Ja vēlaties uzvarēt zinātnes izstādē, statistiski datu analīze ir lielisks veids, kā izcelties no konkurences, bet, kad iegūsiet rezultātu, sakiet P = 0.04 - ko tas patiesībā dara nozīmē? Jūs varat veikt visu matemātiku no šī ziņojuma pirmā daļa, bet, ja jūs īsti nesaprotat statistisko pārbaužu rezultātus, jūs joprojām nezināt, kāds ir jūsu eksperiments.
Piemēram: vai jūs varat noraidītnulles hipotēze”Pamatojoties uz jūsu rezultātu? Ko tas vispār nozīmē? Vai ir iespējams, ka jūsu atradums ir nejaušības dēļ? Ko korelācija stāsta par divu mainīgo saistību? Šie ir jautājumi, uz kuriem jums būs jāatbild, lai jūsu zinātnes izstādes rezultāti tiktu interpretēti pareizi.
Null hipotēze
Ikreiz, kad veicat statistiku, jūs salīdzināt “nulles hipotēzi” pret savu “eksperimentālo hipotēzi”. Nulles hipotēze vienmēr būtībā ir vienāda: starp lietām, kuras jūs esat, nav nekādas saistības testēšana. Zinātniskos eksperimentos jūs pieņemat, ka nulles hipotēze ir patiesa, kamēr jums nav pietiekamu pierādījumu, lai to atspēkotu. Citiem vārdiem sakot, jūs nedomājat, ka iegūsiet noteiktu rezultātu no saviem eksperimentiem - jūs pieņemat, ka jūsu hipotēze nav patiesa, kamēr zinātniskie rezultāti nenorāda pretējo.
Apjucis? Lūk, piemērs. Pieņemsim, ka jūs veicat zinātnes projektu, lai uzzinātu, vai suņi ir labās vai kreisās rokas. Jūsu nulles hipotēze varētu būt tāda, ka suņiem nav dominējošas ķepas. Turpmāk jūsu rezultāti jums pateiks, vai jūsu nulles hipotēze ir patiesa, vai suņi, šķiet, ir labās vai kreisās rokas.
Bet kā jūs varat atšķirt reālos rezultātus un to, kas var notikt tīras nejaušības dēļ? Statistika, protams!
Noteikt, vai pierādījumi ir “pietiekami”, ir statistisko testu uzdevums, un, tā kā jūs pārbaudāt nulles hipotēzi, vislabāk ir precīzi noteikt, kas tas ir jūsu eksperimentam. Jums tas patiešām būtu jādara pirms darba uzsākšanas, taču pat tad, ja esat koncentrējies uz eksperimentu hipotēze (attiecības, par kurām jums ir aizdomas, ka tās patiešām var pastāvēt) pēc tam ir viegli salikt nulles hipotēzi fakts.
P vērtības un statistiskā nozīme
Ja jūsu eksperiments dod jums pietiekamu iemeslu nulles hipotēzes noraidīšanai, to sauc par “statistiski nozīmīgu” rezultātu. Bet, tāpat kā lielākajai daļai zinātnes lietu, ir arī ļoti specifiska definīcija tam, ko tas patiesībā nozīmē, un jums par to vajadzētu būt skaidram, aplūkojot savus zinātnes izstādes rezultātus. Definīcija ir saistīta ar P vērtība, ko iegūstat no sava statistikas testa.
The P vērtību bieži nepareizi interpretē kā “varbūtību, ka rezultāts ir nejaušības dēļ”, un, lai arī tā ir tuvu tai, patiesībā nav taisnība. The P Tā vietā vērtība norāda iespēju, ka, ja nulles hipotēze būtu patiesa, jūs iegūtu savu rezultātu nejauša statistiskā trokšņa dēļ. Piemēram, ja jūs pārbaudījāt, vai monēta ir svērta nevienmērīgi (ar nulles hipotēzi, ka tā ir godīga monēta), rezultāts no 45 galvām līdz 55 astēm vispārējas statistiskas variācijas dēļ ir diezgan iespējams, ka mainīs godīgu monētu, un tas ir tas, P vērtība kvantitatīvi.
“Nozīmības līmenis” ir robežvērtība P - kaut kas zemāka par to tiek uzskatīts par pietiekami maz ticamu, lai jūs noraidītu nulles hipotēzi. To parasti izvēlas kā P = 0.05 (tātad būtu tikai 5% iespēja, ka jūsu rezultāti tiks iegūti pasaulē, kur nulles hipotēze bija patiesa), bet galu galā tā ir tikai konvencija. Dažos gadījumos nozīmīguma līmenis ir P = 0,10 ir pilnīgi labi, un citās zinātnieki nedaudz “paceļ latiņu” un nosaka stingrāku robežu P = 0.01. Parasti vislabāk ir vienkārši pieturēties P = 0,05, bet saprotiet, ka dažreiz pastāv atšķirības.
Korelāciju interpretēšana
Ja jūs pārbaudāt atšķirību starp divām grupām, pietiek izprast statistiskās nozīmības nozīmi, bet, ja jūsu tests ietver korelācijas starp divām grupām mainīgie (piemēram, gaismas daudzums, ko augs saņem un cik aug aug, vai iepriekšējo mēģinājumu skaits un jūsu rezultāts spēlē), lietas ir mazliet savādāk. Korelāciju testi atgriež vērtības starp −1 un +1, un, lai interpretētu savus rezultātus, ir svarīgi izprast šīs un to, ko kāds no korelācijas veidiem nozīmē cēloņsakarībai.
Pirmkārt, korelācijas rādītājs ir viegli saprotams, ja ņem vērā ārkārtējos gadījumus. Jebkura pozitīva korelācijas vērtība nozīmē, ka abi mainīgie palielinās kopā, un vērtība +1 ir a ideāls korelācija, kur viena mainīgā grafiks pret otru ir taisna. Tādā pašā veidā jebkura mīnus korelācijas vērtība nozīmē, ka, palielinoties vienam mainīgajam, otrs samazinās, un vērtība -1 ir perfekta negatīva korelācija. Visbeidzot, vērtība 0 nozīmē, ka korelācijas vispār nav. Protams, lielākā daļa rezultātu būs decimālskaitlis (piemēram, 0,65), un lielākas vērtības (lielāki skaitļi, gan pozitīvi, gan negatīvi) nozīmē spēcīgāku korelāciju.
Tomēr galvenais brīdinājums ir tāds korelācija nenozīmē cēloņsakarību. Citiem vārdiem sakot, tas, ka divas lietas ir saistītas, nenozīmē, ka viena izraisa otru, un jums nevajadzētu rasties kārdinājumam izdarīt šādu secinājumu rakstā, pamatojoties uz korelāciju vienatnē. Labs piemērs ir korelācija starp dzelteniem zobiem un plaušu vēzi: tas nav tik dzelteni zobi cēlonis plaušu vēzis; smēķēšana izraisa gan dzeltenos zobus, gan plaušu vēzi. Tādā pašā veidā jūsu rezultāti varētu būt saistīti ar citu faktoru, kuru neņemat vērā, tāpēc vienmēr ir riskanti izvirzīt cēloņsakarības bez ļoti spēcīgiem pierādījumiem, kas nav vienkārši korelācijas.
Paturot prātā šos punktus, neatkarīgi no jūsu zinātnes izstādes projekta jums vajadzētu būt iespējai veikt nepieciešamo statistiku un paskaidrojiet tieši to, ko viņi parāda. Iespējams, ka jūs neuzvarēsiet, bet uzzinātais dod jums nepieciešamos rīkus, lai patiešām piesaistītu tiesnešu uzmanību.
