W skrócie: Istotność statystyczna mówi, czy zaobserwowany wynik (różnica lub związek) jest na tyle wyraźny, że trudno wytłumaczyć go samym przypadkiem. Ocenia się ją, porównując wartość p (p-value) z przyjętym poziomem istotności, najczęściej 0,05. Jeśli p jest mniejsze od 0,05, wynik uznaje się za istotny statystycznie i odrzuca hipotezę zerową. Istotność statystyczna nie mówi jednak, jak duży i ważny praktycznie jest efekt.
Czym jest istotność statystyczna
Istotność statystyczna to informacja, czy wynik badania jest prawdopodobnie prawdziwą prawidłowością, czy mógł powstać przypadkowo w wylosowanej próbie. Sprawdzamy ją, weryfikując hipotezę badawczą odpowiednim testem statystycznym. Test zakłada tzw. hipotezę zerową (brak różnicy lub związku) i ocenia, jak bardzo dane od niej odbiegają. Im mniej prawdopodobne, że taki wynik pojawiłby się przy prawdziwej hipotezie zerowej, tym mocniejsza przesłanka, by ją odrzucić.
Poziom istotności (alfa) i wartość p
Poziom istotności (alfa) to próg ustalany przed badaniem — najczęściej 0,05 (5%), rzadziej 0,01 lub 0,001. Określa, jakie ryzyko błędnego odrzucenia prawdziwej hipotezy zerowej akceptujemy. Wartość p (p-value) to wynik testu: prawdopodobieństwo uzyskania takich lub bardziej skrajnych danych, gdyby hipoteza zerowa była prawdziwa. Decyzja jest prosta: gdy p jest mniejsze lub równe alfa, wynik jest istotny statystycznie.
Jak interpretować p-value
- p < 0,05 — wynik istotny statystycznie; odrzucamy hipotezę zerową.
- p ≥ 0,05 — brak podstaw do odrzucenia hipotezy zerowej (wynik nieistotny).
- p < 0,01 i p < 0,001 — coraz mocniejsze przesłanki; w pracach oznacza się je często gwiazdkami (*, **, ***).
Uwaga: p-value nie jest prawdopodobieństwem, że hipoteza jest prawdziwa, ani miarą siły efektu. Mówi tylko o zgodności danych z hipotezą zerową. Dobór właściwego testu opisuje przewodnik jaki test statystyczny wybrać.
Istotność statystyczna a istotność praktyczna
Przy dużej próbie nawet nieznaczna, mało ważna różnica może wyjść istotna statystycznie. Dlatego obok p-value warto podać wielkość efektu, która mówi, jak duży jest efekt w praktyce. Dopiero razem — istotność statystyczna i wielkość efektu — pozwalają rzetelnie ocenić wynik. Sam niski poziom p nie oznacza, że odkrycie ma znaczenie praktyczne.
Błędy I i II rodzaju
Błąd I rodzaju to odrzucenie prawdziwej hipotezy zerowej (fałszywy alarm) — jego ryzyko wyznacza poziom alfa. Błąd II rodzaju to nieodrzucenie fałszywej hipotezy zerowej (przeoczenie efektu). Zmniejszenie jednego zwykle zwiększa drugie, a kluczowa dla ich kontroli jest odpowiednia liczebność próby. Zbyt mała próba grozi tym, że realny efekt pozostanie niewykryty.
Jak podać istotność w pracy
W części wynikowej podaj nazwę testu, jego statystykę oraz wartość p, np. „różnica była istotna statystycznie (t = 2,45; p = 0,017)”. Zapisuj p z dokładnością do trzech miejsc, a bardzo małe wartości jako „p < 0,001”. Pamiętaj, by wcześniej sprawdzić założenia testu — jak liczyć podstawowe statystyki, pokazujemy w tekście o statystyce opisowej w pracy, a przykłady interpretacji znajdziesz m.in. przy teście t-Studenta i teście chi-kwadrat.
Najczęstsze błędy
- Mylenie istotności statystycznej z wielkością lub znaczeniem efektu.
- Interpretowanie p jako prawdopodobieństwa prawdziwości hipotezy.
- Pomijanie wielkości efektu i liczebności próby.
- Ustalanie poziomu istotności dopiero po zobaczeniu wyników.
Najczęściej zadawane pytania
Co oznacza p < 0,05? Że prawdopodobieństwo uzyskania takich danych przy prawdziwej hipotezie zerowej jest mniejsze niż 5%. Wynik uznajemy wtedy za istotny statystycznie.
Czy wynik nieistotny to zły wynik? Nie. Brak istotności również jest informacją — oznacza, że dane nie dają podstaw do odrzucenia hipotezy zerowej. To wartościowy wniosek.
Nie chcesz liczyć tego samodzielnie? Skorzystaj z usługi analizy statystycznej do pracy — policzymy testy i opiszemy wyniki gotowe do wklejenia.