Jeśli chcesz wygrać targi naukowe, statystyczna analiza danych to świetny sposób na wyróżnienie się na tle konkurencji, ale gdy uzyskasz wynik – powiedz P = 0,04 – co to właściwie jest oznaczać? Możesz zrobić całą matematykę z pierwsza część tego postu, ale jeśli naprawdę nie rozumiesz liczb, które zwracają testy statystyczne, nadal nie wiesz, co udało się znaleźć w eksperymencie.
Na przykład: Czy możesz odrzucić „Hipoteza zerowa” na podstawie Twojego wyniku? Co to w ogóle znaczy? Czy to możliwe, że twoje odkrycie jest przypadkowe? Co korelacja mówi o relacji między dwiema zmiennymi? Oto rodzaje pytań, na które musisz odpowiedzieć, aby prawidłowo zinterpretować wyniki badań naukowych.
Hipoteza zerowa
Za każdym razem, gdy robisz statystyki, przeciwstawiasz „hipotezę zerową” swojej „hipotezie eksperymentalnej”. Hipoteza zerowa jest zasadniczo taka sama: nie ma związku między rzeczami, którymi jesteś testowanie. W eksperymentach naukowych zakładasz, że hipoteza zerowa jest prawdziwa, dopóki nie masz wystarczających dowodów, aby ją obalić. Innymi słowy, nie zakładasz, że twoje eksperymenty uzyskają określony wynik — zakładasz, że twoja hipoteza nie jest prawdziwa, dopóki wyniki naukowe nie powiedzą ci inaczej.
Zmieszany? Oto przykład. Załóżmy, że prowadzisz projekt naukowy, aby dowiedzieć się, czy psy są prawo, czy leworęczne. Twoja hipoteza zerowa może polegać na tym, że psy nie mają dominującej łapy. Stamtąd wyniki wskażą Ci, czy Twoja hipoteza zerowa jest prawdziwa, czy też psy wydają się być prawo lub leworęczne.
Ale jak odróżnić rzeczywiste wyniki od tego, co może się zdarzyć przez czysty przypadek? Oczywiście statystyki!
Ustalenie, jakie dowody są „wystarczające”, to zadanie testów statystycznych, a ponieważ testujesz hipotezę zerową, najlepiej jest dokładnie zdefiniować, co to jest dla twojego eksperymentu. Naprawdę powinieneś to zrobić przed rozpoczęciem pracy, ale nawet jeśli skupiłeś się na swoim eksperymencie hipoteza (związek, który podejrzewasz, że może rzeczywiście istnieć) łatwo jest postawić hipotezę zerową po fakt.
Wartości P i istotność statystyczna
Jeśli eksperyment daje wystarczającą podstawę do odrzucenia hipotezy zerowej, nazywa się to wynikiem „istotnym statystycznie”. Ale, jak w przypadku większości rzeczy w nauce, istnieje bardzo konkretna definicja tego, co to właściwie oznacza, i powinieneś to jasno określić, gdy patrzysz na wyniki z targów naukowych. Definicja sprowadza się do znaczenia P wartość uzyskana z testu statystycznego.
P wartość jest często błędnie interpretowana jako „prawdopodobieństwo, że wynik jest dziełem przypadku” i chociaż jest ona zbliżona do znaczenia, jest nie do końca prawda. P Wartość zamiast tego mówi ci, że jeśli hipoteza zerowa byłaby prawdziwa, wynik uzyskasz dzięki losowemu szumowi statystycznemu. Na przykład, jeśli testujesz, czy moneta była nierównomiernie ważona (z hipotezą zerową, że jest to moneta uczciwa), wynik 45 orłów na 55 reszek byłoby dość prawdopodobne, gdyby rzucili uczciwą monetą ze względu na ogólne zróżnicowanie statystyczne, i właśnie to P wartość kwantyfikuje.
„Poziom istotności” jest wartością odcięcia dla P – wszystko poniżej tego jest uważane za wystarczająco mało prawdopodobne, aby odrzucić hipotezę zerową. Jest to zwykle wybierane jako P = 0,05 (więc prawdopodobieństwo uzyskania wyników w świecie, w którym hipoteza zerowa była prawdziwa), byłoby tylko 5%, ale ostatecznie jest to tylko konwencja. W niektórych okolicznościach poziom istotności P = 0,10 jest w porządku, a w innych naukowcy „podnoszą nieco poprzeczkę” i ustalają bardziej rygorystyczne odcięcie P = 0.01. Zwykle najlepiej po prostu się trzymać P = 0,05, ale zrozum, że czasami występuje zmienność.
Interpretowanie korelacji
Jeśli testujesz różnicę między dwiema grupami, wystarczy zrozumieć znaczenie istotności statystycznej, ale jeśli twój test obejmuje korelacje między dwoma zmienne (na przykład ilość światła, jaką otrzymuje roślina i wysokość jej wzrostu lub liczba poprzednich prób i wynik w grze), sprawy są trochę różne. Testy korelacji zwracają wartości z przedziału od -1 do +1, a zrozumienie ich i tego, co każdy z typów korelacji implikuje dla przyczynowości, jest niezbędne do interpretacji wyników.
Po pierwsze, wynik korelacji jest łatwy do zrozumienia, jeśli weźmie się pod uwagę skrajne przypadki. Każda dodatnia wartość korelacji oznacza, że obie zmienne wzrastają razem, a wartość +1 to a idealny korelacja, gdzie wykres jednej zmiennej względem drugiej jest linią prostą. W ten sam sposób każda ujemna wartość korelacji oznacza, że gdy jedna zmienna wzrasta, druga maleje, a wartość -1 jest idealną korelacją ujemną. Wreszcie wartość 0 oznacza, że w ogóle nie ma korelacji. Oczywiście większość wyników będzie ułamkiem dziesiętnym (np. 0,65), przy czym większe wartości (większe liczby, dodatnie lub ujemne) oznaczają silniejszą korelację.
Jednak kluczowym zastrzeżeniem jest to, że korelacja nie oznacza związku przyczynowego. Innymi słowy, tylko dlatego, że dwie rzeczy są ze sobą skorelowane, nie oznacza, że jedna powoduje drugą i nie należy kusić się, aby taki wniosek wyciągnąć w swoim opisie na podstawie korelacji sam. Dobrym przykładem jest korelacja między żółtymi zębami a rakiem płuc: to nie są żółte zęby przyczyna rak płuc; to, że palenie powoduje zarówno żółte zęby, jak i raka płuc. W ten sam sposób Twoje wyniki mogą wynikać z innego czynnika, którego nie brałeś pod uwagę, więc zawsze ryzykowne jest twierdzenie o przyczynach bez bardzo mocnych dowodów poza prostą korelacją.
Mając to na uwadze, niezależnie od projektu Science Fair, powinieneś być w stanie wykonać statystyki, których potrzebujesz, aby i wyjaśnij dokładnie, co pokazują. Możesz nie wygrać, ale to, czego się nauczyłeś, daje ci narzędzia, których potrzebujesz, aby naprawdę zwrócić uwagę sędziów.