Significato statistico

Che cos’è la significatività statistica?

La significatività statistica si riferisce all’affermazione che un risultato dei dati generati da test o sperimentazione non è probabile che si verifichi in modo casuale o casuale, ma è invece probabile che sia attribuibile a una causa specifica. Avere un significato statistico è importante per le discipline accademiche o per i professionisti che fanno molto affidamento sull’analisi dei dati e della ricerca, come l’economia, la finanza, gli investimenti, la medicina, la fisica e la biologia.

La significatività statistica può essere considerata forte o debole. Quando si analizza un set di dati e si eseguono i test necessari per discernere se una o più variabili hanno un effetto su un risultato, una forte significatività statistica aiuta a sostenere il fatto che i risultati sono reali e non causati da fortuna o caso. In parole semplici, se un valore p è piccolo, il risultato è considerato più affidabile.

I problemi sorgono nei test di significatività statistica perché i ricercatori di solito lavorano con campioni di popolazioni più ampie e non con le popolazioni stesse. Di conseguenza, i campioni devono essere rappresentativi della popolazione, quindi i dati contenuti nel campione non devono essere in alcun modo distorti. Nella maggior parte delle scienze, inclusa l’economia, la significatività statistica è rilevante se una dichiarazione può essere presentata a un livello del 95% (o talvolta del 99%).

Comprensione della significatività statistica

Il calcolo della significatività statistica (test di significatività) è soggetto a un certo grado di errore. Il ricercatore deve definire in anticipo la probabilità di un errore di campionamento, che esiste in qualsiasi test che non includa l’intera popolazione.

La dimensione del campione è una componente importante della significatività statistica in quanto campioni più grandi sono meno inclini ai trematodi. Solo campioni casuali e rappresentativi dovrebbero essere usati nei test di significatività. Il livello al quale si può accettare se un evento è statisticamente significativo è noto come livello di significatività.

I ricercatori utilizzano una statistica di test nota come valore p per determinare la significatività statistica: se il valore p scende al di sotto del livello di significatività, il risultato è statisticamente significativo. Il valore p è una funzione delle medie e delle deviazioni standard dei campioni di dati.

Il valore p indica la probabilità sotto la quale si è verificato il dato risultato statistico, supponendo che il solo caso sia responsabile del risultato. Se questa probabilità è piccola, il ricercatore può tranquillamente stabilire la nostra possibilità come causa. Il valore p deve rientrare nel livello di significatività affinché i risultati siano almeno considerati statisticamente significativi.

L’opposto del livello di significatività, calcolato come 1 meno il livello di significatività, è il livello di confidenza. Indica il grado di fiducia che il risultato statistico non si è verificato per caso o per errore di campionamento. Il livello di confidenza abituale in molti test statistici è del 95 percento, portando a un livello di significatività abituale o valore p del 5 percento.

Aspetti chiave

• La significatività statistica si riferisce all’affermazione che un risultato dei dati generati da test o sperimentazione è probabilmente attribuibile a una causa specifica.
• Se una statistica ha un significato elevato, viene considerata più affidabile.
• Il calcolo della significatività statistica è soggetto a un certo grado di errore.
• La significatività statistica può essere interpretata erroneamente quando i ricercatori non usano il linguaggio con attenzione nel riportare i loro risultati.
• Diversi tipi di test di significatività vengono utilizzati a seconda della ricerca condotta

considerazioni speciali

La significatività statistica non sempre indica un significato pratico, il che significa che i risultati non possono essere applicati a situazioni aziendali reali. Inoltre, la significatività statistica può essere interpretata erroneamente quando i ricercatori non utilizzano il linguaggio con attenzione nel riportare i risultati. Perché il risultato è statisticamente significativo non implica che sia , non  a caso, solo che la probabilità del suo essere casuale è notevolmente ridotto.

Solo perché due serie di dati hanno una forte correlazione l’una con l’altra non implica un nesso di causalità. Ad esempio, il numero di film in cui l’attore Nicolas Cage recita in un dato anno è strettamente correlato al numero di annegamenti accidentali nelle piscine. Ma questa correlazione è falsa poiché non vi è alcuna affermazione causale teorica che possa essere fatta.

Un altro problema che può sorgere con la significatività statistica è che i dati passati ei risultati di tali dati, statisticamente significativi o meno, potrebbero non riflettere le condizioni attuali o future. Nell’investimento, questo può manifestarsi in un modello di prezzo che si rompe durante i periodi di crisi finanziaria poiché le correlazioni cambiano e le variabili non interagiscono come al solito. La significatività statistica può anche aiutare un investitore a discernere se un modello di asset pricing è migliore di un altro.

Tipi di test di significatività statistica

Vengono utilizzati diversi tipi di test di significatività a seconda della ricerca condotta. Ad esempio, i test possono essere utilizzati per uno, due o più campioni di dati di varie dimensioni per medie, varianze, proporzioni, dati accoppiati o non accoppiati o distribuzioni di dati differenti.

L’ipotesi nulla

Tutti questi fattori hanno quelle che vengono chiamate ipotesi nulle e il significato spesso è l’obiettivo della verifica delle ipotesi in statistica. L’ipotesi nulla più comune è che il parametro in questione sia uguale a zero (indicando tipicamente che una variabile ha effetto zero sul risultato di interesse). Se puoi rifiutare l’ipotesi nulla con una confidenza del 95 percento o superiore, i ricercatori possono invocare la significatività statistica. Le ipotesi nulle possono anche essere testate per l’uguaglianza (piuttosto che uguale a zero) di effetto per due o più trattamenti alternativi, ad esempio tra un farmaco e un placebo in uno studio clinico.

Il rifiuto dell’ipotesi nulla, anche se un grado molto elevato di significatività statistica non potrà mai dimostrare qualcosa, può solo aggiungere supporto a un’ipotesi esistente. D’altra parte, il mancato rigetto di un’ipotesi nulla è spesso motivo di rigetto di un’ipotesi.

Un test di significatività statistica condivide gran parte della stessa matematica del calcolo di un intervallo di confidenza. In situazioni comuni, un modo per interpretare la significatività statistica è che il corrispondente intervallo di confidenza del 95% non contenga il valore zero. Anche se una variabile risulta essere statisticamente significativa, deve comunque avere senso nel mondo reale.

Inoltre, un effetto può essere statisticamente significativo ma avere solo un impatto minimo. Ad esempio, potrebbe essere molto improbabile a causa della possibilità che le aziende che utilizzano carta igienica a due veli nei loro bagni abbiano dipendenti più produttivi, ma è probabile che il miglioramento della produttività assoluta di ciascun lavoratore sia minimo.