Αν θέλετε να κερδίσετε την επιστημονική σας έκθεση, η στατιστική ανάλυση των δεδομένων σας είναι ένας πολύ καλός τρόπος για να ξεχωρίσετε από τον ανταγωνισμό, αλλά όταν λάβετε το αποτέλεσμα - πείτε Π = 0,04 - τι πραγματικά κάνει σημαίνω? Μπορείτε να κάνετε όλα τα μαθηματικά από το πρώτο μέρος αυτής της ανάρτησης, αλλά αν δεν καταλαβαίνετε πραγματικά τα στατιστικά τεστ αριθμών που επιστρέφουν, εξακολουθείτε να μην γνωρίζετε τι βρήκε το πείραμά σας.
Για παράδειγμα: Μπορείτε να απορρίψετε το "μηδενική υπόθεση"Με βάση το αποτέλεσμα; Τι σημαίνει καν αυτό; Είναι πιθανό το εύρημα σας οφείλεται στην τύχη; Τι σας λέει μια συσχέτιση για τη σχέση μεταξύ δύο μεταβλητών; Αυτοί είναι οι τύποι ερωτήσεων που θα πρέπει να απαντήσετε για να λάβετε σωστά την ερμηνεία των θεμιτών αποτελεσμάτων της επιστήμης.
Η μηδενική υπόθεση
Όποτε κάνετε στατιστικά στοιχεία, τοποθετείτε την «μηδενική υπόθεση» ενάντια στην «πειραματική υπόθεσή σας». Η μηδενική υπόθεση είναι πάντα βασικά η ίδια: Δεν υπάρχει σχέση μεταξύ των πραγμάτων που είσαι δοκιμές. Σε επιστημονικά πειράματα, υποθέτετε ότι η μηδενική υπόθεση είναι αληθής έως ότου έχετε επαρκή στοιχεία για να την αντικρούσετε. Με άλλα λόγια, δεν υποθέτετε ότι θα λάβετε ένα συγκεκριμένο αποτέλεσμα από τα πειράματά σας - υποθέτετε ότι η υπόθεσή σας δεν είναι αληθής μέχρι τα επιστημονικά αποτελέσματα να σας πουν διαφορετικά.
Ταραγμένος? Εδώ είναι ένα παράδειγμα. Ας πούμε ότι κάνετε ένα επιστημονικό έργο για να μάθετε αν τα σκυλιά είναι δεξιόχειρα ή αριστερά. Η μηδενική υπόθεσή σας μπορεί να είναι ότι τα σκυλιά δεν έχουν κυρίαρχο πόδι. Από εκεί, τα αποτελέσματά σας θα σας πουν εάν η μηδενική υπόθεσή σας είναι αληθινή ή αν τα σκυλιά φαίνεται να είναι δεξιά ή αριστερά.
Αλλά πώς μπορείτε να πείτε τη διαφορά μεταξύ των πραγματικών αποτελεσμάτων και τι μπορεί να συμβεί με καθαρή τύχη; Φυσικά, στατιστικές!
Ο προσδιορισμός των στοιχείων που είναι «επαρκή» είναι η δουλειά των στατιστικών δοκιμών και επειδή δοκιμάζετε την μηδενική υπόθεση, είναι καλύτερο να ορίσετε ακριβώς τι είναι για το πείραμά σας. Πρέπει να το κάνετε αυτό προτού ξεκινήσετε την εργασία σας, αλλά ακόμα κι αν έχετε επικεντρωθεί στο πειραματικό σας υπόθεση (η σχέση που υποψιάζεστε ότι μπορεί να υπάρχει) είναι εύκολο να δημιουργήσετε μια μηδενική υπόθεση μετά Το γεγονός.
P Τιμές και στατιστική σημασία
Εάν το πείραμά σας σας δώσει αρκετή αιτία για να απορρίψετε την μηδενική υπόθεση, αυτό ονομάζεται "στατιστικά σημαντικό" αποτέλεσμα. Όμως, όπως συμβαίνει με τα περισσότερα πράγματα στην επιστήμη, υπάρχει ένας πολύ συγκεκριμένος ορισμός του τι πραγματικά σημαίνει αυτό και θα πρέπει να είστε ξεκάθαροι σχετικά με αυτό όταν εξετάζετε τα θετικά αποτελέσματα της επιστήμης σας. Ο ορισμός έρχεται κάτω από την έννοια του Π αξία που λαμβάνετε από το στατιστικό σας τεστ.
ο Π η τιμή συχνά παρερμηνεύεται για να σημαίνει "την πιθανότητα ότι το αποτέλεσμα οφείλεται στην τύχη" και παρόλο που αυτό είναι κοντά στην έννοια που είναι δεν είναι αλήθεια. ο Π Αντίθετα, η τιμή σας λέει την πιθανότητα ότι, εάν η μηδενική υπόθεση ήταν αληθής, θα λάβετε το αποτέλεσμα σας λόγω τυχαίου στατιστικού θορύβου. Για παράδειγμα, αν δοκιμάζετε αν ένα κέρμα ήταν άνισα σταθμισμένο (με μηδενική υπόθεση ότι είναι ένα δίκαιο νόμισμα), ένα αποτέλεσμα από 45 κεφαλές έως 55 ουρές θα ήταν αρκετά πιθανό από την ανατροπή ενός δίκαιου νομίσματος λόγω γενικής στατιστικής διακύμανσης, και αυτό είναι που ο Π η τιμή ποσοτικοποιείται.
Το «επίπεδο σημασίας» είναι μια τιμή αποκοπής για Π - οτιδήποτε παρακάτω θεωρείται αρκετά απίθανο για να απορρίψετε την μηδενική υπόθεση. Αυτό συνήθως επιλέγεται ως Π = 0,05 (οπότε θα υπάρχει μόνο πιθανότητα 5% να ληφθούν τα αποτελέσματά σας σε έναν κόσμο όπου η μηδενική υπόθεση ήταν αληθινή), αλλά τελικά αυτό είναι απλώς μια σύμβαση. Σε ορισμένες περιπτώσεις, ένα επίπεδο σημαντικότητας Π = 0,10 είναι εντάξει, και σε άλλους, οι επιστήμονες «ανεβάζουν τη ράβδο» λίγο και θέτουν μια πιο αυστηρή αποκοπή Π = 0.01. Συνήθως είναι καλύτερο να παραμείνεις Π = 0,05, αλλά καταλάβετε ότι μερικές φορές υπάρχει παραλλαγή.
Ερμηνεία συσχετίσεων
Εάν δοκιμάζετε μια διαφορά μεταξύ δύο ομάδων, η κατανόηση της σημασίας της στατιστικής σημασίας είναι αρκετή, αλλά εάν η δοκιμή σας περιλαμβάνει συσχετίσεις μεταξύ δύο μεταβλητές (για παράδειγμα, η ποσότητα φωτός που λαμβάνει ένα φυτό και πόσο ψηλό μεγαλώνει ή ο αριθμός των προηγούμενων προσπαθειών και η βαθμολογία σας σε ένα παιχνίδι), τα πράγματα είναι λίγο διαφορετικός. Οι δοκιμές για συσχετισμούς επιστρέφουν τιμές μεταξύ −1 και +1, και η κατανόηση αυτών και τι συνεπάγεται κάθε τύπος συσχέτισης για την αιτιότητα είναι απαραίτητη για την ερμηνεία των αποτελεσμάτων σας.
Πρώτον, η βαθμολογία συσχέτισης είναι κατανοητή αν λάβετε υπόψη τις ακραίες περιπτώσεις. Οποιαδήποτε θετική τιμή συσχέτισης σημαίνει ότι και οι δύο μεταβλητές αυξάνονται μαζί, και η τιμή +1 είναι α τέλειος συσχέτιση, όπου το γράφημα μιας μεταβλητής έναντι μιας άλλης είναι ευθεία. Με τον ίδιο τρόπο, οποιαδήποτε αρνητική τιμή συσχέτισης σημαίνει ότι όταν μια μεταβλητή αυξάνεται, η άλλη μειώνεται και μια τιμή −1 είναι μια τέλεια αρνητική συσχέτιση. Τέλος, η τιμή 0 σημαίνει ότι δεν υπάρχει καμία συσχέτιση. Φυσικά, τα περισσότερα αποτελέσματα θα είναι δεκαδικά (όπως 0,65), με μεγαλύτερες τιμές (υψηλότεροι αριθμοί, είτε θετικοί είτε αρνητικοί) που σημαίνει ισχυρότερη συσχέτιση.
Ωστόσο, μια βασική προειδοποίηση είναι αυτό η συσχέτιση δεν συνεπάγεται αιτιώδη συνάφεια. Με άλλα λόγια, απλώς και μόνο επειδή δύο πράγματα συσχετίζονται δεν σημαίνει ότι το ένα προκαλεί το άλλο και δεν πρέπει να μπείτε στον πειρασμό να εξαγάγετε ένα τέτοιο συμπέρασμα στη σύνταξή σας βάσει μιας συσχέτισης μόνος. Ένα καλό παράδειγμα είναι η συσχέτιση μεταξύ κίτρινων δοντιών και καρκίνου του πνεύμονα: Δεν είναι αυτά τα κίτρινα δόντια αιτία καρκίνος του πνεύμονα; είναι ότι το κάπνισμα προκαλεί τόσο κίτρινα δόντια όσο και καρκίνο του πνεύμονα. Με τον ίδιο τρόπο, τα αποτελέσματά σας θα μπορούσαν να οφείλονται σε έναν άλλο παράγοντα που δεν έχετε σκεφτεί, επομένως είναι πάντα επικίνδυνο να υποβάλλετε αιτιώδεις ισχυρισμούς χωρίς πολύ ισχυρές αποδείξεις πέρα από έναν απλό συσχετισμό.
Λαμβάνοντας υπόψη αυτά τα σημεία, ανεξάρτητα από το επιστημονικό σας δίκαιο έργο, θα πρέπει να μπορείτε να κάνετε τις στατιστικές που χρειάζεστε και εξηγήστε ακριβώς τι δείχνουν. Ίσως να μην κερδίσετε, αλλά αυτό που μάθατε σας δίνει τα εργαλεία που χρειάζεστε για να τραβήξετε την προσοχή των κριτών.