Hipotezy badawcze i statystyczne – jak je prawidłowo formułować?

O hipotezach było już w naszym serwisie już wiele razy, ale hipotezy są jednym z najważniejszych elementów badań naukowych. To one określają, jakie zależności lub różnice mają zostać zweryfikowane na podstawie zebranych danych.

W pracach magisterskich i doktorskich często spotyka się jednak problemy takie jak:

• hipoteza niemożliwa do zweryfikowania statystycznie,
• hipoteza zawierająca kilka różnych problemów jednocześnie,
• brak rozróżnienia między hipotezą badawczą i statystyczną,
• dobieranie hipotez dopiero po zobaczeniu wyników,
• utożsamianie p < 0,05 z „udowodnieniem hipotezy”.

Dlatego warto uporządkować podstawowe pojęcia.

Czym jest hipoteza badawcza?

Hipoteza badawcza jest przewidywanym wyjaśnieniem lub przypuszczeniem dotyczącym zależności pomiędzy zmiennymi.

Przykład:

„Poziom satysfakcji z życia jest związany z poziomem stresu.”

Inny przykład:

„Osoby uczestniczące w szkoleniu uzyskują wyższy poziom wiedzy po jego zakończeniu niż przed rozpoczęciem szkolenia.”

Dobrze sformułowana hipoteza powinna wskazywać:

• jakie zmienne analizujemy,
• jakiego rodzaju zależności lub różnicy oczekujemy,
• jakiej populacji dotyczy problem.

Hipoteza kierunkowa i niekierunkowa

Hipoteza może mieć charakter kierunkowy.

Przykład:

„Wyższy poziom stresu wiąże się z niższą satysfakcją z życia.”

Tutaj określamy kierunek zależności.

Hipoteza niekierunkowa:

„Poziom stresu jest związany z poziomem satysfakcji z życia.”

Nie wskazuje, czy zależność ma być dodatnia czy ujemna.

Podobnie dla różnic:

kierunkowa: „Grupa A osiąga wyższe wyniki niż grupa B.”

niekierunkowa: „Wyniki różnią się pomiędzy grupą A i B.”

Czym jest hipoteza zerowa?

Hipoteza zerowa, oznaczana najczęściej H0, stanowi podstawę klasycznego testowania statystycznego.

Najczęściej zakłada brak efektu, różnicy lub zależności.

Przykład dla dwóch średnich:

H0: μ1 = μ2

czyli brak różnicy średnich pomiędzy populacjami.

Dla korelacji:

H0: ρ = 0

czyli brak liniowej korelacji w populacji.

Dla testu chi-kwadrat:

hipoteza zerowa zakłada niezależność analizowanych zmiennych.

Czym jest hipoteza alternatywna?

Hipoteza alternatywna, H1 lub HA, jest konkurencyjna względem hipotezy zerowej.

Dla porównania dwóch średnich może przyjąć postać:

H1: μ1 ≠ μ2.

Dla testu kierunkowego:

H1: μ1 > μ2

albo:

H1: μ1 < μ2.

W typowych analizach dwustronnych sprawdzamy, czy parametr różni się od wartości określonej w H0 w dowolnym kierunku.

Hipoteza badawcza a hipoteza statystyczna

Nie są to dokładnie te same pojęcia.

Hipoteza badawcza może brzmieć:

„Osoby bardziej aktywne fizycznie charakteryzują się wyższą jakością życia.”

Natomiast hipoteza statystyczna dla określonego modelu może dotyczyć np. współczynnika korelacji:

H0: ρ = 0

H1: ρ > 0.

Hipoteza badawcza jest więc sformułowana językiem problemu naukowego, a hipoteza statystyczna odnosi się do parametrów modelu.

Jak hipoteza wpływa na wybór testu?

Załóżmy hipotezę:

„Poziom wiedzy różni się pomiędzy kobietami i mężczyznami.”

Mamy:

• zmienną grupującą: płeć,
• zmienną zależną: wynik wiedzy,
• dwie niezależne grupy.

W zależności od charakteru danych można rozważyć np. test t dla prób niezależnych lub odpowiednią metodę rangową.

Hipoteza:

„Poziom wiedzy rośnie wraz ze stażem pracy.”

może wymagać analizy korelacji lub regresji.

Hipoteza:

„Poziom wiedzy różni się pomiędzy czterema grupami zawodowymi.”

prowadzi do metod takich jak ANOVA lub Kruskal-Wallis.

Dlatego test powinien wynikać z konstrukcji hipotezy i danych.

Co oznacza wartość p?

Wartość p jest często błędnie interpretowana.

Nie oznacza ona:

„prawdopodobieństwa, że hipoteza zerowa jest prawdziwa”.

W klasycznym ujęciu wartość p opisuje zgodność obserwowanych danych – lub wyników co najmniej tak ekstremalnych – z modelem zakładającym prawdziwość hipotezy zerowej.

Jeżeli p jest bardzo małe, obserwowane dane są mało zgodne z H0 w ramach przyjętego modelu.

Co oznacza p < 0,05?

Jeżeli wcześniej przyjęto:

α = 0,05

i otrzymano:

p < 0,05

wynik określamy jako statystycznie istotny na tym poziomie.

Możemy odrzucić hipotezę zerową w ramach zastosowanej procedury.

Nie oznacza to jednak, że:

• hipoteza badawcza została „udowodniona”,
• efekt jest duży,
• wynik ma znaczenie praktyczne,
• nie popełniliśmy błędu,
• związek jest przyczynowy.

Błąd I rodzaju

Błąd I rodzaju polega na odrzuceniu prawdziwej hipotezy zerowej.

Prawdopodobieństwo takiego błędu kontrolujemy poprzez poziom istotności α.

Jeżeli:

α = 0,05

akceptujemy określony poziom ryzyka błędnego odrzucenia H0 w długiej serii badań prowadzonych według tej procedury.

Błąd II rodzaju

Błąd II rodzaju polega na nieodrzuceniu hipotezy zerowej mimo rzeczywiście istniejącego efektu.

Prawdopodobieństwo tego błędu oznacza się jako β.

Związana z nim jest moc statystyczna:

1 − β.

Badanie z małą próbą może nie wykryć istniejącej zależności, mimo że efekt rzeczywiście występuje.

Dlatego brak istotności statystycznej nie jest automatycznie dowodem braku efektu.

Moc statystyczna

Moc to prawdopodobieństwo wykrycia efektu określonej wielkości, jeśli efekt rzeczywiście istnieje.

Na moc wpływają między innymi:

• liczebność próby,
• wielkość efektu,
• poziom α,
• zmienność danych,
• rodzaj testu.

Planowanie liczebności próby powinno więc być powiązane z hipotezami i planem analizy.

Czy każda praca magisterska musi mieć hipotezy?

Nie zawsze.

W badaniach eksploracyjnych lub opisowych mogą występować przede wszystkim pytania badawcze.

Jeżeli jednak celem jest formalne testowanie różnic, zależności lub modeli, hipotezy są często bardzo użyteczne.

Decyzja powinna wynikać z metodologii badania i wymagań uczelni lub promotora.

Jak sformułować dobrą hipotezę?

Zamiast:

„Wiek ma wpływ na jakość życia.”

lepiej napisać:

„Wiek jest związany z poziomem jakości życia badanych.”

Jeżeli projekt obserwacyjny nie pozwala wnioskować przyczynowo, słowo „wpływ” może być zbyt mocne.

Jeszcze bardziej precyzyjna hipoteza:

„Wraz ze wzrostem wieku obniża się wynik skali jakości życia.”

Można wtedy jednoznacznie wskazać zmienne i kierunek zależności.

Hipoteza dotycząca różnicy

Słabo:

„Płeć wpływa na stres.”

Lepiej:

„Poziom stresu różni się pomiędzy kobietami i mężczyznami.”

Jeżeli mamy uzasadnienie teoretyczne:

„Kobiety uzyskują wyższy poziom stresu niż mężczyźni.”

To ostatnie jest hipotezą kierunkową.

Hipoteza dla regresji

Załóżmy, że analizujemy jakość życia.

Możemy postawić hipotezę:

„Wiek, poziom stresu i aktywność fizyczna są niezależnie związane z wynikiem jakości życia.”

W takim przypadku analiza regresji może pozwolić ocenić związek każdego predyktora z wynikiem przy jednoczesnym uwzględnieniu pozostałych zmiennych.

Nie twórz hipotez po zobaczeniu wyników

Jednym z najpoważniejszych problemów metodologicznych jest formułowanie hipotezy dopiero po przeanalizowaniu danych.

Jeżeli najpierw wykonujemy kilkadziesiąt testów, a później na podstawie istotnego wyniku tworzymy hipotezę, zwiększamy ryzyko przypadkowych i niereplikowalnych wniosków.

Dlatego dobrze zaplanowane badanie obejmuje:

pytanie badawcze → hipotezy → plan analizy → zebranie danych → analiza → interpretacja.

Hipotezy a wiele testów statystycznych

Jeżeli wykonujemy bardzo dużą liczbę testów, rośnie ryzyko wyników fałszywie dodatnich.

Przykładowo, wykonanie 100 niezależnych testów przy α = 0,05 może prowadzić do pojawienia się części wyników istotnych wyłącznie wskutek losowości.

Dlatego plan analizy powinien rozróżniać:

• hipotezy główne,
• hipotezy dodatkowe,
• analizy eksploracyjne.

W odpowiednich sytuacjach stosuje się również korekty wielokrotnych porównań.

Hipoteza a wielkość efektu

Nie należy ograniczać wniosku do:

„hipoteza została potwierdzona, ponieważ p < 0,05”.

Znacznie ważniejsze pytania to:

• jak duży jest efekt?
• jaki jest przedział ufności?
• czy wynik jest istotny praktycznie?
• czy jest zgodny z wcześniejszymi badaniami?
• czy projekt pozwala na taki zakres wnioskowania?

Statystyka powinna pomagać ocenić znaczenie wyniku, a nie tylko przypisać etykietę „istotny” lub „nieistotny”.

Przykład pełnego procesu

Hipoteza:

„Wyższy poziom stresu wiąże się z niższą satysfakcją z życia.”

Zmienne:

• stres – wynik ilościowy,
• satysfakcja z życia – wynik ilościowy.

Analiza:

korelacja lub model regresji, zależnie od celu badania.

Załóżmy wynik:

r = −0,46; 95% CI: −0,58 do −0,31; p < 0,001.

Wniosek:

„Wykazano umiarkowaną ujemną zależność pomiędzy poziomem stresu a satysfakcją z życia. Wyższemu poziomowi stresu towarzyszyły niższe wyniki satysfakcji z życia.”

To znacznie bardziej informacyjny opis niż:

„Hipoteza została potwierdzona.”

Najczęstsze błędy w hipotezach

Do najczęstszych należą:

• używanie słowa „wpływ” w badaniach obserwacyjnych bez podstaw do wnioskowania przyczynowego,
• hipotezy zbyt ogólne,
• brak określenia zmiennych,
• kilka różnych zależności w jednym zdaniu,
• dopasowywanie hipotez do uzyskanych wyników,
• utożsamianie p < 0,05 z dowodem prawdziwości hipotezy,
• ignorowanie wielkości efektu i przedziałów ufności.

FAQ

Czym różni się hipoteza badawcza od statystycznej?
Hipoteza badawcza opisuje przewidywane zjawisko w języku merytorycznym, natomiast statystyczna odnosi się do parametrów analizowanego modelu.

Co to jest H0?
Hipoteza zerowa, zazwyczaj zakładająca brak różnicy lub zależności.

Co oznacza H1?
Hipotezę alternatywną, konkurencyjną wobec H0.

Czy p < 0,05 oznacza, że H1 jest prawdziwa?
Nie w sensie prawdopodobieństwa. Wynik stanowi podstawę do odrzucenia H0 w ramach zastosowanego testu przy przyjętym poziomie istotności.

Czy hipoteza musi wskazywać kierunek?
Nie zawsze. Może być kierunkowa lub niekierunkowa.

Czy analizę statystyczną należy zaplanować przed badaniem?
Tak. To najlepsza praktyka, szczególnie w badaniach naukowych.

Potrzebujesz pomocy w przygotowaniu hipotez i planu analizy?

Pomagamy w przygotowaniu projektu badawczego, hipotez, doborze zmiennych i metod statystycznych oraz późniejszej analizie danych w SPSS.

statystyka@statystyka.org.pl
tel. 692 809 254

Analizy wykonujemy do prac magisterskich, doktorskich, publikacji naukowych, badań ankietowych i projektów badawczych.

Frazy kluczowe: hipotezy badawcze, hipoteza zerowa, hipoteza alternatywna, hipotezy statystyczne, pytania badawcze, analiza statystyczna, testy statystyczne, wartość p, statystyka do pracy mgr, metodologia badań, SPSS