پی‌-مقدار (P-Value) در برابر بازه اطمینان: چرا اندازه اثر از یک آستانه معناداری مهم‌تر است؟

یک کارآزمایی بالینی ممکن است افت معناداری در فشار خون را گزارش کند، اما بازه اطمینان ۹۵ درصدی اندازه واقعی آن را فاش می‌کند: کاهشی بین ۰/۱ تا ۰/۳ میلی‌متر جیوه. همین مبنای فیزیکی (اندازه‌گیری ملموس اثر به جای یک پرچم ریاضی صفر و یک) دلیلی است که نهادهای آماری برای جایگزینی پی-مقدار سنتی فشار می‌آورند. پژوهشگران از نظر تاریخی برای تعیین موفقیت یک آزمایش به یک آستانه سخت‌گیرانه متکی بوده‌اند، اما دستورالعمل‌های مدرن از دانشمندان می‌خواهند که دامنه کامل نتایج محتمل را نشان دهند.[9]

مشکل اصلی پی-مقدار این است که برای تصمیم‌گیری‌های عملی، معیار اشتباهی را اندازه‌گیری می‌کند. این شاخص تنها احتمال مشاهده داده‌های فعلی را در صورتی محاسبه می‌کند که فرض صفر (یعنی فرض اینکه هیچ اثری وجود ندارد) کاملاً درست باشد. پی-مقدار اندازه، اهمیت یا ارتباط بالینی یافته‌ها را نمی‌سنجد. همان‌طور که انجمن آمار آمریکا در بیانیه تاریخی سال ۲۰۱۶ خود به صراحت هشدار داد: «نتیجه‌گیری‌های علمی و تصمیمات تجاری یا سیاستی نباید تنها بر اساس عبور پی-مقدار از یک آستانه خاص استوار باشند.»[1][4]

این اتکا به یک نقطه برش سخت‌گیرانه، که معمولاً پی-مقدار کمتر از ۰/۰۵ است، یک ساختار انگیزشی تحریف‌شده ایجاد می‌کند. مطالعه‌ای با حجم نمونه عظیم ۵۰ هزار بیمار می‌تواند یک تفاوت میکروسکوپی و از نظر بالینی بی‌فایده را تشخیص دهد و همچنان به پی-مقدار بسیار معنادار ۰/۰۰۱ برسد. در مقابل، یک مطالعه کوچک‌تر ممکن است یک اثر عظیم و نجات‌بخش را کشف کند اما به دلیل داده‌های محدود نتواند از آستانه ۰/۰۵ عبور کند، که باعث می‌شود یک مداخله واقعاً مفید به عنوان یک شکست کنار گذاشته شود.[5][7]

بازه‌های اطمینان این مشکل را با تغییر تمرکز از آزمون فرض به برآورد حل می‌کنند. یک بازه اطمینان ۹۵ درصدی، یک برآورد نقطه‌ای (محتمل‌ترین اندازه اثر) را همراه با یک حاشیه خطا ارائه می‌دهد. اگر یک داروی جدید کاهش وزن میانگین کاهش ۱۰ پوندی را نشان دهد، بازه اطمینان ممکن است آشکار کند که اثر واقعی در جمعیت گسترده‌تر احتمالاً بین ۸ تا ۱۲ پوند است. این امر به پزشکان و بیماران یک دامنه ملموس می‌دهد تا ارزیابی کنند که آیا این درمان ارزش هزینه و عوارض جانبی را دارد یا خیر.[3][6]

تمایز بین معناداری آماری و اهمیت بالینی در تحقیقات پزشکی بیش از هر جای دیگری مشهود است. مجله بیهوشی و بی‌دردی (Anesthesia & Analgesia) در سال ۲۰۱۸ با تاکید بر این موضوع خاطرنشان کرد که یک نتیجه معنادار آماری صرفاً به این معناست که بعید است اثر دقیقاً صفر باشد. با این حال، اگر یک داروی مسکن درد بیمار را تنها ۰/۲ نمره در یک مقیاس ۱۰ نمره‌ای کاهش دهد، معنادار بودن نتیجه از نظر آماری، آن دارو را برای بیماری که درد می‌کشد از نظر بالینی مفید نمی‌کند.[4]

تلاش برای اولویت دادن به برآورد نسبت به آزمون فرض چیز جدیدی نیست. مجله پزشکی بریتانیا (BMJ) از سال ۱۹۸۶ حمایت از بازه‌های اطمینان را در برابر پی-مقدارها آغاز کرد و استدلال نمود که ادبیات پزشکی گرفتار رویکردی صفر و یکی به داده‌ها شده است. با وجود این راهنمایی چند دهه‌ای، ریشه‌دار شدن آستانه ۰/۰۵ در نرم‌افزارهای آماری و استانداردهای داوری همتا باعث شد که پی-مقدار در سراسر علوم غالب بماند.[6][8]

نقطه عطف زمانی فرا رسید که رشته‌های مختلف متوجه یک بحران گسترده در تکرارپذیری نتایج شدند. در سال ۲۰۱۹، پژوهشگرانی که در مجله نامه‌های زیست‌شناسی (Biology Letters) می‌نوشتند، اعلام کردند که «دوران سلطنت پی-مقدار به پایان رسیده است» و پرسیدند چه تحلیل‌های جایگزینی می‌توانند این خلأ قدرت را پر کنند. اجماع در زیست‌شناسی، پزشکی و روان‌شناسی بر گزارش اندازه‌های اثر در کنار بازه‌های اطمینان متمرکز شد و نویسندگان را مجبور کرد تا به جای پنهان شدن پشت یک معیار احتمال واحد، از بزرگی یافته‌های خود دفاع کنند.[8]

برای روشن شدن مسیر پیش رو، انجمن آمار آمریکا در سال ۲۰۲۱ یک کارگروه ویژه ریاست را تشکیل داد تا بیانیه‌ای قطعی در مورد معناداری آماری و تکرارپذیری صادر کند. این کارگروه به این نتیجه رسید که اگرچه پی-مقدارها همچنان می‌توانند به عنوان یک معیار پیوسته از شواهد علیه فرض صفر عمل کنند، اما هرگز نباید از آن‌ها برای ادعاهای دوگانه «معنادار» یا «غیرمعنادار» استفاده کرد.[2]

سازوکار بازه اطمینان همچنین یک سیستم هشدار داخلی برای عدم قطعیت فراهم می‌کند. یک بازه عریض (مانند پیش‌بینی افزایش درآمدی بین ۱۰ هزار تا ۹۰۰ هزار دلار) فوراً به یک مدیر کسب‌وکار سیگنال می‌دهد که داده‌ها برای پشتیبانی از یک تصمیم قاطع بیش از حد پرنوسان هستند. پی-مقدار ۰/۰۴ روی همان مجموعه داده صرفاً یک چراغ سبز نشان می‌دهد و واریانس شدیدی را که در پس میانگین پنهان شده است، می‌پوشاند.[7][9]

علاوه بر این، بازه‌های اطمینان به سرعت نشان می‌دهند که چه زمانی نتایج یک مطالعه بی‌نتیجه است. اگر یک بازه اطمینان ۹۵ درصدی برای تفاوت در نرخ حملات قلبی از ۵ درصد کاهش تا ۲ درصد افزایش را در بر بگیرد، این بازه از صفر عبور کرده است. این امر به صورت بصری و ریاضی نشان می‌دهد که داده‌ها نمی‌توانند این احتمال را که درمان در واقع باعث آسیب می‌شود رد کنند، و درک شهودی‌تری از ریسک نسبت به پی-مقدار ۰/۱۵ ارائه می‌دهد.[5]

گذار از پی-مقدارها نیازمند تغییری بنیادین در نحوه آموزش دانشجویان و پیکربندی پیش‌فرض‌های نرم‌افزاری است. بیشتر دوره‌های مقدماتی آمار هنوز هفته‌ها را صرف آزمون معناداری فرض صفر می‌کنند و در پایان ترم به طور خلاصه اندازه‌های اثر را معرفی می‌کنند. معکوس کردن این ترتیب (یعنی آموزش برآورد در وهله اول) اکنون هدف اصلی مدرسان آمار است.[1][9]

برای خوانندگانی که ادعاهای علمی را ارزیابی می‌کنند، نکته کاربردی این است که کلمه «معنادار» را نادیده بگیرند و به دنبال واحدهای فیزیکی باشند. چه در حال ارزیابی عمر چرخه یک فناوری جدید باتری باشید، چه تاثیر یک مکمل غذایی بر کلسترول، یا نرخ تبدیل یک کمپین بازاریابی، درخواست بازه اطمینان تضمین می‌کند که تمرکز بر روی اندازه واقعی و ملموس نتیجه باقی می‌ماند.[3]

این گذار در حال حاضر در مجلات پزشکی معتبر قابل مشاهده است. سردبیران اکنون به طور معمول مقالاتی را که پی-مقدارها را بدون بازه‌های اطمینان و اندازه‌های اثر گزارش می‌کنند، رد می‌کنند. این الزام سردبیری موثرتر از دهه‌ها بحث آکادمیک ثابت شده است، زیرا پژوهشگران مجبورند گزارش‌دهی خود را برای چاپ شدن تطبیق دهند.[4][5]

حتی در زمینه‌هایی خارج از پزشکی، مانند اقتصاد و مهندسی، این تغییر در حال جا افتادن است. وقتی یک مهندس مقاومت کششی یک آلیاژ جدید را آزمایش می‌کند، دانستن اینکه این آلیاژ «به طور معناداری قوی‌تر» از فولاد است، برای طراحی یک پل بی‌فایده است. مهندس برای محاسبه حاشیه‌های ایمنی به بازه اطمینان تنش تسلیم نیاز دارد.[9]

هدف از این اصلاح آماری حذف کامل پی-مقدار نیست، بلکه سلب جایگاه آن به عنوان تنها داور حقیقت علمی است. با ترکیب معیارهای احتمال و بازه‌های اطمینان، پژوهشگران تصویر کاملی ارائه می‌دهند: احتمال وجود یک اثر، همراه با برآوردی واقع‌بینانه از بزرگی آن اثر. نقطه عطف قابل تایید بعدی برای این تغییر، حذف کامل عبارت «از نظر آماری معنادار» از دستورالعمل‌های نویسندگان در ناشران بزرگ علمی خواهد بود.[2]