آزمایشگاه آزاد؛ بدون نیاز به ورود
چرا نتیجهی آماری با تعداد نمونه عوض میشه؟
یک اختلاف کوچک همیشه بیاهمیت نیست و یک اختلاف بزرگ هم بهتنهایی همهچیز رو نمیگه. اندازهی اثر و تعداد نمونه رو کنار هم ببین؛ بعد یادت باشه عدد این ابزار یک مدل آموزشی ساده است.
آزمایش رو شروع کنتعداد نمونه و اندازهی اثر رو با اسلایدرها عوض کن و اجرا رو بزن. n تعداد نمونه در هر گروهه؛ d اختلاف استانداردشدهست. مقدار p این شبیهسازی برای تمرین روندهاست و آزمون آماری معتبر نیست.
آزمایشگاه در حال آماده شدنه…
حالا خودت امتحان کن
هر بار فقط یک چیز رو تغییر بده تا اثرش رو ببینی. قبل از اجرا، نتیجه رو حدس بزن.
اندازهی اثر متوسط
تعداد نمونه رو روی ۱۰۰ و اندازهی اثر رو روی ۰٫۵ بذار، بعد اجرا رو بزن. d و p نمایشدادهشده رو بخون.
حدست چیه؟ اگر عدد d ثابت بمونه، یک نمونهی بزرگتر میتونه اختلاف رو روشنتر از یک نمونهی کوچک نشون بده؟
توضیح نتیجه رو ببین
در این نمونه، d برابر ۰٫۵ و خروجی p حدود ۰٫۰۵۶۶ است؛ برچسب ابزار آن را زیر مرز ۰٫۰۵ حساب نمیکند. این مقدار از فرمول سادهی خود مدل میآد و p معتبرِ آزمون واقعی نیست.
نمونهی بیشتر، همان اثر
اندازهی اثر رو روی ۰٫۵ نگه دار و تعداد نمونه رو به ۴۰۰ برسون. اجرا کن و p رو با نمونهی ۱۰۰تایی مقایسه کن.
حدست چیه؟ وقتی اختلاف استانداردشده همونه، افزایش نمونه چه اثری روی خروجی این مدل داره؟
توضیح نتیجه رو ببین
در نمونهی ۴۰۰تایی، خروجی p حدود ۰٫۰۰۱۷ میشه؛ مدل با نمونهی بزرگتر عدد کوچکتری میده. این فقط روندِ محاسبهی سادهی ابزار رو نشان میده، نه نتیجهای برای گزارش پژوهشی.
اثر کوچکتر با همان نمونه
تعداد نمونه رو به ۱۰۰ برگردون و اندازهی اثر رو از ۰٫۵ به ۰٫۳ کاهش بده. اجرا کن و خروجی p رو ببین.
حدست چیه؟ در فرمول این مدل، وقتی اندازهی اثر کوچکتر باشه p به کدوم سمت میره؟
توضیح نتیجه رو ببین
در این نمونهی ۱۰۰تایی، d برابر ۰٫۳ و خروجی p حدود ۰٫۲۱۴۱ میشه؛ از حالت d برابر ۰٫۵ بزرگتره. این مقایسه کمک میکنه نقش d رو در همین فرمول ببینی، اما آزمون علمی واقعی نیست.
پشت این حرکت چه خبره؟
اندازهی اثر یعنی اختلاف چقدر بزرگه؟
d = (mean_1 - mean_2)/pooled_SD
d یا اندازهی اثرِ استانداردشده، اختلاف دو گروه رو با پراکندگی دادهها مقایسه میکنه. این ابزار d رو از ۰ تا ۲ میگیره؛ پس فقط اندازهی غیرمنفی اختلاف رو نشان میده.
تعداد نمونه چه نقشی داره؟
t = d*sqrt(n/2)
وقتی اندازهی اثر ثابت باشه، دادههای بیشتر معمولاً کمک میکنن یک اختلافِ واقعی دقیقتر دیده بشه. به همین خاطر اندازهی اثر و تعداد نمونه باید با هم بررسی بشن؛ فقط به یک عدد p تکیه نکن.
مرز ۰٫۰۵ چه میگه؟
p_model = 1 - tanh(abs(t)/2)
در یک آزمون درستتعریفشده، p-value احتمالِ دیدن دادهای به این اندازه یا افراطیتره، اگر فرض صفر درست باشه. مرز ۰٫۰۵ یک قرارداد رایجه، نه خطی جادویی برای مهم یا بیاهمیت بودن اثر. فرمول پیادهشده در این ابزار توزیع t رو محاسبه نمیکنه؛ پس عددهاش p معتبر نیستن.
سؤالت رو بپرس، جوابش رو هم ببین
وقتی توی چت دربارهٔ یک مفهوم درس میخونی، دستیار هوش مصنوعی میتونه شبیهسازی مرتبط رو کنار توضیحش نشون بده. پارامترها رو تغییر میدی و با کمک توضیح بعدی، نتیجه رو بهتر میفهمی.
شروع یادگیری با چتبرای ادامه در چت، وارد مسیر شروع و ورود میشی. نتیجهٔ این آزمایش به چت منتقل نمیشه.
نمونهٔ نمایشی از آموزش در چت
اگر با نمونهی بزرگتر p کوچکتر شد، یعنی اثر مهمتره؟
نه حتماً. نمونهی بزرگ میتونه اختلاف کوچک رو هم آسانتر آشکار کنه؛ اندازهی اثر میگه اختلاف چهقدر بزرگه و p به پرسش آماری مشخصی مربوطه. ضمن اینکه p این شبیهسازی از یک تقریب آموزشی میآد و برای استنباط واقعی معتبر نیست.
سؤالهای رایج
d یا اندازهی اثر چی رو اندازه میگیره؟
اندازهی اختلاف دو گروه رو نسبت به پراکندگی دادهها خلاصه میکنه. d بزرگتر معمولاً یعنی اختلاف استانداردشدهی بزرگتر؛ اما مهم بودن نتیجه به زمینه و کیفیت مطالعه هم بستگی داره.
چرا با نمونهی بزرگتر p این مدل کم میشه؟
فرمول ابزار از t = d*sqrt(n/2) استفاده میکنه؛ وقتی d ثابت باشه، n بزرگتر t رو بالا میبره و فرمول تقریبی خودش p کوچکتری میسازه. این روندِ ماشین حسابه و جای آزمون واقعی رو نمیگیره.
p کوچکتر از ۰٫۰۵ ثابت میکنه فرضیهام درسته؟
نه. این مرز بهتنهایی فرضیه رو ثابت نمیکنه و نتیجه هم به طراحی، داده و فرضهای آزمون بستگی داره. این ابزار هم p واقعی محاسبه نمیکنه؛ عددش فقط برای دیدن رفتار فرمول سادهی مدل است.
میتونم عدد p این صفحه رو در گزارش پژوهشم بنویسم؟
نه؛ محاسبهی موجود توزیع t یا درجهی آزادی رو بهدرستی وارد نمیکنه. برای گزارش باید از آزمون متناسب با دادهها و طراحی مطالعه استفاده کنی و روش رو با معلم یا راهنمای پژوهش بررسی کنی.