دانلود ترجمه مقاله طرح کوهورت و کنترل موردی برای تعیین اندازه نمونه

• بخشی از ترجمه:

چکیده
در مقدمه، با مفاهیم اصلی و تفسیر تست فرضیه، شامل مقدار P، و فاصله اطمینان آشنا می شویم. این مفاهیم در حالی که جذاب می باشند، به صورت حیرت آوری دقیق بوده و می توانند بطور دردسر سازی مبهم نیز باشند. حتی زبانی که ما اخیرا برای شرح تفسیر مقدار P مورد استفاده قرار داده ایم، نسبتا در هم و برهم و غیردقیق می باشد. درحالی که نمی توانیم قضاوتی را در حول و حوش تحقیقات مرتبط به موضوعات انجام دهیم، چندین نکته ارزش بیان کردن دارد، که در اولین فرضیه ذکر شده در این کتاب با آن ها مواجه می شویم. استفاده از تست فرضیه کلاسیک، و ارتباط مقدار P به طور آشکار و مشخص مورد نقد قرار گرفته است. مقدار p برای آزمون ناوابستگی χ٢ این احتمال را نشان نمی دهد که ریسک نسبی جمعیت برابر یا بیشتر از ناوابستگی (RR=١) به عنوان ریسک نسبی نمونه می باشد. مقدار p مطمئنا بر مبنای احتمال H٠ ( فرضیه صفر) نبوده، و با در نظر قرار دادن داده- این موارد تقریبا بر مبنای خطای هم ارزسازی P(A|B) با P(B|A) می باشد- و به این ترتیب، مقدارp بستگی به احتمالات محاسبه مشاهدات مورد نظر، با توجه به H٠ (فرضیه صفر) می باشد. علاوه بر این مقدار p با توجه به تست فرضیه، هیچ توان مورد بررسی را با توجه به تست فرضیه نمی پذیرد، یعنی احتمال پذیرش فرضیه صفر، زمانی که در واقع صحیح نمی باشد. بنابراین انحراف کم از این ناوابستگی در بررسی های بزرگ می تواند دارای مقدار p مشابهی نسبت به بررسی های کوچک حاوی انحرافات بزرگ باشد. در مواردی که تردید وجود دارد، مقادیر p را کمی بیشتر از مقدار جایگزین شده اندازه نمونه نادیده گرفته چون تمام فرضیه های صفر مقدار p کوچکی را ایجاد می کنند تا آنجا که داده ها به اندازه کافی گرداوری شوند. به انی ترتیب، چگونه می توانیم به شرح مقدارp که در اینجا نشان داده شده، بپردازیم؟ ما از مقادیر p به عنوان مقادیر غیررسمی سازگاری داده با فرضیه صفر مورد بحث استفاده می کنیم. این موارد باعث نادیده گرفتن نقدهای مطرح شده یا نقدهای مربوط به موضوعات دیگر نشده، بلکه این امکان ایجاد می گردد که این مقادیر را نمی توان به صورت رسمی مد نظر قرار داد و مطمئنا نمی بایست منوط به مقادیر اختیاری همانند ٠.٠۵ باشند.

• بخشی از مقاله انگلیسی:

Abstract

In the introduction, we assume familiarity with the basic ideas and interpretation of hypothesis tests, including the p-value, and confidence intervals. These concepts, while appealing, are surprisingly subtle and can be disturbingly misleading. Even the language we have just used to describe the interpretation of a p-value is somewhat sloppy and imprecise. While we cannot do justice to the literature surrounding these topics, there are a few comments worth noting, having encountered the first hypothesis test in the book. The use of classical hypothesis testing, and associated p-values, has been roundly and deservingly criticized (Goodman and Royall, 1988). The p-value for a χ ۲ test of independence does not represent the probability that the population Relative Risk is as far as or further from independence (RR=1) as the observed sample Relative Risk. The p-value is certainly not the probability of H0, given the data—this is almost the error of equating P(A|B) with P(B|A).as the p-value depends rather on computing probabilities of possible observations, given H0. Further, the p-value takes no account of the power of the study with regard to the hypothesis test, that is, the probability of accepting the null when it is actually false. Thus a small deviation from independence in a large study can have an identical p-value to a small study containing large deviations. In cynical moments, I find myself discarding a p-value as little more than an alternate measure of sample size since all null hypotheses will produce small pvalues so long as enough data are collected. How should we then interpret the p-values we report here? We use them as informal measures of the compatibility of the data with the null hypothesis in question. This does not evade the criticisms outlined, or others for that matter (Goodman and Royall, 1988), but it does reinforce that they cannot be treated in a formal manner and certainly should not be subject to an arbitrary cutoff value such as 0.05.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله