Hvis du vil vinde din videnskabsmesse, er det statistisk at analysere dine data en fantastisk måde at skille sig ud fra konkurrencen, men når du får resultatet - sig P = 0,04 - hvad gør det faktisk? betyde? Du kan gøre al matematik fra første del af dette indlæg, men hvis du ikke rigtig forstår antallet, som statistiske tests returnerer, ved du stadig ikke rigtig, hvad dit eksperiment fandt.
For eksempel: Kan du afvise “nulhypotesen”Baseret på dit resultat? Hvad betyder det endda? Er det muligt, at dit fund skyldes tilfældigheder? Hvad fortæller en sammenhæng dig om forholdet mellem to variabler? Dette er de typer spørgsmål, du bliver nødt til at besvare for at få fortolkningen af dine videnskabelige fair resultater rigtigt.
Den nul hypotese
Når du laver statistik, sætter du "nullhypotesen" mod din "eksperimentelle hypotese." Nulhypotesen er altid dybest set den samme: Der er ingen sammenhæng mellem de ting, du er test. I videnskabelige eksperimenter antager du, at nulhypotesen er sand, indtil du har tilstrækkelig dokumentation til at tilbagevise den. Med andre ord antager du ikke, at du får et bestemt resultat fra dine eksperimenter - du antager, at din hypotese ikke er sand, før de videnskabelige resultater fortæller dig andet.
Forvirret? Her er et eksempel. Sig, at du laver et videnskabsprojekt for at finde ud af, om hunde er højre- eller venstrehåndede. Din nulhypotese kan være, at hunde ikke har nogen dominerende pote. Derfra vil dine resultater fortælle dig, om din nulhypotese er sand, eller om hunde synes at være højre- eller venstrehåndede.
Men hvordan kan du se forskellen mellem reelle resultater og hvad der kan ske ved en tilfældighed? Statistik, selvfølgelig!
At bestemme, hvilket bevis der er "tilstrækkeligt", er opgaven med statistiske tests, og fordi du tester nulhypotesen, er det bedst at definere nøjagtigt, hvad det er til dit eksperiment. Du skal virkelig gøre dette, før du starter dit arbejde, men selvom du har fokuseret på dit eksperimentelle hypotese (det forhold, du formoder, faktisk kan eksistere) er det let at sammensætte en nulhypotese efter faktummet.
P Værdier og statistisk betydning
Hvis dit eksperiment giver dig tilstrækkelig grund til at afvise nulhypotesen, kaldes dette et "statistisk signifikant" resultat. Men som med de fleste ting inden for videnskab er der en meget specifik definition af, hvad dette faktisk betyder, og du skal være klar over det, når du ser på dine videnskabelige fair resultater. Definitionen kommer ned til betydningen af P værdi, du får fra din statistiske test.
Det P værdi fortolkes ofte fejlagtigt til at betyde "sandsynligheden for, at resultatet skyldes tilfældigheder", og selv om dette er tæt på den betydning, det er faktisk ikke sandt. Det P værdi fortæller dig i stedet chancen for, at hvis nulhypotesen var sand, ville du opnå dit resultat på grund af tilfældig statistisk støj. For eksempel, hvis du testede, om en mønt var ujævnt vægtet (med en nulhypotese om, at det er en fair mønt), et resultat af 45 hoveder til 55 haler ville være ret sandsynligt fra at vende en retfærdig mønt på grund af generel statistisk variation, og dette er hvad det P værdi kvantificeres.
“Betydningsniveauet” er en afskæringsværdi for P - alt under dette anses for tilstrækkeligt usandsynligt for dig at afvise nulhypotesen. Dette vælges normalt som P = 0,05 (så der ville kun være 5% chance for, at dine resultater ville blive opnået i en verden, hvor nulhypotesen var sand), men i sidste ende er dette kun en konvention. Under nogle omstændigheder er et signifikansniveau på P = 0,10 er helt i orden, og i andre “løfter forskere” lidt ”og sætter en mere streng afskæring af P = 0.01. Det er normalt bedst at bare holde sig til P = 0,05, men forstå, at der undertiden er variation.
Fortolkning af sammenhænge
Hvis du tester for en forskel mellem to grupper, er det tilstrækkeligt at forstå betydningen af statistisk signifikans, men hvis din test involverer sammenhænge mellem to variabler (for eksempel mængden af lys, en plante modtager, og hvor høj den vokser, eller antallet af tidligere forsøg og din score på et spil), tingene er lidt forskellige. Test for korrelationer returnerer værdier mellem −1 og +1, og forståelse af disse, og hvad begge typer af sammenhæng indebærer for kausalitet, er afgørende for at fortolke dine resultater.
For det første er korrelationsscoren let at forstå, hvis man overvejer de ekstreme tilfælde. Enhver positiv korrelationsværdi betyder, at begge variabler stiger sammen, og en værdi på +1 er a Perfekt korrelation, hvor grafen for en variabel mod en anden er lige linje. På samme måde betyder enhver minus korrelationsværdi, at når en variabel stiger, falder den anden, og en værdi på -1 er en perfekt negativ korrelation. Endelig betyder en værdi på 0, at der slet ikke er nogen sammenhæng. Selvfølgelig vil de fleste resultater være en decimal (som 0,65), hvor større værdier (højere tal, enten positive eller negative) betyder en stærkere sammenhæng.
En vigtig advarsel er dog det sammenhæng indebærer ikke årsagssammenhæng. Med andre ord, bare fordi to ting er korreleret, betyder det ikke, at den ene forårsager den anden, og du skal ikke fristes til at drage en sådan konklusion i din opskrivning på baggrund af en sammenhæng alene. Et godt eksempel er en sammenhæng mellem gule tænder og lungekræft: Det er ikke så gule tænder årsag lungekræft; det er, at rygning forårsager både gule tænder og lungekræft. På samme måde kan dine resultater skyldes en anden faktor, som du ikke har overvejet, så det er altid risikabelt at fremsætte årsagskrav uden meget stærke beviser ud over en simpel sammenhæng.
Med disse punkter i tankerne, uanset dit videnskabsmesse-projekt, skal du være i stand til at udføre de statistikker, du har brug for og forklar nøjagtigt, hvad de viser. Du vinder muligvis ikke, men det, du har lært, giver dig de værktøjer, du har brug for for virkelig at få dommernes opmærksomhed.