Darmowe internetowe kalkulatory mocy testu post-hoc MedCalc

Analiza mocy testu post-hoc jest często krytykowana jako myląca i bezużyteczna.

Istnieje obawa, że analiza mocy testu post-hoc może zachęcać badaczy do racjonalizowania nieistotnych wyników poprzez powoływanie się na niewystarczającą moc testu, nawet jeśli projekt badania lub metodologia miały inne wady. Taka praktyka może osłabiać rzetelność naukową i prowadzić do publikowania niejednoznacznych lub mylących wyników.
Przedziały ufności wokół wielkości efektu dostarczają bardziej znaczącego wglądu w niepewność i siłę dowodów.
Jeśli test daje wynik nieistotny, analiza mocy testu post-hoc zawsze wskaże niską moc — ale odzwierciedla to jedynie nieistotność wyniku i daje niewiele lub żadnego dodatkowego wglądu.
Moc testu post-hoc jest w istocie przekształceniem wartości P. Moc testu post-hoc jest bezpośrednią funkcją obserwowanej wartości P i wielkości efektu.

Mimo to niektóre czasopisma lub instytucje przyznające granty nadal jej wymagają, zwłaszcza gdy badanie daje wyniki negatywne.

Z tego powodu udostępniamy następujące internetowe kalkulatory mocy testu post-hoc.

Wzór ogólny dla innych testów

Dla innych testów można użyć następującego ogólnego wzoru wiążącego obserwowaną wartość p z obserwowaną mocą testu:

$$ Obserwowana\ moc\ testu = 1 - \Phi(z_{1-\alpha/2} - z_{1-p/2}) $$

gdzie

$ \Phi $ to dystrybuanta (CDF) standardowego rozkładu normalnego.
$ z_{1-\alpha/2 } $ to wartość krytyczna dla poziomu istotności (np. 1,96 dla $ \alpha$ = 0,05 w dwustronnym teście z).
$ z_{1-p/2} $ to wartość z odpowiadająca obserwowanej wartości p.

Poniższy kalkulator poda oszacowanie mocy testu na podstawie samej wartości P.

Wymagany poziom alfa (P):
Obserwowana wartość P:

Zacznij korzystać z MedCalc na swoim komputerze już dziś

Dołącz do tysięcy naukowców, którzy ufają MedCalc pod względem precyzji i szybkości. Zacznij już od rocznie lub wybierz naszą popularną licencję dożywotnią za i nigdy więcej nie martw się o odnowienia. Informacje o zamówieniu

Piśmiennictwo

Bakker M, van Dijk A, Wicherts JM (2019) The rules of the game in the interpretation of psychological research: Why we should abandon post hoc power analysis. Psychological Methods, 24(4), 492-503.
Button KS, et al. (2013) Power failure: Why small sample size undermines the reliability of neuroscience. Nature Reviews Neuroscience, 14(5), 365-376.
Cohen J (1988) Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
Gelman A, Carlin JB (2014) Bayesian Data Analysis (3rd ed.). CRC Press.
Hoenig JM, Heisey DM (2001) The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19-24.
Lakens D (2022) Practical Meta-Analysis. Sage.
McShane BB, Böckenholt U (2017) The pitfalls of post hoc power analysis. Psychological Science, 28(4), 551-561.

Więcej informacji znajdziesz w podręczniku MedCalc: Obliczanie liczebności próby: wprowadzenie.

Zaufany przez naukowców na całym świecie — pobierz pełną wersję oprogramowania statystycznego MedCalc i wykonuj zaawansowane analizy statystyczne w kilka sekund. Rejestracja nie jest wymagana.