V tomto článku si řekneme, co jsou to statistické hypotézy, jak s hypotézami pracovat a naučíme se některé základní pojmy. Testování statistických hypotéz nám umožňuje vyvozovat závěry o populaci na základě reprezentativního vzorku.
Co je nulová a alternativní hypotéza
Nulová hypotéza obvykle uvádí, že nedošlo k žádné změně, či že mezi proměnnými není závislost. V našem příkladu nulová hypotéza tvrdí, že střední hodnota váhy koblih je 65 gramů. Alternativní hypotéza vyjadřuje náš skutečný zájem, může být jednostranná nebo oboustranná, např. zda se váha koblih významně snížila či zvýšila.
V případě jakéhokoliv rozhodování pracujeme s parametrem θ a hodnotou, se kterou jej srovnáváme. Nulová hypotéza (H0) bývá formulována jako nepřítomnost rozdílu či efektu, zatímco alternativní hypotéza (HA) popisuje, že rozdíl či efekt existuje. Rozhodování vychází z dát a testové statistiky.
Jednovýběrové testy a kritická oblast
Pro náš příklad použijeme jednovýběrový test pro střední hodnotu a spočítáme testovou statistiku. Při dvoustranné hypotéze hledáme kritickou oblast na obou koncích rozdělení. Kritická hodnota se odvíjí od hladiny významnosti α a zvoleného rozdělení (normální či Studentovo t, v závislosti na velikosti vzorku a známosti/populačním rozptylu).
Hladinu významnosti lze definovat jako pravděpodobnost zamítnutí nulové hypotézy, ačkoli je H0 pravdivá. Značí se α a představuje chybu I. druhu. Například α = 0,05 znamená pětiprocentní riziko falešného zamítnutí H0.
Chyby I. a II. druhu a síla testu
Chyba I. druhu nastává, když zamítneme H0, která ve skutečnosti platí. Chyba II. druhu nastává, když nezamítneme H0, která ve skutečnosti neplatí. Pravděpodobnost chyby I. druhu se označuje α, pravděpodobnost chyby II. druhu β. Síla testu je 1 − β a vyjadřuje schopnost testu správně odhalit skutečný efekt.
V praxi je často prioritou minimalizace chyby I. druhu (např. kvůli důkazu v soudním smyslu), a proto se stanovuje pevná hladina významnosti a z ní vychází kritické hodnoty pro rozhodnutí o zamítnutí nebo nezamítnutí H0.
Testování - frekvenční a bayesovský pohled
Testování hypotéz lze chápat i jako analogii se soudním procesem: nulová hypotéza reprezentuje presumpci neviny a je nutné poskytnout důkazy pro její zamítnutí. Existují různé rámce: Fisherův statický významnostn přístup (přes testovou statistiku a p-hodnotu), Neyman-Pearsonův rámec pro volbu testové statistiky, a bayesovský rozhodovací přístup, který pracuje s aposteriorními pravděpodobnostmi hypotéz.
V bayesovském pojetí jsou pro každou hypotézu při apriorních vahách a datech vypočítány aposteriorní pravděpodobnosti; rozhodnutí vychází z nejvyšší aposteriorní pravděpodobnosti či z minimalizace ztrátové funkce. Výběr α, β a požadované síly testu je vždy rozhodnutím závislým na riziku nesprávné interpretace a na kontextu výzkumu.
Typy dat a volba testů
Základní rozdělení testů hypotéz vychází z typu dat a jejich rozdělení. Pokud jde o spojitá kvantitativní data a nelze zamítnout nulovou hypotézu o normalitě, použijeme testy parametrické. V ostatních případech (data nejsou gaussovská, jsou diskrétní, ordinální či nominální) musíme použít testy neparametrické. Parametrická statistika tvoří základ při výkladu o testování hypotéz a neparametrické metody se používají, pokud podmínky pro parametrické testy nejsou splněny.
Mezi praktické kroky patří výběr vhodné testové statistiky a porovnání s kritickou hodnotou z tabulek. Pro názornost uvedeme příklady: dvoufázové testy, t-testy, χ2 testy a další, které se objevují v různých kontextech biostatistiky a sociálních věd.
Obecný postup testování hypotéz
- Formulace H0 a HA (jedna či více alternativních) s jasnou interpretací.
- Stanovení hladiny významnosti α (často 0,05 nebo 0,01) a volba odpovídající kritické hodnoty.
- Výpočet testové statistiky T (nebo jiné) na základě dat.
- Rozhodnutí: pokud testová statistika překročí kritickou hodnotu, zamítáme H0; jinak ji nezamítáme.
- Interpretace výsledku v kontextu výzkumu, s uvedením omezení a možnosti dalšího ověřování.
V souvislosti s naším příkladem bychom shrnuli, že testování hypotéz nám umožňuje posoudit, zda skutečně došlo ke změně ve váze koblih na úrovni populace, a to na základě naměřených vzorků a předem stanovených kritérií.
