DOI: https://doi.org/10.26635/6965.7313
PMID: https://pubmed.ncbi.nlm.nih.gov/41818764
تاريخ النشر: 2026-03-10
المؤلف: John W. Pickering وآخرون
الموضوع الرئيسي: طرق إحصائية في التجارب السريرية
نظرة عامة
في هذا القسم، يقدم المؤلفون المفاجآت الثنائية (قيم s)، المعرفة بأنها \( s = -\log_2(p) \)، كطريقة لمقارنة الفروقات بين قيم p. يوضحون ذلك من خلال مثالين: عندما \( p_1 = 0.10 \) و \( p_2 = 0.025 \)، فإن الفرق في قيم p \( \Delta p = 0.075 \) يتوافق مع فرق في المفاجآت \( \Delta s = 2 \)، مما يشير إلى دليل كبير ضد عدالة العملة. على العكس، بالنسبة لـ \( p_3 = 0.15 \) و \( p_4 = 0.075 \)، بينما يبقى الفرق في قيم p كما هو (\( \Delta p = 0.075 \))، فإن المفاجآت تعطي فرقًا أصغر \( \Delta s = 1 \)، مما يمثل دليلًا أقل. هذا يبرز فائدة قيم s في قياس قوة الدليل المقدم من قيم p، كما هو موضح في الصندوق 1، الذي يقدم مثالًا عمليًا على تطبيقها.
نقاش
في قسم النقاش من الورقة، يبرز المؤلفون القضية الحرجة للظلم في أبحاث الصحة، خاصة في سياق أوتياروا نيوزيلندا، حيث يمكن أن تؤدي الفجوات في أحجام العينات بين السكان الماوريين وغير الماوريين إلى تفسيرات خاطئة للبيانات. يجادلون بأن تحقيق “قوة تفسيرية متساوية” – حيث تكون المجموعات الفرعية ممثلة بشكل ذي معنى – يجب أن يكون أولوية، حيث يمكن أن تؤدي أحجام العينات غير المتساوية إلى استنتاجات خاطئة تعزز الظلم الصحي. يؤكد المؤلفون على أهمية التركيز على أحجام التأثير وفواصل الثقة بدلاً من الاعتماد فقط على الدلالة الإحصائية، التي يمكن أن تضلل الباحثين في استنتاج استنتاجات خاطئة حول وجود أو عدم وجود ارتباطات في المجموعات الفرعية الصغيرة.
تحدد الورقة الفخاخ الشائعة المرتبطة بأحجام العينات الصغيرة، مثل خطر الإفراط أو التقليل من التحقيق في المجموعات الأقل تمثيلاً وسوء تفسير قيم p. يدعو المؤلفون إلى تحسين الممارسات في تصميم الدراسة والتحليل، بما في ذلك استخدام تحديد حجم العينة مسبقًا، والزيادة المقصودة في عينة المجموعات الممثلة تمثيلاً ناقصًا، وتجنب العتبات التعسفية للدلالة الإحصائية. يوصون بتقديم النتائج مع أحجام تأثير واضحة وفواصل ثقة لتعزيز قابلية تفسير النتائج وتقليل خطر تعزيز الظلم. في النهاية، يدعو المؤلفون إلى تغيير كيفية اقتراب الباحثين والمجلات من الدلالة الإحصائية، مقترحين أن التخلي عن المصطلح يمكن أن يساعد في التخفيف من الفجوات الحالية في أبحاث الصحة.
DOI: https://doi.org/10.26635/6965.7313
PMID: https://pubmed.ncbi.nlm.nih.gov/41818764
Publication Date: 2026-03-10
Author(s): John W. Pickering et al.
Primary Topic: Statistical Methods in Clinical Trials
Overview
In this section, the authors introduce binary surprisals (s-values), defined as \( s = -\log_2(p) \), as a method for comparing the differences between p-values. They illustrate this with two examples: when \( p_1 = 0.10 \) and \( p_2 = 0.025 \), the difference in p-values \( \Delta p = 0.075 \) corresponds to a difference in surprisals \( \Delta s = 2 \), indicating substantial evidence against the fairness of a coin. Conversely, for \( p_3 = 0.15 \) and \( p_4 = 0.075 \), while the difference in p-values remains the same (\( \Delta p = 0.075 \)), the surprisals yield a smaller difference \( \Delta s = 1 \), representing less evidence. This highlights the utility of s-values in quantifying the strength of evidence provided by p-values, as detailed in Box 1, which offers a practical example of their application.
Discussion
In the discussion section of the paper, the authors highlight the critical issue of inequity in health research, particularly in the context of Aotearoa New Zealand, where disparities in sample sizes between Māori and non-Māori populations can lead to misinterpretations of data. They argue that achieving “equal explanatory power”—where sub-groups have meaningful representation—should be a priority, as unequal sample sizes can result in erroneous conclusions that perpetuate health inequities. The authors emphasize the importance of focusing on effect sizes and confidence intervals rather than solely relying on statistical significance, which can mislead researchers into drawing false conclusions about the presence or absence of associations in small sub-groups.
The paper outlines common pitfalls associated with small sample sizes, such as the risk of over- or under-investigation of minority groups and the misinterpretation of p-values. The authors advocate for better practices in study design and analysis, including the use of a priori sample size determination, purposive over-sampling of underrepresented groups, and avoiding arbitrary thresholds for statistical significance. They recommend presenting results with clear effect sizes and confidence intervals to enhance the interpretability of findings and reduce the risk of perpetuating inequities. Ultimately, the authors call for a shift in how researchers and journals approach statistical significance, suggesting that abandoning the term could help mitigate existing disparities in health research.