طريقة اختيار الاختبار الإحصائي المناسب للبحث

طريقة اختيار الاختبار الإحصائي المناسب للبحث

توفر الإحصاءات اليوم الأساس للاستدلال في معظم البحوث الطبية. ومع ذلك، ولأغراض عدم التعرض للنظرية والممارسة الإحصائية، لا يزال يُعتبر هذا الأمر بمثابة كعب أخيل من قبل جميع المعنيين في حلقة البحث والنشر - الباحثون (المؤلفون) والمراجعون والمحررون والقراء.

معظمنا على دراية إلى حد ما بالمقاييس الإحصائية الوصفية مثل تلك الخاصة بالميل المركزي وتلك التي تشتت. ومع ذلك، فإننا يتعثر في الإحصاءات الاستنتاجية. لا ينبغي أن يكون هذا هو الحال ، لا سيما مع توافر البرامج الإحصائية القوية وسهلة الاستخدام على نطاق واسع. كما أوضحنا أدناه ، ستؤدي بعض الاعتبارات الأساسية إلى اختيار الاختبار الإحصائي المناسب لاختبار الفرضيات. ومع ذلك، من المهم أن يتم تحديد التحليل الإحصائي المناسب قبل بدء الدراسة، في مرحلة التخطيط نفسه ، وحجم العينة المختار هو الأمثل. لا يمكن تحديد ذلك بشكل تعسفي بعد انتهاء الدراسة وجمع البيانات بالفعل.

يمكن معالجة الغالبية العظمى من الدراسات من خلال سلة تضم 30 اختبارًا من أكثر من 100 اختبار قيد الاستخدام. يعتمد الاختبار المراد استخدامه على نوع سؤال البحث الذي يتم طرحه. العوامل المحددة الأخرى هي نوع البيانات التي يتم تحليلها وعدد المجموعات أو مجموعات البيانات المشاركة في الدراسة. يجب أن تساعد المخططات التالية، بناءً على خمسة أسئلة بحثية عامة.
السؤال 1: هل هناك فرق بين المجموعات غير المقيدة؟ تعتبر المجموعات أو مجموعات البيانات غير مقيدة إذا لم يكن هناك احتمال أن تكون القيم في مجموعة بيانات واحدة مرتبطة بالقيم في مجموعات البيانات الأخرى أو تتأثر بها. يلزم إجراء اختبارات مختلفة للبيانات الكمية أو العددية والبيانات النوعية أو الفئوية كما هو مبين في الشكل 1. بالنسبة للبيانات العددية ، من المهم تحديد ما إذا كانت تتبع معلمات منحنى التوزيع الطبيعي (منحنى غاوسي) ، وفي هذه الحالة اختبارات حدودية يطبق. إذا كان توزيع البيانات غير طبيعي أو إذا لم يكن أحد متأكدًا من التوزيع ، فمن الأفضل استخدام اختبارات غير حدية. عند مقارنة أكثر من مجموعتين من البيانات العددية ، يجب أولاً استخدام اختبار المقارنة بين مجموعات متعددة مثل تحليل التباين أحادي الاتجاه (ANOVA) أو اختبار Kruskal-Wallis. إذا قاموا بإرجاع قيمة p ذات دلالة إحصائية (عادةً ما تعني p <0.05) عندها فقط يجب أن يتبعهم اختبار post hoc لتحديد بالضبط بين أي من البيانات يحدد الفرق. إن تطبيق اختبار t بشكل متكرر أو نظيره غير المحيطي ، اختبار Mann-Whitney U ، على موقف مجموعة متعددة يزيد من احتمال رفض الفرضية الخاطئة بشكل غير صحيح.
السؤال 2: هل هناك فرق بين المجموعات المقترنة؟ يشير الاقتران إلى أن مجموعات البيانات مشتقة من قياسات متكررة (على سبيل المثال قياسات ما قبل وبعد قياسات متعددة عبر الوقت) على نفس المجموعة من الموضوعات. سيحدث الاقتران أيضًا إذا كانت مجموعات المواد مختلفة لكن القيم في مجموعة واحدة مرتبطة بطريقة أو بأخرى بالقيم في المجموعة الأخرى (مثل الدراسات التوأم ، دراسات الأخوة ، دراسات الأبوين). يدعو تصميم الدراسة التبادلية أيضًا إلى تطبيق اختبارات مجموعة مقترنة لمقارنة تأثيرات التدخلات المختلفة على نفس الموضوعات. في بعض الأحيان يتم إقران الموضوعات عمداً لتتوافق مع خصائص خط الأساس مثل العمر أو الجنس أو شدة المرض أو مدة المرض. يتبع مخطط مشابه للشكل 1is في اختبار مجموعة البيانات المقترنة ، كما هو موضح في الشكل 2. مرة أخرى ، ينبغي إجراء مقارنة مجموعة بيانات متعددة من خلال اختبارات مجموعة متعددة مناسبة تليها اختبارات ما بعد المخصصة.
السؤال 3: هل هناك أي ارتباط بين المتغيرات؟ تم توضيح الاختبارات المختلفة المطبقة في الشكل 3. وتجدر الإشارة إلى أن الاختبارات المخصصة للبيانات العددية هي لاختبار الترابط بين متغيرين. هذه اختبارات ارتباط وهي تعبر عن قوة الارتباط كمعامل ارتباط. يتم تصوير العلاقة العكسية بين متغيرين بواسطة علامة الطرح. جميع معاملات الارتباط تختلف في الحجم من 0 (لا يوجد ارتباط على الإطلاق) إلى 1 (الارتباط المثالي). قد تشير العلاقة المثالية ولكنها لا تعني بالضرورة السببية. عندما يرتبط متغيرين رقميين خطيًا ببعضهما البعض ، يمكن لتحليل الانحدار الخطي أن يولد معادلة رياضية ، والتي يمكن أن تتنبأ بالمتغير التابع بناءً على قيمة معينة للمتغير المستقل. [2] تعد نسب الأرجحية والمخاطر النسبية هي العنصر الرئيسي في الدراسات الوبائية وتعبر عن الارتباط بين البيانات الفئوية التي يمكن تلخيصها كجدول للطوارئ 2 × 2. الانحدار اللوجستي هو في الواقع أسلوب تحليل متعدد المتغيرات يعبر عن قوة الارتباط بين المتغير الثنائي المعتمد ومتغيرين مستقلين أو أكثر كمعدلات الأرجحية المعدلة.
السؤال 4: هل هناك اتفاق بين مجموعات البيانات؟ يمكن أن يكون هذا مقارنة بين تقنية فحص جديدة مقابل الاختبار القياسي أو اختبار تشخيصي جديد مقابل المعيار الذهبي المتاح أو الاتفاق بين التصنيفات أو الدرجات التي قدمها مراقبون مختلفون. كما يتضح من الشكل 4 ، يمكن التعبير عن الاتفاق بين المتغيرات العددية كمياً بواسطة معامل الارتباط داخل الطبقة أو رسمياً عن طريق بناء مخطط بلاند-التمان حيث يتم رسم الفرق بين متغيرين x و y مقابل متوسط x و y. في حالة البيانات الفئوية ، يتم استخدام إحصاء كوهين كابا بشكل متكرر ، مع الإشارة إلى أن كابا (التي تتراوح من 0 إلى عدم وجود اتفاق على الإطلاق إلى 1 من أجل اتفاق مثالي) تشير إلى اتفاق قوي عندما يكون> 0.7. من غير المناسب استنتاج اتفاق بإظهار أنه لا يوجد فرق ذي دلالة إحصائية بين الوسائل أو عن طريق حساب معامل الارتباط.
السؤال 5: هل هناك فرق بين اتجاهات الوقت للحدث أو مؤامرات البقاء على قيد الحياة؟ هذا السؤال خاص بتحليل البقاء على قيد الحياة [3] (يمكن أن تكون نقطة النهاية لمثل هذا التحليل هي الموت أو أي حدث يمكن أن يحدث بعد فترة زمنية) والذي يتميز برقابة البيانات ، مما يعني أن نسبة كبيرة من موضوعات الدراسة الأصلية قد تكون لا تصل إلى نقطة النهاية في السؤال عند انتهاء الدراسة. تعتبر مجموعات البيانات لاتجاهات البقاء دائمًا غير بارامترية. إذا كانت هناك مجموعتان ، فإن الاختبارات المطبقة هي اختبار Cox-Mantel ، أو اختبار Gehan (Wilcoxon المعمم) أو اختبار رتبة السجل. في حالة وجود أكثر من مجموعتين ، يمكن تطبيق اختبار Peto و Peto للاختبار أو تصنيف السجل للبحث عن فرق كبير بين اتجاهات وقت الحدث.

يمكن تقدير من المخطط أعلاه أن التمييز بين البيانات البارامترية والبيانات غير البارامترية أمر مهم. قد يتم تطبيق اختبارات الحالة الطبيعية (مثل اختبار Kolmogorov-Smirnov أو اختبار Shapiro-Wilk لمدى جودة الاختبار) بدلاً من تقديم افتراضات. بعض الشروط الأخرى للاختبارات البارامترية هي أن العينات لها نفس التباين ، أي أنها مأخوذة من نفس المجموعة ، وأن الملاحظات داخل المجموعة مستقلة وأن العينات قد تم استخلاصها عشوائياً من السكان.

يحسب الاختبار أحادي الذيل إمكانية الانحراف عن الفرضية الصفرية في اتجاه معين ، في حين يحسب الاختبار أحادي الذيل إمكانية الانحراف عن الفرضية الصفرية في أي من الاتجاهين. عند مقارنة التدخل A بالتدخل B في الدرب السريري ، تفترض الفرضية الفارغة أنه لا يوجد فرق بين التدخلات اثنين. يمكن أن يحدث الانحراف عن هذه الفرضية لصالح أي تدخل في اختبار ثنائي الذيل ، لكن في اختبار ذي طرف واحد ، يُفترض أن تدخلًا واحدًا فقط يمكنه إظهار التفوق على الآخر. على الرغم من أنه بالنسبة لمجموعة بيانات معينة ، فإن الاختبار أحادي الطرف سيعود بقيمة p أصغر من اختبار ثنائي الذيل ، ويفضل عادة الأخير إلا إذا كانت هناك حالة مانعة لتسرب الماء للاختبار أحادي الطرف.
من الواضح أننا لا نستطيع الرجوع إلى جميع الاختبارات الإحصائية في افتتاحية واحدة. ومع ذلك ، فإن المخططات الموضحة سوف تغطي فرضية اختبار مطالب غالبية الدراسات الرصدية وكذلك التدخلية. أخيرًا ، يجب أن يتذكر المرء أنه لا يوجد بديل للعمل الفعلي مع مجموعات بيانات وهمية أو حقيقية ، وللتماس نصيحة خبير الإحصاء ، من أجل معرفة الفروق الدقيقة في اختبار الفرضيات الإحصائية.

اشتركوا بقناتنا على اليوتيوب: Research Academy
https://www.youtube.com/c/ResearchAcademy

وتابعوا صفحتنا على الفيسبوك: مجلة الدراسات العليا
https://facebook.com/higher.studies.mag