Mirosław Szreder https://orcid.org/0000-0002-7597-0816
ARTYKUŁ

(Polski) PDF

STRESZCZENIE

Rozwój nowych technologii wpływa zarówno na realizację badań statystycznych, jak i na postrzeganie ich wyników w świetle innych źródeł informacji. W tym kontekście powraca w środowisku naukowym temat roli testowania hipotez statystycznych oraz interpretowania i przedstawiania jego wyników, w tym stosowania kategorii istotności statystycznej oraz wskaźnika p-value. Inspiracją do powstania tego opracowania stała się fala dyskusji wokół tego zagadnienia toczących się na forum czasopism „Nature” i „The American Statistician” na początku 2019 r.
Celem artykułu jest ukazanie szans i zagrożeń, jakie big data stwarza dla weryfikacji hipotez i wnioskowania statystycznego, zarówno w ujęciu klasycznym, jak i w podejściu bayesowskim. Autor uzasadnia konieczność zaniechania zbyt daleko posuniętych uproszczeń w realizacji procesu wnioskowania statystycznego oraz prezentowaniu wyników weryfikacji hipotez. Chodzi zarówno o postulat uwzględnienia jakości danych próbkowych, zwłaszcza typu big data, jak i o podawanie pełnej informacji o modelu statystycznym, na podstawie którego przeprowadza się wnioskowanie.

SŁOWA KLUCZOWE

wnioskowanie statystyczne, testowanie hipotez, istotność statystyczna, wskaźnik p-value, big data, podejście bayesowskie

JEL

C12, C13, C18, D80

BIBLIOGRAFIA

Amrhein, V., Greenland, S., McShane, B. (2019). Retire statistical significance. Nature, (567), 305–307.

Amrhein, V., Trafimow, D., Greenland, S. (2019). Inferential statistics as descriptive statistics: There is no replication crisis if we don’t expect replication. The American Statistician, (73: sup 1), 262–270. DOI: 10.1080/00031305.2018.1543137.

Benjamin, D. J., Berger, J. O., Johannesson, M., Nosek, B. A., Wagenmakers, E. J., Berk, R., Bollen, K. A., Brembs, B., Brown, L., Camerer, C., Cesarini, D. (2018). Redefine Statistical Significance. Nature Human Behaviour, (1), 6–10.

Beręsewicz, M., Szymkowiak, M. (2015). Big data w statystyce publicznej – nadzieje, osiągnięcia, wyzwania i zagrożenia. Ekonometria, (2), 9–22.

de Finetti, B. (1964). Foresight: Its Logical Laws, its Subjective Sources. W: H. E. Kyburg, Jr., H. E. Smokler (red.), Studies in Subjective Probability (s. 93–158). New York: Wiley.

Fisher, R. A. (1925). Statistical Methods for Research Workers. Edinburgh: Oliver & Boyd.

Gelman, A., Stern, H. (2006). The difference between ”significant” and ”not significant” is not itself statistically significant. The American Statistician, (4), 328–331.

Gołata, E. (2018). Koniec ery tradycyjnych spisów ludności. Poznań: Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu.

Goodman, S. N. (1999). Toward evidence-based medical statistics. 1: The P value fallacy. Annals of Internal Medicine, (12), 1005–1013.

Goodman, S. N. (2019). Why is Getting Rid of P-Values So Hard? Musings on Science and Statistics. The American Statistician, (73: sup 1), 352–357.

Hurlbert, S. H., Levine, R. A., Utts, J. (2019). Coup de Grâce for a Tough Old Bull: ”Statistically Significant” Expires. The American Statistician, (73: sup 1), 26–30.

Kmenta, J. (1990). Elements of econometrics. New York: Macmillan Publishing Company.

Mayer-Schönberger, V., Cukier, K. (2014). Big data. Rewolucja, która zmieni nasze myślenie, pracę i życie. Warszawa: MT Biznes.

Ramsey, F. P. (1964). Truth and Probability. W: H. E. Kyburg, Jr., H. E. Smokler (red.), Studies in Subjective Probability (s. 63–92). New York: Wiley.

Ruberg, S. J., Harrell, F. E. Jr., Gamalo-Siebers, M., LaVange, L., Lee, J. J., Price, K., Peck, C. (2019). Inference and Decision Making for 21st-Century Drug Development and Approval. The American Statistician, (73), 319–327.

Savage, L. J. (1954). The Foundations of Statistics. New York: Wiley.

Stefanowicz, B., Cierpiał-Wolan, M. (2015). Błędy przetwarzania danych. Wiadomości Statystyczne, (9), 23–29.

Szreder, M. (2004). Od klasycznej do częstościowej i personalistycznej interpretacji prawdopodobieństwa. Wiadomości Statystyczne, (8), 1–10.

Szreder, M. (2010). O weryfikacji i falsyfikacji hipotez. Przegląd Statystyczny, (2–3), 82–88.

Szreder, M. (2013). Twierdzenie Bayesa po 250 latach. Wiadomości Statystyczne, (12), 23–26.

Szreder, M. (2015). Zmiany w strukturze całkowitego błędu badania próbkowego. Wiadomości Statystyczne, (1), 4–12.

Wasserstein, R. L., Lazar, N. A. (2016). The ASA’s Statement on p-Values: Context, Process and Purpose. The American Statistician, (70:2), 129–133.

Wasserstein, R. L., Schirm, A. L., Lazar, N. A. (2019). Moving to a World Beyond ”p < 0.05”. The American Statistician, (73: sup 1), 1–19.

Do góry
Copyright © 2019 Główny Urząd Statystyczny