Wissenschaft funktioniert nicht durch Vermutungen. Es funktioniert auf der Grundlage strukturierter Vorhersagen. Es basiert insbesondere auf Hypothesen. Aber nicht alle Hypothesen sind gleich. Um zu entscheiden, welche Art von Hypothese Sie in Ihrer Forschung verwenden möchten, müssen Sie den Unterschied zwischen einer Nullhypothese, einer Alternativhypothese und einer Forschungshypothese kennen.
Eine Hypothese ist einfach eine mögliche, objektive und präzise Antwort auf eine wissenschaftliche Frage. Der Haken? Muss testbar sein. Sie müssen in der Lage sein, zu beweisen, dass es falsch oder richtig ist. Ohne die Möglichkeit, es zu bestätigen oder zu widerlegen, ist es nur eine Meinung.
Die Haupttypen werden wie folgt klassifiziert.
Forschungshypothese
Das ist das Erste, woran die meisten Menschen denken. Die Forschungshypothese (manchmal auch Arbeitshypothese genannt) ist Ihre beste Vermutung über das Ergebnis. Dies ist eine Beschreibung der erwarteten Beziehungen zwischen den Variablen.
Wenn Sie die Auswirkungen des Schlafs auf das Gedächtnis untersuchen, könnte Ihre Forschungshypothese lauten: „Menschen, die 8 Stunden schlafen, erinnern sich an mehr Fakten als Menschen, die 4 Stunden schlafen.“
Es ist sehr direkt. Es ist spezifisch. Das ist es, was Sie finden wollen. Aber strenge Wissenschaft prüft dies selten direkt, ohne das Gegenteil zu berücksichtigen.
Nullhypothese
Geben Sie die Nullhypothese ein. Dies ist der am häufigsten missverstandene Teil statistischer Tests. Die Nullhypothese besagt, dass zwischen den Variablen kein Zusammenhang besteht.
Am Beispiel des Schlafs lautet die Nullhypothese, dass es keinen Unterschied in der Gedächtniserhaltung zwischen Menschen, die 8 Stunden schlafen, und Menschen, die 4 Stunden schlafen, gibt.
Warum sollte sich das für Wissenschaftler interessieren? Weil die Wissenschaft Fortschritte macht, indem sie Dinge widerlegt. Gehen Sie zunächst davon aus, dass nichts passiert ist. Wenn die Daten stark genug sind, können Sie die Nullhypothese ablehnen. Wenn Sie es nicht ablehnen können, sagen Sie wahrscheinlich, dass nichts Wichtiges passiert. Dies ist eine Schutzmaßnahme, um zu verhindern, dass Muster im Rauschen auftreten.
Alternative Hypothese
Die Ablehnung der Nullhypothese führt zu einer Alternativhypothese. Dies ist das logische Gegenteil der Null. Wenn die Daten einen signifikanten Effekt haben, handelt es sich um eine Schlussfolgerung.
Wenn in unserer Schlafstudie der Nullwert „kein Unterschied“ lautet, lautet die Alternative „Unterschied“. Es ist nicht notwendigerweise richtungsweisend (wie eine Forschungshypothese), es besteht lediglich eine Beziehung.
Statistische Hypothesen
Möglicherweise hören Sie den Begriff statistische Hypothesen. Das ist umfassender. Dies bezieht sich auf eine Behauptung über einen getesteten Populationsparameter. Nullhypothese und Alternativhypothese sind beide Arten statistischer Hypothesen.
Betrachten Sie es als einen Überbegriff. Wenn Sie einen T-Test oder Chi-Quadrat-Test durchführen, testen Sie technisch gesehen eine statistische Hypothese.
Warum diese Unterscheidung wichtig ist
Sie fragen sich vielleicht, warum wir so viele Bezeichnungen für ähnliche Konzepte brauchen. Die Antwort liegt in der Klarheit.
Indem Sie Ihre Forschungshypothese klar formulieren, wissen Sie, wonach Sie suchen. Wenn Sie Ihre Nullhypothese klar formulieren, wissen Sie, was Sie widerlegen möchten. Ihre Datenanalyse wird zum Chaos.
- Forschungshypothese : Ihre eigene Vorhersage.
- Nullhypothese : Hypothese, dass es keinen Effekt gibt.
- Alternativhypothese : Die Schlussfolgerung, wenn die Null abgelehnt wird.
Wenn man versteht, wie sie interagieren, kann man schlampige Wissenschaft verhindern. das
Die meisten Menschen denken, dass Forschung mit bloßer Spekulation beginnt. So funktioniert Wissenschaft nicht. Forschung geht oft von mehreren Annahmen aus. Sie existieren nicht separat. sie interagieren.
Die Arbeitshypothese-Leitprojekte. Es ist der Hauptmotor. Aber es ist auf Backup-Systeme angewiesen, um seinen Wert unter Beweis zu stellen. Als Filter fungieren Nullhypothese, Alternativhypothese und statistische Hypothese. Sie beseitigen den Lärm. Sie helfen dabei, wichtige Fakten zu isolieren.
Lassen Sie uns diese Komponenten aufschlüsseln. Schauen wir uns die Merkmale jedes Typs an und wo sie in realen Daten vorkommen.
Arbeitshypothese: Ausgangspunkt
Ausgangspunkt ist die Arbeitshypothese (bzw. Forschungshypothese). Es bildet die Beziehung zwischen Variablen ab. Es ist nicht nur eine Liste. Sagen Sie voraus, wie sie zusammenhängen.
Hypothesen können nach ihrem Schwerpunkt klassifiziert werden. Ist es beschreibend? Verursachend? Korrelation? Oder vergleichen Sie Gruppen?
Beschreibende Hypothesen
Diese sind sehr einfach. Sie beschreiben den Stand der Dinge. Sie erklären nicht warum. Sie sagen einem einfach, was einen erwartet.
Betrachten Sie es als eine Momentaufnahme. Sie erkennen den Wert. Sie werden diese Funktionen bemerken. Sie überspringen den Kausalzusammenhang.
Beispiel: „Die Kriminalität in Caracas ist im Vergleich zu 2019 um 50 % gestiegen.“
In dieser Aussage geht es um Trends. Es wird nicht argumentiert, dass Armut oder politische Veränderungen für den Anstieg verantwortlich seien. Es ist nur so, dass die Zahlen steigen.
Kausalhypothese
Hier tauchen Sie in den Kern der Wissenschaft ein. Ursache und Wirkung.
Diese Hypothesen besagen, dass eine Variable eine andere Variable direkt beeinflusst. Sie können erklärend oder prädiktiv sein.
Erklärende Hypothesen Bringen Sie es auf den Punkt. Sie geben einen Grund für den Link an.
* Beispiel: «Übermäßiger Alkoholkonsum verursacht neuronale Schäden. »
Dadurch erfahren Sie, „warum“ der Schaden aufgetreten ist. Es deutet auf einen biologischen Mechanismus hin.
Vorhersagehypothesen blicken nach vorne. Sie prognostizieren Verhalten basierend auf aktuellen Trends.
* Beispiel: «Die globale Erwärmung wird in den nächsten Jahren zu Überschwemmungen führen. »
Dies ist eine Projektion. Dies setzt voraus, dass der aktuelle Kurs anhält.
Beide Typen können auf zwei verschiedenen logischen Wegen konstruiert werden: deduktiv oder induktiv.
Deduktive Hypothesen bewegen sich vom Allgemeinen zum Spezifischen. Beginnen wir mit der Theorie. Wenden wir es auf den Fall an.
* Beispiel: «Alle Lebewesen haben DNA. Bakterien sind Lebewesen. Deshalb haben Bakterien DNA. »
Das ist lineare Logik. Wenn die Prämissen wahr sind, muss auch die Schlussfolgerung wahr sein.
Die Induktive Hypothese funktioniert umgekehrt. Von spezifisch bis allgemein. Sie beobachten ein Muster. Sie erstellen eine Regel.
* Beispiel: Newton sah einen Apfel fallen. Er beobachtete die Umlaufbahn des Mondes. Er bemerkte den Unterschied. Einer von ihnen fiel zu Boden. Der andere blieb oben. Er führte ein allgemeines Gravitationsgesetz ein.
Er begann nicht mit dem Gesetz der Schwerkraft. Er bemerkte den Effekt. Er erriet den Grund. Dann hat er es getestet.
Korrelationshypothesen
Korrelation ist keine Kausalität. Das ist die goldene Regel.
Diese Hypothesen messen den Grad der Assoziation zwischen Variablen. Sie fragen: Wie stark bewegen sie sich zusammen?
Dabei spielt die Reihenfolge der Variablen keine Rolle. Wenn A B beeinflusst, dann beeinflusst B A im korrelativen Sinne.
Das Gesetz der universellen Gravitation von Isaac Newton ist in seiner Aussage tatsächlich korrelativ.
* Gerät: «Je größer die Masse, desto größer die Anziehungskraft. »
Lesen Sie es rückwärts: „Größere Anziehungskraft bedeutet mehr Masse.“ Der Zusammenhang besteht in beide Richtungen.
Diese Beziehungen können positiv, negativ oder gemischt sein.
- Positiv: „Je größer die Straflosigkeit, desto höher die Kriminalität.“ Beide steigen gemeinsam auf.
- Negativ: „Eine geringe Fettaufnahme verringert das Risiko einer koronaren Herzkrankheit.“ Einer geht zu Boden, ein anderer folgt.
- Gemischt: «Je höher die Höhe, desto niedriger die Temperatur. » Umgekehrte Beziehung.
Gruppenunterschiedshypothese
Manchmal sucht man nicht nach Trends. Du suchst nach einer Spaltung.
Diese Hypothesen antizipieren Unterschiede zwischen Gruppen. Dies ist ein statistischer Vergleich.
Es gibt zwei Möglichkeiten, es zu schreiben.
- Ungerichtet: Sie geben an, dass ein Unterschied besteht. Sie sagen nicht, welche Gruppe gewinnt.
- Beispiel: «Es gibt Unterschiede in der Sterblichkeitsrate von Männern und Frauen. »
- Richtung: Sie geben das Ergebnis an. Sie benennen die Gruppe mit einem höheren (oder niedrigeren) Wert.
- Beispiel: «Männer haben eine höhere Sterblichkeitsrate als Frauen. »
Die zweite Version ist riskant. Es verpflichtet sich zu einem bestimmten Ergebnis. Wenn die Daten zeigen, dass die Raten bei Frauen höher sind, liegen Sie falsch. Die erste Version ist sicherer. Sie behaupten lediglich, dass es „einige“ Unterschiede zwischen ihnen gibt.
Nullhypothese (H₀)
Die Wissenschaft ist von Natur aus skeptisch. Gehen Sie davon aus, dass nichts passiert ist, bis das Gegenteil bewiesen ist.
Dies ist die Nullhypothese. Verweigert Beziehungen zwischen Variablen. Dies ist eine negative Aussage. Enthält die Wörter „nein“ oder „nein“.
Das Symbol ist H₀.
„Akzeptiert“ keine Nullwerte. Entweder Sie lehnen es ab, oder Sie können es nicht ablehnen. Das Ziel der meisten Forschungen besteht darin, Null zu eliminieren.
Beispiel: «Der BMI ist „unabhängig“ vom Geschlecht einer Person. »
Dies ist der Standardspeicherort. Es scheint keinen Zusammenhang zwischen Muskelmasse und Geschlecht zu geben. Diese Studie soll diesem Gefühl der Langeweile entgegenwirken.
Alternativhypothese (H₁)
Jede Nullhypothese hat einen Partner.
Eine weitere Hypothese. Das ist die andere Seite von Null. Es zeigt, dass die Beziehung existiert.
Das Symbol ist H₁.
Wenn ein Nullwert „kein Link“ bedeutet, bedeutet ein alternativer Wert „Link erkannt“. Akzeptieren Sie die Option oder nicht.
Kombiniere sie und sieh, wie aufgeregt sie sind.
H₀: «Der BMI hat nichts mit dem Geschlecht zu tun. »
H₁: «Der BMI ist bei Männern und Frauen unterschiedlich. »
Forscher sammeln Daten. Sie machen Statistiken. Wenn die Beweise stark genug sind, lehnen sie H₀ ab. Diese behalten H1.
Mit dieser binären Struktur korrigiert sich die Wissenschaft selbst. Sie müssen eine Ausnahme nachweisen. Dies verhindert, dass Sie Muster annehmen, die nicht existieren.
Das ist ein enger Rahmen. Manchen Menschen ist kalt. Manche Menschen empfinden es als befreiend. Beseitigen Sie die Neutralität, indem Sie Entscheidungen erzwingen. Gibt es einen Unterschied? ja oder nein. Nein, vielleicht ist es das.
Die Arbeitshypothese gibt die Richtung vor. Die Null- und Alternativhypothese bieten ein Forum. Daten sind die Jury.
Beim Ersetzen von Wörtern durch Zahlen: statistische Hypothesen
Eine Hypothese ist nicht nur eine Vermutung. Zumindest nicht diejenigen, die in harten Daten von Bedeutung sind. Statistische Hypothesen verwandeln diese vagen Vorstellungen in Symbole. Ihr Zweck besteht darin, Parameter für eine oder mehrere Gruppen zu überprüfen oder einzustellen. Sie verwenden sie nicht, wenn Sie planen, einen Roman zu schreiben. Es kann verwendet werden, wenn Sie große Datenmengen sammeln möchten. Prozentsätze. Durchschnitt. Jede Metrik, die in Diagrammen dargestellt werden kann.
Betrachten Sie es als eine Brücke zwischen einer Frage und einer Tabellenkalkulation.
Drei Möglichkeiten, das Unbekannte zu messen
Nicht alle statistischen Hypothesen werden auf die gleiche Weise erstellt. Sie fallen in bestimmte Kategorien, je nachdem, was Sie tatsächlich zu beweisen versuchen.
Schätzhypothesen übernehmen die Hauptaufgabe deskriptiver Studien. Diese konzentrieren sich auf eine Variable. Forscher versuchen, statistische Ergebnisse kontextbasiert abzuschätzen. Anstatt Dinge zu vergleichen, ist es wichtig, die aktuelle Situation zu definieren. Wenn Sie die durchschnittliche Körpergröße einer bestimmten Gruppe wissen möchten, ist dies das perfekte Tool. Dies ist eine Momentaufnahme.
Korrelationshypothesen Suchen Sie nach Assoziationen. Sie untersuchen die Beziehung zwischen zwei oder mehr Variablen. Bewegen sie sich zusammen? Ändert sich das eine, wenn das andere es tut? Dies ist keine Ursache und Wirkung. Es geht um Assoziation. Sollte es im Juli zu einem Anstieg der Eisverkaufszahlen und der Hai-Angriffe kommen, könnte ein solcher Zusammenhang vermutet werden. Ob das eine zum anderen führt, ist eine andere Sache.
Der Vergleich verwendet die Unterschiede in den Mittelwerthypothesen. Diese befassen sich mit Gruppenunterschieden. Diese Analyse vergleicht numerische Schätzungen zwischen zwei oder mehr Gruppen. Wirkt das neue Medikament besser als ein Placebo? Hat die Marketingkampagne den Umsatz in Bereich A gesteigert, nicht jedoch in Bereich B? Diese Art von Annahme sucht nach der Lücke. Der Unterschied liegt in der Entdeckung.
Warum diese Klassifizierung wichtig ist
Diese Unterscheidungen mögen akademisch pedantisch erscheinen. Das sind sie nicht. Sie bestimmen, wie die Mathematik durchgeführt wird.
Wenn Sie den falschen Typ wählen, sagen Ihre Daten nichts aus. Nachdem Sie wochenlang Daten gesammelt haben, stellen Sie fest, dass Sie die falsche statistische Frage gestellt haben. Die Schätzhypothese erfordert andere Berechnungen als ein Test der Mittelwertunterschiede. Wenn diese miteinander vermischt werden, entsteht Lärm.
Das Ziel ist Klarheit. Sie können studienweite Parameter festlegen, indem Sie angeben, ob Werte geschätzt, Beziehungen untersucht oder Gruppen verglichen werden sollen. Es filtert die irrelevanten Daten heraus, bevor Sie überhaupt mit der Erfassung beginnen.
Dies ist die Grundlage wissenschaftlicher Genauigkeit. Ohne diese statistischen Rahmenbedingungen sind die Daten nur Unordnung. Mit ihnen wird es zum Beweis.
Die Hypothese ist nicht die Antwort. Es ist die präzise Frage, die die Daten sprechen lässt.
Das menschliche Element in der Mathematik
Es besteht die Tendenz, Statistiken als kalt und objektiv zu behandeln. Sie sind Werkzeuge. Aber die Wahl der zu verwendenden statistischen Hypothesen ist sehr menschlich. Es spiegelt wider, was Forscher für wichtig halten.
Sind uns Durchschnittswerte wichtig? Welche Zusammenhänge gibt es zwischen den Faktoren? Unterschied zwischen Gruppen?
Diese Entscheidungen prägen die Forschungserzählung. In der Forschung zu Bildungsergebnissen kann die Mittelwertdifferenzhypothese verwendet werden, um Testergebnisse zwischen Schulen zu vergleichen. Ein anderer Ansatz könnte darin bestehen, mithilfe der Korrelation zu bestimmen, ob das Haushaltseinkommen mit der Anwesenheit zusammenhängt. Beides ist gültig. Beides sind statistische Hypothesen. Aber sie erzählen völlig unterschiedliche Geschichten über dieselbe Welt.
Das Symbol wird angezeigt. Es liegt an den Menschen, zu entscheiden, welche Symbole wichtig sind.
