Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
Istotność statystyczna: wielkość prób oraz moc statystyczna
Quoc Minh Lai
Udostępnij:
Istotność statystyczna: Rozmiar próbki i moc statystyczna - Aby zrozumieć otaczający nas świat, badacze formalnie wykorzystują metodę naukową jako sposób oddzielania podejrzewanych prawd od fałszywych informacji. Neurobiologia poznawcza ma na celu zrozumienie, jak systemy genetyczne, neurologiczne i behawioralne wspierają zdolność organizmu do odczuwania, interakcji, nawigacji i myślenia o otaczającym ich świecie.
Oznacza to, że neurobiologia poznawcza projektuje eksperymenty i zbiera dane na wszystkich poziomach analizy. Programy badawcze na całym świecie, które dążą do poszerzenia naszej wiedzy o świecie naturalnym, regularnie testują założenia lub hipotezy w dobrze zaplanowanej serii mniejszych eksperymentów. Te eksperymenty zazwyczaj badają konkretne czynniki, które mogą, ale nie muszą wpływać na wynik, minimalizując wpływ nieistotnych czynników, takich jak środowisko, orientacja seksualna, rasa czy status społeczno-ekonomiczny.
Scenariusz pierwszy: Badanie uwolnienia dopaminy
W neurobiologii poznawczej dopamina jest ogólnie uważana za związek „dobrego samopoczucia”. Jej uwolnienie w jądrze półleżącym (NuAc) jest wywoływane przez zachowania lub rzeczy, które motywują nas do działania. Mogą to być:
Jedzenie dobrego posiłku
Czas spędzony z bliskimi
seks
Cukier
Załóżmy, że chcielibyśmy się dowiedzieć, czy szczytowe poziomy dopaminy w NuAc pojawiają się przed, w trakcie, czy po ekspozycji na pożądany lub znajomy bodziec wizualny. Możemy wykorzystać projekt eksperymentu EEG przyjęty z badania Amatyi Johanny Mackintosh. Możemy postawić hipotezę, że uwolnienie dopaminy następuje w trakcie i osiąga szczyt nieco po ekspozycji na znajome lub pożądane bodźce wizualne.
Teraz, co najważniejsze, skąd weźmiemy uczestników testów?
W sytuacjach eksperymentalnych „populacja” odnosi się do większej, ogólnej grupy badanej. Niepraktycznym i mało prawdopodobnym jest, aby Wasze laboratorium mogło opracować technikę rekrutacji i zbierania danych o uwolnieniu dopaminy od setek tysięcy lub milionów ludzi.
W związku z tym postaramy się zebrać dane z mniejszej, reprezentatywnej grupy lub próbki, aby zrozumieć populację. Aby to zrobić, musimy odpowiedzieć na dwa główne pytania.
Ile osób powinno być uwzględnionych w naszej próbce?
Jak to ma się do praktycznej istotności i mocy statystycznej?
Rozłóżmy to poniżej.
Moc statystyczna i rzeczywisty efekt
Moc statystyczna definiowana jest jako prawdopodobieństwo wykrycia statystycznie istotnej różnicy, gdy taka różnica faktycznie istnieje. Nazywa się to również rzeczywistym efektem.
Rzeczywisty efekt jest podstawą projektowania eksperymentów. Raport Cohena z 1988 roku, znany z wkładu w metodę naukową, argumentował, że badanie powinno być zaprojektowane tak, aby miało 80% prawdopodobieństwo wykrycia rzeczywistego efektu. Te 80% odpowiada projektowi testu o wysokiej mocy (HP), podczas gdy wszelkie wartości zbliżające się do 20% to projekt testu o niskiej mocy (LP).
Cohen sugerował, że badania powinny zawsze mieć mniej niż 20% prawdopodobieństwo popełnienia błędu typu II, znanego jako fałszywie negatywny. Używał także tych samych zakresów wskazówek dotyczących pominiętych odkryć, które występują, gdy badacz błędnie podaje brak istotnego efektu, gdy różnica rzeczywiście istnieje.
Dlaczego moc statystyczna ma znaczenie?
Wyobraź sobie ten scenariusz. Jeśli rzeczywisty efekt istnieje w 100 różnych badaniach o mocy 80%, testy statystyczne wykryją rzeczywisty efekt w 80 z 100. Jednak gdy badanie ma moc badawczą wynoszącą 20%, jeśli w wynikach znajduje się 100 prawdziwych efektów nieskalarnych, te badania odkryją tylko 20 z nich.
Ograniczenia mocy statystycznej w badaniach neurobiologicznych
Nie jest zaskoczeniem, że z powodu zasobochłonnej natury badań w neurobiologii ten obszar ma medianę mocy statystycznej około 21% i średnią wahającą się wokół 8%-31%. Niska moc statystyczna w badaniach neurobiologicznych:
Budzi wątpliwości co do replikowalności wyników.
Powoduje wyolbrzymioną wielkość efektu.
Zmniejsza prawdopodobieństwo uzyskania statystycznie istotnych wyników, które dokładnie odzwierciedlają rzeczywisty efekt.
W związku z tym obecny stan badań neurobiologicznych jest uwięziony przez problem mocy statystycznej, ponieważ te wartości są znacznie poniżej teoretycznego progu Cohena.
Ustanowienie reprezentatywnej grupy próbnej
Celem scenariusza pierwszego: Uniknięcie błędów próbkowania oraz błędów typu I i II w naszym teście z inkluzywnymi i dużymi próbkami.
Ile skanów mózgu ludzi należy uwzględnić w naszym zestawie próbek, jeśli chcemy, aby eksperyment miał praktyczną istotność? Praktyczna istotność odnosi się do tego, czy wyniki eksperymentu mają zastosowanie w rzeczywistym świecie.
Możliwość eksperymentu neurobiologa do ustalenia efektów (mocy statystycznej) jest związana z rozmiarem próby. Kontynuując parametry scenariusza 1, celem nadal jest zebranie wystarczających danych, aby statystycznie ocenić, czy istnieje rzeczywisty efekt w czasie uwolnienia dopaminy po pokazaniu emocjonalnie naładowanych bodźców wizualnych. Musimy również ustalić kryteria włączenia do próbki, które zminimalizują potencjalne błędy próbkowania.
Jak uniknąć błędów próbkowania
Przed przejściem do przodu ważne jest zrozumienie dwóch terminów.
Błąd próbkowania: Podczas próbkowania zawsze istnieje szansa, że zebrane dane wybranych osób nie będą reprezentować populacji.
Istotność statystyczna: Istotność statystyczna oznacza, że nasze dane i obserwowane efekty są prawdopodobnie prawdziwymi efektami. W większości nauk biomedycznych istotność statystyczna ustalana jest na poziomie istotności lub p-wartości wynoszącej 0,05. Zasadniczo oznacza to, że naukowcy mają 95% pewności co do uzyskanego efektu w swoich eksperymentach.
Rozważ, czy dane pokazują związek (tj. uwolnienie dopaminy). Istnieje 5% prawdopodobieństwo, że efekt wynika z przypadku i nie jest związany z zmienną (bodźcem wizualnym). Byłoby to błąd typu I. Alternatywnie, istnieje 5% prawdopodobieństwo, że nasze zebrane dane mogą nie pokazywać związku między uwolnieniem dopaminy a bodźcami wizualnymi, gdy w rzeczywistości istnieje prawdziwy efekt - fałszywy negatyw lub błąd typu II.
Starannie ustalone kryteria włączenia mają większy wpływ, ponieważ po pewnym rozmiarze próby osiąga się punkt ograniczonego przyrostu.
Mamy nadzieję, że zbierzemy dane reprezentujące wszystkich ludzi, a nasze wnioski będą zarówno praktycznie istotne, jak i statystycznie istotne. Aby skutecznie zaprojektować nasz zestaw próbek, należy uwzględnić i uniknąć błędu próbkowania, błędu typu I (fałszywy pozytyw) lub błędu typu II (fałszywy negatyw).
Nasz eksperyment testuje następującą hipotezę:
Hipoteza zerowa - Brak związku lub efektu między czasem uwolnienia dopaminy w NAc a emocjonalnie wartościowym bodźcem wizualnym.
Hipoteza - ISTNIEJE związek między czasem uwolnienia dopaminy w NAc a emocjonalnie wartościowym bodźcem wizualnym, a szczytowe uwolnienie dopaminy występuje po zobaczeniu bodźców wizualnych.
Istnieje związek między czasem uwolnienia dopaminy w NAc a emocjonalnymi bodźcami wizualnymi. Gdy dane nie są statystycznie istotne:
Nasza hipoteza jest odrzucana.
Nie znaleziono rzeczywistego efektu ani różnicy.
Nasze obserwowane efekty mają równie dużą szansę wynikać z przypadku.
Zrozumienie populacji?
Ograniczenia praktyczne w projektowaniu eksperymentów.
W badaniach neurobiologicznych formalne kryteria uznania zazwyczaj próbują zrandomizować i/lub wyrównać prawdopodobieństwo włączenia w całej populacji, aby uniknąć błędów próbkowania. Musimy unikać wybierania osób tylko dlatego, że są najbliżej lub najłatwiej dostępne do zbierania danych, ponieważ to prowadzi do błędów próbkowania.
Najlepsze podejście do generowania zestawu próbek polega na wykorzystaniu kryteriów włączenia, które losowo wyrównują prawdopodobieństwo wyboru w całej populacji. Na przykład, korzystając z danych z spisu ludności, moglibyśmy uzyskać dane kontaktowe dla 50 losowo wybranych osób w każdym hrabstwie w Ohio. Zminimalizowałoby to stronniczość wyboru, ponieważ nazwy byłyby losowo wybierane równo ze wszystkich obszarów geograficznych.
Ustalenie projektu eksperymentu, zwiększenie rozmiaru próby i w pełni zrealizowanie niestronniczych, zrandomizowanych i równo stosowanych kryteriów włączenia mogą szybko napotkać na ograniczenia praktyczne. To problem dla naukowych studiów badawczych na wszystkich poziomach, od ćwiczeń akademickich po pełnoprawne uniwersytety badawcze. Zwykle ograniczenia budżetu i harmonogramu są pierwszymi, które zmuszają do kompromisu. Zbiorowo, te kwestie dotyczące istotności statystycznej są aktywnymi obszarami badań.
Jaka jest prawdziwa wielkość efektu?
Z powodu niskiej mocy statystycznej badań w neurobiologii, tendencja do przeszacowywania rzeczywistej wielkości efektu prowadzi do niskiej powtarzalności wielu badań. Ponadto, wrodzona złożoność badań neurobiologicznych sprawia, że moc statystyczna jest krytyczna.
Jedną z metod, które mogą przyjąć te badania, jest zwiększenie mocy badania poprzez zwiększenie rozmiaru próbki. To zwiększa prawdopodobieństwo wykrycia rzeczywistego efektu. Wybór odpowiedniego rozmiaru próbki jest kluczowy do zaprojektowania badań, które:
Dokonuje praktycznych odkryć.
Poszerza naszą wiedzę o niezliczonych procesach w mózgu.
Opracowuje skuteczne terapie.
Pokonywanie wyzwań we współczesnych badaniach neurobiologicznych: Platforma EmotivLAB
Eksperymentalne projekty badań neurobiologicznych powinny dążyć do ustanowienia większych grup próbkowych i lepszych kryteriów włączenia w celu osiągnięcia wiarygodnej istotności statystycznej. Dzięki dostępowi do platformy umożliwiającej gromadzenie danych, takiej jak EmotivLAB, badacze mają dostęp do potencjalnie znacznie bardziej różnorodnych, a więc bardziej reprezentatywnych osób badawczych - poprawiając wielkość próby i inkluzywność wszystkich grup demograficznych przy minimalnym dodatkowym wysiłku logistycznym dla grup badawczych.
Nowoczesne badania neurobiologiczne mogą być narażone na błędy próbkowania z powodu ograniczonych dostępnych zasobów do rekrutacji różnorodnej grupy do eksperymentalnego zestawu próbek. Koncepcja „grupy WEIRD” ujęła ten problem. Większość badań uniwersyteckich przeprowadzanych jest na ograniczonym budżecie na subiekty eksperymentalne, które, ogólnie rzecz biorąc, są zachodnie, wykształcone i pochodzą z krajów uprzemysłowionych, bogatych i demokratycznych. Jednak sprzęt do zdalnego zbierania danych, taki jak platforma EEG EmotivLAB, pozwala badaczom wychodzić poza kampusy uniwersyteckie, aby rekrutować grupy próbkowe, które lepiej odzwierciedlają populację.
Platforma EmotivLAB i zdalny sprzęt EEG nie tylko pomagają badaczom poszerzać różnorodność osób uwzględnionych w eksperymentalnych grupach próbnych. Rozwiązują również problemy związane z ogólną wielkością próby i zasięgiem geograficznym w docelowych populacjach.
Platforma EmotivLAB uwalnia badaczy od obecnych ograniczeń i pozwala im skupić swoją energię na projektowaniu eksperymentów i analizie wyników. Nasza platforma dopasowuje eksperyment do najbardziej odpowiednich osób w zbiorze podmiotów. Nie ma potrzeby poświęcania czasu na rekrutację uczestników, koordynację i planowanie ich oraz gromadzenie danych w laboratoriach. Wystarczy określić żądany demograficzny w internetowej platformie, a EmotivLABs udostępni eksperyment uczestnikom, którzy najlepiej odpowiadają żądanym parametrom. Uczestnicy mogą przeprowadzać eksperymenty w swoich własnych domach, korzystając z własnego sprzętu. Ich znajomość ze słuchawkami usuwa potrzebę, aby badacze udzielali instrukcji dotyczących ich użytkowania.
Ponadto platforma EmotivLAB zapewnia automatyczną kontrolę jakości danych do nagrywania EEG i ocenę. Duża ilość niskiej jakości danych nie przyczynia się do przezwyciężania błędów próbkowania lub statystycznych w projektach eksperymentalnych. Jednak dostęp do większej ilości wysokiej jakości danych zapewnia rozwiązanie, aby unikać błędów w:
Próbkowaniu
Populacji
Istotności statystycznej
Chcesz dowiedzieć się więcej o tym, co platforma EmotivLABs może zrobić dla Twoich badań?
EmotivLABS umożliwia Ci budowanie swojego eksperymentu, bezpieczne i pewne wdrażanie go, rekrutację z globalnej bazy zweryfikowanych uczestników oraz zbieranie wysokiej jakości danych EEG, wszystko z jednej platformy. Kliknij tutaj, aby dowiedzieć się więcej lub poprosić o demonstrację.
Istotność statystyczna: Rozmiar próbki i moc statystyczna - Aby zrozumieć otaczający nas świat, badacze formalnie wykorzystują metodę naukową jako sposób oddzielania podejrzewanych prawd od fałszywych informacji. Neurobiologia poznawcza ma na celu zrozumienie, jak systemy genetyczne, neurologiczne i behawioralne wspierają zdolność organizmu do odczuwania, interakcji, nawigacji i myślenia o otaczającym ich świecie.
Oznacza to, że neurobiologia poznawcza projektuje eksperymenty i zbiera dane na wszystkich poziomach analizy. Programy badawcze na całym świecie, które dążą do poszerzenia naszej wiedzy o świecie naturalnym, regularnie testują założenia lub hipotezy w dobrze zaplanowanej serii mniejszych eksperymentów. Te eksperymenty zazwyczaj badają konkretne czynniki, które mogą, ale nie muszą wpływać na wynik, minimalizując wpływ nieistotnych czynników, takich jak środowisko, orientacja seksualna, rasa czy status społeczno-ekonomiczny.
Scenariusz pierwszy: Badanie uwolnienia dopaminy
W neurobiologii poznawczej dopamina jest ogólnie uważana za związek „dobrego samopoczucia”. Jej uwolnienie w jądrze półleżącym (NuAc) jest wywoływane przez zachowania lub rzeczy, które motywują nas do działania. Mogą to być:
Jedzenie dobrego posiłku
Czas spędzony z bliskimi
seks
Cukier
Załóżmy, że chcielibyśmy się dowiedzieć, czy szczytowe poziomy dopaminy w NuAc pojawiają się przed, w trakcie, czy po ekspozycji na pożądany lub znajomy bodziec wizualny. Możemy wykorzystać projekt eksperymentu EEG przyjęty z badania Amatyi Johanny Mackintosh. Możemy postawić hipotezę, że uwolnienie dopaminy następuje w trakcie i osiąga szczyt nieco po ekspozycji na znajome lub pożądane bodźce wizualne.
Teraz, co najważniejsze, skąd weźmiemy uczestników testów?
W sytuacjach eksperymentalnych „populacja” odnosi się do większej, ogólnej grupy badanej. Niepraktycznym i mało prawdopodobnym jest, aby Wasze laboratorium mogło opracować technikę rekrutacji i zbierania danych o uwolnieniu dopaminy od setek tysięcy lub milionów ludzi.
W związku z tym postaramy się zebrać dane z mniejszej, reprezentatywnej grupy lub próbki, aby zrozumieć populację. Aby to zrobić, musimy odpowiedzieć na dwa główne pytania.
Ile osób powinno być uwzględnionych w naszej próbce?
Jak to ma się do praktycznej istotności i mocy statystycznej?
Rozłóżmy to poniżej.
Moc statystyczna i rzeczywisty efekt
Moc statystyczna definiowana jest jako prawdopodobieństwo wykrycia statystycznie istotnej różnicy, gdy taka różnica faktycznie istnieje. Nazywa się to również rzeczywistym efektem.
Rzeczywisty efekt jest podstawą projektowania eksperymentów. Raport Cohena z 1988 roku, znany z wkładu w metodę naukową, argumentował, że badanie powinno być zaprojektowane tak, aby miało 80% prawdopodobieństwo wykrycia rzeczywistego efektu. Te 80% odpowiada projektowi testu o wysokiej mocy (HP), podczas gdy wszelkie wartości zbliżające się do 20% to projekt testu o niskiej mocy (LP).
Cohen sugerował, że badania powinny zawsze mieć mniej niż 20% prawdopodobieństwo popełnienia błędu typu II, znanego jako fałszywie negatywny. Używał także tych samych zakresów wskazówek dotyczących pominiętych odkryć, które występują, gdy badacz błędnie podaje brak istotnego efektu, gdy różnica rzeczywiście istnieje.
Dlaczego moc statystyczna ma znaczenie?
Wyobraź sobie ten scenariusz. Jeśli rzeczywisty efekt istnieje w 100 różnych badaniach o mocy 80%, testy statystyczne wykryją rzeczywisty efekt w 80 z 100. Jednak gdy badanie ma moc badawczą wynoszącą 20%, jeśli w wynikach znajduje się 100 prawdziwych efektów nieskalarnych, te badania odkryją tylko 20 z nich.
Ograniczenia mocy statystycznej w badaniach neurobiologicznych
Nie jest zaskoczeniem, że z powodu zasobochłonnej natury badań w neurobiologii ten obszar ma medianę mocy statystycznej około 21% i średnią wahającą się wokół 8%-31%. Niska moc statystyczna w badaniach neurobiologicznych:
Budzi wątpliwości co do replikowalności wyników.
Powoduje wyolbrzymioną wielkość efektu.
Zmniejsza prawdopodobieństwo uzyskania statystycznie istotnych wyników, które dokładnie odzwierciedlają rzeczywisty efekt.
W związku z tym obecny stan badań neurobiologicznych jest uwięziony przez problem mocy statystycznej, ponieważ te wartości są znacznie poniżej teoretycznego progu Cohena.
Ustanowienie reprezentatywnej grupy próbnej
Celem scenariusza pierwszego: Uniknięcie błędów próbkowania oraz błędów typu I i II w naszym teście z inkluzywnymi i dużymi próbkami.
Ile skanów mózgu ludzi należy uwzględnić w naszym zestawie próbek, jeśli chcemy, aby eksperyment miał praktyczną istotność? Praktyczna istotność odnosi się do tego, czy wyniki eksperymentu mają zastosowanie w rzeczywistym świecie.
Możliwość eksperymentu neurobiologa do ustalenia efektów (mocy statystycznej) jest związana z rozmiarem próby. Kontynuując parametry scenariusza 1, celem nadal jest zebranie wystarczających danych, aby statystycznie ocenić, czy istnieje rzeczywisty efekt w czasie uwolnienia dopaminy po pokazaniu emocjonalnie naładowanych bodźców wizualnych. Musimy również ustalić kryteria włączenia do próbki, które zminimalizują potencjalne błędy próbkowania.
Jak uniknąć błędów próbkowania
Przed przejściem do przodu ważne jest zrozumienie dwóch terminów.
Błąd próbkowania: Podczas próbkowania zawsze istnieje szansa, że zebrane dane wybranych osób nie będą reprezentować populacji.
Istotność statystyczna: Istotność statystyczna oznacza, że nasze dane i obserwowane efekty są prawdopodobnie prawdziwymi efektami. W większości nauk biomedycznych istotność statystyczna ustalana jest na poziomie istotności lub p-wartości wynoszącej 0,05. Zasadniczo oznacza to, że naukowcy mają 95% pewności co do uzyskanego efektu w swoich eksperymentach.
Rozważ, czy dane pokazują związek (tj. uwolnienie dopaminy). Istnieje 5% prawdopodobieństwo, że efekt wynika z przypadku i nie jest związany z zmienną (bodźcem wizualnym). Byłoby to błąd typu I. Alternatywnie, istnieje 5% prawdopodobieństwo, że nasze zebrane dane mogą nie pokazywać związku między uwolnieniem dopaminy a bodźcami wizualnymi, gdy w rzeczywistości istnieje prawdziwy efekt - fałszywy negatyw lub błąd typu II.
Starannie ustalone kryteria włączenia mają większy wpływ, ponieważ po pewnym rozmiarze próby osiąga się punkt ograniczonego przyrostu.
Mamy nadzieję, że zbierzemy dane reprezentujące wszystkich ludzi, a nasze wnioski będą zarówno praktycznie istotne, jak i statystycznie istotne. Aby skutecznie zaprojektować nasz zestaw próbek, należy uwzględnić i uniknąć błędu próbkowania, błędu typu I (fałszywy pozytyw) lub błędu typu II (fałszywy negatyw).
Nasz eksperyment testuje następującą hipotezę:
Hipoteza zerowa - Brak związku lub efektu między czasem uwolnienia dopaminy w NAc a emocjonalnie wartościowym bodźcem wizualnym.
Hipoteza - ISTNIEJE związek między czasem uwolnienia dopaminy w NAc a emocjonalnie wartościowym bodźcem wizualnym, a szczytowe uwolnienie dopaminy występuje po zobaczeniu bodźców wizualnych.
Istnieje związek między czasem uwolnienia dopaminy w NAc a emocjonalnymi bodźcami wizualnymi. Gdy dane nie są statystycznie istotne:
Nasza hipoteza jest odrzucana.
Nie znaleziono rzeczywistego efektu ani różnicy.
Nasze obserwowane efekty mają równie dużą szansę wynikać z przypadku.
Zrozumienie populacji?
Ograniczenia praktyczne w projektowaniu eksperymentów.
W badaniach neurobiologicznych formalne kryteria uznania zazwyczaj próbują zrandomizować i/lub wyrównać prawdopodobieństwo włączenia w całej populacji, aby uniknąć błędów próbkowania. Musimy unikać wybierania osób tylko dlatego, że są najbliżej lub najłatwiej dostępne do zbierania danych, ponieważ to prowadzi do błędów próbkowania.
Najlepsze podejście do generowania zestawu próbek polega na wykorzystaniu kryteriów włączenia, które losowo wyrównują prawdopodobieństwo wyboru w całej populacji. Na przykład, korzystając z danych z spisu ludności, moglibyśmy uzyskać dane kontaktowe dla 50 losowo wybranych osób w każdym hrabstwie w Ohio. Zminimalizowałoby to stronniczość wyboru, ponieważ nazwy byłyby losowo wybierane równo ze wszystkich obszarów geograficznych.
Ustalenie projektu eksperymentu, zwiększenie rozmiaru próby i w pełni zrealizowanie niestronniczych, zrandomizowanych i równo stosowanych kryteriów włączenia mogą szybko napotkać na ograniczenia praktyczne. To problem dla naukowych studiów badawczych na wszystkich poziomach, od ćwiczeń akademickich po pełnoprawne uniwersytety badawcze. Zwykle ograniczenia budżetu i harmonogramu są pierwszymi, które zmuszają do kompromisu. Zbiorowo, te kwestie dotyczące istotności statystycznej są aktywnymi obszarami badań.
Jaka jest prawdziwa wielkość efektu?
Z powodu niskiej mocy statystycznej badań w neurobiologii, tendencja do przeszacowywania rzeczywistej wielkości efektu prowadzi do niskiej powtarzalności wielu badań. Ponadto, wrodzona złożoność badań neurobiologicznych sprawia, że moc statystyczna jest krytyczna.
Jedną z metod, które mogą przyjąć te badania, jest zwiększenie mocy badania poprzez zwiększenie rozmiaru próbki. To zwiększa prawdopodobieństwo wykrycia rzeczywistego efektu. Wybór odpowiedniego rozmiaru próbki jest kluczowy do zaprojektowania badań, które:
Dokonuje praktycznych odkryć.
Poszerza naszą wiedzę o niezliczonych procesach w mózgu.
Opracowuje skuteczne terapie.
Pokonywanie wyzwań we współczesnych badaniach neurobiologicznych: Platforma EmotivLAB
Eksperymentalne projekty badań neurobiologicznych powinny dążyć do ustanowienia większych grup próbkowych i lepszych kryteriów włączenia w celu osiągnięcia wiarygodnej istotności statystycznej. Dzięki dostępowi do platformy umożliwiającej gromadzenie danych, takiej jak EmotivLAB, badacze mają dostęp do potencjalnie znacznie bardziej różnorodnych, a więc bardziej reprezentatywnych osób badawczych - poprawiając wielkość próby i inkluzywność wszystkich grup demograficznych przy minimalnym dodatkowym wysiłku logistycznym dla grup badawczych.
Nowoczesne badania neurobiologiczne mogą być narażone na błędy próbkowania z powodu ograniczonych dostępnych zasobów do rekrutacji różnorodnej grupy do eksperymentalnego zestawu próbek. Koncepcja „grupy WEIRD” ujęła ten problem. Większość badań uniwersyteckich przeprowadzanych jest na ograniczonym budżecie na subiekty eksperymentalne, które, ogólnie rzecz biorąc, są zachodnie, wykształcone i pochodzą z krajów uprzemysłowionych, bogatych i demokratycznych. Jednak sprzęt do zdalnego zbierania danych, taki jak platforma EEG EmotivLAB, pozwala badaczom wychodzić poza kampusy uniwersyteckie, aby rekrutować grupy próbkowe, które lepiej odzwierciedlają populację.
Platforma EmotivLAB i zdalny sprzęt EEG nie tylko pomagają badaczom poszerzać różnorodność osób uwzględnionych w eksperymentalnych grupach próbnych. Rozwiązują również problemy związane z ogólną wielkością próby i zasięgiem geograficznym w docelowych populacjach.
Platforma EmotivLAB uwalnia badaczy od obecnych ograniczeń i pozwala im skupić swoją energię na projektowaniu eksperymentów i analizie wyników. Nasza platforma dopasowuje eksperyment do najbardziej odpowiednich osób w zbiorze podmiotów. Nie ma potrzeby poświęcania czasu na rekrutację uczestników, koordynację i planowanie ich oraz gromadzenie danych w laboratoriach. Wystarczy określić żądany demograficzny w internetowej platformie, a EmotivLABs udostępni eksperyment uczestnikom, którzy najlepiej odpowiadają żądanym parametrom. Uczestnicy mogą przeprowadzać eksperymenty w swoich własnych domach, korzystając z własnego sprzętu. Ich znajomość ze słuchawkami usuwa potrzebę, aby badacze udzielali instrukcji dotyczących ich użytkowania.
Ponadto platforma EmotivLAB zapewnia automatyczną kontrolę jakości danych do nagrywania EEG i ocenę. Duża ilość niskiej jakości danych nie przyczynia się do przezwyciężania błędów próbkowania lub statystycznych w projektach eksperymentalnych. Jednak dostęp do większej ilości wysokiej jakości danych zapewnia rozwiązanie, aby unikać błędów w:
Próbkowaniu
Populacji
Istotności statystycznej
Chcesz dowiedzieć się więcej o tym, co platforma EmotivLABs może zrobić dla Twoich badań?
EmotivLABS umożliwia Ci budowanie swojego eksperymentu, bezpieczne i pewne wdrażanie go, rekrutację z globalnej bazy zweryfikowanych uczestników oraz zbieranie wysokiej jakości danych EEG, wszystko z jednej platformy. Kliknij tutaj, aby dowiedzieć się więcej lub poprosić o demonstrację.
Istotność statystyczna: Rozmiar próbki i moc statystyczna - Aby zrozumieć otaczający nas świat, badacze formalnie wykorzystują metodę naukową jako sposób oddzielania podejrzewanych prawd od fałszywych informacji. Neurobiologia poznawcza ma na celu zrozumienie, jak systemy genetyczne, neurologiczne i behawioralne wspierają zdolność organizmu do odczuwania, interakcji, nawigacji i myślenia o otaczającym ich świecie.
Oznacza to, że neurobiologia poznawcza projektuje eksperymenty i zbiera dane na wszystkich poziomach analizy. Programy badawcze na całym świecie, które dążą do poszerzenia naszej wiedzy o świecie naturalnym, regularnie testują założenia lub hipotezy w dobrze zaplanowanej serii mniejszych eksperymentów. Te eksperymenty zazwyczaj badają konkretne czynniki, które mogą, ale nie muszą wpływać na wynik, minimalizując wpływ nieistotnych czynników, takich jak środowisko, orientacja seksualna, rasa czy status społeczno-ekonomiczny.
Scenariusz pierwszy: Badanie uwolnienia dopaminy
W neurobiologii poznawczej dopamina jest ogólnie uważana za związek „dobrego samopoczucia”. Jej uwolnienie w jądrze półleżącym (NuAc) jest wywoływane przez zachowania lub rzeczy, które motywują nas do działania. Mogą to być:
Jedzenie dobrego posiłku
Czas spędzony z bliskimi
seks
Cukier
Załóżmy, że chcielibyśmy się dowiedzieć, czy szczytowe poziomy dopaminy w NuAc pojawiają się przed, w trakcie, czy po ekspozycji na pożądany lub znajomy bodziec wizualny. Możemy wykorzystać projekt eksperymentu EEG przyjęty z badania Amatyi Johanny Mackintosh. Możemy postawić hipotezę, że uwolnienie dopaminy następuje w trakcie i osiąga szczyt nieco po ekspozycji na znajome lub pożądane bodźce wizualne.
Teraz, co najważniejsze, skąd weźmiemy uczestników testów?
W sytuacjach eksperymentalnych „populacja” odnosi się do większej, ogólnej grupy badanej. Niepraktycznym i mało prawdopodobnym jest, aby Wasze laboratorium mogło opracować technikę rekrutacji i zbierania danych o uwolnieniu dopaminy od setek tysięcy lub milionów ludzi.
W związku z tym postaramy się zebrać dane z mniejszej, reprezentatywnej grupy lub próbki, aby zrozumieć populację. Aby to zrobić, musimy odpowiedzieć na dwa główne pytania.
Ile osób powinno być uwzględnionych w naszej próbce?
Jak to ma się do praktycznej istotności i mocy statystycznej?
Rozłóżmy to poniżej.
Moc statystyczna i rzeczywisty efekt
Moc statystyczna definiowana jest jako prawdopodobieństwo wykrycia statystycznie istotnej różnicy, gdy taka różnica faktycznie istnieje. Nazywa się to również rzeczywistym efektem.
Rzeczywisty efekt jest podstawą projektowania eksperymentów. Raport Cohena z 1988 roku, znany z wkładu w metodę naukową, argumentował, że badanie powinno być zaprojektowane tak, aby miało 80% prawdopodobieństwo wykrycia rzeczywistego efektu. Te 80% odpowiada projektowi testu o wysokiej mocy (HP), podczas gdy wszelkie wartości zbliżające się do 20% to projekt testu o niskiej mocy (LP).
Cohen sugerował, że badania powinny zawsze mieć mniej niż 20% prawdopodobieństwo popełnienia błędu typu II, znanego jako fałszywie negatywny. Używał także tych samych zakresów wskazówek dotyczących pominiętych odkryć, które występują, gdy badacz błędnie podaje brak istotnego efektu, gdy różnica rzeczywiście istnieje.
Dlaczego moc statystyczna ma znaczenie?
Wyobraź sobie ten scenariusz. Jeśli rzeczywisty efekt istnieje w 100 różnych badaniach o mocy 80%, testy statystyczne wykryją rzeczywisty efekt w 80 z 100. Jednak gdy badanie ma moc badawczą wynoszącą 20%, jeśli w wynikach znajduje się 100 prawdziwych efektów nieskalarnych, te badania odkryją tylko 20 z nich.
Ograniczenia mocy statystycznej w badaniach neurobiologicznych
Nie jest zaskoczeniem, że z powodu zasobochłonnej natury badań w neurobiologii ten obszar ma medianę mocy statystycznej około 21% i średnią wahającą się wokół 8%-31%. Niska moc statystyczna w badaniach neurobiologicznych:
Budzi wątpliwości co do replikowalności wyników.
Powoduje wyolbrzymioną wielkość efektu.
Zmniejsza prawdopodobieństwo uzyskania statystycznie istotnych wyników, które dokładnie odzwierciedlają rzeczywisty efekt.
W związku z tym obecny stan badań neurobiologicznych jest uwięziony przez problem mocy statystycznej, ponieważ te wartości są znacznie poniżej teoretycznego progu Cohena.
Ustanowienie reprezentatywnej grupy próbnej
Celem scenariusza pierwszego: Uniknięcie błędów próbkowania oraz błędów typu I i II w naszym teście z inkluzywnymi i dużymi próbkami.
Ile skanów mózgu ludzi należy uwzględnić w naszym zestawie próbek, jeśli chcemy, aby eksperyment miał praktyczną istotność? Praktyczna istotność odnosi się do tego, czy wyniki eksperymentu mają zastosowanie w rzeczywistym świecie.
Możliwość eksperymentu neurobiologa do ustalenia efektów (mocy statystycznej) jest związana z rozmiarem próby. Kontynuując parametry scenariusza 1, celem nadal jest zebranie wystarczających danych, aby statystycznie ocenić, czy istnieje rzeczywisty efekt w czasie uwolnienia dopaminy po pokazaniu emocjonalnie naładowanych bodźców wizualnych. Musimy również ustalić kryteria włączenia do próbki, które zminimalizują potencjalne błędy próbkowania.
Jak uniknąć błędów próbkowania
Przed przejściem do przodu ważne jest zrozumienie dwóch terminów.
Błąd próbkowania: Podczas próbkowania zawsze istnieje szansa, że zebrane dane wybranych osób nie będą reprezentować populacji.
Istotność statystyczna: Istotność statystyczna oznacza, że nasze dane i obserwowane efekty są prawdopodobnie prawdziwymi efektami. W większości nauk biomedycznych istotność statystyczna ustalana jest na poziomie istotności lub p-wartości wynoszącej 0,05. Zasadniczo oznacza to, że naukowcy mają 95% pewności co do uzyskanego efektu w swoich eksperymentach.
Rozważ, czy dane pokazują związek (tj. uwolnienie dopaminy). Istnieje 5% prawdopodobieństwo, że efekt wynika z przypadku i nie jest związany z zmienną (bodźcem wizualnym). Byłoby to błąd typu I. Alternatywnie, istnieje 5% prawdopodobieństwo, że nasze zebrane dane mogą nie pokazywać związku między uwolnieniem dopaminy a bodźcami wizualnymi, gdy w rzeczywistości istnieje prawdziwy efekt - fałszywy negatyw lub błąd typu II.
Starannie ustalone kryteria włączenia mają większy wpływ, ponieważ po pewnym rozmiarze próby osiąga się punkt ograniczonego przyrostu.
Mamy nadzieję, że zbierzemy dane reprezentujące wszystkich ludzi, a nasze wnioski będą zarówno praktycznie istotne, jak i statystycznie istotne. Aby skutecznie zaprojektować nasz zestaw próbek, należy uwzględnić i uniknąć błędu próbkowania, błędu typu I (fałszywy pozytyw) lub błędu typu II (fałszywy negatyw).
Nasz eksperyment testuje następującą hipotezę:
Hipoteza zerowa - Brak związku lub efektu między czasem uwolnienia dopaminy w NAc a emocjonalnie wartościowym bodźcem wizualnym.
Hipoteza - ISTNIEJE związek między czasem uwolnienia dopaminy w NAc a emocjonalnie wartościowym bodźcem wizualnym, a szczytowe uwolnienie dopaminy występuje po zobaczeniu bodźców wizualnych.
Istnieje związek między czasem uwolnienia dopaminy w NAc a emocjonalnymi bodźcami wizualnymi. Gdy dane nie są statystycznie istotne:
Nasza hipoteza jest odrzucana.
Nie znaleziono rzeczywistego efektu ani różnicy.
Nasze obserwowane efekty mają równie dużą szansę wynikać z przypadku.
Zrozumienie populacji?
Ograniczenia praktyczne w projektowaniu eksperymentów.
W badaniach neurobiologicznych formalne kryteria uznania zazwyczaj próbują zrandomizować i/lub wyrównać prawdopodobieństwo włączenia w całej populacji, aby uniknąć błędów próbkowania. Musimy unikać wybierania osób tylko dlatego, że są najbliżej lub najłatwiej dostępne do zbierania danych, ponieważ to prowadzi do błędów próbkowania.
Najlepsze podejście do generowania zestawu próbek polega na wykorzystaniu kryteriów włączenia, które losowo wyrównują prawdopodobieństwo wyboru w całej populacji. Na przykład, korzystając z danych z spisu ludności, moglibyśmy uzyskać dane kontaktowe dla 50 losowo wybranych osób w każdym hrabstwie w Ohio. Zminimalizowałoby to stronniczość wyboru, ponieważ nazwy byłyby losowo wybierane równo ze wszystkich obszarów geograficznych.
Ustalenie projektu eksperymentu, zwiększenie rozmiaru próby i w pełni zrealizowanie niestronniczych, zrandomizowanych i równo stosowanych kryteriów włączenia mogą szybko napotkać na ograniczenia praktyczne. To problem dla naukowych studiów badawczych na wszystkich poziomach, od ćwiczeń akademickich po pełnoprawne uniwersytety badawcze. Zwykle ograniczenia budżetu i harmonogramu są pierwszymi, które zmuszają do kompromisu. Zbiorowo, te kwestie dotyczące istotności statystycznej są aktywnymi obszarami badań.
Jaka jest prawdziwa wielkość efektu?
Z powodu niskiej mocy statystycznej badań w neurobiologii, tendencja do przeszacowywania rzeczywistej wielkości efektu prowadzi do niskiej powtarzalności wielu badań. Ponadto, wrodzona złożoność badań neurobiologicznych sprawia, że moc statystyczna jest krytyczna.
Jedną z metod, które mogą przyjąć te badania, jest zwiększenie mocy badania poprzez zwiększenie rozmiaru próbki. To zwiększa prawdopodobieństwo wykrycia rzeczywistego efektu. Wybór odpowiedniego rozmiaru próbki jest kluczowy do zaprojektowania badań, które:
Dokonuje praktycznych odkryć.
Poszerza naszą wiedzę o niezliczonych procesach w mózgu.
Opracowuje skuteczne terapie.
Pokonywanie wyzwań we współczesnych badaniach neurobiologicznych: Platforma EmotivLAB
Eksperymentalne projekty badań neurobiologicznych powinny dążyć do ustanowienia większych grup próbkowych i lepszych kryteriów włączenia w celu osiągnięcia wiarygodnej istotności statystycznej. Dzięki dostępowi do platformy umożliwiającej gromadzenie danych, takiej jak EmotivLAB, badacze mają dostęp do potencjalnie znacznie bardziej różnorodnych, a więc bardziej reprezentatywnych osób badawczych - poprawiając wielkość próby i inkluzywność wszystkich grup demograficznych przy minimalnym dodatkowym wysiłku logistycznym dla grup badawczych.
Nowoczesne badania neurobiologiczne mogą być narażone na błędy próbkowania z powodu ograniczonych dostępnych zasobów do rekrutacji różnorodnej grupy do eksperymentalnego zestawu próbek. Koncepcja „grupy WEIRD” ujęła ten problem. Większość badań uniwersyteckich przeprowadzanych jest na ograniczonym budżecie na subiekty eksperymentalne, które, ogólnie rzecz biorąc, są zachodnie, wykształcone i pochodzą z krajów uprzemysłowionych, bogatych i demokratycznych. Jednak sprzęt do zdalnego zbierania danych, taki jak platforma EEG EmotivLAB, pozwala badaczom wychodzić poza kampusy uniwersyteckie, aby rekrutować grupy próbkowe, które lepiej odzwierciedlają populację.
Platforma EmotivLAB i zdalny sprzęt EEG nie tylko pomagają badaczom poszerzać różnorodność osób uwzględnionych w eksperymentalnych grupach próbnych. Rozwiązują również problemy związane z ogólną wielkością próby i zasięgiem geograficznym w docelowych populacjach.
Platforma EmotivLAB uwalnia badaczy od obecnych ograniczeń i pozwala im skupić swoją energię na projektowaniu eksperymentów i analizie wyników. Nasza platforma dopasowuje eksperyment do najbardziej odpowiednich osób w zbiorze podmiotów. Nie ma potrzeby poświęcania czasu na rekrutację uczestników, koordynację i planowanie ich oraz gromadzenie danych w laboratoriach. Wystarczy określić żądany demograficzny w internetowej platformie, a EmotivLABs udostępni eksperyment uczestnikom, którzy najlepiej odpowiadają żądanym parametrom. Uczestnicy mogą przeprowadzać eksperymenty w swoich własnych domach, korzystając z własnego sprzętu. Ich znajomość ze słuchawkami usuwa potrzebę, aby badacze udzielali instrukcji dotyczących ich użytkowania.
Ponadto platforma EmotivLAB zapewnia automatyczną kontrolę jakości danych do nagrywania EEG i ocenę. Duża ilość niskiej jakości danych nie przyczynia się do przezwyciężania błędów próbkowania lub statystycznych w projektach eksperymentalnych. Jednak dostęp do większej ilości wysokiej jakości danych zapewnia rozwiązanie, aby unikać błędów w:
Próbkowaniu
Populacji
Istotności statystycznej
Chcesz dowiedzieć się więcej o tym, co platforma EmotivLABs może zrobić dla Twoich badań?
EmotivLABS umożliwia Ci budowanie swojego eksperymentu, bezpieczne i pewne wdrażanie go, rekrutację z globalnej bazy zweryfikowanych uczestników oraz zbieranie wysokiej jakości danych EEG, wszystko z jednej platformy. Kliknij tutaj, aby dowiedzieć się więcej lub poprosić o demonstrację.
