Bu harika bir soru.
Fisher'ın kesin testi, Fisher'ın deneysel tasarımın akıllıca kullanılmasının en iyi örneklerinden biri , veriler üzerinde koşullandırma (temelde gözlenen satır ve marjinal toplamlar içeren tablolarda) ve olasılık dağılımlarını bulmadaki zekası (en iyi örnek olmasa da) , daha iyi bir örnek için buraya bakınız ). Bilgisayarların "kesin" p-değerlerini hesaplamak için kullanılması kesinlikle doğru cevapların alınmasına yardımcı olmuştur.
Bununla birlikte, Fisher'in uygulamadaki kesin testinin varsayımlarını haklı çıkarmak zordur. Çünkü “kesin” olarak adlandırılan “çay tadımı deneyiminde” veya 2x2 beklenmedik durum tablolarında satır toplamı ve sütun toplamı, yani marjinal toplamlar tasarım ile sabitlenir. Bu varsayım uygulamada nadiren haklı çıkarıyor. Güzel referanslar için buraya bakınız .
"Kesin" adı, bu test tarafından verilen p-değerlerinin kesin olduğuna inanılmasını sağlar;
- Marjinaller tasarımla sabitlenmediyse (pratikte hemen hemen her seferinde gerçekleşir), p değerleri muhafazakar olacaktır.
- Test belirli bir olasılık dağılımını (özellikle, Hiper geometrik dağılım) kullandığından, belirli kesikler için "kesin sıfır olasılıkları", yani p değerini hesaplamak mümkün değildir.
Pratik vakaların çoğunda, bir olasılık oranı testi veya Ki-kare testi kullanmak, Fisher'in kesin testinden çok farklı cevaplar vermemelidir (p-değeri). Evet, marjinaller sabitlendiğinde, Fisher'ın kesin testi daha iyi bir seçimdir, ancak bu nadiren olur. Bu nedenle, tutarlılık kontrolleri için Ki-kare olasılık oranı testi kullanılması her zaman önerilir.
Fisher'ın kesin testi, Çok Değişkenli Hiperjeometrik olasılıkların hesaplanmasında temel olarak eşdeğer olan herhangi bir tabloya genelleştirildiğinde, benzer fikirler geçerlidir. Bu nedenle “kesin” p değerlerine ek olarak her zaman Ki-kare ve olasılık oranı dağılımına dayalı p-değerleri hesaplamaya çalışılmalıdır.