Jika “Kesalahan standar” dan “Interval kepercayaan” mengukur ketepatan pengukuran, lalu apa ukuran ketelitiannya?

15

Dalam buku "Biostatistik untuk boneka" di halaman 40 saya membaca:

Kesalahan standar (disingkat SE) adalah salah satu cara untuk menunjukkan seberapa akurat perkiraan Anda atau pengukuran sesuatu.

dan

Interval kepercayaan memberikan cara lain untuk menunjukkan ketepatan estimasi atau pengukuran sesuatu.

Tetapi tidak ada tertulis apa pun bagaimana menunjukkan keakuratan pengukuran.

Pertanyaan: Bagaimana menunjukkan seberapa akurat pengukuran sesuatu itu? Metode apa yang digunakan untuk itu?

Jangan bingung dengan Akurasi dan Ketepatan tes: https://en.wikipedia.org/wiki/Accuracy_and_precision#In_binary_classification

— vasili111
sumber

Apakah Anda bertanya tentang keakuratan parameter tunggal atau keakuratan model keseluruhan?

— Steven L. Johnson

Akurasi dipengaruhi oleh kesalahan sistematis (atau bias)

— Aksakal

@ Aksakal dan presisi dengan kesalahan acak?

— vasili111

18

Presisi dapat diperkirakan secara langsung dari titik data Anda, tetapi akurasi terkait dengan desain eksperimental. Misalkan saya ingin menemukan ketinggian rata-rata pria Amerika. Diberikan sampel ketinggian, saya bisa memperkirakan ketepatan saya. Namun, jika sampel saya diambil dari semua pemain bola basket, perkiraan saya akan menjadi bias dan tidak akurat, dan ketidaktepatan ini tidak dapat diidentifikasi dari sampel itu sendiri.

Salah satu cara untuk mengukur akurasi adalah dengan melakukan kalibrasi platform pengukuran Anda. Dengan menggunakan platform Anda untuk mengukur jumlah yang diketahui, Anda dapat menguji keakuratan metode Anda dengan andal. Ini dapat membantu Anda menemukan bias pengukuran, misalnya, jika pita pengukur Anda untuk contoh tinggi hilang satu inci, Anda akan mengenali bahwa semua sampel kalibrasi Anda membaca satu inci terlalu pendek. Ini tidak akan membantu memperbaiki masalah desain eksperimental Anda.

— Wang Nuklir
sumber

2

s = \sqrt{\frac{\sum (x_{i} - \bar{x})^{2}}{n}}

$s=\sqrt{\frac{\sum (x_i-\bar x)^2}{n}}$ (yang bias rendah, terutama untuk sampel kecil).

2

Prasangka didorong oleh kesalahan acak, dan akurasi didefinisikan oleh kesalahan sistematis. Ketepatan seringkali dapat ditingkatkan dengan uji coba berulang-ulang yang meningkatkan ukuran sampel. Akurasi tidak dapat diperbaiki dengan mengumpulkan lebih banyak data dari pengukuran yang sama karena kesalahan sistematis tidak akan hilang.

Kesalahan sistematis mengarah ke bias rata-rata dan tidak dapat ditentukan atau diperbaiki dalam eksperimen yang sama. Pertimbangkan ini: seluruh titik percobaan Anda sering kali dalam mendeteksi efek, seperti penyimpangan dari nol. Anda mengukur signifikansi dengan membandingkan penyimpangan dengan kesalahan standar, tetapi penyimpangan itu sendiri bisa menjadi bias (kesalahan sistematis)! Itulah sebabnya kesalahan sistematis adalah jenis kesalahan terburuk dalam ilmu fisika.

Dalam fisika, misalnya, Anda harus menentukan bias (kesalahan sistematis) di luar eksperimen Anda, lalu perbaiki dalam pengukuran Anda. Menariknya, dalam bidang peramalan ekonomi, masalah terbesar adalah pergeseran rata-rata, yang pada dasarnya setara dengan kesalahan sistematis atau bias dalam ilmu fisika.

Anda mungkin ingat betapa malu kesalahan sistematis yang disebabkan orang-orang OPERA yang " mendeteksi " neutrino bergerak lebih cepat daripada cahaya! Mereka tidak menjelaskan banyak sumber kesalahan sistematis , dan harus membatalkan kesimpulan. Lagi pula, neutrino tidak melanggar kecepatan cahaya, payah!

— Aksakal
sumber