Teema 9: Tilastollinen merkitsevyystestaus

Transkriptio

1 Teema 9: Tilastollinen merkitsevyystestaus Tärkeä päättelyn osa-alue on tilastollinen merkitsevyystestaus, johon päästään luontevasti edellisen teeman aiheista: voidaan kysyä, menevätkö kahden vertailtavan ryhmän luottamusvälit päällekkäin, ts. onko ryhmien välillä havaittavaa eroa esim. odotusarvon suhteen. Idea: testataan perusjoukkoa koskevia oletuksia havaintoaineistoa vasten. Aineisto edustaa todisteita, joiden avulla tehdään johtopäätöksiä (vrt. rikostutkinta!). Oletuksia voidaan kumota vain, mikäli siihen on riittävät todisteet. Jälleen sana riittävät on määriteltävä vähän tarkemmin. Kuten aiemminkin, johtopäätökset eivät ole ehdottoman varmoja vaan niihin liittyy satunnaisvaihtelun johdosta epävarmuuksia riskejä, joiden käytännön merkitystä on kyettävä arvioimaan. Nollahypoteesi ja vaihtoehtoinen hypoteesi Perusjoukkoa koskevia oletuksia kutsutaan yleisesti hypoteeseiksi. Tutkimuksen kannalta kiinnostavia kysymyksiä on tapana muotoilla tutkimushypoteeseiksi, joista johdetaan varsinaiset testattavat hypoteesit. Tilastolliseen testaukseen kuuluu kahden tyyppisiä hypoteeseja: Nollahypoteesi H 0 : testattava oletus tai vakiintunut käsitys testataan havaintoaineistoa vasten sanamuoto tyyppiä ei eroa, ei vaikutusta tms. ikään kuin skeptinen kanta tutkimushypoteesiin Vaihtoehtoinen hypoteesi H 1 : pikemminkin tutkimushypoteesin mukainen vaihtoehto voimaan vain jos H 0 :aa vastaan saadaan riittävästi näyttöä sanamuoto tyyppiä eroa on, vaikutusta on tms. H 1 :n määrittelyä tarkennetaan hieman tuonnempana.

2 Merkitsevyystestauksen periaate Kun nollahypoteesi H 0 on asetettu, sitä voidaan testata aineistoa vasten jollakin tilastollisella merkitsevyystestillä. Eri testausasetelmiin on eri tyyppisiä testejä. Yhteistä niille on testauksen ja päättelyn periaate: 1. kerätään todisteet yhteen testisuureeksi 2. tiivistetään testauksen tulos p-arvoksi 3. tehdään p-arvon perusteella johtopäätökset Edellä mainittu p-arvo tarkoittaa havaittua merkitsevyystasoa. Se kertoo kuinka vahvat todisteet H 0 :aa vastaan on esitetty. Tämän teeman puitteissa tarkastellaan muutamia erilaisia testausasetelmia. Niitä täydennetään vielä hieman Teema 10:n yhteydessä. Testien ja testisuureiden yksityiskohdat vaihtelevat, mutta periaate on kaikissa asetelmissa täysin sama. Jakaumien yhteensopivuuden testaus Testaamalla voidaan tutkia, kuinka hyvin empiirinen jakauma sopii yhteen jonkin teoreettisen jakauman kanssa. Esimerkki: H 0 : Perusjoukon jakauma on diskreetti tasainen jakauma P( saadaan silmäluku i ) = 1/6, kun i = 1, 2,..., 6. H 1 : Perusjoukon jakauma ei ole diskreetti tasainen jakauma. Testataan tätä simuloimalla nopanheittoa 60 heiton otoksella: FILE MAKE NOPPA,1,60,X,1 VAR X=6*rand(2008)+1 TO NOPPA GHISTO NOPPA,X,END+2 / X=0.5(1)6.5 XSCALE=0.5:?,1(1)6,6.5:? pistetodennäköisyydet: FIT=MATRIX(NOPPA_H0) YSCALE=0(5)15 Class midpoint f % Sum % e f X^ Fitted by MATRIX(NOPPA_H0) distribution Chi-square=6.000 df=5 P= Teoreettisen jakauman mukaan kunkin silmäluvun odotettu frekvenssi olisi 10. Havaitut vaihtelevat välillä [5,14]. Näiden poikkeamista muodostuu testisuure, jonka jakauman avulla saadaan testin p-arvo Johtopäätös: H 0 jää voimaan.

3 Johtopäätösten tekeminen p-arvon perusteella Äskeisessä testauksessa saatu p-arvo ei anna mitään todisteita H 0 :aa vastaan, joten voidaan pysyä nollahypoteesin mukaisessa oletuksessa. Otos on siis saatu diskreetistä tasaisesta jakaumasta. Jos testausta toistettaisiin, esiintyisi nyt nähdyn kaltainen tilanne noin joka kolmas kerta. Tilanne on siis tyypillinen. Poikkeamat teoreettisesta jakaumasta johtuvat vain satunnaisvaihtelusta. P-arvoa kutsutaan siis myös havaituksi merkitsevyystasoksi. Tällä kertaa se jää niin korkeaksi, että testitulos ei ole (likimainkaan) tilastollisesti merkitsevä. P-arvo on samalla todennäköisyys tai riski tehdä hylkäämisvirhe, ts. hylätä H 0 väärin perustein. Jos edellä hylättäisiin H 0, olisi väärän johtopäätöksen tekemisen riski 30 % (aivan liian suuri!). Yhteensopivuus normaalijakaumaan Normaalisuuden testaaminen on tärkeää, sillä useat tilastolliset menetelmät perustuvat normaalijakaumaoletukseen. Tarkastellaan Teema 4:stä tuttua tyytyväisyysesimerkkiä. Hypoteesit ovat: H 0 : Perusjoukon jakauma on normaalijakauma. H 1 : Perusjoukon jakauma ei ole normaalijakauma. GHISTO KPT2001 TYYTALUE END+2 / TYYTALUE=0.75(0.5)5.25 XSCALE=0.5:?,1(1)5,5.5:? YSCALE=0(10)70 tiheysfunktio (parametrit estimoidaan): FIT=NORMAL Class midpoint f % Sum % e e f X^ Fitted by NORMAL(3.7655,0.3504) distribution Chi-square=10.77 df=3 P= KPT (2001): Tyytyväisyys asuinalueeseen Vastaajina tamperelaiset vuotiaat naiset vastanneita: 177 vastaamatta: Testaustapa on sama kuin edellä, nyt vain jatkuva muuttuja on luokiteltu yhdeksään luokkaan. (Jakauman sovitus on yhdistänyt kolme ensimmäistä luokkaa neljänteen havaintojen pienen määrän vuoksi.) Odotetut ja havaitut frekvenssit poikkeavat niin paljon, että p-arvoksi tulee Todisteet puhuvat puolestaan: H 0 hylätään. Perusjoukon jakauma ei ole normaalijakauma.

4 Pohdintaa tilastollisesta merkitsevyydestä Edellä johtopäätökset tehtiin havaitusta merkitsevyystasosta: H 0 jäi voimaan (p = 0.306) H 0 hylättiin (p = 0.013). Milloin todisteet riittävät? Onko tähän jokin yleinen sääntö? Tilastollisen merkitsevyystestauksen kehittäjä R.A.Fisher esitti aikoinaan, että johtopäätökset testeistä tehtäisiin p-arvoista. Koska niiden laskeminen oli työlästä, Fisher tyytyi kompromissiin, jossa käytettiin valmiiksi laskettuja taulukoita kolmelle merkitsevyystasolle: 0.05, 0.01 ja (toisin sanoen 5 %, 1 % ja 0.1 %). Samoihin aikoihin (1930-luvulla) J.Neyman ja E.S.Pearson kehittivät kiinteään merkitsevyystasoon nojaavaa päätösteoriaa, jossa valitaan etukäteen esim. α = 0.05, ja hylätään H 0 mikäli α alittuu. (Vrt. luottamusvälit, joissa α valitaan samaan tapaan.) Nykyisin ohjelmat kertovat p-arvot, mutta aikojen saatossa tasot (etenkin 5 %) ovat iskostuneet lujasti käytäntöön. Niitä sovelletaan myös usein aivan liian mekaanisesti, esim. hylätään H 0 jos p = muttei hylätä jos p = Jälkimmäisen tyyppisissä tapauksissa tieteelliset lehdet saattavat jopa kieltäytyä julkaisemasta tutkimustuloksia vedoten siihen, ettei tilastollista näyttöä saatu riittävästi! Onko tässä mitään järkeä? Kyseessähän on oleellisesti saman suuruinen (n. 5 %:n) riski. Käytännössä vielä tärkeämpää on tulosten merkittävyys: onko havaitulla erolla tms. mitään käytännön merkitystä? Se ei ole ensinkään tilastotieteen asia. Tilastollinen merkitsevyys (huom. eri sana!) tarjoaa vain todisteet havaitulle erolle. Johtopäätösten tekeminen ja siihen liittyvän riskin arviointi on tutkijan vastuulla. Mitä jos otoskoko ei ole kovin suuri? Tätä pohti yli 100 vuotta sitten Dublinissa panimomestari W.S.Gosset, joka vastasi Guinnessin olutpanimon laadunvalvonnasta. Hänen empiirinen tutkimuksensa johti (laadukkaan oluen ohella) merkittävään teoreettiseen tutkimustulokseen. Se julkaistiin (panimon sääntöjen vuoksi) salanimellä Student vuonna Kyseessä on t-jakauma, joka muistuttaa standardoitua normaalijakaumaa: N(0,1) t(5) t(2) Oletetaan perusjoukko normaaliseksi. Asetetaan nollahypoteesi H 0 : Odotusarvo on jokin µ 0 (lyhyemmin: µ = µ 0 ). Kun hajonta σ korvataan otoshajonnalla s (Teema 8), saadaan t-testisuure, joka noudattaa t-jakaumaa vapausastein n 1. Kuvassa t-jakaumia vapausastein 2, 5 ja (ääretön), joka on sama kuin N(0, 1). Käytännössä usein jo n = 30 riittää tämän äärettömyyden saavuttamiseen.

5 Odotusarvon testaus Olkoon nollahypoteesi edellä esitetty H 0 : µ = µ 0. Hypoteesin testaukseen on siis kaksi tapaa: 1. Oletetaan perusjoukon jakaumaksi normaalijakauma. Testisuure on tällöin t = x µ 0 s/ n, ja pienempikin n riittää. Havaittu merkitsevyystaso saadaan esim. t-jakauman taulukosta. 2. Ei oleteta perusjoukon jakaumasta mitään. Testisuure on tällöin z = x µ 0 s/ n, mutta n on hyvä olla suurempi. Havaittu merkitsevyystaso saadaan esim. N(0, 1)-jakauman taulukosta. Jos H 0 hylätään, niin johtopäätökset riippuvat testin suunnasta, jonka määrää vaihtoehtoinen hypoteesi H 1 (ks. seuraava sivu). Vaihtoehtoinen hypoteesi ja testin suunta Kun nollahypoteesi on edellä esitettyä tyyppiä (µ = µ 0 ), niin vaihtoehtoinen hypoteesi H 1 on jokin kolmesta seuraavasta: (1a) H 1 : µ > µ 0 (1b) H 1 : µ < µ 0 (2) H 1 : µ µ 0 0 t t 0 -t 0 t Kuvat havainnollistavat testien p-arvoja näissä kolmessa tilanteessa. Hypoteeseja ja niitä vastaavia testejä kutsutaan yksisuuntaisiksi (1a) ja (1b) tai kaksisuuntaisiksi (2). Eri suuntaisia hypoteeseja voidaan tietenkin asettaa muissakin kuin odotusarvoa koskevissa testauksissa. Käytännössä yleisempiä ovat kaksisuuntaiset hypoteesit (ja testit). Yksisuuntainen edellyttää enemmän esitietoja tutkimuskohteesta.

6 Suhteellisen osuuden testaus Vastaavasti asetetaan suhteellista osuutta koskeva hypoteesi H 0 : Suhteellinen osuus p on jokin p 0 (lyhyemmin: p = p 0 ). Hypoteesin testaukseen voidaan käyttää testisuuretta z = ˆp p 0, ˆp(1 ˆp) n jossa otoskokoa koskevat samat huomautukset kuin Teemassa 8. Myös lausekkeen nimittäjä, suhteellisen frekvenssin keskivirhe (eli hajonnan estimaattori) on tuttu luottamusvälien yhteydestä. Testin havaittu merkitsevyystaso saadaan N(0, 1)-jakaumasta. Vaihtoehtoinen hypoteesi H 1 voi olla yksi- tai kaksisuuntainen. Edellä olevat testisuureet t ja z ovat samaa muotoa kuin ylläoleva z: osoittajassa esiintyy testattava ero ja nimittäjässä estimaattorin ( x tai ˆp) keskivirhe. Myös monet muut testisuureet ovat rakenteeltaan samankaltaisia. Muita testausasetelmia Edellä esitetyt testit yleistyvät myös kahden odotusarvon tai kahden suhteellisen osuuden vertailuun. Näissä tilanteissa otokset voivat olla toisistaan riippumattomia tai ne voivat riippua toisistaan (kuten esim. toistomittauksissa), jolloin testit ovat hieman erilaisia. Kaikkiaan tässä esitetyt testit ovat luonteeltaan sellaisia, että niissä tehdään oletuksia perusjoukon parametreista tai todennäköisyysjakaumista. On helppo tehdä oletuksia, mutta niiden toteutumistakin pitäisi testata. Jos oletukset eivät päde, testit eivät välttämättä toimi luotettavasti. Yksi tapa välttää oletuksia on siirtyä ns. ei-parametristen testien käyttöön. Niihin ei kuitenkaan perehdytä tarkemmin tämän kurssin puitteissa.

7 Katsaus tähänastiseen sisältöön (Teema 9) Tähän mennessä on käyty läpi testaukseen liittyviä perusasioita yleisellä tasolla: tilastollisen merkitsevyystestauksen idea ja periaatteet (esimerkkinä empiirisen ja teoreettisen jakauman yhteensopivuuden testaus), käytännön ohjeita sekä vähän historiallista taustaa ja ripaus lisätietoa, teknisellä tasolla: testisuureita tilanteisiin, joissa testataan perusjoukon jotakin hypoteettista arvoa joko odotusarvoa tai suhteellista osuutta. Käytännössä testaus (kuten muutkin tilastolliset menetelmät) suoritetaan tilastollisilla ohjelmistoilla, mutta ohjelmien järkevä käyttö edellyttää menetelmien perusteiden ymmärtämistä. Siihen tähtäävät myös tällä kurssilla (eritoten Teemoissa 6 9) käsitellyt teknisemmät asiat. Ilman todennäköisyyslaskennan ja tilastollisen päättelyn perusteita käytännön menetelmäosaaminen jää helposti pinnalliseksi. Katsaus kurssin loppuosan sisältöihin Tästä eteenpäin asiat muuttuvat teknisellä tasolla vaikeammiksi, eikä niiden tarkastelu ole tällä kurssilla tarkoituksenmukaista. Sen sijaan asioihin voi ja on syytä perehtyä käytännön tasolla (siinä laajuudessa kuin on mahdollista ilman tietokoneharjoituksia). Neljä eniten käytettyä tilastollista menetelmää lienevät kiistatta t-testi, χ 2 -testi ( khi-toiseen tai khi-neliö ), regressioanalyysi ja varianssianalyysi. Kaikkiin näihin tutustutaan vielä kurssin kuluessa, mutta nyt lähestymistapa muuttuu toisenlaiseksi: keskitytään ohjelmien tulosteiden analysointiin. Seuraavien sivujen taulukoihin ja tulosteisiin perehdytään tarkemmin luennoilla ja harjoituksissa.

8 Kahden odotusarvon vertailu (riippumattomat otokset) Tutkitaan KPT-aineiston avulla, ovatko helsinkiläiset miehet ja naiset yhtä tyytyväisiä asuinalueeseensa. Käytetään aiemmin esillä ollutta summamuuttujaa TYYTALUE. H 0 : Helsinkiläiset miehet ja naiset ovat yhtä tyytyväisiä (µ 1 = µ 2 ). H 1 : Tyytyväisyydessä on eroa sukupuolten välillä (µ 1 µ 2 ). H 1 on siis kaksisuuntainen. Testataan tätä SPSS:n t-testiproseduurilla: (Analyze - Compare Means - Independent-Samples T Test) TYYTALUE [k03] Vastaajan sukupuoli Mies Nainen Group Statistics Std. Std. Error N Mean Deviation Mean Independent Samples Test Levene's Test for Equality of Variances TYYTALUE assumed not assumed F Sig Aluksi saadaan otoksesta lasketut tunnusluvut. Sitä seuraa Levenen testi ryhmien varianssien yhtäsuuruudelle, joka on t-testin oletus. Kahden odotusarvon vertailu (jatkoa) Seuraavaksi tulee varsinainen t-testin osuus. Tuloste sisältää testisuureen ym. tiedot sekä samojen että eri varianssien tilanteissa: Independent Samples Test TYYTALUE assumed not assumed t-test for Equality of Means t df Sig. (2-tailed) Mean Difference Lopuksi tulostuu 95 % luottamusväli edellisen taulukon reunassa raportoidulle havaitulle erolle: Independent Samples Test TYYTALUE assumed not assumed t-test for Equality of Means 95% Confidence Interval Std. Error of the Difference Difference Lower Upper Page 1

9 Odotusarvon testaus t-testillä Kevään 2008 kurssin osallistujien ikä: ikä ikä ikä One-Sample Statistics Std. Std. Error N Mean Deviation Mean One-Sample Test Test Value = 23 95% Confidence Interval Mean of the Difference t df Sig. (2-tailed) Difference Lower Upper One-Sample Test Test Value = 24 95% Confidence Interval Mean of the Difference t df Sig. (2-tailed) Difference Lower Upper One-Sample Test ikä Test Value = 25 95% Confidence Interval Mean of the Difference t df Sig. (2-tailed) Difference Lower Upper Kahden odotusarvon vertailu: t-testi ym. testejä Lomapäivät (Prices and Earnings -aineisto): COMPARE Non-OECD(Vacdays),OECD(Vacdays) END+2 Independent samples Non-OECD(Vacdays) OECD(Vacdays) Sample size Mean Standard deviation Student s t= df=68 (P= one-sided test) Sum of ranks (R) Mann-Whitney (U) (P= one-sided Mann-Whitney, normal approximation) Page 1 Critical levels by simulation: Mean R or U Critical level N= Standard error