آزمون فرض آماری چیست؟

در بسیاری از تحقیقات علمی، پژوهشگر با یک سوال یا ادعا روبه‌رو است و می‌خواهد با استفاده از داده‌های نمونه بررسی کند که آیا شواهد کافی برای تایید یا رد آن ادعا وجود دارد یا خیر.

برای مثال:

• آیا میانگین رضایت مشتریان دو شرکت با یکدیگر متفاوت است؟
• آیا بین کیفیت خدمات و وفاداری مشتری رابطه وجود دارد؟
• آیا یک روش آموزشی جدید باعث افزایش عملکرد دانشجویان شده است؟
• آیا جنسیت با نوع خرید مشتریان ارتباط دارد؟

برای پاسخ به چنین سوال‌هایی تنها مشاهده چند عدد یا مقایسه ظاهری میانگین‌ها کافی نیست. پژوهشگر باید از یک روش آماری مشخص برای تصمیم‌گیری استفاده کند.

این فرایند را آزمون فرض آماری یا Statistical Hypothesis Testing می‌نامند.

اما آزمون فرض آماری چیست؟

آزمون فرض آماری روشی است که با استفاده از اطلاعات یک نمونه، درباره یک ادعا در مورد جامعه آماری تصمیم‌گیری می‌کند.

در این روش ابتدا دو فرض تعریف می‌شود، سپس با استفاده از یک آزمون آماری و شاخص‌هایی مانند p-value بررسی می‌شود که آیا شواهد کافی برای رد فرض صفر وجود دارد یا خیر.

آزمون فرض آماری چیست؟

آزمون فرض آماری مجموعه‌ای از مراحل آماری برای بررسی یک ادعا درباره جامعه است.

در بسیاری از پژوهش‌ها امکان بررسی تمام افراد جامعه وجود ندارد. بنابراین پژوهشگر یک نمونه انتخاب می‌کند و بر اساس داده‌های همان نمونه درباره جامعه نتیجه‌گیری می‌کند.

برای مثال فرض کنید یک دانشگاه ادعا می‌کند میانگین نمره دانشجویان آن بیشتر از ۱۵ است.

پژوهشگر نمی‌تواند لزوماً نمرات تمام دانشجویان را بررسی کند. در نتیجه نمونه‌ای از دانشجویان انتخاب می‌شود و میانگین نمونه محاسبه می‌شود.

سپس با استفاده از آزمون فرض بررسی می‌شود که آیا شواهد آماری کافی برای حمایت از این ادعا وجود دارد یا خیر.

نکته مهم این است که آزمون فرض معمولاً قطعیت مطلق ایجاد نمی‌کند. نتیجه بر اساس احتمال و شواهد موجود در داده‌ها بیان می‌شود.

فرض آماری چیست؟

فرض آماری یک ادعا درباره یک ویژگی یا پارامتر جامعه آماری است.

این ویژگی می‌تواند موارد مختلفی باشد:

• میانگین جامعه
• نسبت جامعه
• تفاوت میانگین دو گروه
• وجود رابطه بین دو متغیر
• تفاوت بین چند گروه

برای مثال:

«میانگین رضایت مشتریان بیشتر از ۴ است.»

یا:

«بین کیفیت خدمات و وفاداری مشتری رابطه وجود دارد.»

برای بررسی چنین ادعاهایی معمولاً دو فرض تشکیل می‌شود:

• فرض صفر
• فرض مقابل

فرض صفر چیست؟

فرض صفر یا Null Hypothesis با نماد H0 نمایش داده می‌شود.

این فرض معمولاً بیان می‌کند که:

• تفاوتی وجود ندارد.
• رابطه‌ای وجود ندارد.
• اثری وجود ندارد.

برای مثال اگر پژوهشگر بخواهد بررسی کند آیا یک دوره آموزشی باعث تغییر عملکرد کارکنان شده است، فرض صفر می‌تواند به شکل زیر باشد:

H0:

بین عملکرد کارکنان قبل و بعد از آموزش تفاوت معناداری وجود ندارد.

در آزمون‌های آماری، تحلیل معمولاً از فرض صفر آغاز می‌شود و هدف بررسی این است که آیا داده‌ها شواهد کافی برای رد آن فراهم می‌کنند یا خیر.

فرض مقابل چیست؟

فرض مقابل یا Alternative Hypothesis با H1 یا Ha نمایش داده می‌شود.

فرض مقابل معمولاً ادعایی است که پژوهشگر انتظار دارد شواهد به نفع آن باشد.

در مثال دوره آموزشی:

H1:

بین عملکرد کارکنان قبل و بعد از آموزش تفاوت معناداری وجود دارد.

اگر داده‌ها شواهد کافی علیه فرض صفر ارائه کنند، H0 رد می‌شود و نتیجه به نفع فرض مقابل تفسیر می‌شود.

تفاوت فرض صفر و فرض مقابل

تفاوت این دو فرض را می‌توان به شکل ساده زیر نشان داد:

فرض	مفهوم
H0	نبود تفاوت، رابطه یا اثر
H1	وجود تفاوت، رابطه یا اثر

برای مثال در بررسی رابطه بین کیفیت خدمات و رضایت مشتری:

H0:

بین کیفیت خدمات و رضایت مشتری رابطه معناداری وجود ندارد.

H1:

بین کیفیت خدمات و رضایت مشتری رابطه معناداری وجود دارد.

این ساختار در بسیاری از آزمون‌ها مانند «همبستگی پیرسون»، «آزمون t» و «ANOVA» استفاده می‌شود.

آزمون یک‌طرفه و دوطرفه چیست؟

فرض‌های آماری می‌توانند یک‌طرفه یا دوطرفه باشند.

این تفاوت به شکل فرض مقابل مربوط است.

آزمون دوطرفه

در آزمون دوطرفه فقط بررسی می‌شود آیا تفاوت وجود دارد یا خیر.

جهت تفاوت از قبل مشخص نشده است.

برای مثال:

H1:

میانگین عملکرد گروه اول با گروه دوم متفاوت است.

در اینجا ممکن است گروه اول بیشتر یا کمتر باشد.

آزمون یک‌طرفه

در آزمون یک‌طرفه جهت تفاوت از قبل مشخص شده است.

برای مثال:

H1:

میانگین عملکرد گروه اول بیشتر از گروه دوم است.

آزمون یک‌طرفه زمانی باید استفاده شود که جهت فرضیه قبل از مشاهده نتایج و بر اساس مبانی نظری مشخص شده باشد.

انتخاب یک‌طرفه یا دوطرفه نباید بعد از دیدن نتایج انجام شود.

سطح معناداری چیست؟

سطح معناداری با نماد α نشان داده می‌شود.

این مقدار حدی است که پژوهشگر برای تصمیم‌گیری درباره رد یا رد نکردن فرض صفر تعیین می‌کند.

رایج‌ترین سطح معناداری:

0.05

است.

یعنی پژوهشگر حاضر است احتمال مشخصی از خطای نوع اول را در فرایند تصمیم‌گیری بپذیرد.

گاهی در تحقیقات از مقادیر دیگری مانند:

0.01

یا:

0.10

نیز استفاده می‌شود.

با این حال، مقدار ۰.۰۵ یکی از رایج‌ترین انتخاب‌ها در پژوهش‌های دانشگاهی است.

p-value چیست و چه ارتباطی با آزمون فرض دارد؟

p-value یکی از مهم‌ترین مفاهیم در آزمون فرض آماری است.

به زبان ساده، p-value نشان می‌دهد اگر فرض صفر درست باشد، مشاهده نتیجه‌ای به اندازه نتیجه به‌دست‌آمده یا شدیدتر تا چه اندازه با مدل آماری سازگار است.

در بسیاری از تحقیقات، p-value با سطح معناداری مقایسه می‌شود.

اگر:

p-value < 0.05

باشد، معمولاً فرض صفر رد می‌شود.

اگر:

p-value > 0.05

باشد، فرض صفر رد نمی‌شود.

برای مثال:

p = 0.003

چون این مقدار کمتر از ۰.۰۵ است، نتیجه از نظر آماری معنادار تلقی می‌شود.

اما اگر:

p = 0.28

باشد، شواهد کافی برای رد فرض صفر وجود ندارد.

نکته مهم این است که p-value احتمال درست یا غلط بودن فرض صفر نیست. این یکی از اشتباهات رایج در تفسیر نتایج آماری است.

مراحل آزمون فرض آماری

برای انجام آزمون فرض آماری معمولاً چند مرحله مشخص طی می‌شود.

این مراحل کمک می‌کنند تصمیم‌گیری آماری به صورت منظم انجام شود و پژوهشگر بر اساس داده‌ها نتیجه‌گیری کند.

مراحل کلی عبارت‌اند از:

1. تعریف فرض صفر و فرض مقابل
2. تعیین سطح معناداری
3. انتخاب آزمون آماری مناسب
4. محاسبه آماره آزمون
5. محاسبه یا بررسی p-value
6. تصمیم‌گیری درباره فرض صفر
7. تفسیر نتیجه در چارچوب پژوهش

مرحله اول: تعریف فرض صفر و فرض مقابل

در اولین مرحله باید مشخص شود دقیقاً چه چیزی قرار است آزمون شود.

برای مثال فرض کنید پژوهشگر می‌خواهد تاثیر یک روش آموزشی جدید را بررسی کند.

فرض صفر:

H0: روش آموزشی جدید باعث تغییر معنادار عملکرد دانشجویان نمی‌شود.

فرض مقابل:

H1: روش آموزشی جدید باعث تغییر معنادار عملکرد دانشجویان می‌شود.

تعریف درست فرض‌ها اهمیت زیادی دارد، زیرا تمام مراحل بعدی بر اساس همین فرض‌ها انجام می‌شود.

مرحله دوم: تعیین سطح معناداری

پیش از اجرای آزمون باید سطح معناداری مشخص شود.

در بسیاری از تحقیقات:

α = 0.05

در نظر گرفته می‌شود.

این مقدار مبنای مقایسه با p-value خواهد بود.

اگر سطح معناداری ۰.۰۵ انتخاب شده باشد و مقدار p کمتر از آن باشد، معمولاً فرض صفر رد می‌شود.

مرحله سوم: انتخاب آزمون آماری مناسب

یکی از مهم‌ترین مراحل، انتخاب آزمون متناسب با نوع داده و هدف پژوهش است.

نوع آزمون بر اساس عواملی مانند موارد زیر تعیین می‌شود:

• هدف پژوهش
• تعداد گروه‌ها
• مستقل یا وابسته بودن گروه‌ها
• نوع متغیرها
• سطح اندازه‌گیری
• وضعیت توزیع داده‌ها

برای مثال:

اگر هدف مقایسه میانگین دو گروه مستقل باشد:

• در شرایط مناسب پارامتریک: آزمون t مستقل
• در شرایط ناپارامتریک: آزمون من ویتنی

اگر هدف مقایسه بیش از دو گروه مستقل باشد:

• ANOVA
• یا کروسکال والیس

اگر هدف بررسی رابطه بین دو متغیر کمی باشد:

• پیرسون
• یا اسپیرمن

به همین دلیل انتخاب آزمون آماری نباید صرفاً بر اساس عادت یا امکانات نرم‌افزار انجام شود.

مرحله چهارم: محاسبه آماره آزمون

هر آزمون آماری یک آماره مخصوص دارد.

برای مثال:

• آزمون t دارای آماره t است.
• ANOVA دارای آماره F است.
• کای دو دارای آماره χ² است.
• آزمون من ویتنی دارای آماره U است.
• کروسکال والیس معمولاً با آماره H یا Chi-Square گزارش می‌شود.

آماره آزمون نشان می‌دهد نتایج مشاهده‌شده تا چه اندازه با آنچه تحت فرض صفر انتظار می‌رود تفاوت دارند.

نرم‌افزارهایی مانند SPSS این مقدار را به صورت خودکار محاسبه می‌کنند.

مرحله پنجم: بررسی p-value

پس از اجرای آزمون، مقدار p-value بررسی می‌شود.

در SPSS این مقدار اغلب با عنوان:

Sig.

نمایش داده می‌شود.

اگر:

p < α

باشد، فرض صفر رد می‌شود.

اگر:

p ≥ α

باشد، فرض صفر رد نمی‌شود.

برای مثال:

α = 0.05

و:

p = 0.02

در این حالت فرض صفر رد می‌شود.

اما اگر:

p = 0.18

باشد، شواهد کافی برای رد فرض صفر وجود ندارد.

مرحله ششم: تصمیم‌گیری درباره فرض صفر

در این مرحله تصمیم نهایی آماری گرفته می‌شود.

دو حالت اصلی داریم:

حالت اول: رد فرض صفر

اگر نتیجه از نظر آماری معنادار باشد، فرض صفر رد می‌شود.

برای مثال:

بین دو گروه تفاوت معناداری وجود دارد.

حالت دوم: رد نکردن فرض صفر

اگر نتیجه معنادار نباشد، فرض صفر رد نمی‌شود.

نکته مهم این است که بهتر است نگوییم:

«فرض صفر اثبات شد.»

عبارت دقیق‌تر این است:

«شواهد کافی برای رد فرض صفر وجود ندارد.»

زیرا آزمون فرض معمولاً فرض صفر را به صورت قطعی اثبات نمی‌کند.

مرحله هفتم: تفسیر علمی نتیجه

آخرین مرحله، تبدیل نتیجه آماری به یک نتیجه قابل فهم برای موضوع پژوهش است.

برای مثال صرف نوشتن:

p = 0.01

کافی نیست.

باید توضیح داده شود که این نتیجه در پژوهش چه معنایی دارد.

مثلاً:

«نتایج نشان داد روش آموزشی جدید باعث تغییر معنادار عملکرد دانشجویان شده است.»

این تفسیر باید با فرضیه، جهت اثر، داده‌ها و طراحی تحقیق هماهنگ باشد.

آماره آزمون چیست؟

آماره آزمون عددی است که از داده‌های نمونه محاسبه می‌شود و برای ارزیابی فرض صفر استفاده می‌شود.

نوع آماره به آزمون مورد استفاده بستگی دارد.

برای مثال:

آزمون	آماره رایج
t-test	t
ANOVA	F
Chi-Square	χ²
Mann-Whitney	U
Wilcoxon	Z یا W
Kruskal-Wallis	H یا χ²

هرچه نتیجه مشاهده‌شده با فرض صفر ناسازگارتر باشد، معمولاً آماره آزمون نیز به ناحیه‌ای نزدیک می‌شود که احتمال وقوع آن تحت فرض صفر کمتر است.

ناحیه رد فرض صفر چیست؟

در روش کلاسیک آزمون فرض، بر اساس سطح معناداری یک ناحیه رد یا Critical Region تعریف می‌شود.

اگر آماره آزمون وارد این ناحیه شود، فرض صفر رد می‌شود.

برای مثال در یک آزمون دوطرفه با سطح معناداری ۰.۰۵، ناحیه رد در دو انتهای توزیع قرار می‌گیرد.

امروزه در بسیاری از تحلیل‌های نرم‌افزاری، پژوهشگران بیشتر از p-value برای تصمیم‌گیری استفاده می‌کنند، اما مفهوم ناحیه رد همچنان مبنای نظری مهمی در آزمون فرض است.

خطای نوع اول چیست؟

در آزمون فرض ممکن است تصمیم اشتباه گرفته شود.

خطای نوع اول یا Type I Error زمانی رخ می‌دهد که فرض صفر در واقع درست باشد، اما پژوهشگر آن را رد کند.

به زبان ساده:

تفاوت یا اثری را گزارش می‌کنیم که در واقع وجود ندارد.

احتمال خطای نوع اول با α مشخص می‌شود.

اگر:

α = 0.05

باشد، سطح پذیرفته‌شده برای این نوع خطا ۵ درصد در چارچوب آزمون طراحی‌شده است.

برای مثال ممکن است نتیجه بگیریم یک روش درمانی موثر است، در حالی که در واقع اثر واقعی وجود ندارد.

خطای نوع دوم چیست؟

خطای نوع دوم یا Type II Error زمانی رخ می‌دهد که فرض صفر نادرست باشد، اما پژوهشگر نتواند آن را رد کند.

به زبان ساده:

اثری در واقع وجود دارد، اما آزمون آن را شناسایی نمی‌کند.

احتمال خطای نوع دوم معمولاً با β نشان داده می‌شود.

این خطا می‌تواند تحت تاثیر عواملی مانند:

• حجم نمونه کم
• اثر واقعی کوچک
• پراکندگی زیاد داده‌ها
• قدرت پایین آزمون

افزایش پیدا کند.

توان آزمون چیست؟

توان آزمون یا Statistical Power احتمال شناسایی یک اثر واقعی است.

توان آزمون به شکل زیر تعریف می‌شود:

Power = 1 – β

هرچه توان آزمون بیشتر باشد، احتمال اینکه یک اثر واقعی شناسایی شود افزایش پیدا می‌کند.

در بسیاری از پژوهش‌ها، توان ۰.۸ یا بیشتر به عنوان یک هدف رایج در طراحی مطالعه در نظر گرفته می‌شود، هرچند مقدار مناسب به حوزه پژوهش و طراحی مطالعه بستگی دارد.

حجم نمونه یکی از عوامل مهم در افزایش توان آزمون است.

مثال کامل آزمون فرض آماری

فرض کنید یک پژوهشگر می‌خواهد بررسی کند آیا دوره آموزشی جدید باعث افزایش نمره کارکنان شده است یا خیر.

میانگین نمره قبل از آموزش:

65

میانگین نمره بعد از آموزش:

72

فرض صفر:

H0: بین نمره قبل و بعد تفاوت معناداری وجود ندارد.

فرض مقابل:

H1: بین نمره قبل و بعد تفاوت معناداری وجود دارد.

از آنجا که همان افراد قبل و بعد از آموزش بررسی شده‌اند، داده‌ها وابسته هستند.

اگر شرایط آزمون پارامتریک برقرار باشد، می‌توان از آزمون t زوجی استفاده کرد.

فرض کنیم خروجی SPSS به صورت زیر باشد:

t = -4.82

p = 0.001

چون:

0.001 < 0.05

فرض صفر رد می‌شود.

نتیجه:

بین نمرات قبل و بعد از آموزش تفاوت معناداری وجود دارد.

اگر جهت تغییر نیز بررسی شود و میانگین بعد از آموزش بیشتر باشد، می‌توان گفت عملکرد کارکنان پس از آموزش افزایش یافته است.

برای آشنایی با این آزمون می‌توانید مقاله «آزمون t چیست؟ آموزش آزمون t مستقل و زوجی در SPSS» را مطالعه کنید.

تفاوت معناداری آماری و معناداری عملی چیست؟

یکی از اشتباهات رایج در پژوهش این است که هر نتیجه دارای p-value کمتر از ۰.۰۵، بسیار مهم تلقی شود.

در حالی که معناداری آماری با اهمیت عملی یا علمی یک نتیجه یکسان نیست.

ممکن است تفاوت بین دو گروه از نظر آماری معنادار باشد، اما مقدار تفاوت آن‌قدر کوچک باشد که در عمل اهمیت چندانی نداشته باشد.

برای مثال فرض کنید میانگین رضایت مشتریان در دو گروه برابر باشد با:

گروه اول:

4.10

گروه دوم:

4.15

اگر حجم نمونه بسیار زیاد باشد، حتی چنین اختلاف کوچکی ممکن است از نظر آماری معنادار شود.

اما از نظر مدیریتی، اختلاف ۰.۰۵ واحد شاید اهمیت واقعی زیادی نداشته باشد.

به همین دلیل بهتر است در کنار p-value، شاخص‌هایی مانند اندازه اثر نیز بررسی شوند.

چرا اندازه اثر در آزمون فرض مهم است؟

اندازه اثر یا Effect Size نشان می‌دهد شدت تفاوت یا رابطه مشاهده‌شده چقدر است.

p-value بیشتر درباره شواهد آماری علیه فرض صفر اطلاعات می‌دهد، اما اندازه اثر درباره بزرگی اثر صحبت می‌کند.

برای مثال ممکن است دو مطالعه هر دو دارای:

p < 0.05

باشند، اما در مطالعه اول اثر بسیار ضعیف و در مطالعه دوم اثر قوی باشد.

بسته به نوع آزمون آماری، شاخص‌های مختلفی برای اندازه اثر استفاده می‌شوند، از جمله:

• Cohen’s d
• Eta Squared
• R²
• ضریب همبستگی r

بنابراین گزارش علمی بهتر است فقط به معناداری آماری محدود نشود.

آیا p-value کمتر همیشه بهتر است؟

خیر.

یکی از سوءبرداشت‌های رایج این است که مثلاً:

p = 0.001

حتماً نشان‌دهنده اثر قوی‌تری نسبت به:

p = 0.04

است.

این برداشت صحیح نیست.

p-value تحت تاثیر عواملی مانند حجم نمونه، پراکندگی داده‌ها و اندازه اثر قرار می‌گیرد.

بنابراین کوچک‌تر بودن p-value لزوماً به معنی بزرگ‌تر بودن یا مهم‌تر بودن اثر نیست.

برای مقایسه شدت اثر باید شاخص‌های مناسب اندازه اثر بررسی شوند.

اشتباهات رایج در آزمون فرض آماری

آزمون فرض یکی از بخش‌هایی است که در پایان نامه‌ها و مقاله‌های علمی زیاد اشتباه تفسیر می‌شود.

شناخت این خطاها باعث می‌شود نتیجه‌گیری آماری دقیق‌تر باشد.

گفتن اینکه فرض صفر اثبات شد

اگر نتیجه آزمون معنادار نباشد، نباید گفت:

«فرض صفر اثبات شد.»

عبارت بهتر این است:

«شواهد کافی برای رد فرض صفر وجود ندارد.»

زیرا ممکن است اثر واقعی وجود داشته باشد، اما به دلیل عواملی مانند حجم نمونه پایین شناسایی نشده باشد.

تفسیر p-value به عنوان احتمال درست بودن فرض صفر

برای مثال اگر:

p = 0.03

باشد، این مقدار به این معنی نیست که احتمال درست بودن فرض صفر ۳ درصد است.

p-value تعریف دیگری دارد و تحت فرض صفر محاسبه می‌شود.

تصمیم‌گیری فقط بر اساس ۰.۰۵

مرز ۰.۰۵ یک قرارداد آماری رایج است، نه یک خط جادویی.

نتیجه:

p = 0.049

و:

p = 0.051

از نظر شواهد آماری تفاوت بسیار بزرگی ندارند، هرچند تصمیم رسمی در سطح α=0.05 ممکن است متفاوت باشد.

به همین دلیل بهتر است مقدار دقیق p-value در گزارش آورده شود.

انتخاب آزمون نامناسب

اگر نوع آزمون با ساختار داده‌ها سازگار نباشد، نتیجه آزمون فرض نیز قابل اعتماد نخواهد بود.

برای مثال:

برای مقایسه دو گروه مستقل از آزمون t مستقل استفاده می‌شود، اما برای یک گروه در دو زمان مختلف آزمون t زوجی مناسب است.

در شرایط ناپارامتریک نیز می‌توان از آزمون‌هایی مانند «من ویتنی» یا «ویلکاکسون» استفاده کرد.

اجرای تعداد زیادی آزمون بدون اصلاح

وقتی تعداد زیادی آزمون به صورت همزمان انجام شود، احتمال حداقل یک نتیجه مثبت کاذب افزایش پیدا می‌کند.

برای کنترل این مسئله می‌توان از روش‌هایی مانند اصلاح Bonferroni یا سایر روش‌های کنترل مقایسه‌های چندگانه استفاده کرد.

نحوه گزارش آزمون فرض در پایان نامه

در گزارش نتایج آزمون فرض، بهتر است فقط عبارت «فرضیه تایید شد» یا «فرضیه رد شد» نوشته نشود.

گزارش مناسب باید مشخص کند:

• چه آزمونی استفاده شده است.
• چرا این آزمون انتخاب شده است.
• مقدار آماره آزمون چقدر بوده است.
• مقدار p-value چقدر بوده است.
• نتیجه آماری چیست.
• نتیجه در چارچوب فرضیه پژوهش چه معنایی دارد.

برای مثال:

«برای بررسی تفاوت میانگین رضایت مشتریان دو گروه از آزمون t مستقل استفاده شد. نتایج نشان داد تفاوت میان دو گروه از نظر آماری معنادار است (t=3.21, p=0.002). بنابراین فرض صفر مبنی بر نبود تفاوت بین گروه‌ها رد شد.»

این نوع گزارش بسیار دقیق‌تر از نوشتن صرف:

«فرضیه اول تایید شد.»

است.

نمونه گزارش آزمون فرض برای همبستگی

فرض کنید هدف بررسی رابطه بین کیفیت خدمات و رضایت مشتری باشد.

فرض صفر:

بین کیفیت خدمات و رضایت مشتری رابطه معناداری وجود ندارد.

فرض مقابل:

بین کیفیت خدمات و رضایت مشتری رابطه معناداری وجود دارد.

نتایج آزمون همبستگی پیرسون:

r = 0.58

p = 0.001

چون مقدار p کمتر از ۰.۰۵ است، فرض صفر رد می‌شود.

گزارش مناسب:

«نتایج آزمون همبستگی پیرسون نشان داد بین کیفیت خدمات و رضایت مشتری رابطه مثبت و معناداری وجود دارد (r=0.58, p<0.001).»

برای آشنایی با تفسیر این شاخص می‌توانید مقاله «آزمون همبستگی پیرسون چیست؟» را مطالعه کنید.

نمونه گزارش آزمون فرض برای ANOVA

فرض کنید پژوهشگر رضایت مشتریان سه فروشگاه را مقایسه کرده است.

فرض صفر:

میانگین رضایت مشتریان در سه فروشگاه برابر است.

فرض مقابل:

حداقل میانگین یکی از گروه‌ها با سایر گروه‌ها متفاوت است.

فرض کنیم نتیجه ANOVA به صورت زیر باشد:

F = 6.72

p = 0.002

در این حالت فرض صفر رد می‌شود.

اما این نتیجه فقط نشان می‌دهد بین گروه‌ها تفاوت وجود دارد و مشخص نمی‌کند کدام گروه‌ها با یکدیگر متفاوت هستند.

برای مشخص شدن تفاوت‌ها باید آزمون‌های تعقیبی انجام شوند.

اطلاعات بیشتر در مقاله «آزمون ANOVA چیست؟» ارائه شده است.

نقش آزمون نرمال بودن در آزمون فرض

در بسیاری از تحلیل‌های آماری، قبل از انتخاب آزمون باید شرایط استفاده از آزمون پارامتریک بررسی شود.

یکی از موضوعات مهم، بررسی توزیع داده‌ها یا به طور دقیق‌تر پیش‌فرض‌های توزیعی آزمون مورد نظر است.

برای مثال اگر قصد استفاده از آزمون t را داشته باشیم، در شرایط خاص باید نرمال بودن توزیع تفاوت‌ها یا داده‌ها در گروه‌های مربوط بررسی شود.

اگر شرایط آزمون پارامتریک برقرار نباشد، ممکن است از آزمون‌های ناپارامتریک استفاده شود.

برای مطالعه بیشتر می‌توانید مقاله «آزمون نرمال بودن داده‌ها چیست؟» را ببینید.

ارتباط آزمون فرض با آمار استنباطی

آزمون فرض یکی از مهم‌ترین اجزای آمار استنباطی است.

در آمار توصیفی فقط داده‌های موجود خلاصه و توصیف می‌شوند.

برای مثال:

• میانگین
• میانه
• انحراف معیار
• فراوانی

اما در آمار استنباطی هدف این است که بر اساس نمونه درباره جامعه آماری نتیجه‌گیری شود.

آزمون فرض، فاصله اطمینان، رگرسیون و تحلیل واریانس همگی در این حوزه قرار می‌گیرند.

به همین دلیل یادگیری آزمون فرض پایه بسیاری از تحلیل‌های پیشرفته‌تر آماری است.

نتیجه‌گیری

آزمون فرض آماری چیست؟ آزمون فرض آماری روشی برای تصمیم‌گیری درباره یک ادعای آماری با استفاده از داده‌های نمونه است.

در این فرایند ابتدا فرض صفر و فرض مقابل تعریف می‌شوند. سپس یک آزمون آماری مناسب انتخاب شده و مقدار آماره آزمون و p-value محاسبه می‌شود.

اگر p-value از سطح معناداری تعیین‌شده کمتر باشد، معمولاً فرض صفر رد می‌شود.

با این حال، تفسیر آزمون فرض نباید فقط به p-value محدود شود.

در یک تحلیل مناسب باید مواردی مانند:

• نوع آزمون
• پیش‌فرض‌های آزمون
• اندازه اثر
• فاصله اطمینان
• طراحی پژوهش
• اهمیت علمی نتیجه

نیز در نظر گرفته شوند.

درک صحیح آزمون فرض به پژوهشگر کمک می‌کند نتایج پایان نامه یا مقاله را دقیق‌تر تحلیل کند و از تفسیرهای اشتباه آماری جلوگیری شود.

سوالات متداول درباره آزمون فرض آماری

آزمون فرض آماری چیست؟

آزمون فرض آماری روشی برای بررسی یک ادعا درباره جامعه آماری با استفاده از اطلاعات نمونه است.

فرض صفر چیست؟

فرض صفر یا H0 معمولاً بیان می‌کند تفاوت، رابطه یا اثر معناداری وجود ندارد.

فرض مقابل چیست؟

فرض مقابل یا H1 بیان می‌کند تفاوت، رابطه یا اثر مورد بررسی وجود دارد.

چه زمانی فرض صفر رد می‌شود؟

اگر p-value کمتر از سطح معناداری تعیین‌شده مانند ۰.۰۵ باشد، معمولاً فرض صفر رد می‌شود.

اگر p-value بیشتر از ۰.۰۵ باشد، فرض صفر تایید می‌شود؟

خیر. بهتر است گفته شود شواهد کافی برای رد فرض صفر وجود ندارد.

p-value چیست؟

p-value میزان سازگاری داده‌های مشاهده‌شده با فرض صفر را در قالب یک احتمال شرطی بیان می‌کند و برای تصمیم‌گیری آماری استفاده می‌شود.

تفاوت معناداری آماری و اندازه اثر چیست؟

معناداری آماری نشان می‌دهد شواهد علیه فرض صفر چقدر است، اما اندازه اثر بزرگی و شدت تفاوت یا رابطه را نشان می‌دهد.

سطح معناداری ۰.۰۵ یعنی چه؟

این مقدار آستانه‌ای است که پیش از آزمون برای کنترل احتمال خطای نوع اول تعیین می‌شود. استفاده از ۰.۰۵ در بسیاری از تحقیقات رایج است.