Pszichológiai

kutatás
módszertana

Nagybányai Nagy Olivér

2024. tavasz
 Első- és másodfajú hiba
• Az elsőfajú hibát, szignifikancia-szinet a
mintavétel előtt határozzák meg
(közmegegyezés).
– Rendszerint:  = 0,05 vagy 0,01
– Fischer-féle kritérium

• Ha növeljük az elsőfajú hibát, akkor csökken a

másodfajú hiba és nő a statisztikai erő:
Power = (1- )
– Rendszerint:  = 0,2 (sőt esetenként 0,1),
tehát a Power = 0,8 – 0,9
– Cohen-féle javaslat
 Első- és másodfajú hiba
• Mekkora az esélyem arra, hogy elmegyek valami
fontos dolog mellett, pedig ott van? (Béta)
– Annak a valószínűsége, hogy ki tudom mutatni:
1-Béta = Power („Találat”)
–  = 0.05 vagy  = 0.01
• Mekkora az esélyem arra, hogy valamit bele
látok a világba, pedig az nincs (Alfa)
– Annak a valószínűsége, hogy ha nem látszik semmi,
akkor ott tényleg nincs is mit felfedezni:
1-Alfa = („Helyes elutasítás”)
–  = 0.20 vagy  = 0.10; (Power = 0.9 - 0.8)
Populáció HØ

(α) Sign.

Döntés:
HØ
elutasítás / megtartás

(1-β) Power

MINTA
Stat. elemzés:
Eredmény
HØ = „a véletlen műve, hogy…”
PUBLIKÁCIÓK

A kétféle hiba
csökkentése:
HØ megtartás HØ elutasítás
1. vagy a másik Jogos 1. fajú
kárára történhet, hiba
megtartás
(ha engedékenyebb (α)

HØ igaz
vagyok, vagy még
inkább szigorúbb) !!!
A kutatási hipotézis
2. vagy pedig a iránti engedékenység
minta
2. fajú Jogos
nagyságának
HØ hamis

hiba elutasítás
növelésével (1- β)
(β)
(kisebb a
valószínűsége, hogy ! A vizsgálat ereje
a mintavétel miatti A kutatási hipotézis (Power)
véletlenről lehet szó) iránti szigorúság (min. 80-90%)
 Publikációs torzítás

20-féle tudományágból 2434 publikáció elemzése

(Fanelli, 2010):
A pozitív eredmények szakirodalmi arányai:
• űrtudományban: 70,2% (itt közlik a legtöbb negatív
eredményt)
• idegtudományokban: 85%
• pszichológiában-pszichiátriában: 95,1%.
– 1. helyet foglaljuk el a pozitív eredmények szakirodalmi
arányát tekintve
– korrekciók után is kb. 5-szörös az előfordulási esély
(OR=4.9).
Fanelli, D. (2010). “Positive” results increase down the hierarchy of the sciences. PloS one, 5(4).
HØ = „a véletlen műve, hogy…”
PUBLIKÁCIÓK

1. fajú hiba (α):

„Elutasítás miatti HØ megtartás HØ elutasítás
tévedés”
1. fajú
Példa: Úgy döntünk, hiba
hogy egy kezelés (α)

HØ igaz
hatásos, pedig nem
is az (Ez a téves !!!
szignifikancia). HE TR
2. fajú hiba (β): 2. fajú
„Megtartás miatti hiba KH TA
HØ hamis

tévedés” (β)
Példa: Úgy döntünk,
hogy egy kezelés
nem hatásos, pedig
!
az (Ez a téves
megtartás).
Képzeletbeli adatok 5000 hipotézisvizsgálatról..

Dienes Z. (2008) nyomán

Képzeletbeli adatok 5000 hipotézisvizsgálatról..
– Az összes tesztelt nullhipotézisek 80%-a igaz?
– Elsőfajú hiba 5%-ban fordul elő?
– Másodfajú hiba 50%-os?
– A szignifikáns eredményeken belül kb. 29% téves?
PUBLIKÁCIÓK

HE TR
KH TA


Dienes Z. (2008) nyomán.
 Publikációs torzítás

Ezek következménye:
• a hamis pozitív eredmények (vagyis a null-
hipotézisek helytelen visszautasításának)
jelentős elszaporodása
• az adott szakterület látens hamis pozitív
eredményeire újabb hamis pozitív eredmények
épülhetnek
• a publikációs produktivitás ellenére nincs
valóságos előrehaladás a kutatási területen
 G*power:
kísérlettervezés &
elemszám kalkuláció
 Statisztikai próba ereje
Kérdés:
Hatásos kezelés esetén mi az esélye, hogy a
megfelelő próba szignifikáns lesz?
Fontos, hogy itt van egy ismert, kimutatható hatás
(ami vagy megjelenik vagy nem látszik).

• E valószínűség neve: Próba ereje (Power)

–Erő = a II. típusú hiba ellentéte
• pl. 20%-os II. típ. hiba esetén az erő 80%-os
–Mivel növelhető?
• Elemszám növelésével
• Alkalmas próba kiválasztásával
(Vargha, 2009)
 Statisztikai próba ereje
Kérdés:
Miből tudhatjuk meg, hogy egy statisztikai
próba erősebb, mint egy másik?
Ha egy ‚A’ próba erősebb, mint egy ‚B’ próba, akkor
(közös nullhipotézisük hamis volta esetén) az ‚A’
gyakrabban lesz szignifikáns, mint ‚B’.
•Ilyenkor az ‚A’ próbával hatékonyabban lehet
kimutatni egy változást (eltérést, különbséget,
kapcsolatot stb.) - mint a ‚B’ próbával.
•Ilyenkor egy hatás kimutatásához az ‚A’ próba
esetén kisebb minta is elegendő, mint ‚B’ esetén.

Vargha, 2009
Populáció HØ

(α) Sign.

Döntés:
HØ
elutasítás / megtartás

(1-β) Power

MINTA
Stat. elemzés:
Eredmény
 Hatásméret (hatásmérték)

• A statisztikai szignifikancia nem tükröz feltétlenül

lényeges és fontos hatást.
• Szignifikancia = Hatásméret × elemszám
(tehát mindkettőtől függ)
• A hatásméret a megfigyelt hatás mértékének
sztenderdizált és objektív mutatója.
– Mivel sztenderdizált → összehasonlítható

(Field, 2005, 32-33. old.)

 Hatásméret (hatásmérték)

Példák a különböző hatásméret (hatásmérték) mutatókra:

• Cohen-féle d
– Csoportok összehasonlítása: átlagok közötti sztenderdizált
különbséget jelenti (Standardized Mean Difference)
– Alapvetően folytonos változók esetén
• Esélyhányadosok
– Csoportok összehasonlítása
– Alapvetően dichotóm változók esetében
• Korrelációs együttható
– Változók közötti kapcsolat vizsgálata (r=0-1)
 Hatásméret (hatásmérték)

• Átlagok eltérésére (Cohen d)

• Változók közötti kapcsolat vizsgálata (r=0-1)

~0,1 = kis hatásméret (d=0,2)
~0,2-0,3 = közepes hatásméret (d=0,4-0,6)
~0,4-0,5 = nagy hatásméret (d=0,8-1,1)
 Hatásméret (hatásmérték)
r-hatásmérték:
előnye a Cohen d-vel szemben, hogy 0-1 között lehet az
értéke, könnyebben érthető a hatás nagysága.

0,1 – kicsi
0,3 – közepes
A Cohen d és az r hatásméret mutatók
0,5 – nagy összefüggése

1,0
0,9
0,8
0,7
0,6
0,5
r

0,4
0,3
0,2
0,1
0,0
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
2,2
2,4
2,6
2,8
3,0
3,2
3,4
3,6
3,8
4,0
4,2
4,4
4,6
4,8
5,0
5,2
5,4
5,6
5,8
6,0
6,2
6,4
6,6
6,8
7,0
7,2
7,4
7,6
7,8
8,0
Cohen d
Hatásméret (hatásmérték)
 Kísérlet tervezés
• Egy tanulmányban azt olvassuk, hogy…

– 40 fős vizsgálati mintán, 2 csoport összevetésekor

– a kapott eredmény erősen szignifikáns (p = 0,02)
– a hatásmérték: Cohen d = 0,8 (nagy hatás)
– a vizsgálat, próba ereje (power) = 0,65

• Vagyis az adott hatást a vizsgálatok harmadában(!)

nem tudjuk kimutatni.

• Mekkora minta kell az elemzéshez, ha meg akarjuk

ismételni a vizsgálatot – és „biztosan” (pl. min 90%-
os eséllyel) szignifikáns eredményt szeretnénk kapni?
• Ha nem ismerjük a hatáserősséget,
nagyon eltérő mintákkal kell kalkulálnunk!