אם אתה רוצה לזכות ביריד המדעי שלך, ניתוח סטטיסטי של נתונים שלך הוא דרך נהדרת לבלוט מול המתחרים, אבל כשאתה מקבל את התוצאה - נניח פ = 0.04 - מה זה בעצם מתכוון? אתה יכול לעשות את כל המתמטיקה מה- החלק הראשון של ההודעה הזו, אך אם אינך מבין באמת את המספרים המבחנים הסטטיסטיים מחזירים, עדיין אינך יודע באמת מה מצא הניסוי שלך.
לדוגמא: האם אתה יכול לדחות את "השערת אפס”בהתבסס על התוצאה שלך? מה זה בכלל אומר? האם יתכן שהממצא שלך נובע ממקריות? מה מתאם אומר לך על הקשר בין שני משתנים? אלה סוגי השאלות שתצטרך לענות עליהן בכדי לקבל את הפרשנות לתוצאות ההוגנות שלך במדע.
השערת האפס
בכל פעם שאתה עושה סטטיסטיקה, אתה מציב את "השערת האפס" כנגד "ההשערה הניסויית שלך". השערת האפס תמיד ביסודה זהה: אין שום קשר בין הדברים שאתה בדיקה. בניסויים מדעיים אתה מניח שהשערת האפס נכונה עד שיש לך מספיק ראיות להפריך אותה. במילים אחרות, אתה לא מניח שתקבל תוצאה מסוימת מהניסויים שלך - אתה מניח שההשערה שלך לא נכונה עד שהתוצאות המדעיות יגידו לך אחרת.
מְבוּלבָּל? הנה דוגמה. תגיד שאתה עושה פרויקט מדעי כדי לברר אם כלבים ימניים או שמאליים. ההשערה האפסית שלך יכולה להיות שלכלבים אין כפה דומיננטית. משם, התוצאות שלך יגידו לך אם השערת האפס שלך נכונה, או שנראה שכלבים ימניים או שמאליים.
אבל איך אתה יכול להבדיל בין תוצאות אמיתיות לבין מה שעלול לקרות במקרה טהור? סטטיסטיקה, כמובן!
לקבוע אילו ראיות "מספיקות" זה תפקידם של מבחנים סטטיסטיים, ומכיוון שאתה בודק את השערת האפס, עדיף להגדיר בדיוק מה זה לניסוי שלך. אתה באמת צריך לעשות את זה לפני שתתחיל בעבודה שלך, אבל גם אם התמקדת בניסוי שלך השערה (היחסים שאתה חושד שאולי באמת קיימים) קל להרכיב השערה בטלה אחרי העובדה.
ערכי P וחשיבות סטטיסטית
אם הניסוי שלך נותן לך סיבה מספקת לדחות את השערת האפס, זה נקרא תוצאה "מובהקת סטטיסטית". אבל, כמו ברוב הדברים במדע, יש הגדרה מאוד ספציפית למה זה אומר בפועל, ואתה צריך להיות ברור לגבי זה כשאתה מסתכל על התוצאות ההוגנות שלך במדע. ההגדרה מסתכמת במשמעות של פ ערך שאתה מקבל מהמבחן הסטטיסטי שלך.
ה פ הערך מתפרש לרוב כ"הסתברות שהתוצאה נובעת ממקריות ", ולמרות שזה קרוב למשמעות שהיא לא ממש נכון. ה פ ערך במקום זאת אומר לך את הסיכוי שאם השערת האפס הייתה נכונה, היית משיג את התוצאה שלך בגלל רעש סטטיסטי אקראי. לדוגמא, אם בדקתם האם מטבע משוקלל בצורה לא אחידה (עם השערה אפסית שמדובר במטבע הוגן), תוצאה בין 45 ראשים ל -55 זנבות סביר למדי להעיף מטבע הוגן בגלל שונות סטטיסטית כללית, וזה מה ה פ ערך מכמת.
"רמת המשמעות" היא ערך חתך עבור פ - כל מה שנמצא מתחת לזה נחשב סביר מספיק בכדי שתוכל לדחות את השערת האפס. זה נבחר בדרך כלל כ פ = 0.05 (כך שהיה סיכוי של 5% בלבד שהתוצאות שלך יתקבלו בעולם שבו השערת האפס הייתה נכונה), אך בסופו של דבר זו רק מוסכמה. בנסיבות מסוימות, רמת משמעות של פ = 0.10 זה בסדר גמור, ובאחרים, מדענים "מרימים את הרף" וקובעים קיצוץ קפדני יותר פ = 0.01. בדרך כלל עדיף פשוט להיצמד פ = 0.05, אך הבינו שיש לפעמים שונות.
פירוש מתאמים
אם אתה בודק הבדל בין שתי קבוצות, מספיק להבין את המשמעות של מובהקות סטטיסטית, אך אם הבדיקה שלך כוללת מתאם בין שתי משתנים (למשל, כמות האור שצמח מקבל וכמה הוא גדל, או מספר הניסיונות הקודמים והציון שלך במשחק), הדברים הם מעט שונה. בדיקות לקורלציה מחזירות ערכים בין -1 ל- +1, והבנתם ומה המשמעות של כל סוג המתאם לסיבתיות היא חיונית לפרשנות התוצאות שלך.
ראשית, קל להבין את ציון המתאם אם לוקחים בחשבון את המקרים הקיצוניים. כל ערך מתאם חיובי פירושו ששני המשתנים גדלים יַחַד, וערך +1 הוא a מושלם מתאם, כאשר הגרף של משתנה אחד כנגד אחר הוא קו ישר. באותו אופן, כל ערך מתאם מינוס פירושו שכאשר משתנה אחד גדל, האחר יורד, וערך -1 הוא מתאם שלילי מושלם. לבסוף, ערך 0 פירושו שאין בכלל מתאם. כמובן שרוב התוצאות יהיו עשרוניות (כמו 0.65), כאשר ערכים גדולים יותר (מספרים גבוהים יותר, חיוביים או שליליים) משמעותם מתאם חזק יותר.
עם זאת, אזהרה מרכזית היא זו מתאם אינו מרמז על סיבתיות. במילים אחרות, רק בגלל ששני דברים מתואמים זה לא אומר שאחד גורם לשני, ו אתה לא צריך להתפתות להסיק מסקנה כזו בכתבך על בסיס מתאם לבד. דוגמה טובה היא מתאם בין שיניים צהובות לסרטן ריאות: זה לא שיניים צהובות גורם סרטן ריאות; זה שעישון גורם גם לשיניים צהובות וגם לסרטן ריאות. באותו אופן, התוצאות שלך יכולות להיות בגלל גורם אחר שלא שקלת, ולכן תמיד מסוכן לטעון טענות סיבתיות ללא ראיות חזקות מאוד מעבר למתאם פשוט.
עם נקודות אלה בחשבון, לא משנה מה פרויקט הוגן המדעי שלך, אתה אמור להיות מסוגל לעשות את הסטטיסטיקה שאתה צריך ו להסביר בדיוק מה הם מראים. אולי לא תזכה, אבל מה שלמדת נותן לך את הכלים שאתה צריך כדי באמת למשוך את תשומת הלב של השופטים.