กล่องที่ 2: สมมติฐานความหิว

กล่องที่ 2: สมมติฐานความหิว

การตีความค่า P ของนักสถิติในทางที่ผิดที่พบบ่อยคือการวัดความเป็นไปได้ที่สมมติฐานที่เป็นโมฆะ (หรือ “ไม่มีผลกระทบ”) นั้นถูกต้อง ที่จริงแล้ว ค่า P ให้ความน่าจะเป็นในการสังเกตผลลัพธ์หากสมมติฐานที่เป็นโมฆะเป็นจริง และไม่มีผลที่แท้จริงของการรักษาหรือความแตกต่างระหว่างกลุ่มที่กำลังทดสอบ ตัวอย่างเช่น ค่า AP เท่ากับ .05 หมายความว่ามีโอกาสเพียง 5 เปอร์เซ็นต์ที่จะได้ผลลัพธ์ที่สังเกตได้ หากสมมติฐานว่างถูกต้อง

อย่างไรก็ตาม ไม่ถูกต้อง ที่จะเปลี่ยนการค้นพบความน่าจะเป็นร้อยละ 95 

ที่สมมติฐานว่างเป็นเท็จ “ค่า P คำนวณภายใต้สมมติฐานที่ว่าสมมติฐานว่างเป็นจริง” Steven Goodman นักชีวสถิติกล่าว “ดังนั้นจึงไม่สามารถเป็นไปได้พร้อมกันที่สมมติฐานว่างเป็นเท็จ”

พิจารณาตัวอย่างที่เข้าใจง่ายนี้ สมมติว่าสุนัขตัวหนึ่งเห่าตลอดเวลาเมื่อหิว แต่เมื่อได้รับอาหารอย่างดี สุนัขจะเห่าน้อยกว่าร้อยละ 5 ของเวลาทั้งหมด ดังนั้น หากคุณสมมติสมมติฐานว่างว่าสุนัขไม่หิว ความน่าจะเป็นที่จะสังเกตเห็นสุนัขเห่า (ตามสมมติฐานนั้น) จะน้อยกว่า 5 เปอร์เซ็นต์ หากคุณสังเกตสุนัขเห่าจริงๆ มีความเป็นไปได้เท่าใดที่สมมติฐานว่างจะไม่ถูกต้องและในความเป็นจริงสุนัขหิว

คำตอบ: ความน่าจะเป็นนั้นไม่สามารถคำนวณได้ด้วยข้อมูลที่ให้มา สุนัขเห่า 100 เปอร์เซ็นต์เมื่อหิว และน้อยกว่า 5 เปอร์เซ็นต์เมื่อไม่หิว ในการคำนวณความเป็นไปได้ของความหิว คุณต้องรู้ว่าสุนัขได้รับอาหารบ่อยแค่ไหน ข้อมูลไม่ได้มาจากการสังเกตการเห่าเพียงอย่างเดียว

กรอบที่ 3: การสุ่มและการทดลองทางคลินิก

การกำหนดผู้ป่วยแบบสุ่มไปยังกลุ่มการรักษาและกลุ่มควบคุมเป็นคุณลักษณะสำคัญของการทดลองทางคลินิกที่มีการควบคุม แต่ในทางสถิติแล้ว วิธีการดังกล่าวไม่สามารถรับประกันได้ว่าความแตกต่างระหว่างผู้ป่วยแต่ละรายจะกระจายอย่างเท่าเทียมกันเสมอ ผู้เชี่ยวชาญในการวิเคราะห์การทดลองทางคลินิกทราบดีว่าการสุ่มที่ไม่สมบูรณ์ดังกล่าวจะทำให้ความแตกต่างที่สำคัญบางอย่างไม่สมดุลระหว่างกลุ่มทดลอง อย่างน้อยก็ในบางครั้ง

Don Berry นักชีวสถิติจาก MD Anderson Cancer Center ในฮูสตันกล่าวว่า “นี่เป็นข้อกังวลที่สำคัญ”

ในข้อความอีเมล Berry ชี้ให้เห็นว่าผู้ป่วยสองรายที่ดูเหมือนจะเหมือนกันอาจตอบสนองต่อการรักษาที่เหมือนกันต่างกัน ดังนั้นนักสถิติจึงพยายามรวมความแปรปรวนของผู้ป่วยเข้ากับแบบจำลองทางคณิตศาสตร์ของพวกเขา

“อาจมี googol ที่มีลักษณะเฉพาะของผู้ป่วยและรับประกันได้ว่าไม่ใช่ทั้งหมดจะสมดุลโดยการสุ่ม” Berry กล่าว “แต่ลักษณะบางอย่างจะลำเอียงในการรักษา A และคุณสมบัติอื่น ๆ เพื่อสนับสนุนการรักษา B. พวกเขามักจะออกไป นักสถิติมองว่าสิ่งที่ไม่เท่ากันนั้นถือเป็น ‘ข้อผิดพลาดแบบสุ่ม’ และสิ่งนี้เราสร้างแบบจำลองอย่างชัดเจน”

การทำความเข้าใจความแตกต่างของแต่ละบุคคลซึ่งส่งผลต่อการตอบสนองต่อการรักษาเป็นเป้าหมายหลักของนักวิทยาศาสตร์ที่ต้องการ “ยาเฉพาะบุคคล” ซึ่งการบำบัดจะปรับให้เหมาะกับชีววิทยาเฉพาะของแต่ละคน แต่ข้อจำกัดของวิธีการทางสถิติในการสรุปผลเกี่ยวกับกลุ่มย่อยของผู้ป่วยทำให้เกิดความท้าทายในการบรรลุเป้าหมายดังกล่าว

“การสังเกตที่ผิดพลาดในเชิงบวกมีอยู่มากมาย” Berry ยอมรับ “มีผู้ป่วยที่เนื้องอกละลายหายไปเมื่อได้รับการรักษาที่ใหม่กว่าของเรา… แต่กูกอลตัวใดที่มีลักษณะเฉพาะของเนื้องอกชนิดนี้ที่เปิดใช้งานสิ่งนี้ได้? มันเหมือนกับการมองหาเข็มในกองหญ้า … หรือมากกว่านั้น การมองหาเข็มพิเศษหนึ่งเข็มในกองเข็มอื่นๆ”

แนะนำ : ข่าวดารา | กัญชา | เกมส์มือถือ | เกมส์ฟีฟาย | สัตว์เลี้ยง