यदि आप अपना विज्ञान मेला जीतना चाहते हैं, तो अपने डेटा का सांख्यिकीय विश्लेषण प्रतियोगिता से बाहर खड़े होने का एक शानदार तरीका है, लेकिन जब आप परिणाम प्राप्त करते हैं - कहते हैं पी = ०.०४ - यह वास्तव में क्या करता है मीन? आप सारा गणित से कर सकते हैं इस पोस्ट का पहला भाग, लेकिन यदि आप सांख्यिकीय परीक्षणों की वापसी की संख्या को वास्तव में नहीं समझते हैं, तब भी आप वास्तव में नहीं जानते कि आपके प्रयोग को क्या मिला।
उदाहरण के लिए: क्या आप "अस्वीकार कर सकते हैं"शून्य परिकल्पना"आपके परिणाम के आधार पर? उस समतल का क्या मतलब है? क्या यह संभव है कि आपकी खोज संयोग के कारण हो? सहसंबंध आपको दो चरों के बीच संबंध के बारे में क्या बताता है? अपने विज्ञान के निष्पक्ष परिणामों की व्याख्या सही करने के लिए आपको इस प्रकार के प्रश्नों का उत्तर देना होगा।
शून्य परिकल्पना
जब भी आप आंकड़े करते हैं, तो आप अपनी "प्रयोगात्मक परिकल्पना" के खिलाफ "शून्य परिकल्पना" को खड़ा कर रहे हैं। शून्य परिकल्पना हमेशा मूल रूप से एक ही होती है: आप जो हैं उसके बीच कोई संबंध नहीं है परिक्षण। वैज्ञानिक प्रयोगों में, आप मान लेते हैं कि शून्य परिकल्पना सत्य है जब तक कि आपके पास इसका खंडन करने के लिए पर्याप्त सबूत न हों। दूसरे शब्दों में, आप यह नहीं मानते हैं कि आप अपने प्रयोगों से एक निश्चित परिणाम प्राप्त करेंगे - आप मानते हैं कि आपकी परिकल्पना सत्य नहीं है जब तक कि वैज्ञानिक परिणाम आपको अन्यथा नहीं बताते।
भ्रमित? यहाँ एक उदाहरण है। मान लें कि आप यह पता लगाने के लिए एक विज्ञान परियोजना कर रहे हैं कि क्या कुत्ते दाएं या बाएं हाथ के हैं। आपकी अशक्त परिकल्पना यह हो सकती है कि कुत्तों का कोई प्रमुख पंजा नहीं है। वहां से, आपके परिणाम आपको बताएंगे कि क्या आपकी अशक्त परिकल्पना सच है, या क्या कुत्ते दाएं या बाएं हाथ के लगते हैं।
लेकिन आप वास्तविक परिणामों और शुद्ध संयोग से क्या हो सकता है, के बीच अंतर कैसे बता सकते हैं? सांख्यिकी, बिल्कुल!
यह निर्धारित करना कि कौन सा सबूत "पर्याप्त" है, सांख्यिकीय परीक्षणों का काम है, और चूंकि आप शून्य परिकल्पना का परीक्षण कर रहे हैं, इसलिए यह परिभाषित करना सबसे अच्छा है कि यह आपके प्रयोग के लिए क्या है। अपना काम शुरू करने से पहले आपको वास्तव में ऐसा करना चाहिए, लेकिन भले ही आपने अपने प्रयोगात्मक पर ध्यान केंद्रित किया हो परिकल्पना (जिस संबंध पर आपको संदेह है वह वास्तव में मौजूद हो सकता है) के बाद एक शून्य परिकल्पना को एक साथ रखना आसान है तथ्य।
पी मान और सांख्यिकीय महत्व
यदि आपका प्रयोग आपको शून्य परिकल्पना को अस्वीकार करने के लिए पर्याप्त कारण देता है, तो इसे "सांख्यिकीय रूप से महत्वपूर्ण" परिणाम कहा जाता है। लेकिन, जैसा कि विज्ञान में अधिकांश चीजों के साथ होता है, इसकी एक बहुत ही विशिष्ट परिभाषा है कि इसका वास्तव में क्या अर्थ है, और जब आप अपने विज्ञान के निष्पक्ष परिणामों को देख रहे हों तो आपको इसके बारे में स्पष्ट होना चाहिए। परिभाषा के अर्थ के लिए नीचे आता है पी आप अपने सांख्यिकीय परीक्षण से प्राप्त मूल्य।
पी मूल्य को अक्सर "संभावना के कारण परिणाम की संभावना" के अर्थ में गलत समझा जाता है, और हालांकि यह उस अर्थ के करीब है जो यह है वास्तव में सच नहीं है. पी इसके बजाय मूल्य आपको मौका बताता है कि, यदि शून्य परिकल्पना सत्य थी, तो आप यादृच्छिक सांख्यिकीय शोर के कारण अपना परिणाम प्राप्त करेंगे। उदाहरण के लिए, यदि आप परीक्षण कर रहे थे कि क्या एक सिक्का असमान रूप से भारित था (एक शून्य परिकल्पना के साथ कि यह एक उचित सिक्का है), एक परिणाम सामान्य सांख्यिकीय भिन्नता के कारण एक उचित सिक्के को फ़्लिप करने से ४५ हेड्स से ५५ टेल्स तक की काफी संभावना होगी, और यही है पी मूल्य परिमाणित करता है।
"महत्व स्तर" के लिए एक कट-ऑफ मान है पी - इससे नीचे कुछ भी आपके लिए अशक्त परिकल्पना को अस्वीकार करने के लिए पर्याप्त रूप से असंभव माना जाता है। इसे आमतौर पर चुना जाता है पी = ०.०५ (इसलिए केवल ५% संभावना होगी कि आपके परिणाम ऐसी दुनिया में प्राप्त होंगे जहां शून्य परिकल्पना सत्य थी), लेकिन अंततः यह सिर्फ एक सम्मेलन है। कुछ परिस्थितियों में, का एक महत्व स्तर पी = 0.10 पूरी तरह से ठीक है, और अन्य में, वैज्ञानिक थोड़ा "बार उठाते हैं" और अधिक सख्त कट-ऑफ सेट करते हैं पी = 0.01. आमतौर पर बस. से चिपके रहना सबसे अच्छा होता है पी = ०.०५, लेकिन समझें कि कभी-कभी भिन्नता होती है।
सहसंबंधों की व्याख्या करना
यदि आप दो समूहों के बीच अंतर के लिए परीक्षण कर रहे हैं, तो सांख्यिकीय महत्व का अर्थ समझना पर्याप्त है, लेकिन यदि आपके परीक्षण में दो समूहों के बीच संबंध शामिल हैं चर (उदाहरण के लिए, एक पौधे को प्राप्त होने वाले प्रकाश की मात्रा और वह कितना लंबा बढ़ता है, या पिछले प्रयासों की संख्या और एक खेल में आपका स्कोर), चीजें थोड़ी सी हैं विभिन्न। सहसंबंधों के लिए परीक्षण -1 और +1 के बीच मान लौटाते हैं, और इन्हें समझना और कार्य-कारण के लिए किसी भी प्रकार के सहसंबंध का क्या अर्थ है, आपके परिणामों की व्याख्या करने के लिए आवश्यक है।
सबसे पहले, यदि आप चरम मामलों पर विचार करते हैं, तो सहसंबंध स्कोर को समझना आसान है। किसी भी सकारात्मक सहसंबंध मान का अर्थ है कि दोनों चर बढ़ते हैं साथ में, और +1 का मान a. है उत्तम सहसंबंध, जहां एक चर का दूसरे के खिलाफ ग्राफ सीधी रेखा है। इसी तरह, किसी भी माइनस सहसंबंध मान का अर्थ है कि जब एक चर बढ़ता है, तो दूसरा घटता है, और -1 का मान एक पूर्ण नकारात्मक सहसंबंध होता है। अंत में, 0 के मान का अर्थ है कि कोई सहसंबंध नहीं है। बेशक, अधिकांश परिणाम एक दशमलव (जैसे 0.65) होंगे, जिसमें बड़े मान (उच्च संख्या, या तो सकारात्मक या नकारात्मक) होंगे, जिसका अर्थ है एक मजबूत सहसंबंध।
हालाँकि, एक महत्वपूर्ण चेतावनी यह है कि परस्पर संबंध का मतलब कारणत्व कारण - कार्य - संबंध नहीं है. दूसरे शब्दों में, सिर्फ इसलिए कि दो चीजें सहसंबद्ध हैं इसका मतलब यह नहीं है कि एक दूसरे का कारण बनता है, और सहसंबंध के आधार पर आपको अपने लेखन में इस तरह के निष्कर्ष निकालने के लिए लुभाया नहीं जाना चाहिए अकेला। एक अच्छा उदाहरण पीले दांतों और फेफड़ों के कैंसर के बीच संबंध है: ऐसा नहीं है कि पीले दांत वजह फेफड़ों का कैंसर; यह है कि धूम्रपान पीले दांत और फेफड़ों के कैंसर दोनों का कारण बनता है। उसी तरह, आपके परिणाम किसी अन्य कारक के कारण हो सकते हैं जिस पर आपने विचार नहीं किया है, इसलिए एक साधारण सहसंबंध से परे बहुत मजबूत सबूत के बिना कारण संबंधी दावे करना हमेशा जोखिम भरा होता है।
इन बातों को ध्यान में रखते हुए, आपकी विज्ञान मेला परियोजना जो भी हो, आपको उन आंकड़ों को करने में सक्षम होना चाहिए जिनकी आपको आवश्यकता है तथा वे जो दिखाते हैं उसे ठीक से समझाएं। हो सकता है कि आप जीत न पाएं, लेकिन आपने जो सीखा है वह आपको वे उपकरण देता है जिनकी आपको वास्तव में न्यायाधीशों का ध्यान आकर्षित करने की आवश्यकता होती है।