파민의 최정점 수치가 발생하는지 확인하고 싶다고 가정해보겠습니다. 우리는 Amatya Johanna Mackintosh의 연구에서 채택한 EEG 실험 설계를 사용할 수 있습니다. 우리는 도파민 방출이 친숙한 또는 원하는 시각적 자극에 노출되는 동안 발생하고 약간 지연된 후에 정점에 이른다고 가설을 세울 수 있습니다.

이제 가장 중요하게, 테스트 피험자는 어디에서 구하나요?

실험적 상황에서 "인구"는 연구되는 더 크고 총체적인 집단을 나타냅니다. 당신의 연구실이 수백만 명 또는 수천 명의 도파민 방출 데이터를 모집하고 수집할 기술을 고안하는 것은 비현실적이고 가능성이 낮습니다.

따라서 우리는 인구를 이해하기 위해 더 작고 대표적인 그룹이나 샘플에서 데이터를 수집하려고 합니다. 이를 위해서는 두 가지 주요 질문에 답해야 합니다.

1. 
   
   
   

2. 우리의 샘플에 포함되어야 할 개인 수는 얼마입니까?

3. 
   
   
   

   
   
   
   

4. 이는 실질적 유의성과 통계적 힘과 어떻게 관련됩니까?

5. 
   
   
   

아래에서 자세히 살펴보겠습니다.

통계적 힘과 실질적 효과

통계적 힘은 테스트가 통계적으로 유의미한 차이를 감지할 확률로 정의됩니다. 이러한 차이가 실제로 존재할 때 이를 "실질적 효과"라고도 합니다.

실질적 효과는 실험 설계의 초석입니다. 코헨의 1988년 보고서는 과학적 방법에 대한 그의 기여로 유명하며, 연구는 실제 효과를 감지할 확률이 80%가 되도록 설계되어야 한다고 주장했습니다. 이 80%는 높은 힘(HP) 테스트 설계를 나타내며, 20%에 가까운 값은 저력( LP) 테스트 설계를 나타냅니다.

코헨은 연구가 항상 20% 미만의 II형 오류의 확률을 가져야 하며, 이는 거짓 부정으로 알려져 있다고 제안했습니다. 그는 같은 범위의 기준을 잘못된 발견에도 적용합니다. 이는 연구자가 실제로 차이가 존재할 때 유의미한 효과가 없다고 잘못 보고하는 경우에 발생합니다.

통계적 힘이 중요한 이유는 무엇인가요?

다음과 같은 시나리오를 생각해 보세요. 만약 100개의 서로 다른 연구에서 진정한 효과가 존재하고 80%의 힘을 가졌다면, 통계적 테스트는 100개 중 80개에서 진정한 효과를 감지할 것입니다. 그러나 연구의 힘이 20%일 경우, 결과에서 100개의 실제 비영향 효과가 있다면, 이러한 연구가 발견할 수 있는 것은 20개에 불과할 것으로 예상됩니다.

신경 과학 연구에서의 통계적 힘의 한계

놀랍게도, 신경 과학 연구의 자원 소모적인 특성 때문에 이 분야는 약 21%의 중간 통계적 힘을 가지고 있으며, 8%-31%의 넓은 범위로 평균을 냅니다. 신경 과학 연구에서 낮은 통계적 힘은:

• 
  
  
  

• 발견의 재현 가능성에 의문을 제기합니다.

• 
  
  
  

  
  
  
  

• 과장된 효과 크기를 초래합니다.

• 
  
  
  

  
  
  
  

• 실제 효과를 정확하게 나타내는 통계적으로 유의미한 결과의 가능성을 줄입니다.

• 
  
  
  

따라서 현재 신경 과학 연구의 상태는 이러한 값들이 코헨의 이론적 기준선보다 훨씬 낮기 때문에 통계적 힘 문제에 갇혀 있습니다.

대표 샘플 그룹 설정하기

시나리오 1의 목표: 포괄적이고 대규모 샘플링을 통해 샘플링 오류 및 제1형 및 제2형 오류를 피합니다.

실질적 유의미성이 있기 위해 우리의 샘플 세트에 포함해야 할 인간 뇌 스캔 수는 얼마입니까? 실질적 유의미성은 실험의 결과가 실제 세계에 적용되는지를 나타냅니다.

신경 과학자의 실험이 효과(통계적 힘)를 판단하는 능력은 샘플 크기와 관련이 있습니다. 시나리오 1의 매개 변수를 계속 고려하면, 목표는 다정한 시각적 자극을 보여준 후 도파민 방출 시점에 진정한 효과가 있는지 통계적으로 평가할 수 있는 충분한 데이터를 수집하는 것입니다. 또한 샘플링 오류의 가능성을 최소화하는 샘플 포함 기준을 설정해야 합니다.

샘플링 오류를 피하는 방법

앞으로 나아가기 전에 이해해야 할 두 가지 용어가 있습니다.

1. 
   
   
   

2. 샘플링 오류: 샘플링 시 선택된 개체의 수집된 데이터가 인구를 대표하지 않을 가능성이 항상 존재합니다.

3. 
   
   
   

   
   
   
   

4. 통계적 유의성: 통계적 유의성은 데이터와 관찰된 효과가 실질적 효과일 가능성이 높다는 것을 의미합니다. 대부분의 생물 의학 과학에서 통계적 유의성은 0.05의 유의수준 또는 p-값으로 설정됩니다. 본질적으로 이는 과학자들이 실험에서 관찰한 효과에 대해 95% 확신함을 나타냅니다.

5. 
   
   
   

데이터가 관계를 보여준다면(즉, 도파민 방출). 효과가 우연의 결과일 가능성이 5% 있으며, 변수(시각적 자극)와 무관하다는 것을 의미합니다. 이는 제1형 오류입니다. 대안적으로, 우리의 수집된 데이터에서 도파민 방출과 시각적 자극 간의 관계가 없음을 보여줄 가능성이 5%가 있으며, 실제로는 진정한 효과가 있는 경우, 이는 거짓 부정 또는 제2형 오류입니다.

포괄적 기준을 신중하게 수립하는 것이 더 영향력이 크기 때문에 특정 샘플 크기 이후에는 수익의 감소 지점이 있습니다.

우리는 모든 인간을 대표하는 데이터를 수집하고, 우리의 결론이 실질적으로 유의미하고 통계적으로 유의미하기를 원합니다. 샘플 세트를 성공적으로 설계하기 위해서는 샘플링 오류, 제1형 오류(위양성) 또는 제2형 오류(거짓 음성)를 고려하고 피해야 합니다.

우리의 실험은 다음 가설을 테스트하고 있습니다:

• 
  
  
  

• 영가설 - NAc에서 도파민 방출의 타이밍과 정서적으로 가치 있는 시각적 자극 간에 관계나 효과가 없다.

• 
  
  
  

  
  
  
  

• 가설 - NAc에서 도파민 방출의 타이밍과 정서적으로 가치 있는 시각적 자극 간에 관계가 있으며, 도파민의 최대 방출은 시각적 자극을 본 후 발생합니다.

• 
  
  
  

NAc에서 도파민 방출의 타이밍과 정서적으로 가치 있는 시각적 자극 간에는 관계가 있습니다. 데이터가 통계적으로 유의미하지 않을 경우:

• 
  
  
  

• 우리의 가설이 기각됩니다.

• 
  
  
  

  
  
  
  

• 진정한 효과나 차이가 발견되지 않습니다.

• 
  
  
  

  
  
  
  

• 우리의 관찰된 효과는 우연으로 인해 발생한 것일 수 있습니다.

• 
  
  
  

인구 이해하기?

실험 디자인에서의 실질적 한계.

신경 과학 연구에서 공식적인 포함 기준은 일반적으로 샘플링 오류를 피하기 위해 인구 학적으로 포함될 가능성을 무작위로 하거나 평등하게 하려고 합니다. 우리는 접근성이 가장 뛰어나고 데이터 수집이 용이한 개인이 선택되지 않도록 해야 합니다. 이는 샘플링 오류의 처방이기 때문입니다.

샘플 세트를 생성하는 가장 좋은 접근 방식은 전체 인구에 걸쳐 선택 가능성을 무작위로 평등화하는 포함 기준을 사용하는 것입니다. 예를 들어, 인구 조사 데이터를 사용하여 오하이주 각 카운티의 50명의 무작위로 선택된 개인의 연락처 정보를 획득할 수 있습니다. 이렇게 하면 각 지리적 지역에서 무작위로 선택된 이름들이기 때문에 선택 편향이 최소화됩니다.

실험 설계를 설정하고 샘플 크기를 늘리는 것과 완벽하게 편향되지 않고 무작위로 설정된 균등한 포함 기준은 실질적인 한계에 부딪힐 수 있습니다. 이는 모든 수준의 연구, 학술 작업에서부터 전면적인 연구 대학에 이르기까지 과학적 연구에 대한 문제입니다. 일반적으로 예산 및 일정 제한이 첫 번째로 타협을 강요합니다. 통계적 유의성과 관련된 이러한 모든 문제는 현재 활성 연구 영역입니다.

실제 효과 크기란 무엇인가?

신경 과학 연구의 낮은 통계적 힘으로 인해 실제 효과 크기를 과대평가하는 경향이 있으며, 이는 많은 연구의 낮은 재현성으로 이어집니다. 더욱이 신경 과학 연구의 본질적인 복잡성으로 인해 통계적 힘은 매우 중요합니다.

이 분야에서 채택할 수 있는 한 가지 방법은 연구의 통계적 힘을 증가시키기 위해 샘플 크기를 늘리는 것입니다. 이는 진정한 효과를 감지할 확률을 증가시킵니다. 적절한 샘플 크기를 선택하는 것은 연구를 설계하는 데 필수적입니다.

• 
  
  
  

• 실질적인 발견을 가능하게 합니다.

• 
  
  
  

  
  
  
  

• 뇌의 무수한 과정에 대한 우리의 이해를 증진합니다.

• 
  
  
  

  
  
  
  

• 효과적인 치료법을 개발합니다.

• 
  
  
  

현대 신경 과학 연구의 도전 극복하기: EmotivLAB 플랫폼

신경 과학 연구의 실험 설계는 신뢰할 수 있는 통계적 유의성을 달성하기 위해 더 큰 샘플 그룹 크기와 더 나은 포함 기준을 설정하는 것을 목표로 해야 합니다. EmotivLAB과 같은 크라우드 소스 플랫폼에 액세스하면 연구원들은 더 다양하고 대표적인 주제들에 접근할 수 있습니다. 이는 최소한의 물리적 노력으로 모든 인구 집단을 포함하는 샘플 크기를 크게 개선합니다.

현대 신경 과학 연구는 실험 샘플 세트를 위해 다양한 그룹을 모집하는 데 제한된 자원으로 인해 샘플링 오류에 취약할 수 있습니다. "WEIRD 그룹" 개념은 이러한 문제를 포괄합니다. 대부분의 대학 연구는 실험 피험자들이 일반적으로 서구화된 교육을 받고 산업화된 부유하고 민주적인 국가에서 이루어집니다. 그러나 EmotivLAB의 EEG 플랫폼과 같은 원격 데이터 수집 장비는 연구자들이 대학 캠퍼스를 넘어 집단을 모집하여 인구를 더 잘 반영하는 데 도움을 줍니다.

EmotivLAB의 플랫폼과 원격 EEG 장비는 연구자들이 실험 샘플 그룹에 포함된 개인의 다양성을 확대하는 데만 그치지 않습니다. 또한 전체 샘플 크기와 타겟 인구에 대한 지리적 범위를 다시 조정하는 이정표 역할을 합니다.

EmotivLAB 플랫폼은 연구자들이 현재의 제약에서 벗어나 실험 설계와 결과 분석에 에너지를 집중할 수 있게 해줍니다. 우리의 플랫폼은 실험을 주제 풀에서 가장 적합한 개인과 매칭합니다. 참가자를 모집하고 일정을 조율하거나 실험실에서 데이터를 수집하는 데 시간을 소모할 필요가 없습니다. 원하는 인구통계학적 정보를 온라인 플랫폼에 입력하기만 하면 되고, EmotivLAB은 요청된 매개 변수에 가장 잘 맞는 기여자에게 실험을 제공합니다. 참가자는 자신의 집에서 개인 장비를 사용하여 실험을 수행할 수 있습니다. 헤드셋 사용에 대한 지침을 제공할 필요성이 없게 만들어 줍니다.

게다가 EmotivLAB 플랫폼은 자동 EEG 기록 데이터 품질 관리 및 평가를 제공합니다. 낮은 품질의 데이터 대량은 실험 디자인에서 샘플링이나 통계적 오류를 극복하는 데 도움이 되지 않습니다. 그러나 고품질 데이터에 더 많은 접근을 하는 것은 다음을 피하는 데 도움이 되는 솔루션을 제공합니다 오류를 피하는 데 도움을 줄 수 있는:

• 
  
  
  

• 샘플링

• 
  
  
  

  
  
  
  

• 인구

• 
  
  
  

  
  
  
  

• 통계적 유의성

• 
  
  
  

EmotivLAB 플랫폼이 귀하의 연구에 어떤 도움이 될 수 있는지 더 알고 싶으세요?

EmotivLABS는 실험을 설계하고, 안전하고 보안적으로 실험을 배포하며, 세계적인 검증된 참가자 패널에서 모집하고, 고품질 EEG 데이터를 수집할 수 있는 플랫폼을 제공합니다. 여기를 클릭하여 더 알아보거나 데모를 요청하십시오.