تعیین تعداد نمونه مورد نیاز در مطالعات حشره‌شناسی با زبان محاسبه آماری R قسمت اول- مقایسه میانگین‌ها و نسبت‌ها

محورهای موضوعی : حشره شناسی و سایر بندپایان

جواد کریم‌زاده اصفهانی ¹

1 - اصفهان، مرکز تحقیقات کشاورزی و منابع‌طبیعی استان اصفهان، بخش تحقیقات گیاه‌پزشکی

تاریخ دریافت : 1389/06/21 تاریخ پذیرش : 1389/11/23 تاریخ انتشار : 1390/03/01

کلید واژه: تکرار, R, واژه‌های کلیدی: تعداد نمونه, قدرت آماری, Keywords: sample size, statistical power, replicate,

چکیده مقاله :

بسیاری از مطالعات حشره شناسی قادر به ردیابی اثرات معنی دار نمی باشند و اغلب تنها باعث اتلاف وقت و هزینه می گردند. در این آزمایشات تعداد نمونه گرفته شده اغلب از تعداد نمونه ای که یک آماردان توصیه می کند کمتر است. مقاله حاضر با بیان اهمیت قدرت آماری در تعیین حداقل تعداد نمونه لازم برای ردیابی اثرات معنی دار، اذعان می دارد که عدم موفقیت تعدادی از آزمایش ها تنها بخاطر عدم توجه به پیامدهای قدرت آماری در مرحله طراحی است. در مرحله طراحی آزمایش باید تعداد نمونه برای تست فرضیه مورد نظر تعیین گردد که خود بستگی به عواملی چون واریانس داده ها، مقدار تفاوت معنی دار قابل ردیابی در داده ها، ریسک خطای نوع اول و ریسک خطای نوع دوم دارد. در این نوشتار چگونگی تعیین قدرت آماری، تعداد نمونه مناسب و عوامل تاثیرگذار بر آن بیان می گردد. بعلاوه، روش های اختصاصی محاسبه تعداد نمونه مناسب برای موارد مهم در مطالعات صحرایی و آزمایشگاهی حشره شناسی با استفاده از زبان محاسبه آماری R معرفی می شود.

چکیده انگلیسی:

In many entomological studies, a smaller sample is taken than a statistician would advise. Clearly, such experiments would often fail to detect any significant effects, resulting in a complete waste of time and money. The present paper introduces statistical power of a test and its importance in determining the minimum sample size required for detecting significant effects. A number of experiments fail simply because issues of statistical power were not confronted at the planning stage. A fundamental question that is needed to address at the planning stage concerns the number of samples required to test the hypothesis of interest. The answer depends on the variance of response variable, the size of difference in the response variable that would be detectable as significant, the risk of a Type I error and the risk of a Type II error. Here using R language of statistical computing, the specific methods of the calculation of optimum sample size for laboratory and field studies are presented for two common scenarios.