통계 테스트는 표본 크기에 대해 가정하지 않습니다. 물론 다양한 테스트 (예 : 정규성)로 다른 가정이 있지만 표본 크기의 동등성은 그 중 하나가 아닙니다. 사용 된 테스트가 다른 방식으로 부적절하지 않은 한 (지금은 문제를 생각할 수 없음), 제 1 종 오류율은 그룹 크기가 크게 다른 영향을받지 않습니다. 더욱이 그들의 문구는 그들이 그것을 믿는다는 것을 (내 마음에) 암시합니다. 따라서 이러한 문제에 대해 혼란스러워합니다.

반면에, 타입 II 오류 비율은 매우 것입니다 매우 불평등에 의해 영향을받을 의. 테스트 (예 : t -test, Mann-Whitney U -test 또는 z)에 관계없이 적용됩니다.n

$n$

$n$t

$t$

$t$U

$U$

$U$z

$z$

$z$ 테스트가 비율의 영향을 받음)에 관계없이 적용됩니다. 이에 대한 예는 여기 내 답변을 참조하십시오. 다른 표본 크기의 평균 비교를 어떻게 해석해야합니까? 따라서, 그들은 이 문제 와 관련하여 “타월을 던질 때 정당화 될 수있다” . (특히, 효과의 실제 여부에 관계없이 중요하지 않은 결과를 얻을 것으로 예상되는 경우 테스트의 요점은 무엇입니까?)

표본 크기가 다양 해지면 통계 검정력 은 수렴됩니다 . 이 사실은 다른 제안으로 이어지는데, 나는 소수의 사람들이 들어 본 적이없고 아마도 과거 리뷰어를 얻는 데 어려움을 겪을 것으로 생각 합니다 . 전력 분석에서 α , β , n 1 , n 2 및 효과 크기 d (일반적으로 n 1 = n 2 라고 가정) 는 비교적 간단 합니다. 반면에 n 1 , n 2 및α

$\alpha$

$\alpha$α

$\alpha$

$\alpha$β

$\beta$

$\beta$n1

$n_1$

$n_1$n2

$n_2$

$n_2$d

$d$

$d$ 는 서로 관련되어 있습니다. 하나만 지정하면 마지막에 해결할 수 있습니다. 일반적으로 사람들은 소위 할 선천적 전력 분석 당신이 해결하는, N

$N$

$N$n1=n2

$n_1=n_2$

$n_1=n_2$n1

$n_1$

$n_1$n2

$n_2$

$n_2$에 유형 I 대 유형 II 오류율의비율을 지정하면 d 를 수정하고 α (또는 동등하게 β )를해결할수 있습니다. 일반적으로 α = .05 및 β = .20 이므로 유형 I 오류는 유형 I 오류보다 4 배 더 나쁘다는 것을 말합니다. 물론, 주어진 연구원이 이에 동의하지 않을 수도 있지만, 주어진 비율을 지정하면 어떤 α 에 대해 풀 수 있습니다.d

$d$

$d$α

$\alpha$

$\alpha$β

$\beta$

$\beta$α=.05

$\alpha =.05$

$\alpha=.05$β=.20

$\beta =.20$

$\beta=.20$α

$\alpha$

$\alpha$ 은 적절한 전력을 유지하기 위해 사용해야합니다. 이 접근법은이 상황에서 연구원들에게 논리적으로 유효한 옵션이지만,이 접근법의 이국성이 큰 연구 커뮤니티에서 그런 일에 대해 들어 본 적이없는 큰 판매 커뮤니티에서 힘든 판매가 될 수 있음을 인정합니다.

---

답변