통계적 유의성: 샘플 크기와 통계적 힘

통계적 유의성: 샘플 크기와 통계적 파워 - 우리 주변의 세상을 이해하기 위해 연구자들은 과학적 방법을 공식적으로 사용하여 의심되는 진실과 거짓을 구분합니다. 인지 신경 과학은 유전적, 신경학적, 그리고 행동 시스템이 유기체가 주변 세계를 감지하고, 상호 작용하며, 탐색하고, 사고하는 능력을 어떻게 지원하는지를 이해하는 것을 목표로 합니다.

이는 인지 신경 과학이 모든 분석 수준에서 실험을 설계하고 데이터를 수집함을 의미합니다. 자연 세계에 대한 우리의 이해를 더욱 발전시키기 위해 전 세계의 연구 프로그램은 잘 계획된 일련의 소규모 실험에서 가정 또는 가설을 정기적으로 검증하고 있습니다. 이러한 실험은 결과에 영향을 미칠 수 있는 특정 요인을 조사하는 경향이 있으며, 환경, 성적 지향, 인종 또는 사회 경제적 지위와 같은 외부 요인의 영향을 최소화합니다.

시나리오 1: 도파민 방출 연구

인지 신경 과학에서 도파민은 일반적으로 "기분을 좋게 하는" 화합물로 간주됩니다. Nucleus Accumbens (NuAc)에서의 방출은 우리가 행동하도록 유도하는 행동이나 사물에 의해 촉발됩니다. 여기에는 다음이 포함될 수 있습니다:

• 맛있는 식사하기

• 사랑하는 사람들과의 시간

• 성관계

• 설탕

피크 도파민 수준이 NuAc에서 원하는 또는 익숙한 시각적 자극에 노출되기 전, 도중, 또는 후에 발생하는지 알고 싶다고 가정해 봅시다. 우리는 Amatya Johanna Mackintosh의 연구에서 채택한 EEG 실험 설계를 사용할 수 있습니다. 우리는 도파민 방출이 익숙하거나 원하는 시각적 자극에 노출되는 동안 발생하고 약간 후에 피크에 도달한다고 가설할 수 있습니다.

이제, 가장 중요한 것은, 테스트 피험자를 어디서 얻을까요?

실험 상황에서 "인구"는 연구 중인 보다 큰 총 집단을 의미합니다. 당신의 연구실이 수십만 명 또는 수백만 명의 도파민 방출 데이터를 모집하고 수집할 기술을 개발하는 것은 비현실적이고 불가능할 것입니다.

따라서, 우리는 전체 인구를 이해하기 위해 더 작고 대표적인 그룹을 샘플링 하려고 합니다. 그렇게 하려면 두 가지 주요 질문에 답해야 합니다.

1. 샘플에 포함되어야 하는 개인 수는 몇 명입니까?

2. 이것이 실제 유의성과 통계적 파워와 어떻게 관련이 있습니까?

아래에서 분석해 보겠습니다.

통계적 파워와 실제 효과

통계적 파워는 테스트가 통계적으로 유의미한 차이를 검출할 확률로 정의됩니다. 이러한 차이가 실제로 존재할 때 말이죠. 이는 또한 실제 효과로 언급됩니다.

실제 효과는 실험 설계의 초석입니다. 코헨의 1988년 보고서는 과학적 방법에 대한 기여로 유명하며, 연구가 실제 효과를 탐지할 80% 확률을 가지도록 설계되어야 한다고 주장했습니다. 이 80%는 높은 파워 (HP) 테스트 설계를 나타내며, 20%에 가까운 값은 낮은 파워 (LP) 테스트 설계를 나타냅니다.

코헨은 연구가 II형 오류, 즉 잘못된 음성을 발생시킬 확률이 20% 미만이어야 한다고 제안했습니다. 그는 또한 차이가 실제로 존재할 때 중요하지 않은 효과라고 잘못 보고하는 경우 발생하는 미발견에 대해서도 동일한 가이드라인 범위를 사용합니다.

왜 통계적 파워가 중요한가?

이 시나리오를 생각해 보십시오. 80%의 파워로 100개의 서로 다른 연구에서 실제 효과가 존재한다면, 통계 테스트는 100개 중 80개에서 실제 효과를 검출할 것입니다. 그러나 연구의 연구 파워가 20%인 경우, 결과에 100개의 진정한 비영향 효과가 있으면 이러한 연구는 그 중 20개만 발견할 것으로 예상됩니다.

신경 과학 연구의 통계적 파워 결함

놀랍게도, 신경 과학 연구의 자원 집약적인 특성 때문에, 이 분야는 약 21%의 중앙 통계적 파워와 8%에서 31%의 넓은 범위를 평균로 가지고 있습니다. 신경 과학 연구의 낮은 통계적 파워:

• 발견의 재현성에 의구심을 불러일으킵니다.

• 과장된 효과 크기로 이어집니다.

• 실제 효과를 정확하게 나타내는 통계적으로 유의미한 결과의 가능성을 줄입니다.

따라서 현재 신경 과학 연구의 상태는 이러한 값이 코헨의 이론적 기준선 이하로 훨씬 낮기 때문에 통계적 파워 문제에 갇혀 있습니다.

대표적인 샘플 그룹 설정하기

시나리오 1의 목표: 포괄적이고 대규모 샘플링으로 테스트에서 샘플링 오류와 I형 및 II형 오류를 피하십시오.

우리의 실험이 실제로 유의미하려면 샘플 세트에 포함해야 할 인간 뇌 스캔은 몇 개어야 할까요? 실제 유의성은 실험에서 얻은 결과가 실제 세계에 적용되는지를 나타냅니다.

신경 과학자의 실험이 효과(통계적 파워)를 결정하는 능력은 샘플 크기와 관련이 있습니다. 시나리오 1의 매개변수를 계속하여, 목표는 도파민 방출의 진정한 효과가 정서적으로 자극적인 시각적 자극을 보인 후 발생하는 시점에서 통계적으로 평가할 수 있도록 충분한 데이터를 수집하는 것입니다. 우리는 또한 샘플링 오류의 잠재력을 최소화하는 샘플 포함 기준을 설정할 필요가 있습니다.

샘플링 오류를 피하는 방법

앞으로 나아가기 전에 이해해야 할 두 가지 용어가 있습니다.

1. 샘플링 오류: 샘플링 시, 선택된 개인의 수집된 데이터가 인구를 대표하지 않을 가능성이 항상 존재합니다.

2. 통계적 유의성: 통계적 유의성은 우리의 데이터와 관찰된 효과가 실제 효과일 가능성이 높다는 것을 의미합니다. 대부분의 생의학 과학에서 통계적 유의성은 .05의 유의성 수준 또는 p-value로 설정됩니다. 본질적으로, 이것은 과학자들이 그들의 실험에서 관찰된 효과에 대해 95% 확신함을 의미합니다.

데이터가 관계(즉, 도파민 방출)를 보여준다고 가정해 봅시다. 효과가 우연과 무관할 5%의 가능성이 있습니다(시각적 자극). 이는 I형 오류가 될 것입니다. 반대로, 우리의 수집된 데이터가 도파민 방출과 시각 자극 사이의 관계가 없음을 보여줄 5%의 확률도 있지만, 실제로는 진정한 효과가 있다면 이는 잘못된 음수 또는 II형 오류가 됩니다.

포함 기준을 신중하게 설정하는 것은 더 큰 샘플 크기를 가진 경우의 수익이 점차 줄어들기 때문에 더욱 영향력이 있습니다.

우리는 모든 인간을 대표하는 데이터를 수집하려고 하며, 우리의 결론이 실제로 유의미하고 통계적으로 유의미하기를 원합니다. 우리 샘플 세트를 성공적으로 설계하기 위해, 샘플링 오류, I형 오류(잘못된 긍정), 또는 II형 오류(잘못된 부정)는 반드시 고려하고 피해야 합니다.

우리의 실험은 다음 가설을 테스트하고 있습니다:

• 귀무가설 - NAc에서의 도파민 방출의 타이밍과 정서적으로 유의미한 시각 자극 간에 관계나 효과가 없다.

• 가설 - NAc에서의 도파민 방출의 타이밍과 정서적으로 유의미한 시각 자극 간에 관계가 있으며, 도파민 방출의 피크는 시각 자극을 본 후 발생한다.

NAc에서의 도파민 방출의 타이밍과 정서적 가치의 시각 자극 간에 관계가 있습니다. 데이터가 통계적으로 유의하지 않을 때:

• 우리의 가설이 기각됩니다.

• 실제 효과나 차이가 발견되지 않습니다.

• 우리의 관찰된 효과는 우연히 발생할 가능성이 똑같이 높습니다.

인구를 이해하는 것이란?

실험 설계의 실용적 제한.

신경 과학 연구에서 공식적인 포함 기준은 샘플링 오류를 피하기 위해 인구 전반에 걸쳐 포함 가능성을 무작위화하고/또는 평준화하려고 합니다. 우리는 단순히 데이터 수집을 위해 가장 가까운 또는 가장 접근 가능한 개인을 선택하여는 안 됩니다. 이는 샘플링 오류에 대한 처방입니다.

샘플 세트 생성을 위한 가장 좋은 접근 방식은 전체 인구에 걸쳐 무작위적으로 선택 가능성을 평준화하는 포함 기준을 사용하는 것입니다. 예를 들어, 인구 조사 데이터를 사용하면 오하이오의 각 카운티에서 무작위로 선택된 50개의 개인의 연락처 정보를 얻을 수 있습니다. 이렇게 하면 모든 지리적 영역에서 이름이 똑같이 무작위로 선택되므로 선택 편향을 최소화할 수 있습니다.

실험 설계를 구축하고 샘플 크기를 증가시키며 완전히 편향되지 않고 무작위화된 포함 기준을 적용하기는 실제적 제한에 부딪힌다. 이는 모든 수준의 과학적 연구에 대한 문제이며, 학술 연습과 본격적인 연구 대학 모두 해당됩니다. 일반적으로 예산과 일정 제한이 먼저 타협을 강요하는 경우가 많습니다. 통계적 유의성과 관련된 이러한 문제들은 현재 활발한 연구 분야입니다.

진짜 효과 크기가 무엇인가?

신경 과학 연구의 낮은 통계적 파워로 인해 우리는 실제 효과 크기를 과대평가하는 경향이 있으며, 이는 많은 연구의 낮은 재현성으로 이어집니다. 더욱이 신경 과학 연구의 본질적인 복잡성 덕분에 통계적 파워는 매우 중요합니다.

이 분야가 채택할 수 있는 방법 중 하나는 샘플 크기를 늘려 연구의 파워를 증가시키는 것입니다. 이는 실제 효과를 탐지할 확률을 증가시킵니다. 적절한 샘플 크기를 선택하는 것은 다음과 같이 연구를 설계하는 데 필수적입니다:

• 실질적인 발견을 가능하게 합니다.

• 뇌의 수많은 과정을 이해하는 데 기여합니다.

• 효과적인 치료법을 개발합니다.

현대 신경 과학 연구의 도전 극복: EmotivLAB 플랫폼

신경 과학 연구의 실험 설계는 신뢰할 수 있는 통계적 유의성을 확보하기 위해 더 큰 샘플 그룹 크기를 설정하고 더 나은 포함 기준을 확립하려고 해야 합니다. EmotivLAB과 같은 크라우드 소싱 활성화 플랫폼에 접속하면, 연구자들은 잠재적으로 훨씬 더 다양한 주제 개인에게 접근할 수 있게 되어 대규모와 모든 인구 통계의 포괄성이 개선됩니다.

현대 신경 과학 연구는 실험 샘플 세트를 모집하기 위한 충분한 자원 부족으로 인해 샘플링 오류에 취약하게 될 수 있습니다. "WEIRD 그룹" 개념이 이러한 문제를 요약합니다. 대부분의 대학 연구는 일반적으로 서구적, 교육받은, 산업화된, 부유하고 민주적인 국가 출신의 실험 주제들에 대한 예산으로 운영됩니다. 하지만 EmotivLAB의 EEG 플랫폼과 같은 원거리 데이터 수집 장비는 연구자들이 대학 캠퍼스를 넘어서 샘플 그룹을 모집하여 인구를 더 잘 반영할 수 있도록 합니다.

EmotivLAB 플랫폼은 연구자들이 현재의 제약에서 벗어나게 해주고, 대신 실험 설계와 결과 분석에 에너지를 집중할 수 있게 허용합니다.

EmotivLAB의 플랫폼과 원거리 EEG 장비는 단순히 연구자들이 실험 샘플 그룹에 포함된 개인의 다양성을 확장하도록 도와주는 것이 아닙니다. 또한 전반적인 샘플 크기 및 목표 인구에 대한 지역적 도달과 관련된 문제를 중재합니다.

EmotivLABs 플랫폼은 현재의 제약에서 연구자들을 해방시킵니다. 대신 실험 설계와 결과 분석에 에너지를 집중할 수 있도록 합니다. 우리의 플랫폼은 가장 적합한 개인들을 주제 풀과 연결합니다. 참가자를 모집하고 조정하며 실험실 내 데이터 수집을 수행하는 데 시간을 소모할 필요가 없습니다. 온라인 플랫폼에서 원하는 인구 통계만 지정하면 EmotivLABs는 원하는 매개변수에 가장 적합한 기여자에게 실험을 제공할 것입니다. 참가자는 자신의 집에서 그들의 장비를 사용하여 실험을 수행할 수 있습니다. 헤드셋에 대한 익숙함 덕분에 연구자들이 그 사용에 대한 교육을 제공할 필요가 없습니다.

게다가 EmotivLAB 플랫폼은 자동 EEG 녹음 데이터 품질 관리를 제공합니다. 낮은 품질의 데이터는 실험 설계에서 샘플링 또는 통계 오류를 극복하는 데 도움이 되지 않습니다. 그러나 더 높은 품질의 데이터에 접근하는 것은 오류를 피하는 데 도움이 되는 해결책을 제공합니다:

• 샘플링

• 인구

• 통계적 유의성

EmotivLABs 플랫폼이 당신의 연구를 위해 무엇을 할 수 있는지 더 알아보려면?

EmotivLABS는 당신이 실험을 구축하고, 안전하고 안전하게 실험을 배포하고, 검증된 참가자들의 글로벌 패널에서 모집하고, 모든 것을 단일 플랫폼에서 고품질 EEG 데이터를 수집할 수 있게 해줍니다. 자세한 내용을 보거나 데모를 요청하려면 여기를 클릭하십시오.