tag HipotezTesti

Bu sayfada HipotezTesti etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

p değeri (İng. p-value), istatistiksel hipotez testlerinin temel ölçütüdür. Sıfır hipotezinin (H₀) gerçek olduğu varsayımı altında, yapılan deneyde elde edilen sonucun ya da daha aykırı bir sonucun gözlemlenme olasılığını ifade eder. 0 ile 1 arasında değer alır; küçük bir p değeri, elde edilen bulguların sıfır hipoteziyle zayıf biçimde örtüştüğünü ve bu hipotezi reddetmek için güçlü istatistiksel kanıt bulunduğunu gösterir. Geleneksel istatistik araştırmalarında en yaygın anlamlılık eşiği α = 0,05'tir. p değeri bu eşiğin altına düştüğünde sonuç "istatistiksel olarak anlamlı" kabul edilir ve sıfır hipotezi reddedilir. Tıp ve ilaç araştırmalarında α = 0,01 ya da α = 0,001 gibi çok daha katı eşikler benimsenmektedir. Parçacık fiziğinde ise 5 sigma kriteri (p < 3×10⁻⁷) standart kabul görmektedir. Bu eşikler evrensel doğa yasaları değil, alanın risk toleransına göre uzlaşıyla belirlenmiş değerlerdir. Veri biliminde p değeri; A/B testlerinde grup farklılığının rastlantısal olup olmadığının sınanmasında, regresyon modellerinde bağımsız değişken katsayılarının anlamlılığının değerlendirilmesinde ve özellik seçiminde (feature selection) sıklıkla kullanılır. p değerinin doğru anlaşılması için kritik bir noktayı vurgulamak gerekmektedir: p değeri, sıfır hipotezinin doğru olma olasılığı değildir. Yalnızca mevcut verilerin sıfır hipoteziyle ne ölçüde uyumsuz olduğunu gösterir ve alternatif hipotezin kesinliği hakkında doğrudan bir yargı sunmaz. p değeri tek başına yeterli bir ölçüt değildir; büyük örneklemlerde pratik açıdan önemsiz küçük farklar bile anlamlılık eşiğini kolaylıkla aşabilir. Modern veri bilimi pratiğinde Cohen's d gibi etki büyüklüğü ölçütleri, güven aralıkları ve Bayes faktörü gibi tamamlayıcı araçlarla birlikte yorumlanması önerilmektedir. 2016'da Amerikan İstatistik Derneği (ASA), p değerinin yanlış ve tek başına kullanımına dair resmi bir uyarı yayımlamış; çoklu test sorunlarında Bonferroni düzeltmesi ve FDR (False Discovery Rate) kontrolü gibi yöntemlerin benimsenmesini tavsiye etmiştir.

code_blocks

p-value (p Değeri)

p değeri (İng. p-value), istatistiksel hipotez testlerinin temel ölçütüdür. Sıfır hipotezinin (H₀) gerçek olduğu varsayımı altında, yapılan deneyde elde edilen sonucun ya da daha aykırı bir sonucun gözlemlenme olasılığını ifade eder. 0 ile 1 arasında değer alır; küçük bir p değeri, elde edilen bulguların sıfır hipoteziyle zayıf biçimde örtüştüğünü ve bu hipotezi reddetmek için güçlü istatistiksel kanıt bulunduğunu gösterir. Geleneksel istatistik araştırmalarında en yaygın anlamlılık eşiği α = 0,05'tir. p değeri bu eşiğin altına düştüğünde sonuç "istatistiksel olarak anlamlı" kabul edilir ve sıfır hipotezi reddedilir. Tıp ve ilaç araştırmalarında α = 0,01 ya da α = 0,001 gibi çok daha katı eşikler benimsenmektedir. Parçacık fiziğinde ise 5 sigma kriteri (p < 3×10⁻⁷) standart kabul görmektedir. Bu eşikler evrensel doğa yasaları değil, alanın risk toleransına göre uzlaşıyla belirlenmiş değerlerdir. Veri biliminde p değeri; A/B testlerinde grup farklılığının rastlantısal olup olmadığının sınanmasında, regresyon modellerinde bağımsız değişken katsayılarının anlamlılığının değerlendirilmesinde ve özellik seçiminde (feature selection) sıklıkla kullanılır. p değerinin doğru anlaşılması için kritik bir noktayı vurgulamak gerekmektedir: p değeri, sıfır hipotezinin doğru olma olasılığı değildir. Yalnızca mevcut verilerin sıfır hipoteziyle ne ölçüde uyumsuz olduğunu gösterir ve alternatif hipotezin kesinliği hakkında doğrudan bir yargı sunmaz. p değeri tek başına yeterli bir ölçüt değildir; büyük örneklemlerde pratik açıdan önemsiz küçük farklar bile anlamlılık eşiğini kolaylıkla aşabilir. Modern veri bilimi pratiğinde Cohen's d gibi etki büyüklüğü ölçütleri, güven aralıkları ve Bayes faktörü gibi tamamlayıcı araçlarla birlikte yorumlanması önerilmektedir. 2016'da Amerikan İstatistik Derneği (ASA), p değerinin yanlış ve tek başına kullanımına dair resmi bir uyarı yayımlamış; çoklu test sorunlarında Bonferroni düzeltmesi ve FDR (False Discovery Rate) kontrolü gibi yöntemlerin benimsenmesini tavsiye etmiştir.

arrow_forward