Statistische Signifikanz

Was ist statistische Signifikanz?

Statistische Signifikanz bezieht sich auf die Behauptung, dass ein Ergebnis aus Daten, die durch Tests oder Experimente generiert wurden, wahrscheinlich nicht zufällig oder zufällig auftritt, sondern eher auf eine bestimmte Ursache zurückzuführen ist. Eine statistische Signifikanz ist wichtig für akademische Disziplinen oder Praktiker, die stark auf die Analyse von Daten und Forschung angewiesen sind. wie Wirtschaftswissenschaften, Finanzen, investieren, Medizin, Physik, und Biologie.

Die statistische Signifikanz kann als stark oder schwach angesehen werden. Wenn Sie einen Datensatz analysieren und die erforderlichen Tests durchführen, um zu erkennen, ob eine oder mehrere Variablen einen Einfluss auf ein Ergebnis haben, Eine starke statistische Signifikanz unterstützt die Tatsache, dass die Ergebnisse echt sind und nicht durch Glück oder Zufall verursacht wurden. Einfach ausgedrückt, Wenn ein p-Wert klein ist, wird das Ergebnis als zuverlässiger angesehen.

Bei Tests mit statistischer Signifikanz treten Probleme auf, weil Forscher in der Regel mit Stichproben größerer Populationen und nicht mit den Populationen selbst arbeiten. Als Ergebnis, die Proben müssen für die Bevölkerung repräsentativ sein, Daher dürfen die in der Stichprobe enthaltenen Daten in keiner Weise verzerrt sein. In den meisten Wissenschaften einschließlich Wirtschaftswissenschaften, statistische Signifikanz ist relevant, wenn ein Anspruch zu 95 % (oder manchmal 99 %) geltend gemacht werden kann.

Statistische Signifikanz verstehen

Die Berechnung der statistischen Signifikanz (Signifikanzprüfung) unterliegt einem gewissen Fehler. Der Forscher muss im Voraus die Wahrscheinlichkeit eines Stichprobenfehlers definieren, die in jedem Test existiert, der nicht die gesamte Population umfasst.

Die Stichprobengröße ist eine wichtige Komponente von statistischer Signifikanz, da größere Stichproben weniger anfällig für Zufallszahlen sind. Nur zufällig, Für Signifikanztests sollten repräsentative Stichproben verwendet werden. Das Niveau, bei dem akzeptiert werden kann, ob ein Ereignis statistisch signifikant ist, wird als Signifikanzniveau bezeichnet.

Forscher verwenden eine Teststatistik, die als p-Wert bekannt ist, um die statistische Signifikanz zu bestimmen:Wenn der p-Wert unter das Signifikanzniveau fällt, dann ist das Ergebnis statistisch signifikant. Der p-Wert ist eine Funktion der Mittelwerte und Standardabweichungen der Datenstichproben.

Der p-Wert gibt die Wahrscheinlichkeit an, mit der das gegebene statistische Ergebnis aufgetreten ist, für das Ergebnis ist allein der Zufall verantwortlich. Wenn diese Wahrscheinlichkeit klein ist, dann kann der Forscher unsere Chance als Ursache sicher ausschließen. Der p-Wert muss unter das Signifikanzniveau fallen, damit die Ergebnisse zumindest als statistisch signifikant gelten.

Das Gegenteil des Signifikanzniveaus, berechnet als 1 minus Signifikanzniveau, ist das Vertrauensniveau. Es gibt den Grad der Sicherheit an, dass das statistische Ergebnis nicht zufällig oder durch Stichprobenfehler entstanden ist. Das übliche Konfidenzniveau in vielen statistischen Tests beträgt 95 %, was zu einem üblichen Signifikanzniveau bzw. p-Wert von 5 % führt.

Die zentralen Thesen

• Statistische Signifikanz bezieht sich auf die Behauptung, dass ein Ergebnis aus Daten, die durch Tests oder Experimente generiert wurden, wahrscheinlich auf eine bestimmte Ursache zurückzuführen ist.
• Wenn eine Statistik eine hohe Signifikanz hat, gilt sie als zuverlässiger.
• Die Berechnung der statistischen Signifikanz unterliegt einem gewissen Fehler.
• Die statistische Signifikanz kann fehlinterpretiert werden, wenn die Forscher bei der Berichterstattung über ihre Ergebnisse die Sprache nicht sorgfältig verwenden.
• Abhängig von der durchgeführten Forschung werden verschiedene Arten von Signifikanztests verwendet

Besondere Überlegungen

Statistische Signifikanz weist nicht immer auf praktische Signifikanz hin, Dies bedeutet, dass die Ergebnisse nicht auf reale Geschäftssituationen angewendet werden können. Zusätzlich, Die statistische Signifikanz kann fehlinterpretiert werden, wenn die Forscher bei der Berichterstattung über ihre Ergebnisse die Sprache nicht sorgfältig verwenden. Da ein Ergebnis statistisch signifikant ist, bedeutet das nicht, dass es ist nicht willkürlich, nur dass die Wahrscheinlichkeit, dass es zufällig ist, stark reduziert wird.

Nur weil zwei Datenreihen eine starke Korrelation miteinander aufweisen, bedeutet dies nicht, dass es sich um eine Kausalität handelt. Zum Beispiel, die Zahl der Filme, in denen der Schauspieler Nicolas Cage in einem bestimmten Jahr mitspielt, korreliert sehr stark mit der Zahl der versehentlichen Ertrinken in Schwimmbädern. Diese Korrelation ist jedoch falsch, da es keine theoretische kausale Behauptung gibt.

Ein weiteres Problem, das bei statistischer Signifikanz auftreten kann, besteht darin, dass Daten aus der Vergangenheit, und die Ergebnisse aus diesen Daten, ob statistisch signifikant oder nicht, kann nicht die aktuellen oder zukünftigen Bedingungen widerspiegeln. Beim Investieren, Dies kann sich in einem Preismodell äußern, das in Zeiten der Finanzkrise zusammenbricht, da sich Korrelationen ändern und Variablen nicht wie üblich interagieren. Die statistische Signifikanz kann einem Anleger auch dabei helfen, zu erkennen, ob ein Asset-Pricing-Modell besser ist als ein anderes.

Arten von statistischen Signifikanztests

Abhängig von der durchgeführten Forschung werden verschiedene Arten von Signifikanztests verwendet. Zum Beispiel, Tests können zum einen eingesetzt werden, zwei, oder mehr Datenproben unterschiedlicher Größe für Durchschnittswerte, Abweichungen, Proportionen, gepaarte oder ungepaarte Daten, oder unterschiedliche Datenverteilungen.

Die Nullhypothese

Alle diese Faktoren haben sogenannte Nullhypothesen, und Signifikanz ist oft das Ziel von Hypothesentests in der Statistik. Die häufigste Nullhypothese ist, dass der fragliche Parameter gleich Null ist (was normalerweise darauf hinweist, dass eine Variable keinen Einfluss auf das interessierende Ergebnis hat). Wenn Sie die Nullhypothese mit einer Sicherheit von 95 % oder besser ablehnen können, Forscher können sich auf statistische Signifikanz berufen. Nullhypothesen können auch auf Gleichheit (anstatt gleich Null) der Wirkung für zwei oder mehr alternative Behandlungen getestet werden.

Ablehnung der Nullhypothese, auch wenn eine sehr hohe statistische Signifikanz niemals möglich ist unter Beweis stellen etwas, kann nur eine bestehende Hypothese unterstützen. Auf der anderen Seite, Das Versäumnis, eine Nullhypothese abzulehnen, ist oft ein Grund für die Ablehnung einer Hypothese.

Ein statistischer Signifikanztest hat viel von der gleichen Mathematik wie die Berechnung eines Konfidenzintervalls. In üblichen Situationen, eine Möglichkeit, die statistische Signifikanz zu interpretieren, besteht darin, dass das entsprechende 95-%-Konfidenzintervall den Wert Null nicht enthält. Auch wenn sich eine Variable als statistisch signifikant herausstellt, es muss in der realen Welt noch Sinn machen.

Zusätzlich, ein Effekt kann statistisch signifikant sein, aber nur einen sehr geringen Einfluss haben. Zum Beispiel, es kann aufgrund des Zufalls sehr unwahrscheinlich sein, dass Unternehmen, die doppellagiges Toilettenpapier in ihren Badezimmern verwenden, produktivere Mitarbeiter haben. aber die Verbesserung der absoluten Produktivität jedes Arbeiters wird wahrscheinlich verschwindend gering sein.