Тест для проверки зависимости от мнения окружающих: Тест для проверки зависимости от мнения окружающих

Учёные из Нью-Йоркского университета начали своё исследование, когда споры о цвете «платья раздора» были в самом разгаре. В два этапа они собрали мнения 13 471 респондента с перерывом около года. Кроме того, участников эксперимента попросили указать характеристики освещения на фотографии.

Люди сообщали, при дневном или искусственном свете, по их мнению, сделан снимок, а также указывали, находились ли они сами в помещении или на улице, когда впервые увидели спорное фото. Помимо этого респонденты должны были определить, падает на платье тень или нет. Большинство испытуемых оценивали платье по первому впечатлению, не зная о предположениях других людей.

Чтобы сделать окончательный вывод о том, почему респонденты по-разному оценивают цвет платья, исследователи также разделили их на группы по ряду признаков, среди которых — возраст, пол и цикл сна-бодрствования. Оказалось, что первые два признака почти не влияют на восприятие платья. Разве что люди в возрасте от 20 до 40 чаще остальных думали, что платье — белое с жёлтым. А вот время, в которое человек бодрствует, имеет определённое значение.

«Жаворонки» в основном видели бело-золотое платье, а «совы» — чёрно-синее. Причина — в том, как именно мозг человека привык корректировать воспринимаемые им цвета. 

Сила привычки

При взгляде на предмет мозг постоянно адаптирует цвета в зависимости от предыдущего опыта. Один из наглядных примеров — недавно набравшая популярность картинка с клубникой.

• Twitter
• © @social_brains

По словам создателя картинки, на ней нет красного цвета, однако многие пользователи соцсетей обвиняли его в обмане, поскольку видели на изображении ягоды насыщенного цвета. Объясняется феномен как раз тем, что мозг корректирует цвета. Иными словами, люди видят на картинке из разных оттенков серого красные ягоды, потому что знают, что клубника именно такого цвета.

С платьем происходит нечто похожее. По фото, которое в сети обсуждали так яростно, что ясности не внесли даже настойчивые заявления производителя о том, что на самом деле платье — синее с чёрным, сложно определить источник света. Проводя второй этап опроса в марте 2016 года, исследователи спросили добровольцев и об этом.

Более 2000 человек из 5000 не смогли с уверенностью определить, под естественным или искусственным светом находится платье, мнения же остальных разделились. Оценив, как соотносится в ответах респондентов источник света и их распорядок дня, а также сопоставив это с определённым ими цветом платья, учёные выяснили, что время сна, по-видимому, сильно влияет на то, что видят люди. 

В погоне за точностью 

Как объясняют исследователи, «жаворонки», которые рано просыпаются и ложатся спать с закатом, больше времени проводят под естественным освещением, в котором, по сравнению с искусственным, больше волн света, смещённых к синей части спектра. Это придаёт вещам голубоватый оттенок, который при «цветокоррекции» в мозге как бы отбрасывается.

Также по теме

В эти дни коллективный разум пользователей сети оказался увлечён поисками упавшего на ковёр телефона, который почти незаметен на фоне…

У «сов» же происходит противоположный процесс. Искусственное освещение смещено в сторону более длинных волн, что должно придавать предметам вокруг желтоватый оттенок. Однако, как уже говорилось, мозгу свойственно выравнивать цвета, и этот оттенок как бы считается лишним и отбрасывается в процессе оценки изображения.

По этой причине совы «угадали» правильную, сине-чёрную расцветку. Подобные особенности восприятия объясняются, по мнению учёных, именно привычкой видеть предметы при определённом освещении.

Таким образом, исследование показало, что восприятие цвета может зависеть от ежедневных привычек. Однако любопытным на этом фоне выглядит то, что некоторые видели то бело-золотое, то чёрно-синее платье. По мнению учёных, «мозговая цветокоррекция» у таких людей может быть более детальной, чем у остальных. Исследователи добавляют, что на самом деле верх платья освещён дневным светом, а низ — искусственным. Вероятно, особенности зрения некоторых людей позволяют оценивать цвет, учитывая даже такие мелкие детали. Тогда, в зависимости от того, на что они обращают внимание в первую очередь, предмет (например, платье) легко может сменить расцветку с чёрно-синей на бело-золотую и обратно.

Голикова разъяснила, зачем привившимся проводят ПЦР-тесты

Прививка от COVID-19 не означает, что человек не опасен для окружающих, поэтому надо сдавать ПЦР-тесты, заявила вице-премьер Татьяна Голикова. Сейчас власти РФ изучают все данные, чтобы иметь полную картину происходящего, добавила она, поэтому необходимо сдавать тест на коронавирус тем, кто возвращается в страну – даже с прививкой. Ситуация с COVID-19 в России остается напряженной.

Тесты на коронавирус необходимо сдавать по возвращении в Россию из-за рубежа всем гражданам, вне зависимости от того, есть ли у них прививка от COVID-19 или нет. Об этом в эфире канала «Россия 1» заявила заместитель председателя правительства РФ Татьяна Голикова.

«Пока не стоит пренебрегать ПЦР-тестированием. Пока у нас не накоплено такого объема информации для того, чтобы мы могли четко сказать, что если ты вакцинировался, ты абсолютно ни для кого не опасен», -— сказала она.

Человек, который привился от коронавируса, может все еще оставаться заразным, поэтому необходимо продолжать соблюдать меры профилактики. Об этом еще в январе заявил и.о. директора НИИ гриппа им. Смородинцева Минздрава РФ Дмитрий Лиознов.

«Привитый человек, он защищен, у него болезнь не развивается, но возбудитель может попасть на слизистые оболочки, там сохраняться какое-то время и выделяться во внешнюю среду», — подчеркнул врач.

Министр здравоохранения РФ Михаил Мурашко в свою очередь заявил, что ситуация с коронавирусом в России остается по-прежнему напряженной. Под наблюдением врачей находятся более 300 тыс. больных COVID-19.

При этом прививку от коронавируса сделали около 9 млн граждан РФ (обе дозы). Еще 13 млн привились первым компонентом вакцины, добавил он. Для формирования популяционного иммунитета, который бы обеспечил всероссийскую защиту от коронавируса, привить необходимо примерно 70 млн россиян.

По словам Голиковой, ежедневно в РФ прививаются от COVID-19 от 200 до 300 тыс. человек. Порой, добавила вице-премьер, число привившихся бывает и больше.

28 апреля пресс-секретарь президента России Дмитрий Песков в ходе ежедневного брифинга рассказал, почему в России показатели по вакцинации населения остаются на низком уровне.

«Каждая страна имеет свою специфику. Вакцины достаточно. Система уникально-разветвленная с учетом нашей обширной географии создана, но пока такой уровень спроса», — сказал представитель Кремля журналистам. Однако темпы вакцинации будут расти, добавил Песков.

«Темпы сейчас соответствуют востребованности населения. Все регионы обеспечены вакцинами. Нельзя не учитывать уровень естественной иммунизации, это те, кто уже переболел», — пояснил пресс-секретарь президента РФ.

В конце марта президент РФ Владимир Путин заявил, что коллективный иммунитет к коронавирусу в России может сформироваться уже к концу лета. По его словам, это произойдет при сохранении текущих темпов вакцинации населения страны. Глава государства напомнил, что говорить об успешном формировании коллективного иммунитета можно будет, когда прививку от коронавируса получат около 70% взрослого населения России.

Чиновники смотрят на ситуацию оптимистично, хотя и предупреждает об угрозе ухудшения ситуации в случае несоблюдения населением противоэпидемических мер. 16 апреля Татьяна Голикова заявила, что вскоре можно будет отменять введенные ранее ограничения. «Объемы вакцинации в России нарастают, и это хорошо. Это дает нам возможность думать о том, что в какое-то очень ближайшее время ограничения будут сняты. Сегодня очень важно, чтобы мы не растеряли то, чего с таким трудом достигли», — сказала вице-премьер.

При этом главный санитарный врач РФ Анна Попова неоднократно предупреждала — необходимо соблюдать масочный режим и другие меры профилактики, несмотря на снижение числа заболевших. Если этого не делать — очень скоро страна может вернуться к «нестабильной» ситуации. Пока что ситуация стабильна — об этом заявили в Роспотребнадзоре еще в марте.

Зависимое расстройство личности: определение, симптомы, лечение

Обзор

Что такое зависимое расстройство личности (ЗДР)?

Эксперты в области психического здоровья описывают личность как образ мыслей, чувств и поведения человека. Расстройство личности влияет на то, как люди думают или действуют, заставляя их вести себя по-разному с течением времени.

Зависимое расстройство личности (ЗРЛ) — один из 10 типов расстройств личности. Другие типы включают антисоциальное расстройство личности, нарциссическое расстройство личности и параноидальное расстройство личности.Зависимое расстройство личности обычно начинается в детстве или к 29 годам.

Люди с DPD испытывают огромную потребность в том, чтобы о них заботились другие. Часто человек с DPD полагается на близких ему людей в своих эмоциональных или физических потребностях. Другие могут описать их как нуждающихся или навязчивых.

Люди с DPD могут думать, что не могут позаботиться о себе сами. У них могут быть проблемы с принятием повседневных решений, например, с тем, что надеть, без заверений окружающих.

Статистика показывает, что примерно 10% взрослых страдают расстройствами личности.Критериям DPD соответствует менее 1% взрослых. Женщины чаще, чем мужчины, страдают DPD.

Симптомы и причины

Что вызывает зависимое расстройство личности (ЗПР)?

Эксперты по психическому здоровью не выяснили, что вызывает DPD. Они считают, что это результат сочетания генетики, окружающей среды и развития. Эксперты обнаружили, что DPD чаще встречается у людей с определенным жизненным опытом, в том числе:

• Оскорбительные отношения: Люди, которые в прошлом были оскорбительными отношениями, имеют более высокий риск диагноза DPD.
• Детская травма: У детей, переживших жестокое обращение с детьми (включая словесные оскорбления) или пренебрежение, может развиться DPD. Это также может повлиять на людей, которые в детстве пережили опасное для жизни заболевание.
• Семейный анамнез: У кого-то, у кого из членов семьи есть DPD или другое тревожное расстройство, может быть больше шансов получить диагноз DPD.
• Определенные культурные, религиозные или семейные стереотипы поведения: У некоторых людей DPD может развиться из-за культурных или религиозных обычаев, которые делают упор на авторитет.Но пассивность или вежливость сами по себе не являются признаком DPD.

Каковы симптомы зависимого расстройства личности (ЗДР)?

Человек с зависимым расстройством личности может иметь несколько симптомов, в том числе:

• Избегание личной ответственности.
• Проблемы с одиночеством.
• Страх быть брошенным и чувство беспомощности, когда отношения заканчиваются.
• Чрезмерная чувствительность к критике.
• Пессимизм и неуверенность в себе.
• Проблемы с принятием повседневных решений.

Диагностика и тесты

Как диагностируется зависимое расстройство личности (ЗДР)?

Ваш лечащий врач проводит медицинский осмотр, чтобы понять, может ли другое заболевание вызывать симптомы. Поставщик психиатрических услуг ставит диагноз DPD.

Специалист в области психического здоровья поговорит с вами о вашем прошлом психическом здоровье. Вопросы могут включать в себя ваше самочувствие, любые другие проблемы с психическим здоровьем и любые проблемы, связанные с употреблением психоактивных веществ.Врач сравнивает ваши ответы с факторами, перечисленными в Руководстве по диагностике и статистике психических расстройств (DSM-5).

Для диагностики DPD провайдер будет искать пять диагностических критериев DSM-5. Эти факторы включают:

• Всепоглощающий, нереальный страх быть брошенным.
• Ощущение тревоги или беспомощности в одиночестве.
• Неспособность выполнять жизненные обязанности, не обращаясь за помощью к другим.
• Проблемы с изложением мнения из-за страха потерять поддержку или одобрение.
• Сильное стремление заручиться поддержкой других, даже решив делать неприятные вещи, чтобы получить ее.
• Проблемы с принятием повседневных решений без поддержки со стороны других.
• Проблемы с запуском или завершением проектов из-за неуверенности в себе или неспособности принимать решения.
• Побуждение к поиску новых отношений, чтобы обеспечить поддержку и одобрение, когда близкие отношения заканчиваются.

Ведение и лечение

Как я могу управлять или лечить зависимое расстройство личности (DPD)?

Поставщик психиатрических услуг может помочь вам управлять DPD.Вам может быть назначена психотерапия (разговорная терапия), например когнитивно-поведенческая терапия (КПТ). Эта забота научит вас новым способам справляться с трудными ситуациями. Психотерапия и КПТ могут занять некоторое время, прежде чем вы почувствуете себя лучше.

Психотерапия и когнитивно-поведенческая терапия помогут вам улучшить вашу уверенность в себе. Вы будете работать, чтобы стать более активным и самостоятельным. Ваш поставщик также поговорит с вами о налаживании более позитивных отношений. Позитивные, содержательные отношения могут укрепить уверенность в себе и помочь вам преодолеть некоторые симптомы DPD.

Если ваш DPD вызывает депрессию или беспокойство, ваш поставщик медицинских услуг может прописать вам лекарства. Вы можете принимать лекарства от депрессии, например флуоксетин (прозак®). Или ваш врач может порекомендовать седативные средства, такие как альпразолам (Xanax®).

Профилактика

Можно ли предотвратить зависимое расстройство личности (ЗРЛ)?

Возможно, вы не сможете предотвратить DPD. Но лечение может помочь людям с риском развития расстройства найти способы избежать трудных ситуаций или справиться с ними.

Некоторые исследования показали, что здоровые отношения могут помочь предотвратить развитие ДПД у ребенка в более позднем возрасте. Если у ребенка есть хотя бы одна крепкая связь с другом, родителем или учителем, это может противостоять вредному воздействию других.

Перспективы / Прогноз

Каковы перспективы для человека с зависимым расстройством личности (DPD)?

Человек с DPD может вести эмоционально здоровый образ жизни, если он получает лечение у поставщика психиатрических услуг. Изучение новых способов справиться с трудными ситуациями может изменить их общее мировоззрение.

Люди, не получающие лечения, могут быть подвержены риску депрессии и беспокойства. Без лечения человек может злоупотреблять психоактивными веществами и у него могут развиться такие проблемы, как наркомания или алкоголизм. Без лечения люди с большей вероятностью будут оставаться в нездоровых или жестоких отношениях.

Если вы или кто-то из ваших знакомых находится в опасных или оскорбительных отношениях, обратитесь на национальную горячую линию по вопросам домашнего насилия или позвоните по телефону 1.800.799.SAFE (7233). Эта служба предлагает бесплатную конфиденциальную поддержку. Адвокаты доступны 24 часа в сутки, 365 дней в году.

Жить с

Когда мне следует обратиться к врачу по поводу зависимого расстройства личности (DPD)?

Ваш лечащий врач может помочь вам решить, нужно ли вам обратиться к специалисту по психическому здоровью. Вот несколько причин поговорить с врачом о своем психическом здоровье:

• Частое чувство тревоги.
• Раздражительность или капризность.
• Потеря или изменение аппетита.
• Устойчивые негативные мысли о себе.
• Проблемы с концентрацией внимания.

Записка из клиники Кливленда

Зависимое расстройство личности может вызывать тревогу и депрессию, если его не лечить. Но специалист в области психического здоровья может помочь вам найти новые способы справиться с трудными ситуациями. Вы также можете научиться становиться более уверенным в себе и самостоятельным. Это может занять время, но врач поможет вам почувствовать себя лучше.

8.1 — Тест независимости хи-квадрат

Как мы проверяем независимость двух категориальных переменных? Это будет сделано с использованием теста независимости хи-квадрат.

Как и во всех предыдущих статистических тестах, нам необходимо определить нулевую и альтернативную гипотезы. Кроме того, как мы узнали, нулевая гипотеза — это то, что считается истинным до тех пор, пока у нас не будет доказательств, опровергающих ее. В этом уроке нас интересует исследование, связаны ли две категориальные переменные или связаны (т. Е. Зависимы). Следовательно, пока у нас не будет доказательств, позволяющих предположить, что это так, мы должны предполагать, что это не так. Это мотивация, лежащая в основе гипотезы теста независимости хи-квадрат:

• \ (H_0 \): в генеральной совокупности две категориальные переменные независимы.
• \ (H_a \): В совокупности две категориальные переменные являются зависимыми.

Примечание! Есть несколько способов сформулировать эти гипотезы. Вместо использования слов «независимый» и «зависимый» можно было бы сказать «нет связи между двумя категориальными переменными» по сравнению с «есть взаимосвязь между двумя категориальными переменными». Или «нет связи между двумя категориальными переменными» по сравнению с «существует связь между двумя переменными».«Важным моментом является то, что нулевая гипотеза относится к двум категориальным переменным, которые не связаны между собой, в то время как альтернатива пытается показать, что они связаны.

После того, как мы собрали наши данные, мы суммируем их в двусторонней таблице непредвиденных обстоятельств. Эта таблица представляет собой наблюдаемые подсчеты и называется таблицей наблюдаемых отсчетов или просто таблицей наблюдаемых значений . Таблица непредвиденных обстоятельств на вводной странице этого урока представляет собой наблюдаемые подсчеты партийной принадлежности и мнения опрошенных.

Возникает вопрос: «Как бы выглядела эта таблица, если бы две переменные не были связаны?» То есть, при нулевой гипотезе о том, что две переменные независимы, как мы ожидаем, что наши данные будут выглядеть?

Рассмотрим следующую таблицу:

Общее количество равно \ (A + B + C + D \).Давайте сосредоточимся на одной ячейке, скажем, Группа 1 и Успех с наблюдаемым счетчиком A. Если мы вернемся к нашему уроку вероятности, пусть \ (G_1 \) обозначает событие «Группа 1», а \ (S \) обозначает событие «Успех». 2} \ end {align}

Если мы рассматриваем счетчики вместо вероятностей, то мы получаем счет, умножая вероятность на общее количество.2} \ right) (A + B + C + D) \\ [10pt] & = \ mathbf {\ dfrac {(A + B) (A + C)} {A + B + C + D}} \ end {align}

Это количество, которое мы могли бы ожидать от , чтобы увидеть, были ли две переменные независимыми (т.е. предполагая, что нулевая гипотеза верна).

Ожидаемое количество ячеек

Ожидаемое количество для каждой ячейки при нулевой гипотезе:

\ (E = \ dfrac {\ text {(итого по строке)} (\ text {column total})} {\ text {общий размер выборки}} \)

Социальное влияние и коллективная динамика формирования мнения

Abstract

Социальное влияние — это процесс, с помощью которого люди адаптируют свое мнение, пересматривают свои убеждения или изменяют свое поведение в результате социального взаимодействия с другими людьми.В нашем тесно взаимосвязанном обществе социальное влияние играет важную роль во многих самоорганизованных явлениях, таких как выпас на культурных рынках, распространение идей и инноваций и усиление страхов во время эпидемий. Тем не менее, механизмы формирования мнения остаются плохо изученными, а существующие модели, основанные на физике, не имеют систематической эмпирической проверки. Здесь мы сообщаем о двух контролируемых экспериментах, показывающих, как участники, отвечая на фактические вопросы, пересматривают свои первоначальные суждения после того, как узнают мнение и уровень уверенности других.Основываясь на наблюдении за 59 подопытными, подвергавшимися взаимному мнению по 15 различным вопросам, мы составили карту влияния, которая описывает силу влияния сверстников во время взаимодействия. Простая модель процесса, полученная на основе наших наблюдений, демонстрирует, как мнения в группе взаимодействующих людей могут сходиться или разделяться при повторяющихся взаимодействиях. В частности, мы выделяем два основных фактора притяжения мнений: ( i ) экспертный эффект , вызванный присутствием в группе очень уверенного человека, и ( ii ) эффект большинства , вызванный наличие критической массы мирян, разделяющих схожие мнения.Дополнительное моделирование показывает, что существует переломный момент, когда один аттрактор будет преобладать над другим, двигая коллективное мнение в определенном направлении. Эти результаты имеют значение для понимания механизмов формирования общественного мнения и управления конфликтными ситуациями, в которых уверенные в себе и лучше информированные меньшинства бросают вызов взглядам значительного неинформированного большинства.

Образец цитирования: Moussaïd M, Kämmer JE, Analytis PP, Neth H (2013) Социальное влияние и коллективная динамика формирования мнения.PLoS ONE 8 (11): e78433. https://doi.org/10.1371/journal.pone.0078433

Редактор: Аттила Сольноки, Венгерская академия наук, Венгрия

Поступила: 31 мая 2013 г .; Принята к печати: 10 сентября 2013 г .; Опубликован: 5 ноября 2013 г.

Авторские права: © 2013 Moussaïd et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Финансирование: Это исследование было поддержано Обществом Макса Планка. Спонсор не имел никакого отношения к дизайну исследования, сбору и анализу данных, принятию решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Во многих социальных и биологических системах люди полагаются на наблюдение других, чтобы адаптировать свое поведение, пересмотреть свои суждения или принять решения [1] — [4].В человеческих популяциях доступ к социальной информации в значительной степени облегчен продолжающимся ростом коммуникационных технологий. Фактически, люди постоянно сталкиваются с постоянным потоком мнений, советов и суждений других о политических идеях, новых технологиях или коммерческих продуктах [5]. Столкнувшись с мнением сверстников по данному вопросу, люди склонны фильтровать и интегрировать социальную информацию, которую они получают, и соответствующим образом корректировать свои собственные убеждения [6], [7]. В масштабе группы повторяющиеся локальные влияния среди членов группы могут вызывать сложные модели динамики мнений, такие как формирование консенсуса, поляризация или фрагментация [8] — [11].Например, было показано, что люди, разделяющие схожие крайние мнения, такие как расовые предрассудки, имеют тенденцию укреплять свои суждения и уверенность после взаимодействия друг с другом [12]. Подобные механизмы динамики мнений могут иметь место в различных социальных контекстах, например, в группе друзей, обменивающихся мнениями о своей готовности пройти вакцинацию от гриппа [13], [14]. В еще более крупных масштабах влияние на местном уровне среди друзей, членов семьи или коллег — часто в сочетании с глобальным воздействием средств массовой информации — представляет собой основной механизм, способствующий формированию общественного мнения во время выборов, формируя культурные рынки [15], усиливая или ослабляя восприятие риска. [16], [17] и формирование общественного мнения по социальным вопросам, таким как атомная энергия или изменение климата [18].

Учитывая удивительно широкий спектр социальных явлений, которые формируются социальным влиянием и динамикой мнений, удивительно, что поведенческие механизмы, лежащие в основе этих процессов, остаются плохо изученными. Важные вопросы остаются открытыми: как люди корректируют свои суждения во время социальных взаимодействий? Каковы основные эвристики адаптации мнения? И как эти локальные влияния в конечном итоге порождают глобальные модели изменения мнения? Большая часть существующих работ по моделированию динамики мнений была рассмотрена с точки зрения физики, где основные механизмы социального влияния выводятся из аналогий с физическими системами, в частности, со спиновыми системами [19] — [23].Большое разнообразие существующих моделей предполагает, что люди придерживаются двоичных или непрерывных значений мнений (обычно лежащих между -1 и 1), которые обновляются при повторных взаимодействиях между соседними агентами. Различные модели предполагают разные правила адаптации мнения, такие как имитация [24], усреднение для людей с похожими мнениями [25], [26], следование большинству [27] или более сложные уравнения [8], [22]. Несмотря на информативность в отношении сложной динамики, которая может возникнуть в коллективном контексте, эти основанные на моделировании вклады имеют общий недостаток: отсутствие эмпирической проверки допущений моделей [28].Действительно, трудно отследить и измерить, как мнения меняются в экспериментальных условиях, поскольку эти изменения зависят от многих социальных и психологических факторов, таких как личность людей, их уровень уверенности, их авторитет, их социальный статус или их сила убеждения [ 18]. В других дисциплинах, таких как психология и когнитивная наука, были проведены лабораторные эксперименты, чтобы изучить, как люди интегрируют обратную связь от других людей, чтобы пересмотреть свои первоначальные ответы на фактические вопросы [6], [29], [30].Однако результаты локальных правил адаптации мнения еще не использовались для изучения коллективной динамики системы, и остается неясным, как социальное влияние проявляется в более масштабных социальных контекстах с течением времени [31].

Настоящая работа основана на экспериментальных методах, вдохновленных социальной психологией и теоретическими концепциями сложных систем, типичных для статистической физики. Во-первых, мы провели контролируемые эксперименты для описания механизмов социального влияния на микроуровне, то есть того, как люди пересматривают свои первоначальные убеждения после того, как столкнулись с мнением другого человека.Затем мы разработали индивидуальную модель социального влияния, которая служила для исследования коллективной динамики системы. В первом эксперименте (см. Материалы и методы) 52 участника были проинструктированы ответить на серию из 32 общих вопросов о знаниях и оценить свой уровень уверенности по шкале от 1 ( очень не уверен, ) до 6 ( очень уверен, ). Этот базовый эксперимент использовался для характеристики начальной конфигурации системы до того, как произойдет какое-либо социальное влияние.Во второй экспериментальной сессии 59 участников ответили на 15 вопросов таким же образом, но затем им были представлены оценки и уровень уверенности другого участника (далее именуемые «обратная связь»), и их попросили пересмотреть свой первоначальный ответ. Эта процедура позволяет проследить изменения мнения, а эффекты социального влияния измерить на индивидуальном уровне. Более того, изменения в уверенности также отслеживались: участников просили оценить свой уровень уверенности до и после социального влияния.Несмотря на эмпирические данные, предполагающие, что изменения мнения и уверенности тесно связаны [29], и теоретические работы, подчеркивающие важную роль негибких, очень уверенных в себе агентов [32], [33], этот аспект социального влияния остается плохо изученным. Следуя методам существующих экспериментов, мы сознательно задавали нейтральные, общие вопросы знания, что позволяет уловить механизмы адаптации мнения, контролируя его эмоциональное воздействие [6], [30]. Изучая простую модель, полученную из наших наблюдений, мы демонстрируем, что коллективная динамика формирования мнения в больших группах людей определяется двумя основными «факторами, привлекающими мнение»: (—) присутствием очень уверенного в себе человека и ( ii ) наличие групп лиц с низким уровнем достоверности, разделяющих аналогичное мнение.В частности, мы показываем, что критическое количество примерно 15% экспертов необходимо, чтобы противодействовать привлекательному эффекту подавляющего большинства непрофессионалов. Поскольку люди встроены в сильно связанные социальные сети и постоянно влияют друг на друга, эти результаты представляют собой первый шаг к лучшему пониманию механизмов распространения, подкрепления или поляризации идей и взглядов в современных обществах.

Результаты

Результаты экспериментов

Сначала мы используем данные первого эксперимента, чтобы охарактеризовать начальную конфигурацию системы до того, как произойдет какое-либо социальное влияние, то есть, как первоначально распределяются мнения и как точность и достоверность ответов соотносятся друг с другом.

Как показано в примере на рис. 1A, начальное распределение мнений имеет логнормальную форму с типичным длинным хвостом, указывающим на значительное присутствие выбросов. Для каждого из 32 пунктов мы выполнили тест нормальности Колмогорова-Смирнова журнала ( O _i ), где O _i — исходное мнение индивидуума i . Тест дал p-значения выше 0,05 для 84% пунктов, что указывает на то, что нулевая гипотеза не может быть отклонена на уровне значимости 5% для этих пунктов.Остальные 16% по-прежнему имели достаточно высокие значения p (всегда> 10 ^-3 ), что позволяет предположить, что первоначальные мнения O _i действительно следуют логнормальному распределению.

Рисунок 1. Начальная конфигурация системы при отсутствии социального влияния.

(A) Первоначальное распределение мнений по одному репрезентативному примерному вопросу (см. Рис. S1 для обзора всех 32 пунктов). Нормализованный ответ соответствует оценке участников, деленной на истинное значение (т.е., 660 ° C для этого вопроса). Красная кривая показывает наилучшее соответствие логнормального распределения. Зеленые точки вверху указывают расположение оценок, связанных с высокими уровнями достоверности (). Один из них представляет собой выброс. (B) Точность ответов участников как функция их уровня уверенности, как определено из полного набора данных (32 пункта).

https://doi.org/10.1371/journal.pone.0078433.g001

Мы также проанализировали корреляцию между уровнем уверенности участников и точностью их ответа (рис.1Б). Интересно, что уровень достоверности не является таким надежным признаком точности [34]. Во-первых, мы не обнаружили значимой корреляции между уровнем достоверности i C _i и качеством его или ее ответа (тест корреляции между C _i и ошибкой, где T равно истинное значение дало коэффициент –.03). Тем не менее тенденцию можно выделить, сгруппировав данные по классам диапазонов ошибок: очень хорошие ответы (), хорошие ответы (), плохие ответы () и очень плохие ответы ().Как видно из рис. 1B, только максимальный уровень достоверности C _i = 6 является релевантным показателем качества ответа, приводящим к хорошей или очень хорошей оценке в 80% случаев. Напротив, более низкие уровни достоверности менее информативны в отношении точности. Например, второе по величине доверительное значение C _i = 5 имеет шанс 39% соответствовать плохой или очень плохой оценке. Аналогично, значение C _i = 4 с большей вероятностью будет сопровождать плохую или очень плохую оценку (53%), чем хорошую или очень хорошую (47%).Наименьшие значения достоверности C _i = 1 и C _i = 2 не отличаются друг от друга. Принимая во внимание пересмотренные оценки эксперимента 2, мы видим, что надежность суждений с высокой степенью достоверности подрывается социальным влиянием [29]. Как показано на рис. 2B, распределение ошибок для очень уверенных в себе людей ( Ci = 5 или 6) становится более шумным, широко распространенным и сгруппированным вокруг определенных значений, таким образом, становится менее информативным в отношении точности после социального влияния.

https://doi.org/10.1371/journal.pone.0078433.g002

Чтобы изучить мудрость толпы, мы сравнили точность различных методов агрегирования до и после того, как произошло социальное влияние (рис.2А). Наши результаты согласуются с предыдущими выводами [29], [35]. Мы обнаружили, что распределения ошибок имеют тенденцию становиться широко распространенными, теперь охватывая большую часть также высоких значений ошибок после социального влияния, независимо от метода агрегирования.

Далее мы сосредотачиваемся на том, как люди корректируют свое мнение после получения информации о мнении другого человека, что является целью эксперимента 2. В соответствии с предыдущими исследованиями [6], [30], наши результаты показывают, что две переменные имеют важное влияние на то, как индивид i пересматривает свое мнение, когда сталкивается с мнением и доверием другого участника j : разница в значениях достоверности и нормализованное расстояние между мнениями:, где O _j и C _j представляют мнение и уровень уверенности участника j соответственно [6].Чтобы обеспечить визуальный количественный обзор эффектов социального влияния, мы нарисовали карту влияния , которая иллюстрирует взаимодействие этих двух переменных в процессе адаптации мнения (рис. 3). Для простоты мы выделяем три возможных эвристики [30]:

1. Сохранять первоначальное мнение , когда люди не меняют свое мнение после получения обратной связи, то есть: R _i = O _i , где R _i — пересмотренное мнение участника я .

2. Сделайте компромисс , когда пересмотренное мнение попадает между первоначальным мнением O _i и обратной связью O _j : min ( O _i , O _j ) < R _i <макс ( O _i , O _j ).

3. Принять другое мнение , когда физическое лицо i принимает мнение партнера: R _i = O _j .

Карта влияния показывает эвристику, которая используется большинством людей при изменении и изменении (рис. 3A). Большинство точек данных (86% из 885) найдено для и, которые покрывают большую часть карты влияния и кажутся разумными диапазонами, встречающимися также в реальных жизненных ситуациях. Однако на краю карты результаты более неопределенны из-за нехватки доступных точек данных.

Рисунок 3A показывает, что первая и более консервативная стратегия имеет тенденцию преобладать над двумя другими.В частности, большинство людей систематически придерживаются своего мнения, когда ценность положительна, то есть когда их собственное доверие превышает доверие партнера [30]. Однако, когда их уровень уверенности равен или ниже, чем у партнера, люди склонны соответствующим образом корректировать свое мнение. Важно отметить, что на карте влияния можно выделить три зоны в соответствии с расстоянием между оценками (рис. 3B). Во-первых, когда оба человека имеют одинаковое мнение (<0,3), люди склонны сохранять свое первоначальное суждение независимо от уверенности своего партнера.Более того, у них также есть сильная тенденция к повышению уровня своей уверенности (см. Рис. 4A, показывающий изменения в достоверности). Поэтому мы интерпретируем эту область согласия как зону подтверждения , где обратная связь имеет тенденцию одновременно укреплять первоначальные мнения и повышать уверенность человека.

Рис. 4. Вероятность увеличения (красный), уменьшения (синий) или сохранения (зеленый) уровня уверенности после социального воздействия.

Изменения достоверности указываются в соответствии с классами дистанции мнения, определенными на карте влияния (рис.3): (A) рядом с , когда, (B) промежуточный, , когда, и (C) далеко, , когда. Тенденция к повышению уверенности видна в около и промежуточных зонах , когда участники взаимодействуют с более уверенным субъектом. Уверенность может также снизиться в зоне , дальней зоне , когда.

https://doi.org/10.1371/journal.pone.0078433.g004

Оказывается, наибольшее влияние обратная связь оказывает на промежуточных уровнях разногласий, когда 0.3 << 1.1. В этой зоне эвристика « компромисс » выбирается большинством людей, когда, а эвристика « принятие » появляется для более низких значений. Мы называем это зоной влияния , , где социальное влияние наиболее сильно. Здесь мнение другого достаточно отличается от первоначального мнения, чтобы вызвать пересмотр, но все еще недостаточно далеко, чтобы полностью игнорировать его. В частности, уровень уверенности участников имеет тенденцию оставаться неизменным после взаимодействия (рис.4Б).

Наконец, когда расстояние между мнениями очень велико (т. Е.> 1), сила социального влияния постепенно уменьшается [6]. В этой зоне люди, кажется, мало обращают внимания на суждение другого, предположительно предполагая, что это может быть ошибочный ответ. Тем не менее, мнение другого не игнорируется полностью, поскольку большинство людей по-прежнему выбирают эвристику « компромисс », когда партнер заметно более уверен в себе (т. Е.). Более того, люди, изначально очень уверенные в себе (т.е. ) предположительно начинают сомневаться в точности своих суждений и демонстрируют высокую вероятность (почти 70%) снижения уровня своей уверенности. Даже более отдаленные мнения, вероятно, будут полностью проигнорированы, но поскольку такая ситуация возникает редко, наши данные не гарантируют здесь надежного заключения.

Модель

Принимая во внимание эти эмпирические закономерности, мы теперь разрабатываем индивидуальную модель адаптации мнения и исследуем коллективную динамику изменения мнения, когда многие люди многократно влияют друг на друга.С этой целью мы сначала описываем вышеупомянутую карту влияния с помощью упрощенной диаграммы, показывающей эвристики, которые используются большинством людей в соответствии с и (рис. 3B). В качестве альтернативы ту же диаграмму можно охарактеризовать как дерево решений (рис. 3C). Модель определяется следующим образом:

Во-первых, человек отмечает расстояние между своим мнением и мнением партнера и классифицирует его как близкое, далекое или находящееся на промежуточном расстоянии. Для этого мы использовали два пороговых значения и, предполагая, что обратная связь близка, когда <, далека, когда>, и на промежуточном расстоянии в противном случае.Численные значения и были определены эмпирически по карте влияния. Во-вторых, человек рассматривает разницу в значениях достоверности, чтобы выбрать одну из трех эвристик. Опять же, мы определяем два пороговых значения и предполагаем, что человек решает « придерживаться собственного мнения», , если, « придерживаться другого мнения», , если, и « идти на компромисс, » в противном случае. Формально эти три стратегии можно определить как, где параметр определяет силу социального влияния.Следовательно, мы имеем, когда человек решает « придерживаться собственного мнения», и когда человек решает « усыновить». Когда человек выбирает стратегию « компромисс », то есть когда среднее значение веса, измеренное на основе наших данных, равно ( SD = 0,24), что указывает на то, что люди не переходили точно между своей первоначальной оценкой и обратной связью. (что соответствовало бы значению веса 0,5), но проявили предвзятость в сторону их собственного первоначального мнения [30].По всем нашим точкам данных 53% соответствуют первой стратегии (), 43% — второй () и 4% — третьей ().

Значения и зависят от зоны расстояния, определенной ранее:

• Когда мало, мнение другого составляет подтверждение первоначального мнения. По нашим наблюдениям = -5 и = -6. Кроме того, уровень достоверности C _i увеличивается на один пункт, если. Как показано на фиг. 4A, C _i также увеличивается на один пункт с вероятностью p = 0.5, когда, и остается неизменным в остальном.
• При промежуточном уровне обратная связь оказывает значительное влияние на мнение испытуемого. В этом случае мы устанавливаем = 0 и = -3. Данные показывают, что уровень достоверности изменяется только в том случае, если (рис. 4B). В этом случае C _i увеличивается с вероятностью p = 0,5, а в остальном остается неизменным.
• При большом значении пороговые значения установлены на = -2 и = -6. На этот раз уровень достоверности уменьшается на один пункт, когда, и остается неизменным в остальном.

Здесь все значения параметров были извлечены непосредственно из наблюдений (рис. 3Б и рис. 4).

Коллективная динамика

Охарактеризовав эффекты социального влияния на индивидуальном уровне, мы теперь масштабируемся до коллективного уровня и изучаем, как повторение влияет на множество человек в масштабе населения. Поскольку макроскопические особенности системы видны только тогда, когда большое количество людей взаимодействует много раз, было бы чрезвычайно трудно исследовать это в лабораторных условиях.Поэтому мы провели серию численных симуляций вышеупомянутой модели, чтобы исследовать коллективную динамику системы.

Начальные условия нашего моделирования соответствуют точным стартовым конфигурациям, наблюдаемым в наших экспериментах (то есть точному мнению и значениям достоверности всех 52 участников, наблюдаемых в первом эксперименте) [36]. В каждом раунде моделирования 52 человека случайным образом группируются в пары, и оба человека в паре обновляют свое мнение в соответствии с мнением другого человека, как это предсказано нашей моделью.Таким образом, каждый человек является одновременно источником и целью социального влияния. Мы выполнили N = 300 раундов смоделированных взаимодействий, где N был выбран достаточно большим, чтобы гарантировать, что система достигла стационарного состояния. Здесь мы делаем предположение, что дерево решений, извлеченное из нашего эксперимента, остается неизменным при повторных взаимодействиях. Это предположение разумно в той степени, в которой результат дерева решений (то есть выбранная стратегия) зависит от уровня уверенности человека, который, как ожидается, изменится по мере получения людьми новой обратной связи.Таким образом, стратегии, которые будут выбраны людьми, связаны с индивидуальной историей прошлых взаимодействий.

На рис. 5 показана динамика, наблюдаемая для трех репрезентативных примеров моделирования. Хотя определенный уровень разрозненности мнений все еще сохраняется, большинство людей сходятся к аналогичному мнению. Как показано стрелками на рисунке 5, первые раунды моделирования демонстрируют важные изменения мнений среди лиц с низкой степенью достоверности (на что указывают большие горизонтальные стрелки для достоверности ниже 3) без увеличения уверенности (как показано на Инжир.S2). Однако после определенного количества раундов наступает переломный момент, когда критическая часть людей встречается в одной и той же области пространства мнений. Это создает последующее повышение уверенности в этой зоне, которая, в свою очередь, становится еще более привлекательной для других. Это приводит к положительной петле подкрепления, ведущей к стационарному состоянию, в котором большинство людей в конечном итоге разделяют схожее мнение. Этот процесс усиления также отмечен резким переходом глобального уровня доверия системы (рис.S2), что является типичным признаком фазовых переходов в сложных системах [2].

Рис. 5. Три характерных примера коллективной динамики, наблюдаемой при компьютерном моделировании.

Для каждого примера исходная карта мнений показана слева (экспериментальные данные), а окончательная карта мнений после N = 300 раундов моделирования — справа. Карты мнений представляют долю лиц, придерживающихся данного мнения ( x -ось) и заданный уровень достоверности ( y -ось).Как показано на рис. 1, нормализованное мнение — это фактическое мнение, разделенное на истинное значение. Правильный ответ представлен красными пунктирными линиями (соответствует значению 1). Выбросы с нормализованным мнением больше 2 не отображаются. Карты со стрелками представляют собой средние изменения как мнений, так и достоверности во время моделирования. Примеры 1, 2 и 3 соответствуют вопросам « Какова длина реки Одер в километрах? »,« Сколько жителей на восточно-фризском острове Вангероге? »и« »Сколько золотых медалей было вручено во время Олимпийских игр в Китае в 2008 году? ”соответственно.Конечная точка конвергенции может быть определена плотным кластером индивидуумов с низкой степенью достоверности, как показано в Примере 2 (эффект большинства , ), или несколькими очень уверенными лицами, как в Примере 3 (эффект эксперта , ).

https://doi.org/10.1371/journal.pone.0078433.g005

Интригующий вывод нашего моделирования состоит в том, что коллективное мнение не сходится к средней величине первоначальных мнений (корреляционный тест дает незначительный эффект с коэффициент c = -.05). Корреляция между точкой схождения и средним значением исходных мнений значительна ( p = 0,03), но относительно умеренный коэффициент корреляции c = 0,46 предполагает, что эта связь остается слабой. Точно так же система не систематически сходится к истинному значению или от него (несущественный эффект с коэффициентом c = 0,11). Вместо этого симуляции демонстрируют сложную коллективную динамику, в которой комбинированный эффект различных элементов может двигать группу в том или ином направлении.В соответствии с предыдущими работами [15], коллективный результат оказывается плохо предсказуемым и сильно зависит от начальных условий [36]. Тем не менее, мы выявили двух основных факторов, привлекающих мнения , которые оказывают важное социальное влияние на группу:

1. Первый аттрактор — это наличие критической массы неуверенных людей, разделяющих схожее мнение. Фактически, когда такая группа людей изначально присутствует в системе — либо случайно, либо потому, что индивиды разделяют общую предвзятость — остальная часть толпы стремится к ней, как показано на рис.5-Пример2. Этот эффект большинства типичен для экспериментов на соответствие, которые проводились в прошлом [37], когда большое количество людей, разделяющих то же мнение, имеют сильное социальное влияние на других.
2. Второй аттрактор — это присутствие одного или нескольких очень уверенных в себе людей, как показано на рис. 5-Пример3. Эффект эксперта имеет двоякое происхождение: во-первых, очень уверенные в себе люди обладают сильной силой убеждения, как показано на карте влияния.Во-вторых, неуверенные люди, как правило, увеличивают свою уверенность после общения с очень уверенным в себе человеком, создавая зону притяжения вокруг мнения этого человека [38], [39].

Наше моделирование показывает, что эффект большинства и экспертный эффект не приносят систематической пользы для группы, поскольку оба аттрактора могут оттолкнуть группу от истины (рис. 5 — пример 2). Что происходит в случае конфликта интересов, когда эффекты эксперта и большинства применяются одновременно и не согласуются друг с другом (рис.5-Пример 3)? Чтобы исследовать эту проблему, мы провели еще одну серию симуляций, в которых группа лиц с низким уровнем достоверности, разделяющих одно и то же мнение O _maj , сталкивается с меньшинством высоконадежных экспертов, придерживающихся другого мнения O _exp . Как показано на фиг. 6A, эффект большинства преодолевает эффект эксперта, когда доля экспертов p _Exp ниже определенного порогового значения, расположенного около 10%. Однако по мере увеличения p _Exp с 10% до 20% происходит переход, и точка схождения смещается от мнения большинства к мнению экспертов.Примечательно, что эта точка перехода остается стабильной, даже когда в системе присутствует пропорция p _Neut нейтральных лиц (определяемых как люди со случайными мнениями и низким уровнем достоверности) (рис. 6B). Однако по мере того, как p _Neut увеличивается выше 70%, постепенно начинает преобладать шум, что приводит к исчезновению экспертных и большинства эффектов. Переломный момент, наблюдаемый у примерно 15% экспертов, представляется надежным прогнозом не только потому, что он устойчив к большому количеству системного шума (рис.6B), но также потому, что предыдущее теоретическое исследование с использованием совершенно другого подхода также пришло к аналогичному выводу [40].

Рис. 6. Какой аттрактор преобладает при одновременном применении эффекта большинства и эффекта эксперта?

(A) Эволюция коллективного мнения при изменении относительной доли экспертов p _{Exp ,} придерживающиеся мнения O _exp и высокий уровень достоверности C _exp = 6, и доля людей в группе большинства p _maj , придерживающихся мнения O _maj и низкого уровня достоверности, случайно выбранных в интервале C _maj = [1 3].Здесь количество нейтральных индивидуумов зафиксировано на p _Neut = 0. (B) Фазовая диаграмма, показывающая пространство параметров, где применяется большинство или экспертные эффекты, при увеличении доли нейтральных индивидуумов p _Neut придерживаясь случайного мнения и низкого уровня достоверности, случайно выбранного в интервале C _uni = [1 3]. Схематические области, ограниченные черными или белыми пунктирными линиями, показывают зоны, где коллективное мнение сходится к мнению большинства или мнению экспертов, соответственно.В переходной зоне коллективное мнение сходится где-то между O _exp и O _maj . В некоторых редких случаях толпа разделяется на две и более группы.

https://doi.org/10.1371/journal.pone.0078433.g006

Обсуждение

В этой работе мы представили экспериментальные измерения и количественные описания эффектов социального влияния — ключевого элемента в формировании общественного мнения. Наш подход состоял из трех шагов: использование контролируемых экспериментов для измерения эффектов социального влияния в масштабе отдельного человека, получение простой модели процесса адаптации мнения и переход от индивидуального поведения к коллективной динамике с помощью компьютерного моделирования.

Первым результатом нашего эксперимента является то, что участники продемонстрировали значительную предвзятость в отношении своего первоначального мнения, а не одинаково взвешивали всю социальную информацию, которой они подвергались [6], [30]. Это предвзятость видна из карты влияния, показанной на фиг. 3, где синий цвет, соответствующий « сохранить исходное мнение, », является доминирующим, а красный цвет, соответствующий «, придерживаться другого мнения, », является редким. Как показано на рис. 3B, та же тенденция перенесена в модель.Более того, даже когда выбирается стратегия « компромисс », люди по-прежнему придают больший вес своему собственному первоначальному мнению, которое также было реализовано в модели. Поэтому противоречивые отзывы обычно недооцениваются — если не игнорируются полностью, — но мнения, подтверждающие первоначальное мнение, вызывают повышение уверенности. Это наблюдение согласуется с так называемой предвзятостью подтверждения в психологии, а именно с тенденцией людей уделять больше внимания информации, подтверждающей их первоначальные убеждения, чем информации, с которой они не согласны [41], [42].Этот результат также согласуется с ранними экспериментами, показавшими, что мнения, как правило, подкрепляются групповыми обсуждениями, в которых участвуют люди, изначально разделяющие схожие суждения [12]. Точно так же тот факт, что люди, придерживающиеся совершенно разных убеждений, очень мало влияют друг на друга, согласуется с идеей «ограниченной уверенности» — концепцией моделирования, предполагающей, что социальное влияние незначительно, когда мнения изначально слишком расходятся [20], [26] . Присутствие этих элементов подтверждает, что наш экспериментальный план действительно охватил фундаментальные механизмы социального влияния, и что фактические вопросы могут быть использованы в некоторой степени для изучения фундаментальных особенностей динамики мнений [29].В будущем важной задачей будет оценка того, как формируется карта влияния, когда эмоции и субъективные убеждения становятся более актуальными (например, с помощью вопросов о политических взглядах или убеждениях, которые вызывают сильные убеждения или эмоции). Кроме того, еще одно важное последующее исследование, которое должно быть проведено в ближайшем будущем, — это проверка нашего предположения о том, что дерево решений, наблюдаемое в первом раунде взаимодействия, остается идентичным при повторных взаимодействиях.

Масштабирование от индивидуального к коллективному поведению было достигнуто с помощью компьютерного моделирования в соответствии с существующими подходами в области самоорганизации и сложных систем [2], [9], [19].Наше моделирование позволило нам раскрыть точные механизмы динамики мнений в больших группах людей, которые было бы практически невозможно охарактеризовать в лабораторных условиях. В частности, важным ингредиентом, лежащим в основе коллективной динамики, но отсутствующим в предыдущих подходах к моделированию, является конкретное взаимодействие между изменениями мнения и изменениями уверенности. Во-первых, уверенность служит своего рода системной памятью. Фактически, во время раундов моделирования люди менее легко подвергаются влиянию других, потому что их уровень уверенности постепенно увеличивается по мере получения новой обратной связи.Таким образом, смоделированные люди не меняют свое мнение постоянно, а постепенно приближаются к стабильному значению реалистичным образом. Во-вторых, рост доверия поддерживает возникновение бассейнов притяжения в динамике коллективного мнения, повышая привлекательность людей, разделяющих схожее мнение [29]. Этот процесс часто оказывается пагубным для группы, потому что местная степень уверенности может искусственно расти , в данной области пространства мнений, что дает ложные сигналы другим и запускает эффект снежного кома, который может привести группу в ошибочное направление.Интересно, что суждения с высокой степенью достоверности являются хорошими показателями точности до того, как произойдет социальное влияние, но уже не после того, как люди узнают мнение других. Примечательно, что даже небольшое влияние оказывает значительное влияние на надежность сигналов с высокой степенью достоверности, как показано на рис. 2В. Основная проблема, вызванная социальным влиянием, заключается в том, что люди становятся более уверенными, заметив, что другие люди придерживаются схожих мнений. Следовательно, высокая достоверность является показателем точности, когда суждения независимы, но становится индикатором консенсуса , когда имеет место социальное влияние [43], [44].

Результаты нашего моделирования также выявили два элемента, которые могут вызвать такие петли усиления: экспертный эффект, вызванный присутствием очень уверенного человека, и эффект большинства, вызванный критической массой людей с низким уровнем уверенности, разделяющих схожие мнения. Более того, присутствие значительного числа нейтральных людей, придерживающихся случайного мнения, и низкий уровень уверенности в отношении этих двух сил притяжения, как правило, увеличивает непредсказуемость конечного результата [15].Следовательно, нейтральные люди делают толпу менее уязвимой для влияния лиц, привлекающих общественное мнение, и, следовательно, менее предсказуемой. Напротив, недавние исследования групп животных показали, что присутствие неосведомленных особей в косяках рыб действует в пользу численного большинства за счет очень самоуверенных особей [1].

Наше моделирование представляет собой ценный инструмент, который позволяет ( i ) раскрыть основные механизмы системы, ( ii ) прогнозировать будущие тенденции изменения мнения и ( iii ) стимулировать дальнейшие экспериментальные исследования и сбор данных.Тем не менее, важно отметить, что результат нашего моделирования требует эмпирической проверки в будущем. Это можно было бы решить, например, посредством эмпирических наблюдений в сети, где можно было бы измерить мнение людей о социальной проблеме в блогах и дискуссионных форумах и оценить, как коллективное мнение меняется с течением времени [45], [46]. В качестве альтернативы можно использовать экспериментальный онлайн-подход, такой как разработанный Salganik et al. кажется, хорошо подходит для изучения динамики мнений в контролируемых условиях [15].

Количественно оценивая баланс сил между эффектом эксперта, эффектом большинства и нейтральными индивидами, наше исследование может дать приложениям информацию о том, как управлять ситуациями, в которых небольшое самоуверенное меньшинство бросает вызов большой группе неосведомленных людей. Например, модель может помочь врачам убедить рядовых людей принять определенные методы профилактики заболеваний или, наоборот, предотвратить захват экстремистскими группами контроля над большой группой людей.

Материалы и методы

Заявление об этике

Настоящее исследование одобрено этическим комитетом Института развития человека им. Макса Планка. Все участники дали письменное и информированное согласие на экспериментальную процедуру.

Опытный образец

Экспериментальная часть исследования состояла из двух отдельных экспериментов: одного без социального влияния (эксперимент 1) и другого (эксперимент 2). В обоих экспериментах участники входили в лабораторию индивидуально и получали инструкции отвечать на ряд фактических вопросов, отображаемых на экране компьютера.Все участники были наивны по отношению к цели наших экспериментов и получили фиксированную плату в размере 8 евро. В эксперименте 1 в общей сложности 52 участника ( M _{возраст} = 27 лет, SD = 9, 50% женщины) ответили на 32 общих вопроса о знаниях, которые касались спорта, природы, географии и общества / экономики (8 на площадь; полный список позиций см. в таблице S1). Правильные ответы на вопросы варьировались от 100 до 999, что, однако, участникам не было известно. Участников попросили ответить как можно точнее и выразить свою уверенность по 6-балльной шкале Лайкерта (от 1 очень неуверенно до 6 очень уверенно ) после того, как они дали свою спонтанную оценку.Вопросы отображались один за другим на экране компьютера, и новый вопрос задавался только после того, как участники ответили на текущий. Участники были проинформированы о правильных ответах на вопросы только после окончания эксперимента и поэтому не могли понять, что истинные значения всегда лежали в интервале [100 999]. Порядок вопросов был рандомизирован для каждого участника. Корреляционный тест точности ответов и порядка вопросов дал незначимые p-значения для 90% участников с вероятностью p> 0.05, подтверждая отсутствие какого-либо процесса обучения в экспериментальных раундах. После окончания экспериментов участникам заплатили, поблагодарили и отпустили. В эксперименте 1 участники не подвергались социальному влиянию других людей. 1664 точки данных (соответствующие 52 участникам × 32 вопроса) были использованы для характеристики характеристик исходной среды, таких как распределение ответов и анализ уровней уверенности, показанных на рис. 1, а также в качестве пула социального влияния. для второго эксперимента.Тот же набор данных использовался для определения начального состояния моделирования, представленного на рис. 5.

В эксперименте 2 59 участников ( M _{возраст} = 33 года, SD = 11, 56% женщины) ответили на 15 из 32 общих вопросов, использованных в эксперименте 1, и указали уровень своей уверенности. Эксперимент 2 проводился в тех же условиях, что и в Эксперименте 1, за исключением того, что участники были проинформированы о том, что они получат обратную связь от другого участника. После каждого вопроса оценка и уровень достоверности другого случайно выбранного участника из эксперимента 1 отображались на экране компьютера, а затем участникам предлагалось пересмотреть оценку и соответствующий уровень достоверности.Этот второй набор данных, состоящий из 59 × 15 = 885 бинарных взаимодействий, был использован для изучения эффектов социального влияния, из которых мы получили результаты, показанные на рис. 2, 3 и 4. Полный список вопросов представлен в Таблице S1.

Дополнительная информация

Рисунок S1.

Распределение ответов на все 32 вопроса, использованные в первом эксперименте (Эксперимент 1, см. Материалы и методы). Цифры в правом верхнем углу соответствуют вопросу с идентификатором , как указано в списке вопросов в таблице S1.Вопрос id = 27 был использован для иллюстрации в основном тексте (рис. 1A). Нормализованный ответ — это оценка участников, деленная на истинное значение. Черные пунктирные линии указывают правильный ответ (нормализованное значение = 1). Красные и зеленые пунктирные линии показывают среднее и медианное значения распределения соответственно. Средние значения, лежащие дальше 3, не указаны.

https://doi.org/10.1371/journal.pone.0078433.s001

(TIF)

Рисунок S2.

Три характерных примера, показывающих эволюцию уверенности участников по сравнению с раундами моделирования. Примеры 1, 2 и 3 соответствуют приведенным на рис. 4 в основном тексте. Среднее глобальное доверие вычисляется путем взятия среднего значения достоверности для всех 52 участников. После нескольких раундов моделирования происходит резкий переход к высоким уровням достоверности, свидетельствующий о процессе усиления мнений.

https://doi.org/10.1371/journal.pone.0078433.s002

(EPS)

Благодарности

Мы благодарны Гудрун Раувольф и Тору Нильсену за их вдохновляющие отзывы и участие в работе, а также Исааку и Жанне Гуэлло за плодотворные обсуждения.Мы благодарим Джека Солла за то, что он поделился с нами экспериментальными данными из исх. [30] и двух анонимных рецензентов за конструктивные комментарии. Авторы благодарят Аниту Тодд за языковое редактирование.

Вклад авторов

Задумал и спроектировал эксперименты: MM JEK PPA HN. Проведены эксперименты: MM JEK PPA HN. Проанализированы данные: MM JEK PPA. Написал статью: MM JEK PPA HN.

Ссылки

1. 1. Кузин И., Иоанну С., Демирель Г., Гросс Т., Торни С. и др.(2011) Несведущие люди продвигают демократический консенсус в группах животных. Наука 334: 1578–1580.
2. 2. Камазин С., Денебург Дж.Л., Фрэнкс Н., Снейд Дж., Тераулаз Дж. И др .. (2001) Самоорганизация в биологических системах. Издательство Принстонского университета.
3. 3. Bikhchandani S, Hirshleifer D, Welch I (1992) Теория причуд, моды, обычаев и культурных изменений как информационных каскадов. Журнал политической экономии 100: 992–1026.
4. 4. Муссаид М., Гарнье С., Тераулаз Дж., Хелбинг Д. (2009) Коллективная обработка информации и формирование паттернов в стаях, стаях и толпах.Темы когнитивной науки 1: 1–29.
5. 5. Ву Ф, Хуберман Б. (2007) Новинка и коллективное внимание. Труды Национальной академии наук 104: 17599–17601.
6. 6. Янив И. (2004) Получение советов других людей: влияние и польза. Организационное поведение и процессы принятия решений людьми 93: 1–13.
7. 7. Gigerenzer G, Todd P (1999) Простая эвристика, которая делает нас умными. Издательство Оксфордского университета.
8. 8. Mäs M, Flache A, Helbing D (2010) Индивидуализация как движущая сила кластерных явлений у людей.PLoS Computational Biology 6: e1000959.
9. 9. Шеллинг Т. (1978) Микромотивы и макроповедение. W. W. Norton.
10. 10. Изенберг Д. (1986) Групповая поляризация: критический обзор и метаанализ. Журнал личности и социальной психологии 50: 1141–1151.
11. 11. Галам С., Московичи С. (1991) К теории коллективных явлений: консенсус и изменение отношения в группах. Европейский журнал социальной психологии 21: 49–74.
12. 12.Майерс Д., Епископ Г. (1970) Влияние дискуссии на расовые отношения. Наука 169: 778–779.
13. 13. Функ С., Салате М., Янсен В. (2010) Моделирование влияния человеческого поведения на распространение инфекционных заболеваний: обзор. Журнал Королевского общества, интерфейс 7: 1247–1256.
14. 14. Funk S, Gilad E, Watkins C, Jansen V (2009) Распространение осведомленности и его влияние на вспышки эпидемий. Труды Национальной академии наук 106: 6872–6877.
15. 15. Салганик М., Доддс П., Уоттс Д. (2006) Экспериментальное исследование неравенства и непредсказуемости на искусственном рынке культуры. Наука 311: 854–856.
16. 16. Kasperson R, Renn O, Slovic P, Brown H, Emel J и др. (1988) Социальное усиление риска: концептуальная основа. Анализ рисков 8: 177–187.
17. 17. Слович П. (1987) Восприятие риска. Наука 236: 280–285.
18. 18. Латане Б. (1981) Психология социального воздействия.Американский психолог 36: 343–356.
19. 19. Кастеллано С., Фортунато С., Лорето В. (2009) Статистическая физика социальной динамики. Обзоры современной физики 81: 591–646.
20. 20. Лоренц Дж. (2007) Непрерывная динамика мнений при ограниченной уверенности: обзор. Международный журнал современной физики 18: 1819–1838.
21. 21. Швейцер Ф., Холист Я.А. (2000) Моделирование формирования коллективного мнения с помощью активных броуновских частиц. Европейский физический журнал B 15: 723–732.
22. 22. Снайд-Верон К., Снайд Дж. (2000) Эволюция мнений в закрытом сообществе. Международный журнал современной физики C 11: 1157–1165.
23. 23. Галам С. (1997) Принятие рациональных групповых решений: модель Изинга со случайным полем при T = 0. Physica A 238: 66–80.
24. 24. Лиггетт Т. (1985) Системы взаимодействующих частиц. Нью-Йорк: Springer New York.
25. 25. Deffuant G, Neau D, Amblard F, Weisbuch G (2001) Смешивание убеждений среди взаимодействующих агентов.Успехи в сложных системах 3: 87–98.
26. 26. Hegselmann R, Krause U (2002) Динамика мнений и модели ограниченной уверенности, анализ и моделирование. Журнал искусственных обществ и социального моделирования 5: 2.
27. 27. Galam S (2002) Мнение меньшинства распространяется в случайной геометрии. Европейский физический журнал B 25: 403–406.
28. 28. Sobkowicz P (2009) Моделирование формирования мнения с помощью инструментов физики: призыв к более тесной связи с реальностью. Журнал искусственных обществ и социального моделирования 12: 11.
29. 29. Lorenz J, Rauhut H, Schweitzer F, Helbing D (2011) Как социальное влияние может подорвать мудрость эффекта толпы. Труды Национальной академии наук 108: 9020–9025.
30. 30. Солл Дж., Ларрик Р. (2009) Стратегии пересмотра суждений: как (и насколько хорошо) люди используют мнение других. Журнал экспериментальной психологии: обучение, память и познание 35: 780–805.
31. 31. Мейсон В., Конри Ф., Смит Э. (2007) Ситуация процессов социального влияния: динамические, разнонаправленные потоки влияния в социальных сетях.Обзор личности и социальной психологии 11: 279–300.
32. 32. Галам С., Джейкобс Ф (2007) Роль негибких меньшинств в разрушении демократической динамики общественного мнения. Physica A 381: 366–376.
33. 33. Мартинс А., Галам С. (2013) Создание индивидуальной негибкости в динамике мнений. Physical Review E 87: 042807.
34. 34. Gigerenzer G, Hoffrage U, Kleinbölting H (1991) Вероятностные ментальные модели: брунсвикская теория уверенности.Психологический обзор 98: 506–528.
35. 35. King A, Cheng L, Starke S, Myatt J (2012) Является ли истинная «мудрость толпы» копировать успешных людей? Письма о биологии 8: 197–200.
36. 36. Valori L, Picciolo F, Allansdottir A, Garlaschelli D (2012) Согласование долгосрочного культурного разнообразия и краткосрочного коллективного социального поведения. Труды Национальной академии наук 109: 1068–1073.
37. 37. Аш С.Е. (1955) Мнения и социальное давление.Scientific American 193: 33–35.
38. 38. Кузин И., Краузе Дж., Фрэнкс Н., Левин С. (2005) Эффективное руководство и принятие решений в группах животных в движении. Природа 433: 513–516.
39. 39. Дайер Дж., Йоханссон А., Хелбинг Д., Кузин И., Краузе Дж. (2008) Лидерство, принятие консенсусных решений и коллективное поведение людей. Философские труды Королевского общества B: Биологические науки 364: 781–789.
40. 40. Xie J, Sreenivasan S, Korniss G, Zhang W, Lim C и др.(2011) Социальный консенсус через влияние приверженных меньшинств. Physical Review E 84: 11130.
41. 41. Барон Дж. (2000) Думая и решая. Издательство Кембриджского университета.
42. 42. Никерсон Р. (1998) Предвзятость подтверждения: повсеместное явление во многих обличьях. Обзор общей психологии 2: 175–220.
43. 43. Кориат А. (2012) Когда две головы лучше, чем одна и почему? Наука 336: 360–362.
44. 44. Hertwig R (2012) Использование мудрости толпы — с уверенностью.Наука 336: 303–304.
45. 45. Ву Ф, Хуберман Б. (2004) Социальная структура и формирование мнения. Вычислительная экономика 0407002.
46. 46. Lazer D, Pentland A, Adamic L, Aral S, Barabasi A-L и др. (2009) Вычислительные социальные науки. Наука 323: 721–723.

Независимых и зависимых выборок в статистике

При сравнении групп в ваших данных вы можете иметь либо независимые, либо зависимые выборки. Тип образцов в вашем дизайне влияет на требования к размеру выборки, статистическую мощность, правильный анализ и даже на затраты на ваше исследование.Понимание значения каждого типа выборки может помочь вам разработать более качественное исследование.

В этом посте я определю независимые и зависимые выборки, объясню их плюсы и минусы, выделю соответствующий анализ для каждого типа и проиллюстрирую, как зависимые группы могут повысить вашу статистическую мощность.

Небольшая заметка о терминологии. В исследовании вы измеряете переменную результата для людей или объектов. Я буду ссылаться на темы в этом посте, чтобы обратиться к обоим случаям. Кроме того, я также использую образцы и группы как синонимы. Например, термин «зависимые выборки» означает то же, что и зависимые группы.

Независимые образцы и зависимые образцы

Проверки гипотез и статистическое моделирование, сравнивающие группы, основаны на предположениях о природе этих групп.Выбор правильного теста или модели зависит от того, какой у вас тип группы. Кроме того, при разработке исследования выбор лучшего типа может помочь вам адаптировать дизайн к вашим потребностям.

Независимые образцы

В независимых выборках испытуемые в одной группе не предоставляют информацию о предметах в других группах. Каждая группа состоит из разных предметов, и нет разумного способа объединить их. Независимые группы чаще используются при проверке гипотез.

Например, в следующих экспериментах используются независимые выборки:

• В испытании лекарства есть контрольная группа и группа лечения, которые состоят из разных субъектов.
• В исследовании оценивается прочность детали, изготовленной из различных сплавов. Каждый образец сплава содержит разные детали.

Исследования, в которых используются независимые выборки, оценивают межсубъектные эффекты. Эти эффекты представляют собой различия между группами, например среднюю разницу. Например, в исследовании лекарств эффект представляет собой среднюю разницу между экспериментальной и контрольной группами. Основное внимание уделяется сравнению свойств группы, а не отдельных лиц. Размер выборки для этого типа исследования — это общее количество субъектов во всех группах.

Соответствующее сообщение : T-тест независимых образцов

Зависимые образцы

Группы часто бывают зависимыми, потому что содержат одни и те же предметы — это наиболее распространенный пример. Однако это не всегда так. Группы с разными субъектами могут быть зависимыми выборками, если субъекты в одной группе предоставляют информацию о субъектах в другой группе.Например, статистики часто считают разные выборки, включающие пары братьев и сестер, зависимыми, потому что один брат может предоставить информацию о другом брате для некоторых измерений. В других исследованиях используются согласованные пары. В этих исследованиях исследователи намеренно объединяют в пары субъектов с очень похожими характеристиками. Хотя подходящие пары — это разные люди, статистический анализ рассматривает их как одного человека, потому что они намеренно очень похожи.

Например, в следующих исследованиях используются зависимые выборки:

• При оценке программы обучения принимаются предварительные и итоговые оценки одной и той же группы людей.
• При исследовании стойкости краски разные типы краски наносятся на части одних и тех же деревянных досок. Все типы красок на одной доске считаются парными.

Исследования, в которых используются зависимые выборки, оценивают эффекты внутри субъекта. Эти эффекты представляют собой различия между парными субъектами, например, среднее изменение субъектов. Например, оценка программы обучения оценивает среднее изменение для испытуемых от предварительного тестирования к последнему. Акцент делается на различиях между парными предметами.Размер выборки для этого типа исследования — это количество пар.

Такие термины, как парные, повторяющиеся измерения, внутрисубъектные эффекты, согласованные пары и предварительное / последующее тестирование, указывают на то, что группы являются зависимыми.

Связанное сообщение : Парный тест T

Группы в наборах данных

Понимание того, как исследователи записывают данные, также может дать подсказки о типах групп. Например, данные на двух листах ниже выглядят одинаково.

Для зависимых групп основное внимание уделяется различиям между измерениями для каждого объекта. Следовательно, если вы можете осмысленно вычитать значения в строке, это верный признак зависимости. Например, каждая строка представляет одного человека в парном наборе данных, поэтому имеет смысл оценить разницу между значениями.

И наоборот, для набора данных независимых выборок каждая группа содержит другой набор лиц, которых исследователи выбрали случайным образом. Каждая строка в этом наборе данных не относится к одной теме. Следовательно, нет смысла вычитать значения между парами случайных людей.

Плюсы и минусы независимых и зависимых образцов

Когда вы думаете о сравнении групп, вы часто представляете себе независимые группы. Например, когда вы представляете себе сравнение экспериментальной группы с контрольной группой, вы, вероятно, предполагаете, что эти группы содержат разных субъектов.Однако, понимая плюсы и минусы независимых и зависимых выборок, вы можете спланировать исследование, которое будет более эффективно удовлетворять ваши потребности. Лучший выбор зависит от предмета и требований вашего эксперимента. При выборе своего подхода учитывайте следующее.

Преимущества независимых образцов

Когда в вашем исследовании используются независимые образцы, вы тестируете каждого предмета один раз. Когда вы работаете с людьми, один тест может быть полезен по нескольким причинам.Благодаря единой оценке для каждого человека, вам не нужно беспокоиться о том, что испытуемые узнают, как лучше справляться, им надоедают многократные тесты и как течение времени влияет на каждого человека. Тестируя субъектов один раз, вы можете исключить различные эффекты времени и порядка, которые могут повлиять на изменение оценок.

Когда вы тестируете физические предметы, вам нужно проверить каждый элемент только один раз. Если в ходе тестирования элементы повреждены или изменены, их невозможно проверить несколько раз.

Недостатки независимых образцов

Поскольку каждая группа состоит из разных испытуемых, может существовать широкий спектр факторов, специфичных для каждого предмета, которые влияют на их реакцию на тест.Хотя случайное распределение по группам может уменьшить систематические различия между группами, эти специфические для субъектов факторы не контролируются.

Различия между участниками в группах могут повлиять на результаты. Статистики называют эти различия переменными участников, и они включают в себя возраст, пол и социальное происхождение, а также многие другие возможности.

Дополнительная изменчивость, которую создают переменные участников, снижает статистическую мощность. Обычно вам нужны более крупные выборки с независимыми выборками.

Преимущества зависимых выборок

Основное преимущество зависимых выборок состоит в том, что вы измеряете одних и тех же субъектов в разных условиях, что позволяет им использовать их собственные элементы управления. У них одинаковое уникальное сочетание переменных участников во время всех измерений, что исключает их как источники вариаций. Помните об этой низкой вариабельности во время моей практической демонстрации позже в этом посте!

Например, при анализе до и после тестирования вы увидите, как каждый испытуемый реагирует на оба теста.Этот метод позволяет исследованию сосредоточиться на изменениях внутри отдельных людей, а не на различиях между группами разных людей.

Чистый эффект — увеличение статистической мощности. Обычно вам нужны меньшие размеры выборки с зависимыми группами. Кроме того, уменьшение размера выборки может снизить затраты на исследование, что особенно полезно, когда получение предметов является трудным или дорогостоящим.

Недостатки зависимых выборок

При работе с людьми вам потребуется несколько раз протестировать их на зависимых образцах.Во время повторного тестирования испытуемые могут больше узнать о тестах и ​​выяснить, как улучшить свои результаты; им может наскучить многократное тестирование; или их результаты тестов могут измениться в результате естественного прохождения времени. Другими словами, многократное тестирование и течение времени становятся факторами, которые могут повлиять на измерение, что потенциально затрудняет выделение эффекта лечения.

Например, если результаты теста для программы обучения увеличиваются от предварительного тестирования к последнему, программа обучения может не вызвать изменения.Вместо этого участники могут научиться лучше проходить тест!

Исследователи могут решить некоторые из этих проблем. Например, они могут включать контрольные группы для сравнения и изменять порядок тестов для подмножеств предметов. Однако в целом схемы, в которых используются зависимые группы, упрощают объяснение изменений альтернативными вариантами.

В некоторых случаях использование зависимых выборок невозможно. Например, при разрушающем тестировании материальных объектов вы можете проверить их только один раз!

Как исследователь, взвесьте достоинства и недостатки обоих типов образцов.Некоторые типы исследований поддаются тому или иному подходу.

Типы статистического анализа для независимых и зависимых групп

После выбора типа образцов и проведения эксперимента необходимо использовать правильный статистический анализ. В таблице отображаются пары связанных анализов для независимых и зависимых образцов.

В то время как анализ зависимых групп обычно фокусируется на индивидуальных изменениях, тест Макнемара является исключением.Этот тест сравнивает общие пропорции двух зависимых групп.

Регрессия и ANOVA могут моделировать как независимые, так и зависимые выборки. Просто нужно указать правильную модель.

Похожие сообщения : ANOVA с повторными измерениями и как проводить t-тесты

Пример зависимых групп и их дополнительной статистической мощности

В заключение приведу пример, демонстрирующий дополнительную статистическую мощность, которую могут предоставить зависимые выборки. Представьте себе два исследования, которые по удивительному совпадению дают в точности одни и те же измерения.Единственная разница в том, что в одном есть независимые группы, а в другом — зависимые.

Само собой разумеется, но я все равно скажу: вы никогда не проведете двухвыборочный t-тест и парный t-тест на одном и том же наборе данных на практике. Эти два дизайна совершенно несовместимы. Однако я сделаю это только для того, чтобы проиллюстрировать разницу в мощности.

В рамках этого эксперимента мы оцениваем вымышленный препарат, который предположительно повышает показатели IQ. В одном эксперименте используются контрольная группа и группа лечения с разными субъектами.Другой использует тот же набор предметов для предварительного и последующего тестирования. Вы можете загрузить набор данных CSV, чтобы попробовать его самостоятельно: IndDepSamples.

Во-первых, давайте проанализируем набор данных в виде двухвыборочного t-критерия.

Хорошо, теперь давайте воспользуемся парным t-критерием.

Данные одинаковы для обоих анализов, и различия между образцами одинаковы (-11.62). Двухвыборочный t-критерий использует размер выборки 30 (две группы по 15 на группу), в то время как парный t-критерий включает только 15 субъектов, но исследователи проверяют их дважды. Почему парный t-критерий с зависимыми выборками является статистически значимым, в то время как двухвыборочный t-критерий с независимыми выборками не является значимым?

Понимание различных результатов

В анализах делаются разные предположения о природе образцов. Для двухвыборочного t-критерия две группы содержат совершенно разных людей.Хотя в экспериментальной группе средний показатель IQ выше, чем в контрольной группе, мы не знаем начальный балл каждого субъекта, потому что не было предварительного тестирования. Возможно, группа лечения случайно начала с более высоких результатов? Мы не знаем наверняка, повысились ли у кого-то баллы после приема препарата. Эта неопределенность снижает мощность теста.

С другой стороны, парный t-тест предполагает, что результаты предварительного и последующего тестирования получены от одних и тех же людей. Из данных мы, , знаем, что все 15 участников увеличили свои баллы от предварительного до последующего в среднем на 11 баллов.63 балла. Это довольно сильный контраст с независимыми выборками, по которым мы не знаем, повысился ли какой-либо показатель IQ во время исследования. Хотя мы можем быть достаточно уверены в том, что их оценки увеличились, мы не знаем почему. Возможно, их опыт прохождения предварительного тестирования помог им улучшить результаты после тестирования. Компромиссы! Может быть, в следующий раз мы включим контрольную группу и проведем повторный анализ ANOVA.

Чтобы получить более статистическое объяснение, вспомните то, что я сказал о зависимых выборках, исключающих переменные участников как источник изменчивости.Вы можете увидеть уменьшение вариабельности статистических данных. Двухвыборочный t-тест использует объединенное стандартное отклонение для обеих групп, которое, как показывают выходные данные, составляет около 19. Тем не менее, парный t-тест использует стандартное отклонение разностей , и оно намного ниже и составляет всего 6,81. В t-тестах изменчивость — это шум, который может скрыть сигнал. Следовательно, более высокая изменчивость снижает статистическую мощность. Для получения дополнительной информации об этом аспекте прочтите мой пост о том, как работают t-тесты.

Если вы планируете следующее исследование, подумайте, следует ли вам использовать независимые или зависимые образцы.Из этого поста вы узнали, что у каждого подхода есть свои преимущества и недостатки. Определите, какой из них лучше всего подходит для вашего исследования.

Узнайте больше о связанной теме независимых и идентично распределенных данных (IID).

Как правильно выбрать статистический тест?

Сегодняшняя статистика служит основой для выводов большинства медицинских исследований. Тем не менее, из-за отсутствия знакомства со статистической теорией и практикой, он по-прежнему рассматривается как ахиллесова пята всеми, кто вовлечен в цикл исследований и публикаций — исследователями (авторами), рецензентами, редакторами и читателями.

Большинство из нас до некоторой степени знакомы с описательными статистическими мерами, такими как мера центральной тенденции и мера дисперсии. Однако мы ошибаемся при выводе статистики. Этого не должно быть, особенно с учетом повсеместной доступности мощного и в то же время удобного для пользователя статистического программного обеспечения. Как мы изложили ниже, несколько фундаментальных соображений приведут к выбору подходящего статистического теста для проверки гипотез. Однако важно, чтобы соответствующий статистический анализ был определен до начала исследования, на этапе самого планирования, а выбранный размер выборки был оптимальным.Они не могут быть решены произвольно после того, как исследование закончено и данные уже собраны.

Подавляющее большинство исследований может быть выполнено с помощью корзины из 30 тестов из более чем 100, которые используются. Выбор теста зависит от типа задаваемого исследовательского вопроса. Другими определяющими факторами являются тип анализируемых данных и количество групп или наборов данных, участвующих в исследовании. Следующие схемы, основанные на пяти общих исследовательских вопросах, должны помочь.[1]

Вопрос 1: Есть ли разница между непарными группами? Группы или наборы данных считаются непарными, если нет возможности, чтобы значения в одном наборе данных были связаны или находились под влиянием значений в других наборах данных. Для количественных или числовых данных, а также для качественных или категориальных данных требуются различные тесты, как показано в. Для числовых данных важно решить, соответствуют ли они параметрам кривой нормального распределения (кривая Гаусса), и в этом случае применяются параметрические тесты.Если распределение данных не является нормальным или если кто-то не уверен в распределении, безопаснее использовать непараметрические тесты. При сравнении более двух наборов числовых данных в первую очередь следует использовать критерий сравнения нескольких групп, такой как односторонний дисперсионный анализ (ANOVA) или критерий Краскела-Уоллиса. Если они возвращают статистически значимое значение p (обычно означает p <0,05), то только за ними следует проводить апостериорный тест, чтобы точно определить, между какими двумя наборами данных лежит разница.Многократное применение t-критерия или его непараметрического аналога, U-критерия Манна-Уитни, к ситуации с несколькими группами увеличивает вероятность неправильного отклонения нулевой гипотезы.

Тесты для ответа на вопрос: Есть ли разница между группами — непарные (параллельные и независимые группы) ситуации?

Вопрос 2: Есть ли разница между парными группами? Сопряжение означает, что наборы данных получены путем повторных измерений (например,измерения до и после или несколько измерений во времени) на одном и том же наборе объектов. Спаривание также будет происходить, если группы субъектов различны, но ценности в одной группе каким-то образом связаны или связаны со значениями в другой группе (например, исследования близнецов, исследования братьев и сестер, исследования родителей и потомков). Дизайн перекрестного исследования также требует применения парных групповых тестов для сравнения эффектов различных вмешательств на одних и тех же субъектов. Иногда субъектов намеренно объединяют в пары, чтобы соответствовать исходным характеристикам, таким как возраст, пол, тяжесть или продолжительность заболевания.Схема, аналогичная той, что используется при тестировании парных наборов данных, как описано в. Еще раз, сравнение множественных наборов данных должно проводиться с помощью соответствующих множественных групповых тестов с последующими апостериорными тестами.

Тесты для ответа на вопрос: есть ли разница между группами — парная ситуация?

Вопрос 3: Есть ли связь между переменными? Различные применимые тесты описаны в. Следует отметить, что тесты, предназначенные для числовых данных, предназначены для проверки связи между двумя переменными.Это тесты корреляции, и они выражают силу ассоциации в виде коэффициента корреляции. Обратная корреляция между двумя переменными обозначается знаком минус. Все коэффициенты корреляции различаются по величине от 0 (корреляция отсутствует) до 1 (полная корреляция). Полная корреляция может указывать, но не обязательно означает причинно-следственную связь. Когда две числовые переменные линейно связаны друг с другом, линейный регрессионный анализ может генерировать математическое уравнение, которое может предсказать зависимую переменную на основе заданного значения независимой переменной.[2] Отношения шансов и относительные риски являются основным элементом эпидемиологических исследований и выражают связь между категориальными данными, которые могут быть сведены в таблицу непредвиденных обстоятельств 2 × 2. Логистическая регрессия — это фактически метод многомерного анализа, который выражает силу связи между двоичной зависимой переменной и двумя или более независимыми переменными как скорректированные отношения шансов.

Тесты для ответа на вопрос: есть ли связь между переменными?

Вопрос 4: Есть ли согласие между наборами данных? Это может быть сравнение нового метода скрининга со стандартным тестом, нового диагностического теста с доступным золотым стандартом или совпадение оценок или оценок, выставленных разными наблюдателями.Как видно из, соответствие между числовыми переменными может быть выражено количественно коэффициентом внутриклассовой корреляции или графически путем построения графика Бланда-Альтмана, на котором разница между двумя переменными x и y нанесена на график относительно среднего значения x и год . В случае категориальных данных часто используется статистика Каппа Коэна, при этом каппа (которая изменяется от 0 при отсутствии согласия до 1 при полном соответствии) указывает на сильное согласие, когда оно> 0.7. Неуместно делать вывод о согласии, показывая отсутствие статистически значимой разницы между средними значениями или вычисляя коэффициент корреляции.

Тесты для ответа на вопрос: существует ли согласие между методами оценки (скрининг / оценка / диагностика)?

Вопрос 5: Есть ли разница между тенденциями времени до события или графиками выживаемости? Этот вопрос специфичен для анализа выживаемости [3] (конечной точкой такого анализа может быть смерть или любое событие, которое может произойти по прошествии определенного периода времени), который характеризуется цензурой данных, что означает, что значительная часть исходных субъектов исследования может не достичь рассматриваемой конечной точки к моменту окончания исследования.Наборы данных для трендов выживаемости всегда считаются непараметрическими. Если есть две группы, то применимыми критериями являются критерий Кокса-Мантеля, критерий Гехана (обобщенный критерий Вилкоксона) или логранговый критерий. В случае более двух групп можно применить тест Пето и Пето или лог-ранговый тест, чтобы найти значительную разницу между тенденциями времени до события.

Из вышеприведенной схемы можно понять, что важно различать параметрические и непараметрические данные. Тесты на нормальность (например,грамм. Вместо предположений можно применять критерий Колмогорова-Смирнова или критерий согласия Шапиро-Уилка). Некоторые из других предпосылок параметрических тестов заключаются в том, что выборки имеют одинаковую дисперсию, т. Е. Взяты из одной и той же совокупности, наблюдения внутри группы независимы и что выборки были взяты из совокупности случайным образом.

Односторонний тест вычисляет возможность отклонения от нулевой гипотезы в определенном направлении, тогда как двусторонний тест вычисляет возможность отклонения от нулевой гипотезы в любом направлении.Когда вмешательство A сравнивается с вмешательством B в клиническом исследовании, нулевая гипотеза предполагает, что между этими двумя вмешательствами нет никакой разницы. Отклонение от этой гипотезы может иметь место в пользу любого вмешательства в двустороннем тесте, но в одностороннем тесте предполагается, что только одно вмешательство может показать превосходство над другим. Хотя для данного набора данных односторонний тест вернет меньшее значение p , чем двусторонний тест, последний обычно предпочтительнее, если нет водонепроницаемого случая для одностороннего тестирования.

Очевидно, что мы не можем сослаться на все статистические тесты в одной редакционной статье. Однако представленные схемы будут охватывать потребности проверки гипотез в большинстве наблюдательных, а также интервенционных исследований. Наконец, следует помнить, что ничто не заменит практическую работу с фиктивными или реальными наборами данных и обращение за советом к статистику, чтобы изучить нюансы проверки статистических гипотез.

Параметрический тест — обзор

15.2.5 Параметрическое и непараметрическое

На шагах 3 и 4 есть два общих способа оценить разницу между группами, чтобы увидеть, насколько «странным» является распределение.

Параметрические тесты предполагают нормальное распределение значений или «колоколообразную кривую». Например, рост является примерно нормальным распределением: если вы построите график роста группы людей, вы увидите типичную колоколообразную кривую. Это распределение также называется распределением Гаусса. Параметрические тесты в целом более эффективны (требуют меньшего размера выборки), чем непараметрические тесты.

Непараметрические тесты используются в случаях, когда параметрические тесты не подходят. Большинство непараметрических тестов используют какой-либо способ ранжирования измерений и тестирования на странность распределения. Обычно предпочтение отдается параметрическому тесту, поскольку он позволяет лучше различать две руки. Другими словами, он лучше подчеркивает странность распределения. Непараметрические тесты примерно на 95% эффективнее параметрических.

Однако часто необходимы непараметрические тесты.Некоторые распространенные ситуации для использования непараметрических тестов — это когда распределение не является нормальным (распределение искажено), распределение неизвестно или размер выборки слишком мал (<30), чтобы предполагать нормальное распределение. Кроме того, если есть экстремальные значения или значения, которые явно «выходят за рамки», следует использовать непараметрические тесты.

Иногда по данным неясно, нормально ли распределение. В этом случае предыдущие исследования с использованием переменных могут помочь провести различие между ними.Источник изменчивости также может помочь. Если их много, то есть если на изменчивость влияют многочисленные независимые факторы, распределение, скорее всего, будет нормальным. Вы можете подумать, что можете формально протестировать, чтобы определить, является ли распределение нормальным, но, к сожалению, эти тесты требуют больших размеров выборки, обычно больше, чем требуется для используемых тестов значимости, и на уровнях, где выбор параметрических или непараметрических тестов меньше важный. При больших объемах выборки параметрические или непараметрические тесты работают адекватно.

Кроме того, непараметрические тесты используются, когда используемые меры не соответствуют нормальному распределению или когда «распределение» не имеет значения, например, цвет глаз и Расширенная шкала статуса инвалидности (EDSS). Другими словами, номинальные или порядковые меры во многих случаях требуют непараметрической проверки.

Выбор статистического теста

Int J Ayurveda Res. Июль-сентябрь 2010 г .; 1 (3): 187–191.

Shraddha Parab

Отдел клинической фармакологии, Медицинский колледж Сет GS и больница KEM, Парел, Мумбаи — 400 012, Индия

Supriya Bhalerao

¹ Отдел клинической фармакологии, Больница BYL Nair, TNMC Mumbai Central, Mumbai — 400 008, Индия

Департамент клинической фармакологии, Медицинский колледж Seth GS и больница KEM, Парел, Мумбаи — 400 012, Индия

¹ Департамент клинической фармакологии, TNMC и BYL Nair Госпиталь, Центральный Мумбаи, Мумбаи — 400 008, Индия

Получено 14 сентября 2010 г .; Принята 18 октября 2010 г. правильно процитировано.

ВВЕДЕНИЕ

Статистические тесты — это математические инструменты для анализа количественных данных, полученных в ходе исследовательского исследования. Из-за множества статистических тестов исследователю сложно запомнить, какой статистический тест использовать в каких условиях. Есть несколько моментов, над которыми нужно задуматься при выборе статистического теста. К ним относятся тип дизайна исследования (который мы обсуждали в прошлом выпуске), количество групп для сравнения и тип данных (т.е., непрерывный, дихотомический или категоричный).

В данной статье мы собираемся обсудить эти моменты, но перед этим давайте рассмотрим некоторые важные концепции статистики.

Существует четыре основных уровня измерения / типов данных, используемых в статистике. Они имеют разную степень полезности в статистических исследованиях. Измерения отношения имеют как значимое нулевое значение, так и определенные расстояния между различными измерениями; они обеспечивают максимальную гибкость статистических методов, которые можно использовать для анализа данных.Для интервальных измерений определены значимые расстояния между измерениями, но нулевое значение является произвольным (как в случае с измерениями долготы и температуры в градусах Цельсия или Фаренгейта). Порядковые измерения имеют неточные различия между последовательными значениями, но имеют значимый порядок этих значений. Номинальные измерения не имеют значимого ранжирования среди значений. Поскольку переменные, соответствующие только номинальным или порядковым измерениям, не могут быть разумно измерены численно, иногда они группируются вместе как категориальные переменные, тогда как измерения отношения и интервалы группируются вместе как количественные или непрерывные переменные из-за их числовой природы.

При изучении статистики мы сосредотачиваемся на математических распределениях ради простоты и актуальности для реального мира. Понимание этих распределений позволит нам легче визуализировать данные и быстрее строить модели. Однако они не могут и не заменяют работу по ручному сбору данных и генерации фактического распределения данных. Распределения показывают, какой процент данных находится в определенном диапазоне. Итак, учитывая распределение и набор значений, мы можем определить вероятность того, что данные будут находиться в определенном диапазоне.Одни и те же данные могут привести к разным выводам, если они будут вставлены в разные распределения. Таким образом, для любого статистического анализа жизненно важно, чтобы данные были правильно распределены.

Предположим, что есть данные, собранные из двух выборок, и что средние значения этих двух выборок различны. В этом случае есть две возможности: выборки действительно имеют разные средства или другая возможность состоит в том, что наблюдаемая разница является совпадением случайной выборки.Однако подтвердить любую из этих возможностей невозможно.

Все, что можно сделать, — это вычислить вероятности (известное как значение « P » в статистике) наблюдения разницы между средними значениями выборки в эксперименте с размером исследуемой выборки. Значение P колеблется от нуля до единицы. Если значение P мало, то маловероятно, что разница будет вызвана случайной выборкой, или, другими словами, разница между двумя выборками реальна. Это значение необходимо определить заранее, т.е.е., при котором наименьшее допустимое значение P , разница будет считаться реальной разницей.

Статистическая значимость результата — это вероятность того, что наблюдаемая взаимосвязь (например, между переменными) или разница (например, между средними значениями) в выборке возникла чисто случайно («удачная ничья»), а Среди населения, из которого была взята выборка, таких взаимосвязей или различий не существует. Используя менее технические термины, мы могли бы сказать, что статистическая значимость результата говорит нам кое-что о степени, в которой результат является «истинным» (в смысле «репрезентативности для населения»).

С технической точки зрения значение P представляет собой убывающий индекс надежности результата. Чем выше значение P , тем меньше мы можем поверить в то, что наблюдаемая связь между переменными в выборке является надежным индикатором взаимосвязи между соответствующими переменными в генеральной совокупности. В частности, значение P представляет вероятность ошибки, которая связана с принятием нашего наблюдаемого результата как действительного, то есть как «репрезентативного для генеральной совокупности».Например, значение P , равное 0,05 (т. Е. 1/20), указывает на то, что существует 5% -ная вероятность того, что связь между переменными, найденными в нашей выборке, является «случайной». Другими словами, если предположить, что в популяции не было никакой связи между этими переменными, и мы повторяли эксперименты, подобные нашему, один за другим, мы могли ожидать, что примерно в каждых 20 повторениях эксперимента будет один, в котором связь между рассматриваемыми переменными была бы равной или более сильной, чем у нас.Во многих областях исследований значение P , равное 0,05, обычно рассматривается как «пороговый» уровень ошибки.

ТЕСТИРОВАНИЕ ГИПОТЕЗ

С точки зрения выбора статистического теста наиболее важным вопросом является «Какова основная гипотеза исследования?»

В некоторых случаях гипотеза отсутствует; следователь просто хочет «посмотреть, что там есть». Например, в исследовании распространенности нет гипотезы для проверки, а размер исследования определяется тем, насколько точно исследователь хочет определить распространенность.Если нет гипотезы, значит, нет статистической проверки.

С другой стороны, если научный вопрос должен быть исследован путем сравнения двух или более групп, можно выполнить статистический тест. Для этого сначала необходимо сформулировать нулевую гипотезу, в которой говорится об отсутствии разницы между двумя группами. Ожидается, что в конце исследования нулевая гипотеза либо будет отклонена, либо не отвергнута. Не менее важно определить подходящие параметры теста для сравнения групп.[1]

Например, в клиническом исследовании, посвященном изучению того, работает ли антигипертензивный препарат лучше, чем плацебо, тестовой переменной может быть снижение диастолического артериального давления (АД), рассчитанное на основе средней разницы в АД между активным лечением и группы плацебо. Нулевая гипотеза гласит: «Нет разницы между активным лечением и плацебо в отношении антигипертензивной активности».

Затем статистический тест вычисляет вероятность получения наблюдаемого различия между двумя группами и сообщает нам, является ли наблюдаемое различие случайным или реальным (статистически значимым).[2,3]

Небольшое значение P означает, что эта вероятность мала. Нулевая гипотеза отклоняется, если значение P меньше уровня значимости, который был определен заранее. В нашем случае разница в среднем АД может быть через 6 месяцев. Если значение тестовой переменной больше или меньше определенного предела, маловероятно, что нулевая гипотеза верна, и нулевая гипотеза, соответственно, отклоняется. [4] Тогда результат будет «статистически значимым на уровне α».

ПРИНЯТИЕ СТАТИСТИЧЕСКОГО ТЕСТА

Выбор статистического теста до начала исследования гарантирует, что результаты исследования не повлияют на выбор теста.

Решение о проведении статистического теста основывается на научном вопросе, на который необходимо ответить, структуре данных и дизайне исследования. Прежде чем данные будут записаны и будет выбран статистический тест, необходимо сформулировать вопрос, на который нужно ответить, и нулевую гипотезу. Тест и уровень значимости должны быть указаны в протоколе исследования до его проведения.Необходимо решить, должен ли тест быть односторонним или двусторонним. Если тест двусторонний, это означает, что не предполагается никакого конкретного направления ожидаемой разницы. Неизвестно, есть ли разница между новым препаратом и плацебо в отношении эффективности. Непонятно, в каком направлении может быть разница. (Новое лекарство может даже работать хуже, чем плацебо.) Односторонний тест следует проводить только тогда, когда есть четкие доказательства того, что вмешательство должно действовать только в одном направлении.Переменная результата (конечная точка) определяется одновременно с формулировкой вопроса, на который нужно ответить. Три критерия являются решающими для выбора статистического теста, а именно:

• количество переменных,

• типов данных / уровня измерения (непрерывный, двоичный, категориальный) и

• тип дизайна исследования (парное или непарное).

Количество переменных, для которых будет проводиться тест

Статистические тесты и процедуры можно разделить в соответствии с количеством переменных, которые они предназначены для анализа.Поэтому при выборе теста важно учитывать, сколько переменных вы хотите проанализировать. Один набор тестов используется для отдельных переменных (часто называемых описательной статистикой), второй набор используется для анализа взаимосвязи между двумя переменными, а третий набор используется для моделирования многомерных взаимосвязей (то есть отношений между тремя или более переменными).

Типы данных: непрерывные, категориальные или двоичные

Например, при сравнении двух гипотензивных препаратов конечной точкой может быть изменение АД в двух группах лечения.Изменение АД — это непрерывная конечная точка. Также необходимо различать, является ли непрерывная конечная точка (приблизительно) нормально распределенной или нет.

Однако если принять во внимание только то, падает ли диастолическое АД ниже 90 мм рт. Ст., Конечная точка является категориальной. Он бинарный, так как есть только две возможности. Если есть значимая последовательность в категориальных конечных точках, это можно описать как «порядковые конечные точки», например, уровни удовлетворенности услугами варьируются от очень неудовлетворенных до весьма удовлетворенных; также баллы отношения, представляющие степень удовлетворенности или уверенности и рейтинговые баллы предпочтений.

Дизайн парных и непарных исследований

Статистический тест используется для сравнения результатов конечной точки при различных условиях тестирования (например, лечения). Часто бывает два метода лечения. Если результаты могут быть получены для каждого пациента при всех экспериментальных условиях, дизайн исследования является парным (зависимым). Например, можно сравнить два момента измерения или две группы могут быть объединены в пары по другим характеристикам.

Типичными примерами пар являются исследования, проводимые на одном глазу или на одной руке одного человека.Типичные парные дизайны включают сравнения до и после лечения. Например, «подобранные пары» в исследованиях случай – контроль являются особым случаем. Они включают в себя выбор группы, в которой каждый предмет соответствует определенному предмету в другой группе, и они требуют, чтобы две группы были равного размера. После этого данные перестают быть независимыми и должны рассматриваться как парные наблюдения одной группы. [2]

При непарном или независимом дизайне исследования результаты для каждого пациента доступны только при одном наборе условий.Затем сравниваются результаты двух (или более) групп. Размеры групп могут быть как равными, так и разными.

ОБЩИЕ СТАТИСТИЧЕСКИЕ ИСПЫТАНИЯ

Наиболее важные статистические тесты перечислены в. Всегда делается различие между «категориальным или непрерывным» и «парным или непарным».

Таблица 1

Наиболее важные статистические тесты

Тесты, используемые для группового сравнения двух категориальных конечных точек

Здесь показано сравнение групп для двух категориальных конечных точек с простейшим случаем 2 × 2 таблица (четырехпольная таблица) [].Однако процедура аналогична групповому сравнению категориальных конечных точек с несколькими значениями [].

Выбор теста для группового сравнения с двумя категориальными конечными точками.

Непарные образцы

Если необходимо сравнить частоту успеха в двух группах лечения, точный тест Фишера является правильным статистическим тестом, особенно с небольшими выборками. Для больших выборок (около N > 60) также можно использовать критерий хи-квадрат [].

Парные образцы

Одним из примеров использования этого теста может быть вмешательство в группе на двух анатомических участках, такое как имплантация двух разных видов интраокулярных линз (ИОЛ) в правый и левый глаз, с конечной точкой «Операция прошла успешно: да или нет.«Сравниваемые образцы попадают в пары. В таком случае необходимо выполнить тест Макнемара. Еще один пример теста Макнемара — дозировка лекарств против бессонницы.

Тесты, используемые для непрерывных и, по крайней мере, произвольно масштабируемых переменных.

показывает алгоритм принятия решения для выбора теста.

Алгоритм выбора теста для группового сравнения непрерывной конечной точки.

Нормально распределенные переменные — параметрические тесты

Так называемые параметрические тесты могут использоваться, если конечная точка имеет нормальное распределение.

Непарные выборки

Если испытуемые в обеих группах независимы друг от друга (люди в первой группе отличаются от людей во второй группе), а параметры обычно распределены и непрерывны, используется непарный t -тест. Если необходимо провести сравнение нормально распределенного непрерывного параметра в более чем двух независимых (непарных) группах, можно использовать дисперсионный анализ (ANOVA). Одним из примеров может быть исследование с тремя или более группами лечения.ANOVA является обобщением непарного теста t . ANOVA только сообщает, различаются ли группы, но не говорит, какие группы различаются. Это требует методов множественного тестирования. [3]

Парные выборки

Парный тест t используется для нормально распределенных непрерывных параметров в двух парных группах. Если нормально распределенный непрерывный параметр сравнивается более чем в двух парных группах, методы, основанные на ANOVA, также подходят. Фактор описывает парные группы — e.g., более двух точек измерения при использовании терапии.

Переменные с ненормальным распределением — непараметрические тесты

Если интересующий параметр не имеет нормального распределения, но, по крайней мере, масштабируется по порядку, используются непараметрические статистические тесты. Один из этих тестов («ранговый тест») основан не непосредственно на наблюдаемых значениях, а на результирующих ранговых числах. Для этого необходимо расположить значения по размеру и дать им порядковый номер. Затем на основе этих ранговых чисел вычисляется тестовая переменная.Если необходимые предварительные условия выполнены, параметрические тесты более эффективны, чем непараметрические тесты. Однако мощность параметрических тестов может резко упасть, если условия не будут выполнены.

Непарные выборки

U-критерий Манна-Уитни (также известный как критерий суммы рангов Уилкоксона) может использоваться для сравнения ненормально распределенного, но, по крайней мере, обычно масштабируемого параметра в двух непарных выборках. [4] Если необходимо сравнить более двух непарных выборок, критерий Краскела – Уоллиса можно использовать как обобщение критерия U Манна – Уитни.[5]

Парные выборки

Знаковый ранговый критерий Уилкоксона можно использовать для сравнения двух парных выборок с ненормально распределенными параметрами, но по шкале, которая является как минимум порядковой. [5] В качестве альтернативы следует использовать знаковый тест, когда два значения различаются только по двоичной шкале, например, улучшение или ухудшение. Если сравнивается больше, чем совпадающих парных выборок, критерий Фридмана можно использовать как обобщение критерия знаков.

ВЫВОДЫ

Перед тем, как выбрать статистический тест, исследователь должен просто ответить на следующие шесть вопросов, что приведет к правильному выбору теста.

1. Сколько независимых переменных коварифицируются (изменяются за один и тот же период времени) с зависимой переменной?

2. На каком уровне измерения находится независимая переменная?

3. Каков уровень измерения зависимой переменной?

4. Являются ли наблюдения независимыми или зависимыми?

5. Включают ли сравнения популяции с популяциями, выборку с популяцией, или сравниваются две или более выборки?

6. Проверяемая гипотеза является сравнительной или взаимосвязанной?

Сноски

Источник поддержки: Нет

Конфликт интересов: Не заявлено

ССЫЛКИ