İstatistiksel Anlamlılık: Örneklem Büyüklüğü (Büyüklükleri) & İstatistiksel Güç - Etrafımızdaki dünyayı anlamak için araştırmacılar, şüphelenilen gerçekleri yanlışlardan ayırmanın bir yolu olarak bilimsel yöntemi resmi olarak kullanırlar. Bilişsel Nörobilim; genetik, nörolojik ve davranışsal sistemlerin bir organizmanın dünyayı algılama, etkileşime girme, yön bulma ve dünyayla ilgili düşünme yeteneğini nasıl desteklediğini anlamayı amaçlar.

Bu, bilişsel nörobilimin her analiz düzeyinde deneyler tasarladığı ve veriler topladığı anlamına gelir. Doğal dünyayı daha iyi anlamamızı sağlamayı amaçlayan dünya genelindeki araştırma programları, iyi planlanmış bir dizi daha küçük deneyde varsayımları veya hipotezleri düzenli olarak test etmektedir. Bu deneyler, çevre, cinsel yönelim, ırk veya sosyoekonomik durum gibi dış faktörlerin etkisini en aza indirirken, bir sonucu etkileyebilecek veya etkilemeyebilecek belirli faktörleri araştırmayı amaçlar.

Senaryo Bir: Bir Dopamin Salınımı Çalışması

Bilişsel Nörobilimde dopamin genellikle bir "iyi hissetme" bileşiği olarak kabul edilir. Nükleus Akumbens (NuAc) içindeki salınımı, bizi davranmaya motive eden davranışlar veya şeyler tarafından tetiklenir. Bunlar şunları içerebilir:

• Güzel bir yemek yemek

• Sevdiklerinizle vakit geçirmek

• Seks

• Şeker

Diyelim ki NuAc'taki tepe dopamin seviyelerinin arzulanan veya tanıdık bir görsel uyarana maruz kalmadan önce mi, maruz kalma sırasında mı yoksa sonrasında mı oluştuğunu öğrenmek istiyoruz. Amatya Johanna Mackintosh'un çalışmasından uyarlanan EEG deneysel tasarımını kullanabiliriz. Dopamin salınımının, tanıdık veya arzulanan görsel uyarana maruz kalma sırasında meydana geldiğini ve bu maruziyetten kısa bir süre sonra tepe noktasına ulaştığını varsayabiliriz.

Şimdi, en kritik nokta, test deneklerini nereden bulacağız?

Deneysel durumlarda "popülasyon", üzerinde çalışılan daha büyük, toplam kolektif grubu ifade eder. Laboratuvarınızın yüz binlerce veya milyonlarca insan üzerinde dopamin salınımı verisi toplamak ve işe alım yapmak için bir teknik geliştirmesi pratik değildir ve pek olası değildir.

Bu nedenle, popülasyonu anlamak için daha küçük, temsil edici bir gruptan veya örneklemden veri toplamaya çalışacağız. Bunu yapmak için iki ana soruyu yanıtlamamız gerekecek.

1. Örneklemimize kaç kişinin dahil edilmesi gerekiyor?

2. Bunun pratik anlamlılık ve istatistiksel güçle ilişkisi nedir?

Gelin bunu aşağıda açıklayalım.

İstatistiksel Güç ve Gerçek Etki

İstatistiksel güç, bir testin gerçekten böyle bir fark mevcut olduğunda istatistiksel olarak anlamlı bir farkı tespit etme olasılığı olarak tanımlanır. Buna gerçek etki de denir.

Gerçek etki, deneysel tasarımın temel taşıdır. Cohen'in bilimsel yönteme yaptığı katkılarla ses getiren 1988 tarihli raporu, bir çalışmanın gerçek bir etkiyi tespit etme olasılığının %80 olacak şekilde tasarlanması gerektiğini savunmuştur. Bu %80, yüksek güçlü (HP) bir test tasarımını temsil ederken, %20'ye yaklaşan herhangi bir değer düşük güçlü (LP) bir test tasarımıdır.

Cohen, çalışmaların her zaman yanlış negatif olarak bilinen bir tip II hata yapma olasılığının %20'den az olması gerektiğini öne sürmüştür. Ayrıca, bir araştırmacının bir fark gerçekten mevcutken yanlış bir şekilde anlamlı bir etki olmadığını bildirmesi durumunda ortaya çıkan gözden kaçan keşifler için de aynı kılavuz aralıklarını kullanmaktadır.

İstatistiksel Güç Neden Önemlidir?

Bu senaryoyu düşünün. %80 güce sahip 100 farklı çalışmada gerçek bir etki mevcutsa, istatistiksel testler 100 çalışmanın 80'inde gerçek bir etki tespit edecektir. Ancak, bir çalışmanın araştırma gücü %20 olduğunda, sonuçlarda 100 gerçek sıfır dışı (non-null) etki varsa, bu çalışmaların bunlardan yalnızca 20 tanesini keşfetmesi beklenir.

Nörobilim Araştırmalarında İstatistiksel Güç Eksiklikleri

Şaşırtıcı olmayan bir şekilde, nörobilim araştırmalarının yoğun kaynak gerektiren doğası nedeniyle, bu alanın medyan istatistiksel gücü yaklaşık %21'dir ve ortalama %8-%31 gibi geniş bir aralıktadır. Nörobilim araştırmalarında düşük istatistiksel güç:

• Bulguların tekrarlanabilirliği konusunda şüphe uyandırır.

• Abartılı bir etki büyüklüğüne yol açar.

• Gerçek etkiyi doğru bir şekilde temsil eden istatistiksel olarak anlamlı sonuçların elde edilme olasılığını azaltır.

Dolayısıyla, nörobilim araştırmalarının mevcut durumu istatistiksel güç sorununun tuzağına düşmüştür çünkü bu değerler Cohen'in teorik eşiğinin çok altındadır.

Temsili Bir Örneklem (Örneklemler) Grubu Oluşturma

Birinci Senaryonun Amacı: Kapsayıcı ve büyük örneklemeyle testimizde örnekleme hatalarından ve tip I ve II hatalarından kaçınmak.

Deneyimizin pratik olarak anlamlı olmasını istiyorsak örnek setimize kaç tane insan beyni taraması dahil edilmelidir? Pratik anlamlılık, bir deneyden elde edilen sonuçların gerçek dünyaya uygulanıp uygulanamayacağını ifade eder.

Bir nörobilimcinin deneyinin etkileri belirleme yeteneği (istatistiksel güç) örneklem büyüklüğü ile ilişkilidir. Senaryo 1'in parametrelerine devam edersek, amaç hala duygusal olarak yüklü görsel uyaranları gösterdikten sonra dopamin salınımının zamanlamasında gerçek bir etki olup olmadığını istatistiksel olarak değerlendirebilmek için yeterli veri toplamaktır. Ayrıca, örnekleme hatası potansiyelini en aza indiren örnekleme dahil edilme kriterlerini de belirlememiz gerekir.

Örnekleme Hatalarından Nasıl Kaçınılır?

İlerlemeden önce iki terimi anlamak önemlidir.

1. Örnekleme hatası: Örnekleme yaparken, seçilen bireylerden toplanan verilerin popülasyonu temsil etmeme olasılığı her zaman vardır.

2. İstatistiksel Anlamlılık: İstatistiksel anlamlılık, verilerimizin ve gözlemlenen etkilerimizin muhtemelen gerçek etkiler olduğu anlamına gelir. Çoğu biyomedikal bilimde, istatistiksel anlamlılık .05'lik bir anlamlılık düzeyi veya p-değeri ile belirlenir. Esasen bu, bilim insanlarının deneylerinde gözlemledikleri etkiye %95 oranında güvendikleri anlamına gelir.

Verilerin bir ilişki gösterip göstermediğini (yani dopamin salınımı) düşünün. Etkinin tesadüfen ortaya çıkmış olma ve değişkenle (görsel uyaranlar) ilgisiz olma olasılığı %5'tir. Bu bir Tip I hatası olacaktır. Alternatif olarak, toplanan verilerimizin, gerçekte gerçek bir etki varken -yani yanlış bir negatif veya Tip II hatası- dopamin salınımı ile görsel uyaranlar arasında hiçbir ilişki göstermeme olasılığı %5'tir.

Belirli bir örneklem büyüklüğünden sonra azalan getiri noktası olduğundan, dahil etme kriterlerini dikkatlice belirlemek daha etkilidir.

Tüm insanları temsil eden veriler toplamayı umuyoruz ve vardığımız sonuçların hem pratik hem de istatistiksel olarak anlamlı olmasını istiyoruz. Örneklem setimizi başarılı bir şekilde tasarlamak için bir örnekleme hatası, tip I hata (yanlış pozitif) veya tip II hata (yanlış negatif) hesaba katılmalı ve bunlardan kaçınılmalıdır.

Deneyimiz aşağıdaki hipotezi test etmektedir:

• Sıfır hipotezi - NAc'deki dopamin salınımının zamanlaması ile duygusal olarak değerli görsel uyarıcı arasında hiçbir ilişki veya etki yoktur.

• Hipotez - NAc'deki dopamin salınımının zamanlaması ile duygusal olarak değerli görsel uyarıcı arasında bir ilişki VARDIR ve tepe dopamin salınımı görsel uyarıcıyı gördükten sonra gerçekleşir.

NAc'deki dopamin salınımının zamanlaması ile duygusal olarak değerli görsel uyaranlar arasında bir ilişki vardır. Veriler istatistiksel olarak anlamlı olmadığında:

• Hipotezimiz reddedilir.

• Gerçek bir etki veya fark bulunamaz.

• Gözlemlediğimiz etkilerin tesadüfen ortaya çıkması da aynı derecede olasıdır.

Popülasyonu Anlamak mı?

Deneysel tasarımda pratik sınırlamalar.

Nörobilim araştırmalarında, resmi bir dahil etme kriteri tipik olarak örnekleme hatalarını önlemek için popülasyon genelinde dahil edilme olasılığını rastgele hale getirmeye ve/veya eşitlemeye çalışır. Bireyleri sırf en yakın veya veri toplamak için en erişilebilir kişiler oldukları için seçmekten kaçınmamız gerekir, çünkü bu bir örnekleme hatasının reçetesidir.

Örnek set üretiminde en iyi yaklaşım, tüm popülasyon genelinde seçim olasılığını rastgele eşitleyen dahil etme kriterlerini kullanmaktır. Örneğin, nüfus sayım verilerini kullanarak, Ohio'nun her bir ilçesinde rastgele seçilen 50 kişinin iletişim bilgilerini alabiliriz. Bu, isimlerin tüm coğrafi bölgelerden eşit olarak rastgele seçilmesi nedeniyle seçim yanlılığını en aza indirecektir.

Deneysel tasarımın oluşturulması, örneklem büyüklüğünün artırılması ve tarafsız, rastgele ve eşit olarak uygulanan bir dahil etme kriterinin tam olarak gerçekleştirilmesi, hızlı bir şekilde pratik sınırlamalarla karşılaşabilir. Bu, akademik çalışmalardan tam teşekküllü araştırma üniversitelerine kadar her düzeydeki bilimsel araştırmalar için bir sorundur. Genellikle, bütçe ve zaman çizelgesi sınırlamaları taviz vermeye zorlayan ilk unsurlardır. Toplu olarak, istatistiksel anlamlılık etrafındaki bu konular aktif araştırma alanlarıdır.

Gerçek Etki Büyüklüğü Nedir?

Nörobilim araştırmalarının düşük istatistiksel gücü nedeniyle, gerçek etki büyüklüğünü abartma eğilimindeyiz ve bu da birçok çalışmanın düşük tekrarlanabilirliğine yol açmaktadır. Ayrıca, nörobilim araştırmalarının doğasında var olan karmaşıklık, istatistiksel gücü kritik hale getirmektedir.

Bu alanda benimsenebilecek yöntemlerden biri, örneklem büyüklüğünü artırarak bir çalışmanın gücünü artırmaktır. Bu durum, gerçek bir etkiyi tespit etme olasılığını artırır. Uygun bir örneklem büyüklüğü seçmek, şu özellikleri taşıyan bir araştırma tasarlamak için hayati önem taşır:

• Pratik keşifler yapar.

• Beyindeki sayısız süreç hakkındaki anlayışımızı geliştirir.

• Etkili tedaviler geliştirir.

Çağdaş Nörobilim Araştırmalarında Zorlukların Üstesinden Gelmek: EmotivLAB Platformu

Güvenilir istatistiksel anlamlılığa ulaşmak için nörobilim araştırmalarının deneysel tasarımları, daha büyük örneklem grupları ve daha iyi dahil etme kriterleri oluşturmaya yönelmelidir. EmotivLAB gibi kitle kaynaklı (crowd-sourced) bir platforma erişim sayesinde araştırmacılara, araştırma grupları için minimum ek lojistik çabayla örneklem büyüklüğünü ve tüm demografik özelliklerin kapsayıcılığını artıran, potansiyel olarak çok daha çeşitli, çok daha temsili denek bireylerine erişim sağlanır.

Modern nörobilim araştırmaları, deneysel örneklem seti için çeşitli bir grubu işe almaya yönelik sınırlı kaynaklar nedeniyle örnekleme hatalarına karşı savunmasız kalabilir. "WEIRD grubu" kavramı bu sorunu özetlemektedir. Çoğu üniversite araştırması, genel olarak Batılı, Eğitimli ve Sanayileşmiş, Zengin ve Demokratik ülkelerden gelen deneysel denekler üzerinde çok kısıtlı bütçelerle yapılmaktadır. Bununla birlikte, EmotivLABs'in EEG platformu gibi uzaktan veri toplama ekipmanları, araştırmacıların kampüs sınırlarının ötesine geçerek popülasyonu daha iyi yansıtan örneklem grupları toplamasını sağlar.

EmotivLABs platformu, araştırmacıları mevcut kısıtlamalardan kurtararak bunun yerine enerjilerini deneyler tasarlamaya ve sonuçları analiz etmeye odaklamalarını sağlar.

EmotivLABs platformu ve uzaktan EEG ekipmanı yalnızca araştırmacıların deneysel örneklem gruplarına dahil edilen bireylerin çeşitliliğini genişletmelerine yardımcı olmakla kalmıyor. Aynı zamanda genel örneklem büyüklüğü ve hedef popülasyonlara coğrafi erişimle ilgili sorunlara da aracılık ediyor.

EmotivLABs platformu, araştırmacıları mevcut kısıtlamalardan kurtararak bunun yerine enerjilerini deneyler tasarlamaya ve sonuçları analiz etmeye odaklamalarını sağlar. Platformumuz, deneyi denek havuzundaki en uygun bireylerle eşleştirir. Katılımcı toplamak, onları koordine etmek ve planlamak ve laboratuvar içi veri toplama işlemleri gerçekleştirmek için zaman harcamaya gerek yoktur. Tek yapılması gereken, çevrimiçi platformda istenen demografik özelliklerin belirtilmesidir; EmotivLABs, deneyi istenen parametrelere en uygun olan katılımcıların erişimine sunacaktır. Katılımcılar deneyleri kendi ekipmanlarını kullanarak kendi evlerinde gerçekleştirebilirler. Kulaklığa aşina olmaları, araştırmacıların bunun kullanımı hakkında talimat verme ihtiyacını ortadan kaldırır.

Bunun ötesinde, EmotivLAB platformu otomatik EEG kayıt verisi kalite kontrolü ve değerlendirmesi sağlar. Çok miktarda düşük kaliteli veri, deneysel tasarımlardaki örnekleme veya istatistiksel hataların üstesinden gelinmesine yardımcı olmaz. Bununla birlikte, daha fazla yüksek kaliteli veriye erişimin olması, aşağıdaki alanlarda hatalardan kaçınmaya yardımcı olacak bir çözüm sunar:

• Örnekleme

• Popülasyon

• İstatistiksel anlamlılık

EmotivLABs Platformunun Araştırmanız İçin Neler Yapabileceği Hakkında Daha Fazla Bilgi Edinmek İster misiniz?

EmotivLABS; deneyinizi oluşturmanıza, deneyinizi güvenli bir şekilde uygulamanıza, doğrulanmış katılımcılardan oluşan küresel bir panelden işe alım yapmanıza ve yüksek kaliteli EEG verileri toplamanıza olanak tanır ve bunların hepsini tek bir platformdan gerçekleştirir. Daha fazla bilgi edinmek veya demo talep etmek için buraya tıklayın.