Ако желите да победите на свом научном сајму, статистичка анализа података је одличан начин да се истакнете у односу на конкуренцију, али када добијете резултат - реците П. = 0,04 - шта то заправо значи значити? Можете да рачунарите са рачунара први део овог поста, али ако заиста не разумете бројеве статистичких тестова, још увек не знате шта је ваш експеримент пронашао.
На пример: Можете ли одбити „нулта хипотеза”На основу вашег резултата? Шта то уопште значи? Да ли је могуће да је ваше откриће случајно? Шта вам корелација говори о односу две променљиве? Ово су врсте питања на која ћете морати да одговорите да бисте правилно протумачили резултате свог сајма науке.
Нулта хипотеза
Кад год радите статистику, постављате „нулту хипотезу“ против „експерименталне хипотезе“. Нулта хипотеза је у основи иста: Не постоји веза између ствари које сте тестирање. У научним експериментима претпостављате да је нулта хипотеза тачна док немате довољно доказа да је побијете. Другим речима, не претпостављате да ћете из експеримената добити одређени резултат - претпостављате да ваша хипотеза није истинита док вам научни резултати не кажу другачије.
Збуњен? Ево примера. Рецимо да радите научни пројекат да бисте открили да ли су пси дешњаци или љеваци. Ваша нулта хипотеза би могла бити да пси немају доминантну шапу. Одатле ће вам резултати рећи да ли је ваша нулта хипотеза тачна или се чини да су пси дешњаци или љеваци.
Али како можете разликовати стварне резултате од онога што би се могло догодити сасвим случајно? Статистика, наравно!
Одређивање који су докази „довољни“ посао је статистичких тестова, а зато што испитујете нулту хипотезу, најбоље је тачно дефинисати шта је то за ваш експеримент. То би заиста требало да урадите пре него што започнете посао, али чак и ако сте се усредсредили на експериментални хипотеза (веза за коју сумњате да би заиста могла постојати) лако је саставити нулту хипотезу након Чињеница.
П вредности и статистички значај
Ако вам експеримент пружи довољан разлог да одбаците нулту хипотезу, то се назива „статистички значајним“ резултатом. Али, као и код већине ствари у науци, постоји врло специфична дефиниција шта ово заправо значи, и то би вам требало бити јасно када гледате резултате свог научног сајма. Дефиниција се своди на значење П. вредност коју добијате статистичким тестом.
Тхе П. вредност се често погрешно тумачи да значи „вероватноћу да је резултат случај“, и иако је ово близу значења да је заправо није тачно. Тхе П. Вредност вам уместо тога говори о шанси да бисте, ако је нулта хипотеза била тачна, добили свој резултат услед случајних статистичких шума. На пример, ако сте тестирали да ли је новчић неравномерно пондерисан (са нултом хипотезом да се ради о поштеном новчићу), резултат од 45 грла до 55 репова било би прилично вероватно бацањем поштеног новчића због општих статистичких варијација, и то је оно што тхе П. вредност квантификује.
„Ниво значајности“ је гранична вредност за П. - било шта испод овога сматра се довољно мало вероватним да одбаците нулту хипотезу. Ово се обично бира као П. = 0,05 (дакле, постојало би само 5% шансе да се ваши резултати добију у свету у којем је нулта хипотеза била тачна), али на крају је ово само конвенција. У неким околностима ниво значајности П. = 0,10 је сасвим у реду, а у другима научници мало „подижу меру“ и постављају строжи пресек П. = 0.01. Обично је најбоље држати се П. = 0,05, али схватите да понекад постоје варијације.
Тумачење корелација
Ако тестирате на разлику између две групе, разумевање значења статистичке значајности је довољно, али ако ваш тест укључује корелације између две групе променљиве (на пример, количину светлости коју биљка добије и колико висока расте, или број претходних покушаја и ваш резултат у игри), ствари су мало различит. Тестови за корелације враћају вредности између -1 и +1, а разумевање ових и онога што било која врста корелације подразумева за узрочност је пресудно за тумачење ваших резултата.
Прво, скор корелације је лако разумљив ако узмете у обзир екстремне случајеве. Свака позитивна вредност корелације значи да се обе променљиве повећавају заједно, а вредност +1 је а савршено корелација, где је граф једне променљиве у односу на другу права линија. На исти начин, било која минус вредност корелације значи да када се једна променљива повећава, друга смањује, а вредност -1 је савршена негативна корелација. Коначно, вредност 0 значи да уопште нема корелације. Наравно, већина резултата биће децимална (попут 0,65), са већим вредностима (већи бројеви, било позитивни или негативни) што значи јачу корелацију.
Међутим, кључно упозорење је то корелација не подразумева узрочност. Другим речима, само зато што су две ствари повезане, не значи да једна узрокује другу, и не бисте требали доћи у искушење да у свом писању извучете такав закључак на основу корелације сам. Добар пример је корелација између жутих зуба и рака плућа: Није то тај жути зуб узрок рак плућа; то је што пушење узрокује и жуте зубе и рак плућа. На исти начин, ваши резултати могу бити последица другог фактора који нисте узели у обзир, па је увек ризично износити узрочне тврдње без врло јаких доказа изван једноставне корелације.
Имајући ове тачке на уму, без обзира на ваш сајамски пројекат, требали бисте бити у стању да израдите статистику која вам је потребна и објаснити тачно шта показују. Можда нећете победити, али оно што сте научили даје вам алате који су вам потребни да заиста привучете пажњу судија.