Hvis du vil vinne vitenskapsmessen din, er det en flott måte å skille deg ut fra konkurransen statistisk å analysere dataene dine, men når du får resultatet - si P = 0,04 - hva gjør det egentlig? mener? Du kan gjøre all matte fra første del av dette innlegget, men hvis du ikke virkelig forstår tallene statistiske tester returnerer, vet du fortsatt ikke hva eksperimentet ditt fant.
For eksempel: Kan du avvise “nullhypotesen”Basert på resultatet ditt? Hva betyr det egentlig? Er det mulig at funnet ditt skyldes tilfeldigheter? Hva forteller en sammenheng deg om forholdet mellom to variabler? Dette er typene spørsmål du må svare på for å få tolkningen av de vitenskapelige rettferdige resultatene dine riktig.
Null hypotesen
Når du gjør statistikk, setter du "nullhypotesen" mot "eksperimentell hypotese". Nullhypotesen er alltid i utgangspunktet den samme: Det er ingen sammenheng mellom tingene du er testing. I vitenskapelige eksperimenter antar du at nullhypotesen er sann til du har tilstrekkelig bevis for å tilbakevise den. Med andre ord antar du ikke at du får et visst resultat fra eksperimentene dine - du antar at hypotesen din ikke er sann før de vitenskapelige resultatene forteller deg noe annet.
Forvirret? Her er et eksempel. Si at du gjør et vitenskapelig prosjekt for å finne ut om hunder er høyre- eller venstrehendte. Din nullhypotese kan være at hunder ikke har noen dominerende pote. Derfra vil resultatene dine fortelle deg om nullhypotesen din er sann, eller om hunder ser ut til å være høyre- eller venstrehendt.
Men hvordan kan du se forskjellen mellom reelle resultater og hva som kan skje ved en tilfeldighet? Statistikk, selvfølgelig!
Å bestemme hvilket bevis som er "tilstrekkelig" er jobben til statistiske tester, og fordi du tester nullhypotesen, er det best å definere nøyaktig hva det er for eksperimentet ditt. Du burde virkelig gjøre dette før du begynner, men selv om du har fokusert på det eksperimentelle hypotese (forholdet du mistenker faktisk kan eksistere) er det enkelt å sette sammen en nullhypotese etter faktum.
P Verdier og statistisk betydning
Hvis eksperimentet ditt gir deg tilstrekkelig grunn til å avvise nullhypotesen, kalles dette et "statistisk signifikant" resultat. Men som med det meste innen naturvitenskap, er det en veldig spesifikk definisjon av hva dette egentlig betyr, og du bør være tydelig på det når du ser på resultatene fra vitenskapsmessige. Definisjonen kommer ned til betydningen av P verdien du får fra din statistiske test.
De P verdien tolkes ofte feil som "sannsynligheten for at resultatet skyldes tilfeldigheter", og selv om dette er nær den betydningen det er faktisk ikke sant. De P verdi forteller deg i stedet sjansen for at hvis nullhypotesen var sant, ville du oppnå resultatet på grunn av tilfeldig statistisk støy. For eksempel, hvis du testet om en mynt var ujevnt vektet (med en nullhypotese om at det er en rettferdig mynt), et resultat på 45 hoder til 55 haler ville være ganske sannsynlig fra å snu en god mynt på grunn av generell statistisk variasjon, og dette er hva de P verdi kvantifiserer.
“Betydningsnivået” er en grenseverdi for P - noe under dette anses å være tilstrekkelig lite sannsynlig for at du kan avvise nullhypotesen. Dette velges vanligvis som P = 0,05 (så det ville bare være 5% sjanse for at resultatene dine ble oppnådd i en verden der nullhypotesen var sant), men til slutt er dette bare en konvensjon. Under noen omstendigheter er et signifikansnivå på P = 0,10 er helt greit, og i andre "løfter forskere litt" og setter en strengere avskjæring av P = 0.01. Det er vanligvis best å bare holde seg til P = 0,05, men forstå at det noen ganger er variasjon.
Tolke sammenhenger
Hvis du tester for en forskjell mellom to grupper, er det nok å forstå betydningen av statistisk signifikans, men hvis testen din innebærer sammenhenger mellom to variabler (for eksempel hvor mye lys en plante får og hvor høy den vokser, eller antall tidligere forsøk og poengsummen din i et spill), ting er litt annerledes. Tester for korrelasjoner returnerer verdier mellom −1 og +1, og å forstå disse og hva en hvilken som helst type korrelasjon innebærer for kausalitet er viktig for å tolke resultatene dine.
For det første er korrelasjonspoengene lett å forstå hvis du vurderer ekstreme tilfeller. Enhver positiv korrelasjonsverdi betyr at begge variablene øker sammen, og verdien +1 er a perfekt korrelasjon, der grafen til en variabel mot en annen er rett linje. På samme måte betyr enhver minus korrelasjonsverdi at når den ene variabelen øker, avtar den andre, og en verdi på -1 er en perfekt negativ korrelasjon. Til slutt betyr verdien 0 at det ikke er noen korrelasjon i det hele tatt. Selvfølgelig vil de fleste resultatene være en desimal (som 0,65), med større verdier (høyere tall, enten positive eller negative) som betyr en sterkere korrelasjon.
Imidlertid er en viktig advarsel det korrelasjon innebærer ikke årsakssammenheng. Med andre ord, bare fordi to ting er korrelert, betyr det ikke at den ene forårsaker den andre, og du bør ikke bli fristet til å trekke en slik konklusjon i skrivingen din på grunnlag av en sammenheng alene. Et godt eksempel er en sammenheng mellom gule tenner og lungekreft: Det er ikke så gule tenner årsaken lungekreft; det er at røyking forårsaker både gule tenner og lungekreft. På samme måte kan resultatene dine skyldes en annen faktor du ikke har vurdert, så det er alltid risikabelt å komme med årsakskrav uten veldig sterke bevis utover en enkel sammenheng.
Med disse poengene i bakhodet, uansett hvilket vitenskapsmessig prosjekt du har, bør du kunne gjøre statistikken du trenger og forklare nøyaktig hva de viser. Du kan ikke vinne, men det du har lært gir deg verktøyene du trenger for å virkelig få dommernes oppmerksomhet.