Als u uw wetenschapsbeurs wilt winnen, is het statistisch analyseren van uw gegevens een geweldige manier om u te onderscheiden van de concurrentie, maar als u het resultaat krijgt, bijvoorbeeld P = 0,04 – wat doet het eigenlijk? gemeen? Je kunt alle wiskunde doen vanaf de eerste deel van dit bericht, maar als u de cijfers die statistische tests retourneren niet echt begrijpt, weet u nog steeds niet echt wat uw experiment heeft gevonden.
Bijvoorbeeld: Kunt u de “nulhypothese” op basis van uw resultaat? Wat betekent dat uberhaupt? Is het mogelijk dat uw bevinding op toeval berust? Wat zegt een correlatie over de relatie tussen twee variabelen? Dit zijn het soort vragen dat u moet beantwoorden om de juiste interpretatie van uw wetenschappelijke eerlijke resultaten te krijgen.
De nulhypothese
Telkens wanneer je statistieken maakt, zet je de 'nulhypothese' tegenover je 'experimentele hypothese'. De nulhypothese is in principe altijd hetzelfde: er is geen relatie tussen de dingen die je bent testen. In wetenschappelijke experimenten ga je ervan uit dat de nulhypothese waar is totdat je voldoende bewijs hebt om het te weerleggen. Met andere woorden, je gaat er niet vanuit dat je een bepaald resultaat krijgt met je experimenten - je gaat ervan uit dat je hypothese niet waar is totdat de wetenschappelijke resultaten je anders vertellen.
Verward? Hier is een voorbeeld. Stel dat je een wetenschappelijk project doet om erachter te komen of honden rechts- of linkshandig zijn. Uw nulhypothese zou kunnen zijn dat honden geen dominante poot hebben. Van daaruit zullen uw resultaten u vertellen of uw nulhypothese waar is, of dat honden rechts- of linkshandig lijken te zijn.
Maar hoe kun je het verschil zien tussen echte resultaten en wat er door puur toeval zou kunnen gebeuren? Statistieken natuurlijk!
Bepalen welk bewijs "voldoende" is, is de taak van statistische tests, en omdat u de nulhypothese test, is het het beste om precies te definiëren wat het is voor uw experiment. Je zou dit echt moeten doen voordat je aan je werk begint, maar zelfs als je je hebt gefocust op je experimentele hypothese (de relatie waarvan u vermoedt dat deze daadwerkelijk bestaat) is het gemakkelijk om daarna een nulhypothese samen te stellen het feit.
P-waarden en statistische significantie
Als uw experiment voldoende reden geeft om de nulhypothese te verwerpen, wordt dit een "statistisch significant" resultaat genoemd. Maar zoals met de meeste dingen in de wetenschap, is er een zeer specifieke definitie van wat dit eigenlijk betekent, en je moet er duidelijk over zijn als je naar je wetenschappelijke eerlijke resultaten kijkt. De definitie komt neer op de betekenis van de P waarde die u uit uw statistische toets haalt.
De P waarde wordt vaak verkeerd geïnterpreteerd als "de waarschijnlijkheid dat het resultaat te wijten is aan toeval", en hoewel dit dicht bij de betekenis ligt, is het niet echt waar. De P waarde vertelt u in plaats daarvan de kans dat, als de nulhypothese waar zou zijn, u uw resultaat zou krijgen als gevolg van willekeurige statistische ruis. Als u bijvoorbeeld aan het testen was of een munt ongelijk gewogen was (met een nulhypothese dat het een eerlijke munt is), wordt een resultaat van 45 kop tot 55 keer zou redelijk waarschijnlijk zijn als je een eerlijke munt opgooit vanwege algemene statistische variatie, en dit is wat: de P waarde kwantificeert.
Het “significantieniveau” is een afkapwaarde voor P – alles daaronder wordt voldoende onwaarschijnlijk geacht om de nulhypothese te verwerpen. Dit wordt meestal gekozen als: P = 0,05 (dus er zou slechts 5% kans zijn dat uw resultaten zouden worden verkregen in een wereld waar de nulhypothese waar was), maar uiteindelijk is dit slechts een conventie. In sommige gevallen kan een significantieniveau van P = 0,10 is prima, en bij andere leggen wetenschappers de lat een beetje hoger en stellen ze een striktere grens in P = 0.01. Het is meestal het beste om gewoon vast te houden aan P = 0,05, maar begrijp dat er soms variatie is.
Correlaties interpreteren
Als u een verschil tussen twee groepen test, is het voldoende om de betekenis van statistische significantie te begrijpen, maar als uw test correlaties tussen twee variabelen (bijvoorbeeld de hoeveelheid licht die een plant ontvangt en hoe groot hij wordt, of het aantal eerdere pogingen en je score bij een spel), dingen zijn een beetje anders. Tests voor correlaties leveren waarden op tussen -1 en +1, en het begrijpen van deze en wat beide typen correlatie inhouden voor causaliteit is essentieel voor het interpreteren van uw resultaten.
Ten eerste is de correlatiescore gemakkelijk te begrijpen als je kijkt naar de extreme gevallen. Elke positieve correlatiewaarde betekent dat beide variabelen toenemen samen, en een waarde van +1 is a perfect correlatie, waarbij de grafiek van de ene variabele tegen de andere een rechte lijn is. Op dezelfde manier betekent elke min-correlatiewaarde dat wanneer de ene variabele toeneemt, de andere afneemt, en een waarde van -1 een perfecte negatieve correlatie is. Ten slotte betekent een waarde van 0 dat er helemaal geen correlatie is. Natuurlijk zullen de meeste resultaten een decimaal zijn (zoals 0,65), waarbij grotere waarden (hogere getallen, positief of negatief) een sterkere correlatie betekenen.
Een belangrijk voorbehoud is echter dat: correlatie impliceert geen oorzakelijk verband. Met andere woorden, alleen omdat twee dingen gecorreleerd zijn, betekent niet dat de een de ander veroorzaakt, en, je moet niet in de verleiding komen om zo'n conclusie te trekken in je beschrijving op basis van een correlatie alleen. Een goed voorbeeld is een correlatie tussen gele tanden en longkanker: het zijn niet die gele tanden oorzaak longkanker; het is dat roken zowel gele tanden als longkanker veroorzaakt. Op dezelfde manier kunnen uw resultaten te wijten zijn aan een andere factor waar u geen rekening mee hebt gehouden, dus het is altijd riskant om causale beweringen te doen zonder zeer sterk bewijs dat verder gaat dan een eenvoudige correlatie.
Met deze punten in gedachten zou je, wat je wetenschappelijke beursproject ook is, in staat moeten zijn om de statistieken te maken die je nodig hebt en precies uitleggen wat ze laten zien. Je wint misschien niet, maar wat je hebt geleerd, geeft je de tools die je nodig hebt om echt de aandacht van de jury te trekken.