فرضیه صفر چیست و چگونه کار می کند (با مثال)

فرضیه صفر چیست و چگونه کار می کند (با مثال)

فرضیه صفر چیست و چگونه کار می کند (با مثال) ، آمار به افراد کمک می کند تا روش های جمع آوری داده ها، تجزیه و تحلیل و تفسیر و پیشنهاد یافته های خود را ارائه دهند. فرضیه صفر جزء حیاتی آمار و تحقیقات در مشاغل مختلف مانند تحلیل مالی و تحقیقات بازار است. درک فرضیه های صفر و نحوه عملکرد آنها می تواند به شما کمک کند تا مهارت های تحقیق، تفکر انتقادی و تحلیل خود را افزایش دهید.

در این مقاله، ما در مورد اینکه فرضیه صفر چیست، چگونه کار می کند و مثالی از یک فرضیه را بررسی می کنیم.

فرضیه صفر چیست و چگونه کار می کند (با مثال)
فرضیه صفر چیست و چگونه کار می کند (با مثال) – تزیسمی

فهرست مطالب

فرضیه صفر چیست؟

فرضیه صفر نوعی فرضیه است که پیشنهاد می کند بین دو چیز، اعم از محسوس یا انتزاعی، تفاوت یا رابطه معناداری وجود ندارد. غیرضروری است که باور کنیم فرضیه صفر برای آزمایش آن درست است، و کلمه “تهی” نشان می دهد که دانشمندان در واقع تلاش می کنند تا فرضیه صفر اعلام شده را باطل کنند. فرضیه صفر مهم است زیرا تصدیق می کند که آیا داده ها و یافته های ایجاد شده تنها به دلیل شانس اتفاق افتاده اند یا خیر.

فرضیه صفر در مقابل فرضیه جایگزین- فرضیه صفر چیست و چگونه کار می کند (با مثال)

در جایی که فرضیه صفر بیان می کند که هیچ تفاوت واقعی بین مجموعه ای از ارقام وجود ندارد، برعکس، فرضیه جایگزین نشان می دهد که بین ارقام تمایزی وجود دارد. بنابراین، فرض صفر با فرضیه جایگزین در تضاد است.

آماردانان و تحلیل گران فرضیه جایگزین را برای توصیف مجموعه ای از شرایط یا توضیح تفاوت در روابط آماری ایجاد می کنند. محققان با استفاده از فرضیه جایگزین به عنوان راهنما، آزمایش هایی را انجام می دهند و تحقیقاتی را برای رد و رد فرضیه صفر انجام می دهند.

فرضیه های صفر چگونه کار می کنند؟- فرضیه صفر چیست و چگونه کار می کند (با مثال)

یک فرضیه صفر پیشنهاد می کند که هیچ تفاوتی بین مجموعه ای از روابط یا متغیرها وجود ندارد و فرضیه جایگزین آن پیشنهاد می کند که بین آن روابط تفاوت وجود دارد. بنابراین، محققان فرض می کنند که فرضیه صفر تا زمانی که داده های کافی و معنی دار آماری وجود نداشته باشد که خلاف آن را ثابت کند، دقیق است.

محققان از این دستورالعمل ها برای آزمون فرضیه استفاده می کنند:

. دو فرضیه را مشخص کنید – فرضیه جایگزین و فرضیه صفر.
. برنامه ای برای بررسی تحقیق و داده ها ایجاد کنید.
. تحقیق و داده ها را آزمایش کنید.
. نتایج را تفسیر کنید.

هنگام آزمایش یک فرضیه، محققان از p-value به عنوان شواهدی در برابر فرضیه صفر استفاده می کنند. به این ترتیب، مقادیر p کوچکتر داده های آماری و تحقیقات قوی را نشان می دهد که فرضیه صفر را رد می کند. محققان برای نشان دادن اطمینان به فرضیه صفر، آزمون های معناداری را انجام می دهند. همچنین از آزمون اهمیت برای بررسی اینکه آیا داده ها ناشی از شانس هستند یا خیر استفاده می شود.

در طول آزمایش، آمارگیران با دو سناریو روبرو می شوند:

. رد فرضیه صفر: اگر مقدار p کمتر یا مساوی سطح معنی داری باشد، نتایج از فرضیه جایگزین پشتیبانی می کند، به این معنی که داده ها از نظر آماری معنی دار هستند و محققان می توانند فرضیه صفر را رد کنند.
. عدم رد فرضیه صفر: اگر مقدار p بیشتر از سطح معنی داری باشد، نتایج از نظر آماری معنی دار نیستند. در اینجا، آماردانان ممکن است در رد فرضیه صفر به دلیل داده های ناکافی، خطا در داده ها یا سایر پارامترها شکست بخورند.

رد فرضیه صفر به این معنی نیست که آزمایش پاسخ های لازم را پیدا نکرده است. در عوض، نیاز به آزمایش بیشتر را نشان می دهد تا ببینیم آیا رابطه ای بین متغیرهای ادعا وجود دارد یا خیر.

نکاتی برای بیان فرضیه های صفر- فرضیه صفر چیست و چگونه کار می کند (با مثال)

در اینجا چند نکته برای بیان فرضیه های صفر وجود دارد:

فرضیه صفر را به عنوان یک واقعیت در نظر بگیرید

فرضیه صفر را به عنوان یک واقعیت و فرضیه جایگزین را به عنوان یک عقیده یا باور در نظر بگیرید. برای بیان فرضیه صفر، باید آن را به عنوان وضعیت موجود یا روش موجود در حال حاضر در نظر بگیرید. بنابراین، اگر فرضیه صفر را به عنوان واقعیت بپذیرید، فرضیه جایگزین عبارتی است که آن واقعیت را مورد مناقشه قرار می دهد. هدف پژوهشگران و آماردانان رد فرضیه صفر و در عین حال اثبات صحت فرضیه جایگزین است.

فرضیه صفر را ایجاد کنید

به منظور ایجاد فرضیه صفر، محققان مسئله ای را که سعی در حل آن دارند بررسی می کنند و سؤالاتی را که می خواهند بپرسند تعیین می کنند. به طور معمول، فرضیه صفر نمایش مستقیمی از نتیجه مورد انتظار است. آنها با پرسیدن یک سوال شروع می کنند، سپس آن سوال را به عنوان عبارتی که هیچ رابطه ای بین دو متغیر فرض نمی کند، بازنویسی می کنند.

شرایط احتمالی را شناسایی کنید

هنگام بیان فرضیه صفر، آماردانان باید همه نتایج را شناسایی کنند. به عنوان مثال، پس از بررسی یک مسئله و شناسایی سوالاتی که باید بپرسند، آماردانان به این نتیجه می رسند که فرضیه صفر نتیجه مورد انتظار است. در مرحله بعد، آنها یک فرضیه جایگزین ایجاد می کنند که برای رد نتیجه مورد انتظار کار می کند.

به این ترتیب محققین سعی می کنند همه شرایط را پیش بینی کنند و یا فرضیه صفر را رد کرده و فرضیه جایگزین را بپذیرند و یا در رد فرضیه صفر شکست بخورند.

مثال فرضیه صفر

در اینجا مثالی از نحوه استفاده از فرضیه صفر آورده شده است:

فرضیه صفر را بیان کنید

ناظر یک منطقه مدرسه ادعا می کند که دانش آموزان ریاضی دبیرستان منطقه آنها میانگین نمرات هشت از 10 را در آزمون های ریاضی خود دریافت می کنند. در اینجا فرضیه های صفر و جایگزین عبارتند از:

. فرضیه صفر: دانش‌آموزان ریاضی دبیرستان منطقه مدرسه میانگین نمرات آزمون هشت از 10 را دریافت می‌کنند.
. فرضیه جایگزین: دانش‌آموزان ریاضی دبیرستان منطقه مدرسه میانگین نمرات آزمون را دریافت می‌کنند که با هشت از 10 برابری نمی‌کند.

فرضیه صفر را آزمایش کنید

برای آزمون اعتبار فرضیه صفر:

1. جمع آوری داده ها از نمونه ای متشکل از 500 دانش آموز دبیرستانی از ناحیه.
2. میانگین نمره آزمون ریاضی را از آن 500 نمونه محاسبه کنید.
3. نتیجه را با عبارت اصلی مقایسه کنید که دانش‌آموزان ریاضی دبیرستان منطقه نمره متوسط هشت از 10 را در آزمون‌ها دریافت می‌کنند.
4. داده ها برای رد فرضیه صفر به نفع یک فرضیه جایگزین استفاده می شود یا ممکن است رد نشود.

نتایج را محاسبه و تفسیر کنید

هنگام محاسبه میانگین نمرات آزمون، توجه به این نکته مهم است که آزمون فرضیه فرضیه صفر را درست فرض می کند، مگر اینکه خلاف آن ثابت شود. بنابراین، این ادعا که دانش‌آموزان ریاضی دبیرستان منطقه، میانگین نمرات هشت از 10 را در آزمون‌ها دریافت می‌کنند، داده‌هایی را ارائه می‌دهد که نشان می‌دهد اگر هشت از 10 میانگین باشد، پس مقیاس نتایج می‌تواند هر مقدار از 7.2 تا 8.8 باشد، زیرا میانگین جمعیت 8.0 است. اگر میانگین محاسبه شده هر مقداری خارج از این محدوده باشد، می توانید فرضیه صفر را رد کنید زیرا میانگین نمرات هشت از 10 نخواهد بود.

چگونه از آزمون فرضیه صفر در سرمایه گذاری استفاده می شود؟

به عنوان مثالی در رابطه با بازارهای مالی، فرض کنید آلیس می بیند که استراتژی سرمایه گذاری او نسبت به خرید و نگهداری یک سهام، بازده متوسط بالاتری را ایجاد می کند. فرضیه صفر بیان می کند که هیچ تفاوتی بین دو بازده متوسط وجود ندارد و آلیس تا زمانی که نتواند نتایج متناقضی را به دست آورد، تمایل دارد این را باور کند.

رد فرضیه صفر مستلزم نشان دادن معنی‌داری آماری است که با آزمون‌های مختلف می‌توان آن را یافت. فرضیه جایگزین بیان می کند که استراتژی سرمایه گذاری دارای بازده متوسط بالاتری نسبت به استراتژی خرید و نگهداری سنتی است.

یکی از ابزارهایی که می تواند اهمیت آماری نتایج را تعیین کند، مقدار p است. یک p-value نشان دهنده این احتمال است که تفاوتی به بزرگ یا بزرگتر از تفاوت مشاهده شده بین دو بازده متوسط می تواند به طور تصادفی رخ دهد.

مقدار p که کمتر یا مساوی 0.05 است اغلب نشان می دهد که آیا شواهدی علیه فرضیه صفر وجود دارد یا خیر.

اگر آلیس یکی از این تست‌ها را انجام دهد، مانند آزمایشی با استفاده از مدل معمولی، که منجر به تفاوت معنی‌داری بین بازده‌های او و بازده خرید و نگه‌داری شود (مقدار p کمتر یا مساوی 0.05 است)، سپس می‌تواند فرضیه صفر را رد کرده و فرضیه جایگزین را نتیجه گیری کنید.

فرضیه صفر چیست و چگونه کار می کند (با مثال)
فرضیه صفر چیست و چگونه کار می کند (با مثال) – تزیسمی

چه زمانی فرضیه صفر را رد کنیم؟

بنابراین، شما می خواهید فرضیه صفر را رد کنید، اما چگونه و چه زمانی می توانید این کار را انجام دهید؟ برای شروع، باید یک آزمایش آماری روی داده های خود انجام دهید. در ادامه مروری بر انجام پژوهشی است که از آزمون فرضیه استفاده می کند.

اولین گام، طرح سوال تحقیق و فرضیه صفر مناسب است. پس از آن، محققین باید یک طرح آزمایشی و روش‌های جمع‌آوری داده‌ها را فرموله کنند که به آنها اجازه دهد داده‌هایی را جمع‌آوری کنند که بتواند به سؤال تحقیق پاسخ دهد. سپس داده ها را جمع آوری می کنند. برای اطلاعات بیشتر در مورد طراحی یک مطالعه علمی که از آمار استفاده می کند، پست 5 گام برای انجام مطالعات با آمار را بخوانید.

پس از جمع آوری داده ها، آمار و آزمون فرضیه وارد تصویر می شود. آزمون فرضیه داده های نمونه شما را می گیرد و میزان سازگاری آنها با فرضیه صفر را ارزیابی می کند. p-value بخش مهمی از نتایج آماری است زیرا نشان می‌دهد که داده‌های نمونه چقدر با فرضیه صفر در تضاد هستند.

هنگامی که داده های نمونه شواهد کافی ارائه می دهند، می توانید فرضیه صفر را رد کنید. در آزمون فرضیه، این فرآیند شامل مقایسه مقدار p با سطح معناداری شما است.

رد فرضیه صفر

زمانی که مقدار p کمتر یا مساوی سطح معناداری شما باشد، فرضیه صفر را رد کنید. داده های نمونه شما به نفع فرضیه جایگزین است، که نشان می دهد این اثر در جامعه وجود دارد. برای یک دستگاه یادگاری، به یاد داشته باشید – وقتی مقدار p کم است، مقدار صفر باید حذف شود!

زمانی که بتوانید فرضیه صفر را رد کنید، نتایج شما از نظر آماری معنادار است.

شکست در رد فرضیه صفر

برعکس، وقتی مقدار p بیشتر از سطح معنی‌داری شما باشد، در رد فرضیه صفر شکست می‌خورید. داده‌های نمونه داده‌های ناکافی برای نتیجه‌گیری وجود اثر در جامعه فراهم می‌کند. هنگامی که مقدار p بالا است، تهی باید پرواز کند!

این یک نگاه بسیار کلی به روند است. اما امیدوارم بتوانید ببینید که چگونه مسیر به سوی یافته‌های هیجان‌انگیزتر بستگی به این دارد که بتوانید فرضیه صفر کمتر هیجان‌انگیز را که می‌گوید در اینجا چیزی برای دیدن وجود ندارد رد کنید!

سوالات متداول در مورد فرضیه صفر

1. منظور از فرضیه صفر چیست؟
در آمار، فرضیه صفر نوعی فرضیه است که پارامتر جمعیت را توضیح می دهد و هدف آن آزمون اعتبار داده های تجربی داده شده است.

2. مزایای آزمون فرضیه چیست؟
آزمون فرضیه به عنوان شکلی از آمار استنباطی تعریف می شود که امکان نتیجه گیری از کل جامعه را بر اساس نماینده نمونه فراهم می کند.

3. چه زمانی فرضیه صفر پذیرفته و رد می شود؟
فرضیه صفر بر اساس داده های داده شده یا پذیرفته می شود یا رد می شود. اگر مقدار P کمتر از α باشد، فرض صفر به نفع فرضیه جایگزین رد می شود و اگر مقدار P بزرگتر از α باشد، فرضیه صفر به نفع فرضیه جایگزین پذیرفته می شود.

4. چرا فرضیه صفر مهم است؟
اهمیت فرضیه صفر در این است که توصیفی تقریبی از پدیده های داده های داده شده ارائه می دهد. این به محققین اجازه می دهد تا مستقیماً بیانیه رابطه ای را در یک مطالعه تحقیقاتی آزمایش کنند.

5. چگونه فرضیه صفر را در آزمون کای دو قبول یا رد کنیم؟
اگر نتیجه آزمون کای اسکوئر بزرگتر از مقدار بحرانی جدول باشد، داده ها با مدل مطابقت ندارند که نشان دهنده رد فرضیه صفر است.

مشکلات درک شده با فرضیه صفر

انتخاب متغیر یا مدل و اطلاعات کمتر در برخی موارد از مسائل مهمی است که بر آزمون فرضیه صفر تأثیر می گذارد. آزمون های آماری فرضیه صفر به طور منطقی قوی نیستند. تصادفی سازی در مورد معناداری وجود دارد. مسئله اصلی در مورد آزمایش فرضیه صفر این است که همه آنها بر اساس پایه اشتباه یا نادرست هستند.

مشکل دیگری در سطح a وجود دارد. این یک مشکل نادیده گرفته شده اما در عین حال شناخته شده است. مقدار a-level بدون مبنای نظری است و بنابراین در مقادیر متعارف تصادفی‌سازی وجود دارد که معمولاً 0.q، 0.5 یا 0.01 است. اگر از مقدار ثابت a استفاده شود، منجر به تشکیل دو دسته (معنی دار و غیر معنی دار) می شود. موضوع رد یا عدم رد تصادفی نیز زمانی مطرح است که یک موضوع عملی وجود داشته باشد که نقطه قوت آن است. شواهد مربوط به یک موضوع علمی

P-value بیشترین اهمیت را در آزمون فرضیه صفر دارد اما به عنوان یک ابزار استنباطی و برای تفسیر مشکل دارد. P-value احتمال به دست آوردن یک آمار تست حداقل به اندازه آمار مشاهده شده است.

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *