Statistiskā jauda un izlases lielums
Statistiskā jauda ir varbūtība atklāt patiesu efektu, ja tāds pastāv (1 − β). Jaudas analīze nosaka nepieciešamo izlases lielumu, lai atklātu hipotētisku efekta lielumu ar noteiktiem I tipa kļūdas (α) un II tipa kļūdas (β) līmeņiem. Džeikoba Koena (Jacob Cohen, 1988) ieviestā jaudas analīze ir pētījumu plānošanas pamats: pētījumi ar nepietiekamu jaudu rada pārvērtētus efekta lieluma novērtējumus un ir maz ticami, ka tie replicēsies. Standarta etalons ir 80% jauda (β = 0.20), lai gan kritiskiem pētījumiem var būt nepieciešama 90% jauda.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates. ISBN: 0-8058-0283-5
- Faul, F., Erdfelder, E., Lang, A.-G., & Buchner, A. (2007). G*Power 3: A Flexible Statistical Power Analysis Program for the Social, Behavioral, and Biomedical Sciences. Behavior Research Methods, 39(2), 175–191. DOI: 10.3758/BF03193146 ↗
- Button, K. S., Ioannidis, J. P. A., Mokrysz, C., Nosek, B. A., Flint, J., Robinson, E. S. J., & Munafò, M. R. (2013). Power failure: why small sample size undermines the reliability of neuroscience. Nature Reviews Neuroscience, 14(5), 365–376. DOI: 10.1038/nrn3475 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Statistical Power Analysis and Sample Size Determination for Research Studies. ScholarGate. https://scholargate.app/lv/research-statistics/statistical-power
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Efekta lielumsPētniecības statistika↔ compare
- Nulles hipotēzes testēšanaPētniecības statistika↔ compare
- P vērtība un statistiskā nozīmībaPētniecības statistika↔ compare
- I un II tipa kļūdasPētniecības statistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →