과학에 대한 귀무 가설 검정 (NHT)의 유용성을 누적 노력으로 비난하는 통계 학자와 연구원의 증가에 대응하여, 통계적 추론에 관한 미국 심리학 협회 태스크 포스는 NHT에 대한 명백한 금지를 피했지만 대신 연구원들에게 제안했다. NHT에서 파생 된 p- 값 외에 효과 크기를보고합니다.
그러나 효과 크기는 여러 연구에서 쉽게 축적되지 않습니다. 메타 분석 접근법은 효과 크기의 분포를 축적 할 수 있지만, 효과 크기는 일반적으로 주어진 실험 데이터에서 원시 효과 크기와 설명 할 수없는 "노이즈"사이의 비율로 계산됩니다. 즉, 효과 크기의 분포는 연구 전반에 걸쳐 영향의 원시 크기의 변동성뿐만 아니라 연구 전반에 걸친 소음의 표현의 변동성.
대조적으로, 효과 강도, 가능성 비율의 대안적인 측정은 연구별로 직관적 인 해석을 가능하게하며, 메타 분석을 위해 여러 연구에 걸쳐 쉽게 집계 될 수 있습니다. 각 연구에서 우도는 효과를 포함하지 않는 모형에 비해 주어진 효과를 포함하는 모형의 증거 가중치를 나타내며 일반적으로 "X의 효과에 대한 우도 비의 계산"으로보고 될 수 있습니다. "각 해당 null보다 효과에 대해 8 배 더 많은 증거를 보여 주었다". 또한, 1 이하의 가능성 비가 널이 선호되는 시나리오를 나타내고이 값의 역수를 취하면 효과에 대한 널의 증거의 가중치를 나타내는 한, 가능성 비는 또한 널 발견의 강도를 직관적으로 표현할 수있게한다. 특히 가능성 비율은 두 모델의 설명 할 수없는 분산의 비율로 수학적으로 표현되며, 이는 효과에 의해 설명 된 분산에서만 다르므로 효과 크기와 개념적으로 크게 다르지 않습니다. 다른 한편으로, 연구 간 효과에 대한 증거의 가중치를 나타내는 메타 분석 가능성 비율의 계산은 단순히 연구 간 가능성 비율의 곱을 취하는 문제입니다.
따라서 과학이 효과 / 모델을 선호하여 총 증거의 정도를 확립하려는 경우 가능성 비율이 나아갈 것이라고 주장한다.
효과의 특정 크기에서만 모델을 차별화 할 수있는 미묘한 경우가 있습니다.이 경우 데이터가 효과 매개 변수 값과 일치한다고 생각하는 구간의 표현이 선호 될 수 있습니다. 실제로 APA 태스크 포스는이를 위해 사용할 수있는 신뢰 구간보고를 권장하지만, 이것이 또한 고려되지 않은 접근법이라고 생각합니다.
신뢰 구간은 종종 학생과 연구원에 의해 잘못 해석 됩니다 . 또한 CI에 0을 포함시키는 것으로 NHT에서 사용할 수있는 능력이 NHT의 멸종을 추론으로 더욱 지연시키는 데 도움이 될 것입니다.
대신, 이론들이 효과의 크기에 의해서만 구별 될 수있을 때, 각 효과의 사전 분포가 각 모델에 의해 개별적으로 정의되고 결과적인 사후 분포가 비교되는 베이지안 접근법이 더 적절할 것을 제안합니다.
p- 값, 효과 크기 및 신뢰 구간을 가능성 비율로, 그리고 필요한 경우 베이지안 모델 비교로 대체하는이 접근법이 충분한 것으로 보입니까? 여기에 조정 된 대안이 제공하는 필요한 추론 기능이 누락 되었습니까?