Determinación de la significación estadística, tipos y métodos de su cálculo.

¿Qué es la significación estadística?

La significancia estadística se refiere a la afirmación de que un conjunto de datos observados no es el resultado del azar, sino que puede explicarse por una causa específica. La importancia estadística es importante para las disciplinas académicas o los profesionales que dependen en gran medida del análisis y la investigación de datos, como la economía, las finanzas, las inversiones, la medicina, la física y la biología.

La significancia estadística puede considerarse fuerte o débil. Al analizar un conjunto de datos y realizar las pruebas necesarias para determinar si una o más variables influyen en un resultado, una fuerte significancia estadística ayuda a confirmar el hecho de que los resultados son reales y no son causados ​​por la suerte o el azar. En pocas palabras, si el valor p es pequeño, el resultado se considera más confiable.

Surgen problemas al probar la significancia estadística porque los investigadores normalmente trabajan con muestras de poblaciones más grandes en lugar de con las poblaciones mismas. Como resultado, las muestras deben ser representativas de la población, por lo que los datos contenidos en la muestra no deben estar sesgados de ninguna manera. En la mayoría de las ciencias, incluida la economía, un resultado puede considerarse estadísticamente significativo si tiene un nivel de confianza del 95% (o, a veces, del 99%).

Comprender la importancia estadística

El cálculo de la significancia estadística (prueba de significancia) está sujeto a un cierto grado de error. Incluso si los datos parecen tener una fuerte relación, los investigadores deben considerar la posibilidad de que la aparente correlación se deba al azar o a un error de muestreo.

El tamaño de la muestra es un componente importante de la significación estadística porque las muestras más grandes son menos susceptibles a los trematodos. Al probar la significancia, sólo se deben utilizar muestras representativas seleccionadas al azar. El nivel en el que se puede decidir si un evento es estadísticamente significativo se conoce como nivel de significancia.

Los investigadores utilizan una medida conocida como valor p para determinar la significancia estadística: si el valor p cae por debajo del nivel de significancia, entonces el resultado es estadísticamente significativo. El valor p es una función de las medias y desviaciones estándar de las muestras de datos.

El valor p indica la probabilidad con la que se produjo un resultado estadístico determinado, dado que el azar fue el único responsable del resultado. Si esta probabilidad es baja, entonces el investigador puede concluir que algún otro factor podría ser responsable de los datos observados.

Lo opuesto al nivel de significancia, calculado como 1 menos el nivel de significancia, es el nivel de confianza. Indica el grado de confianza de que un resultado estadístico no se produjo por casualidad o como resultado de un error de muestreo. El nivel de confianza habitual en muchas pruebas estadísticas es del 95%, lo que da como resultado un nivel de significancia habitual o valor p del 5%.

Consideraciones Especiales

La significancia estadística no siempre indica importancia práctica, lo que significa que los resultados pueden no ser aplicables a situaciones comerciales de la vida real. Además, la significación estadística puede malinterpretarse si los investigadores no utilizan un lenguaje cuidadoso al informar sus resultados. El hecho de que un resultado sea estadísticamente significativo no significa que sea No el resultado del azar, simplemente es menos probable.

El hecho de que dos conjuntos de datos estén altamente correlacionados entre sí no implica una relación de causa y efecto. Por ejemplo, el número de películas en las que aparece el actor Nicolas Cage durante el año está altamente correlacionado con el número de ahogamientos accidentales en piscinas. Pero esta correlación es falsa porque no se pueden hacer afirmaciones causales teóricas.

Otro problema que puede surgir con la significancia estadística es que los datos pasados ​​y los resultados de esos datos, ya sean estadísticamente significativos o no, pueden no ser representativos de las condiciones actuales o futuras. En la inversión, esto puede manifestarse como un modelo de precios que se desmorona durante una crisis financiera, ya que las correlaciones cambian y las variables no interactúan como de costumbre. La importancia estadística también puede ayudar a un inversor a comprender si un modelo de valoración de activos es mejor que otro.

Tipos de pruebas de significación estadística

Se utilizan varios tipos de pruebas de significancia según el estudio que se esté realizando. Por ejemplo, se pueden usar pruebas en una, dos o más muestras de datos de diferentes tamaños para medias, varianzas, proporciones, datos emparejados o no emparejados, o varias distribuciones de datos.

También existen diferentes enfoques para las pruebas de significancia, según el tipo de datos disponibles. A Ronald Fisher se le atribuye la formulación de uno de los enfoques más flexibles, así como el establecimiento de la norma de importancia a nivel PAG <0,05. Debido a que gran parte del trabajo se puede realizar una vez que se han recopilado los datos, este método sigue siendo popular para proyectos de investigación especiales o de corto plazo.

En un esfuerzo por desarrollar el método de Fischer, Jerzy Neumann y Egon Pearson finalmente desarrollaron un enfoque alternativo. Este método requiere trabajo adicional antes de recopilar datos, pero permite a los investigadores diseñar su estudio de una manera que controla la probabilidad de sacar conclusiones falsas.

Prueba de hipótesis nula

La significación estadística se utiliza en las pruebas de hipótesis nulas, donde los investigadores intentan confirmar sus teorías mientras rechazan otras explicaciones. Aunque a veces este método se malinterpreta, sigue siendo el método de prueba de datos más popular en medicina, psicología y otros campos.

La hipótesis nula más común es que el parámetro en cuestión es cero (normalmente indica que la variable tiene efecto cero sobre el resultado de interés). Si los investigadores rechazan la hipótesis nula con un 95% de confianza o más, pueden afirmar que la relación observada es estadísticamente significativa. También se pueden probar hipótesis nulas para determinar la igualdad de efectos entre dos o más tratamientos alternativos.

Rechazar la hipótesis nula, incluso si nunca se pudiera lograr un grado muy alto de significación estadística. probar algo que sólo puede añadir apoyo a la hipótesis existente. Por otro lado, el hecho de no rechazar la hipótesis nula suele ser motivo para rechazar la hipótesis.

Alternativamente, un efecto puede ser estadísticamente significativo pero tener sólo un impacto muy pequeño. Por ejemplo, puede ser estadísticamente significativo que las empresas que utilizan papel higiénico de dos capas en sus baños tengan empleados más productivos, pero la mejora en la productividad absoluta de cada empleado probablemente sea pequeña.

Línea de fondo

La significancia estadística se utiliza para evaluar la posibilidad de que una relación observada pueda ser el resultado del azar. Cuando una observación muestra una relación débil entre dos variables o tiene una pequeña cantidad de puntos de datos, se considera estadísticamente insignificante. Sin embargo, cuando hay más puntos de datos que muestran una relación más consistente, esa correlación se considera estadísticamente significativa. Los investigadores utilizan la significación estadística para estimar la probabilidad de que dos variables puedan tener una relación de causa y efecto.