Cautarea confirmarii ipotezelor

Cautarea confirmarii ipotezelor

Statistica descriptiva se ocupa de organizarea, tabelarea si rezumarea datelor colectate despre caracteristicile unei populatii statistice. Procedurile descriptive sunt destinate sa prezinte datele intr-o forma care sa fie cat mai sugestiva pentru cei interesati de cunoasterea empirica a realitatii. Desi, pentru un observator atent, prezentarile grafice si indicatorii statistici descriptivi pot sugera legaturi intre variabile, totusi ele nu pot confirma si nici verifica astfel de legaturi. Ele nu ne permit sa generalizam nici un fel de constatari dincolo de esantioanele pe care le-am studiat. Pentru astfel de generalizari, avem nevoie sa dezvoltam ipoteze si sa le testam in concordanta cu principii stiintifice.

1. Testarea ipotezelor

Formularea ipotezelor in cercetarea si practica de asistenta sociala este extrem de importanta. Fie ca sunt validate sau nu, ipotezele ne permit sa abordam in mod stiintific practica de asistenta sociala.

Ipotezele sunt formulate deobicei dupa trecerea in revista a literaturii de specialitate sau prin procesul sintetizarii cunostintelor cantitative si calitative pentru o tema particulara: din experienta profesionala castigata in practica; din cursuri scrise de profesionisti si din multe alte surse specifice domeniului, incluzand legislatia, documente nepublicate si persoanele "cunoscatoare". Dupa o examinare a literaturii, putem expune doar raspunsuri partiale sau putem finisa raspunsuri la intrebari generale. La inceput se doreste exprimarea impresiilor sau a concluziilor noastre sub forma ipotezelor. Dupa aceea ipotezele vor trebui testate.

Multe definitii au fost date ipotezelor, dar toate au la baza acelasi concept - o ipoteza este o tentativa de raspuns la o intrebare de cercetat, derivata din trecerea in revista a literaturii de specialitate sau inspirata din practica curenta. Este in acelasi timp o exprimare a unei relatii dintre doua sau mai multe variabile. O ipoteza, fie ca este sau nu sustinuta de analiza datelor, ea trebuie sa fie o extensie logica a cunostintelor existente anterior. Oricare alta metoda folosita pentru formularea ipotezelor nu este altceva decat "smulgerea" unei legaturi si genereaza posibilitatea de pune la indoiala credibilitatea studiului de cercetare.

Dupa colectarea, organizarea si rezumarea informatiilor, utilizand statistici asemanatoare celor prezentate in prima parte a cursului, putem incepe sa intelegem daca ipotezele noastre sunt sau nu sustinute de datele colectate. Sa presupunem, de exemplu, ca am lansat ipoteza: clientii alcoolici care primesc tratamentul in grup se pot abtine de la bautura mult mai bine, dupa trei luni de tratament, decat clientii alcoolici care au primit tratamentul individual. Frecventele si procentajele par sa ne furnizeze suportul pentru aceasta ipoteza; mai ales ca numarul clientilor a fost mic si ne-a fost usor sa observam tendinta de succes pentru o metoda de tratament (aici tratamentul in grup) in opozitie cu altele (tratamentul individual). Probabil, 70% din clientii alcoolici care au primit tratamentul in grup se pot abtine acum de la bautura in comparatie cu 65% din cei care au primit tratamentul individual. Exista "in aparenta" o legatura intre variabila dependenta (bautor / nebautor) si variabila independenta (tratamentul de grup / tratamentul individual). Cu toate acestea, doar un naiv ar concluziona, doar pe baza celor prezentate anterior, ca tratamentul in grup este cea mai buna metoda de lucru cu alcoolicii. Pentru a testa ipotezele noastre in mod stiintific, trebuie sa examinam si alte explicatii posibile.

Explicatii alternative

Asa cum am afirmat, ipotezele noastre trebuie sa fie sprijinite de date colectate. Dar e inca prematur sa concluzionam ca exista o relatie adevarata intre cele doua variabile. O relatie poate fi verificata doar dupa epuizarea tuturor explicatiilor alternative care ar putea justifica legatura. In cazul nostru cele trei explicatii alternative majore sunt: (1) deformarea, (2) alte variabile si (3) sansa. Primele doua sunt in principal legate de metodologia cercetarii, iar cea de-a treia este direct legata de testarea statistica. O buna cunoastere a metodelor de cercetare folosite in asistenta sociala ne va ajuta sa minimalizam efectele primelor doua explicatii alternative - iar aceasta carte ne va ajuta cu eliminarea efectelor celei de a treia explicatie alternativa.

Deformarea

Prima explicatie alternativa este deformarea realitatii. Influentele conjuncturale sunt o sursa sistematica de distorsiune, care afecteaza calitatea datelor colectate. Ele pot conduce la rezultatele eronate si apoi la tragerea unor concluzii eronate. Deformari conjuncturale pot apare cand datele se colecteaza intr-un moment neprielnic sau cand studiul este influentat de evenimente exterioare, de vreo tendinta constienta sau inconstienta a persoanelor care colecteaza datele si care nu au o perceptie corecta asupra lor. Daca dintr-un motiv oarecare, sau combinatie de motive, datele au fost deformate, variabilele noastre dependente si independente pot aparea ca fiind legate, cand de fapt ele nu sunt. Posibilitatea ca deformarea sa poata explica o legatura aparenta intre doua variabile este minimizata de obicei prin folosirea cu mare grija a tehnicilor de masurare.

Alte variabile

A doua explicatie alternativa este influenta altor variabile. Factorii care influenteaza variabila independenta pot de asemenea explica diferentele din cadrul variabilei dependente (a bea / a nu bea, in exemplul nostru). In exemplul nostru, acestia ar putea fi intensitatile diferite ale suportului familiar pentru metoda de tratament si nivele de calificare diferite ale asistentilor sociali care practica cele doua metode. Un plan experimental bun, construit pe baze aleatoare, poate garanta un anumit nivel de control pentru celelalte variabile, dar planurile experimentale bune sunt rare in cercetarea in asistenta sociala. Alegerea unei tehnici metodologice corespunzatoare ne poate garanta ca alte variabile nu sunt explicatii reale ale unei aparente legaturi intre doua variabile. Caile prin care planurile de cercetare pot ajuta in controlul altor variabile sunt prezentate in general in textele privind metodologia cercetarii.

Sansa

Cea de-a treia explicatie alternativa este sansa, care poate fi referita si prin termeni ca probabilitate, eroare de esantionare, intamplare norocoasa - sau pur si simplu noroc. Sansa stipuleaza ca probabilitatea sa se intample un eveniment se poate situa oriunde intre valorile 0 (niciodata) si 1 (absolut sigur). Ea se bazeaza pe presupunerea ca in timp ce prin repetarea in timp indelungat a unor observatii se poate vedea ca exista o anumita regularitate (pattern), in particular, sau pe termen scurt, observatiile tind sa difere intr-un fel de pattern-ul pe termen lung. De exemplu, cand desemnam in mod aleator, un esantion dintr-o populatie, putem sa nu selectam un esantion care sa aibe o compozitie identica cu cea a populatiei din care provine. Teoria probabilitatii ne trimite direct la conceptul de eroare de esantionare, prezentat in textele metodologice.

Probabilitatea spune ca o moneda lansata in aer, are 0,5 sanse (sau 50%) sa cada cu o anumita fata in sus. Cu alte cuvinte, probabilitatile ca sa fie cap sau pajura sunt egale. In realitate daca aruncam o moneda de zece ori am putea gasi un rezultat diferit de 5 cu 5. Nu vom fi surprinsi daca obtinem 4 cu 6, sau 8 fete din zece aruncari. In acest caz vom invinovati sansa (eroarea normala de esantionare), si vom presupune ca daca vom repeta testul de suficient de multe ori, procentul de aparitie al fetei va fi aproximativ de 50%.

Cand analizam datele noastre, trebuie sa determinam daca nu cumva rezultatele noastre sunt aberatii plauzibile de la patternul normal al evenimentelor aparute din cauza erorilor de esantionare. Trebuie sa fim cat mai siguri ca o legatura aparenta dintre variabile nu este un simplu noroc ce poate aparea din cind in cind. Avem nevoaie sa determinam daca sansa poate fi explicatia reala pentru o legatura aparenta. O ipoteza poate fi sustinuta doar cand sansa, la fel ca si deformarea si ca influenta altor variabile, pot fi convingator eliminate ca explicatii alternative. Sansa este de obicei ultima explicatie pe care consumatorii sceptici de rapoarte de cercetare il propun ca si cauza reala a legaturii aparente dintre doua variabile. Spre deosebire de cazul deformarii sau al altor variabile, planurile solide de cercetare nu sunt suficiente pentru a elimina sansa ca explicatie alternativa pentru o aparenta legatura intre doua variabile. Doar testele statistice o pot face.

3. Respingerea explicatiei sansei prin testele statistice

Toate testele statistice incearca sa discrediteze sansa ca explicatie a unei aparente legaturi intre variabile. Cu toate acestea, ele o fac pe cai diferite. Din fericire sunt mai multe asemanari decat diferente, intre testele statistice. Acest capitol examineaza caile prin care toate testele statistice se apropie de acest obiectiv.

In incercarea de a castiga suport pentru ipoteze, nu putem elimina total sansa ca explicatie pentru o legatura aparenta. Inainte de sustine o legatura, trebuie sa ne asiguram intr-o masura rezonabila ca cea ce am observat nu este o intamplare norocoasa care poate fi usor explicata prin eroarea normala de esantionare derivata din intamplare. Nu dorim sa raportam o legatura care pare sa fie adevarata, daca ea nu este de fapt asa. In acelasi timp, nu trebuie sa fim niciodata atat de rigizi sau nerationali, incat sa nu cerem suport statistic pentru un rezultat al cercetarii care este foarte improbabil sa se datoreze sansei. Daca cercetatorii devin obsedati de eliminarea totala a sansei ca explicatie alternativa, putine, sau chiar niciunul din rezultatele gasite ar vedea lumina zilei.

Testele statistice determina probabilitatea ca relatiile aparente dintre variabile sa se datoreze intamplarii. Daca probabilitatea efectului intamplarii este mica, si daca deformarile si celelalte variabile au fost eliminate ca si explicatii posibile pentru o legatura aparenta, ramane o singura explicatie rationala: exista o legatura credibila. Daca efectul sansei este mare, noi nu mai putem pretinde suport pentru o ipoteza care prezice o legatura, chiar daca celelalte doua explicatii alternative au fost eliminate. Pe scurt trebuie eliminate toate cele trei explicatii alternative inainte ca o ipoteza sa poata fi considerata ca avand suport.

Tipuri de legaturi declarate in ipoteze

O ipoteza care declara o legatura intre variabile, dar care nu indica care valori ale unei variabile se vor grupa cu care valori ale altei variabile, este denumita ipoteza nedirectionala (sau two-tailed) O ipoteza care declara o legatura intre doua variabile si specifica modul (directia) in care se crede ca sunt legate, este denumita ipoteza directionala (sau one-tailed).

Exemplul folosit mai devreme in acest capitol este o ipoteza directionala. Ea precizeaza clar ca rata inalta a abstinentei la alcool va fi gasita printre clientii alcoolici care au primit tratamentul in grup fata de clientii alcoolici care au primit tratamentul individual. O ipoteza nedirectionala pentru exemplul nostru, ar stabili ca metoda de tratament folosita este legata de abstinenta; dar nu ar putea prezice care metoda de tratament poate fi asociata cu rata ridicata sau scazuta de abstinenta.

Exista, fireste, o a treia descriere posibila a legaturii intre doua variabile - predictia ca ele nu vor fi gasite legate (nu exista nici o relatie intre ele). Aceasta este numita ipoteza nula. Desi ipotezele cercetarii tind in mod frecvent sa fie directionale, cateodata sunt folosite si ipotezele nedirectionale, daca cunostintele asupra subiectului sunt limitate. Cautarea suportului pentru a prezice ca doua variabile nu sunt legate (caz in care ipoteza cercetarii este chiar ipoteza nula) este rara, dar nu fara utilizare in practica si cercetarea din asistenta sociala. Cercetatorii care au cautat sa contrazica ipoteza ca o rasa ar fi superioara alteia din punct de vedere intelectual, au cautat suport statistic pentru ipoteza nula (rasa si inteligenta nu sunt legate). Similar practica curenta poate sugera ca tratamentul individual este mai eficient decat tratamentul in grup pentru tratarea disfunctionalitatii sexuale a clientilor. Din observatiile noastre si din literatura de specialitate am putea totusi concluziona ca nu se pot face diferentieri intre metodele de tratament folosite in asistenta sociala. In acest caz am putea alege ipoteza nula ca ipoteza pentru o astfel de cercetare: succesul in tratarea disfunctiei sexuale nu este legat de metoda de tratament.

Ipoteza nula si indicatorii statistici

Cele trei forme ale ipotezei (directionala, nedirectionala si nula) sunt toate importante pentru noi in constructia ipotezei unei cercetari. Toate trei, dar in special ipoteza nula, sunt extrem de importante in intelegerea modului in care indicatorii statistici sunt folositi in testarea ipotezelor. Formal, testele statistice iau in considerare ipoteza nula, chiar daca aceasta nu este ipoteza cercetarii .

Trebuie amintit ca ipoteza nula este consistenta in raport cu sansa. Ea sustine ca doua variabile sunt nelegate chiar daca ele par a fi legate intr-un set de date. Ea continua sa sustina ca doar fluctuatia normala a sansei, sub forma erorilor de esantionare, este cea mai potrivita explicatie pentru aparenta legatura dintre doua variabile. Chiar si atunci cand ipoteza nula nu este folosita ca ipoteza a cercetarii, si ipotezele sunt fie directionale fie nedirectionale, conceptul ipotezei nule joaca un rol important in testare. Pentru a confirma ca doua variabile sunt legate, trebuie sa verificam mai intai ca ele nu sunt nelegate. Altfel spus trebuie sa demonstram ca sansa (ca expresie a ipotezei nule) nu este explicatie fericita a legaturii aparente.

Cand o ipoteza este directionala sau nondirectionala, exista un fel de fantoma a ipotezei nule. Ipoteza nula statueaza ca o legatura aparenta este de fapt un rezultat al sansei. Inseamna ca am extras un esantion netipic de date si ca legatura aparenta pe care am observat-o in esantion nu caracterizeaza in realitate populatia din care am extras esantionul. Pentru a respinge ipoteza nula, avem nevoie sa demonstram ca sansa este o explicatie nefericita pentru legatura aparenta observata si ca o legatura adevarata este o concluzie mult mai plauzibila. Testele statistice ne permit sa determinan cand putem intari o ipoteza directionala sau non directionala cu ajutorul unui suport statistic.

Erori de tipul I si de tipul II

Doua tipuri de erori pot fi facute in interpretarea rezultatelor unei cercetari: tipul I si tipul II. O eroare de tipul I este atunci cand se respinge ipoteza nula si se concluzioneaza ca exista o legatura intre doua variabile, cand de fapt nu exista nici o legatura. O eroare de tipul II este atunci cand incercarea de a respinge ipoteza nula si de a identifica o legatura adevarata intre doua variabile esueaza, cand de fapt exista una. Cele doua tipuri sunt comparate in Tabelul 5.1.

Tabel 5.1. Erori de tip I si II

Unii din factorii care influenteaza probabilitatea producerii erorilor de tipul I sau II privesc deciziile privind planul de cercetare. Acestia includ selectarea unui esantion deformat, utilizand instrumente de colectare a datelor care sunt nevalabile si/sau nesigure, si care vor sfarsi prin imposibilitatea de a controla efectul altor variabile.

Tipul I si II de erori pot de asemenea rezulta din folosirea testelor statistice nepotrivite. Daca folosim un test statistic ce necesita conditii puternice care nu sunt indeplinite, sau daca utilizam un test care necesita doar cateva conditii si in realitate sunt indeplinite conditii pentru un test mai puternic, pot aparea erori de tipul I sau II. In primul caz datele au fost tratate ca si cand ar poseda calitati care de fapt le lipsesc, in ultimul caz, oportunitatea pentru o analiza mai exacta nu a fost folosita. Daca nu e folosit testul statistic potrivit, poate aparea o legatura statistica numai datorita insusirilor eronate pe care le-am atribuit datelor si modului in care au fost colectate. Sau s-ar putea ca o legatura adevarata sa ramana ascunsa.

Niciodata nu putem elimina in totalitate posibilitatea de comitere a erorilor in luarea deciziilor, deci nici in decizia de a respinge sau nu ipoteza nula. De fapt daca suntem prea prudenti sa nu comitem erori de tipul I (sa respingem in mod gresit ipoteza nula), creste posibilitatea comiterii tipului II de eroare (greseala de a nu respinge ipoteza nula). Analog, grija exagerata de a nu comite erori de tipul II duce la cresterea probabilitatii de a comite erori de tipul I. Cercetatorii trebuie sa decida pana la urma care eroare, de tipul I sau de tipul II, este mai acceptabila pentru ei. Aceasta este o decizie de natura etica ce presupune cunostinte din practica asistentei sociale si despre consecintele uneia sau alteia din erori. Din fericire asa cum vom prezenta mai departe, exista conventii statistice care sa ne ghideze in luarea deciziilor.

Intr-un studiu de cercetare importanta acestor erori este, desigur, potential grava. De exemplu, profesionistii in asistenta sociala nerecunoscand ca folosirea gresita a testului statistic sau a unei erori metodologice a dus la un rezultat eronat din tipul I, pot concluziona in mod eronat ca exista o legatura intre o metoda particulara de tratament si rata mai mare de succes in tratament. Ei pot ajusta accesul la tratament pe baza acestui "fapt". Sau ei pot reactiona la alte rezultate ale cercetarii in care (din anumite motive) a fost comisa eroare de tipul II, si care discrediteaza o metoda de tratament in realitate foarte buna, dar care a aparut ca nu face parte dintre tratamentele eficiente. Tipul I si tipul II de erori pot fi la fel de distructive cand aplicam rezultatele cercetarii la situatiile practice de asistenta sociala. Amandoua ne pot conduce la concluzii gresite, pot face rau clientilor nostri, sau duc la risipirea resurselor limitate ale agentiei.

Chiar daca studiile de cercetare sunt bine planificate si daca noi intelegem si aplicam criteriile de selectie a testului statistic potrivit, ramane intotdeauna posibilitatea comiterii unei erori in tragerea concluziilor intr-o cercetare. Intotdeauna ramane posibilitatea de-a ni se intampla ca unul din miliardele de esantioane posibile sa ne conduca la concluzii eronate privind legaturile dintre variabile in populatia din care provine esantionul. Nu putem exclude in totalitate nici existenta unor mici erori metodologice care sa fi introdus deformarea sau existenta altor variabile cu impact asupra variabilei cercetate dar ignorate in planul nostru de cercetare. Aceasta vaga posibilitate nu trebuie, totusi, sa ne timoreze in a ne asuma riscuri rezonabile in interpretarea rezultatelor cercetarii si in aplicarea lor practica. In felul acesta putem face progrese si putem deveni practicieni cu o baza de cunostinte stiintifice.

4. Dovezi suficiente si semnificatie

Daca ne intoarcem la exemplul nostru cu cele doua tipuri de tratamente si la posibila legatura cu abstinenta clientilor alcoolici, putem observa ca diferenta de procente dintre rata abstinentei pentru grupul care a primit tratamentul in grup (70%) si rata abstinentei pentru aceia care au primit tratamentul individual (65%), este de fapt destul de mica. Chiar daca am fi avut 50 de clienti pentru fiecare tratament, multi dintre noi nu pot spune daca aceste 5 procente (70% - 65% = 5%) diferenta pot fi suficiente pentru a respinge ipoteza nula (ipoteza nula in acest exemplu poate fi aceea ca metoda de tratament si efectele nu au legatura una cu alta). O diferenta de 40 procente intre doua metode de tratament, ne-ar da mai multe sperante in a obtine suport statistic pentru o asemenea ipoteza.

Din nefericire, in realitate datele arareori vorbesc atat de transant pentru a putea sustine sau respinge ipoteza nula. Ele de obicei sunt astfel incat avem nevoie de testele statistice care sa ne ajute (nu sa ne conduca) in a decide daca avem sau nu suport statistic pentru eliminarea ipotezei nule. Pana la ce punct ne putem simti linistiti cand vrem sa respingem ipoteza nula si sa sustinem ca avem suport statistic pentru ipoteza directionala? Daca urmare a unor evenimente fortuitoare, a fost posibil sa repetam un studiu de cercetare (numit replicare in terminologia cercetarii) de 100 sau chiar de 200 de ori si in fiecare studiu individual clientii tratati in grup au avut o rata de abstinenta alcoolica mai inalta, noi trebuie sa fim convinsi ca ipoteza nula poate fi cu siguranta respinsa. Din nefericire, in cercetarea de asistenta sociala nu prea avem posibilitatea de a repeta studiile de mai multe ori. Astfel ca avem nevoie sa obtinem niste dovezi palpabile ale improbabilitatii ipotezei nule, cu ajutorul unui singur studiu. De la ce punct putem fi suficient de siguri ca o legatura aparenta nu poate fi respinsa in mod rezonabil, datorita aportului sansei? Aici trebuie sa apelam la simtul comun si la conventii.

De-a lungul anilor, cele mai multe cercetari au situat la nivelul de 95% certitudine, punctul care este suficient de inalt pentru a putea avea incredere in eliminarea ipotezei nule. Altfel spus cercetatorii se vor simti siguri in a concluziona ca doua variabile sunt legate (sau in relatie) daca analiza statistica sugereaza ca exista mai putin de 5% procente sanse de a face o greseala, prin respingerea ipotezei nule. Acest nivel de risc in comiterea unei erori de tipul I este acceptabil in majoritatea studiilor de cercetare. Conventia statistica declara ca exista suport pentru o ipoteza directionala sau nondirectionala, daca probabilitatea de a face o eroare de tipul I este mai mica decat 5% - se mai utilizeaza si terminologia echivalenta: nivel de semnificatie 0,05 , sau coeficient de risc 0,05, sau nivel de incredere 0,95. O decizie care respinge ipoteza nula nu poate elimina definitiv sansa ca explicatie posibila a unei legaturi aparente. Trebuie sa acceptam ca sansa, sub forma erorii de esantionare, poate fi cauza pentru care doua variabile par a fi legate, cand ele nu sunt de fapt.

Nu exista nimic sacru in ceea ce priveste nivelul de semnificatie 0,05, dar el este cel mai des folosit pentru respingerea ipotezei nule. Decizia folosirii si a altor nivele decat cel de 0,05 se justifica in functie de consecintele care ar rezulta prin luarea unei decizii gresite. O cerere de dovezi mai tari, pentru acceptarea unei legaturi intre variabile, cum ar fi cele de nivel 0,025 sau 0,01, poate fi dorita cand este necesar sa existe chiar mai putine posibilitati de a gresi respingand ipoteza nula si de a concluziona ca exista o legatura intre doua variabile, atunci cand intamplarea este o explicatie reala pentru legatura aparenta dintre ele. Aceasta abordare asigura o probabilitate de a gresi chiar mai mica decat cea datorata erorii de esantionare. Daca utilizarea rezultatelor cercetarii poate fi o problema de viata si de moarte, asa cum e in cazul unui nou medicament, este nevoie de un nivel mai inalt si mai precis pentru eliminarea ipotezei nule, de exemplu putem folosi nivelul 0,001. Nivelul de semnificatie 0,001 inseamna ca probabilitatea de a respinge ipoteza nula in mod eronat este de 1 la 1000.

In studiile de cercetare in care importanta unei erori in respingerea ipotezei nule nu este fatala sau traumatica, putem considera ca nivelul de semnificatie 0,10 (10% probabilitate de a gresi) este acceptabil. La nivel de semnificatie 0,10 exista de doua ori mai multe posibilitati de a comite o eroare de tipul I (sub forma erorii de esantionare) decat exista la nivelul 0,05. Cateodata se accepta un nivel de semnificatie mai slab decat 0,10 pentru confirmarea unei legaturi intre doua variabile, acolo unde planul de cercetare include replicarea (repetarea cercetarii). Daca un nivel de 0,10 poate fi considerat ca insuficient pentru a dovedi o legatura, un caz tipic sau o serie de cazuri tipice sunt suficiente pentru a ajunge la concluzia ca ipoteza nula poate fi respinsa.

Desi o anumita flexibilitate este permisa in selectarea pragurilor la care sansa este in mod acceptabil eliminata ca explicatie pentru o legatura aparenta, alegerea unui nivel de incredere nu trebuie vazuta ca si cauzala. Selectarea unui nivel de incredere trebuie de asemenea sa fie facuta inainte ca informatiile sa fie colectate. Nu ar fi etic sa schimbam nivelul de incredere dupa aceea, deoarece deciziile ar fi interpretate ca un efort manipulator pentru a intoarce rezultatele in favoarea sprijinirii concluziilor cercetarii.

5. Relatii statistic semnificative si rezultate substantiale

Cuvantul semnificativ este larg utilizat si totodata foarte vag in profesia noastra. Il folosim deseori pentru a accentua importanta a ceva, ca de exemplu "contributia semnificativa" a unui asistent social la autorizarea platii notelor de plata sau pe rol de "evolutii semnificative" in dezvoltarea respectului de sine la clienti. Cu alte cuvinte il folosim zilnic, ca o valoare, de aceea este bine sa asezam alaturi de intelesul lui semnificativ utilizat in mod obisnuit, si ceea ce el inseamna in statistica. Semnificatia statistica este o demonstratie, prin procedeul testarii statistice, care elimina ipoteza nula intr-un mod sigur, si arata ca exista o legatura reala intre variabile. O legatura intre doua variabile care este declarata a fi statistic semnificativa este atunci cand suntem in mare masura siguri (95%, in cele mai multe cazuri) ca ea nu poate fi datorata sansei sau erorii de esantionare. In statistica exista doar un singur inteles relevant al cuvantului semnificativ sau semnificatie; trebuie sa fim atenti in folosirea termenilor numai in acest sens.

O legatura statistic semnificativa intre variabile poate sau nu sugera un rezultat intr-adevar important al cercetarii. Trebuie sa fim atenti la evaluarea fiecarei legaturi cu suport statistic, in contextul intrebarii, "Ei si ce ?!" In practica de asistenta sociala, nu orice legatura statistic semnificativa este un rezultat ce necesita o implementare reala. In realitate pot exista legaturi statistic semnificative care sunt judecate ca fiind nesemnificative in sens absolut.

Un exemplu ne poate ajuta sa ilustram aceasta distinctie. Un asistent social care a condus un studiu de cercetare pentru a determina care tip de abordare (A sau B) produce rezultate mai bune la clientii care apeleaza la serviciile de consiliere familiala. El demonstreaza ca scorul mediu de 53 puncte obtinut de cuplurile care au primit Tratamentul A este suficient de diferit fata de scorul mediu de 57 a cuplurilor ce au primit Tratamentul B. Asistentul social se simte sigur in ceea ce priveste eliminarea ipotezei nule si concluzioneaza ca exista o legatura statistic semnificativa intre tipul de tratament si aranjamentul marital. Dar dupa o privire mai atenta, el concluzioneaza ca rezultatele nu sunt relevante, pentru ca o diferenta de numai patru puncte (57-53) este prea mica. Aceasta diferenta nu este in mod sigur indeajuns de mare pentru a justifica trimiterea catorva membrii ai personalului la un program costisitor de invatare si deprindere a Tratamentului B. Bazandu-se pe lipsa cunoasterii a ceea ce poate fi interpretat ca un rezultat substantial (o diferenta banala de patru puncte) supervizorul decide sa nu implementeze rezultatele.

Existenta unei legaturi statistic semnificative intre variabile poate fi determinat prin testare statistica pe baza legilor probabilitatii. Dupa aceea trebuie determinat daca un rezultat este suficient de substantial sau nu. Aceasta decizie cere o buna intelegere a mai multor aspecte diferite din practica asistentei sociale.

6. Intrebari pentru studiu

Inainte de a pretinde ca exista o legatura reala intre variabile, care sunt cele trei explicatii concurente care trebuie eliminate ?

Care dintre explicatiile concurente necesita aportul statisticii ca sa fie respinse ?

Care explicatii concurente trebuie sa fie controlate la inceputul planului de cercetare?

Care sunt ceilalti patru termeni pentru sansa folositi in domeniul testarii ipotezelor?

Care este diferenta dintre o eroare de tipul I si una de tipul II ?

Care este forma nula a unei afirmatii pentru o legatura intre varsta si preferinta politica?

Care este legatura dintre ipoteza nula si sansa in testarea ipotezei ?

Poate o legatura "statistic semnificativa" intre variabile, sa insemne ca nu exista posibilitatea ca variabilele sa fie nelegate? Explicati.

Cand putem folosi un alt nivel de semnificatie decat conventionalul 0,05 pentru a concluziona ca exista suport statistic pentru o ipoteza ?

Care nivel de semnificatie 0,01 sau 0,10 sugereaza o probabilitate mai mare de existenta a unei legaturi reale intre variabile ?