Om du vill vinna din vetenskapsmässa är det statistiskt att analysera dina data ett utmärkt sätt att sticka ut från tävlingen, men när du får resultatet - säg P = 0,04 - vad gör det egentligen? betyda? Du kan göra all matematik från första delen av detta inlägg, men om du inte riktigt förstår siffrorna som statistiska test returnerar, vet du fortfarande inte riktigt vad ditt experiment hittade.
Till exempel: Kan du avvisa ”nollhypotesen”Baserat på ditt resultat? Vad betyder det ens? Är det möjligt att din upptäckt beror på slumpen? Vad säger en korrelation om förhållandet mellan två variabler? Det här är de typer av frågor du måste svara på för att få rätt tolkning av dina vetenskapliga resultat.
Null hypotesen
Närhelst du gör statistik sätter du ”nollhypotesen” mot din ”experimentella hypotes”. Nollhypotesen är alltid i princip densamma: Det finns inget samband mellan de saker du är testning. I vetenskapliga experiment antar du att nollhypotesen är sant tills du har tillräckligt med bevis för att motbevisa den. Med andra ord antar du inte att du får ett visst resultat från dina experiment - du antar att din hypotes inte är sant förrän de vetenskapliga resultaten säger något annat.
Förvirrad? Här är ett exempel. Säg att du gör ett vetenskapsprojekt för att ta reda på om hundar är höger- eller vänsterhänta. Din nollhypotes kan vara att hundar inte har någon dominerande tass. Därifrån kommer dina resultat att berätta om din nollhypotes är sant, eller om hundar verkar vara höger- eller vänsterhänt.
Men hur kan du se skillnaden mellan verkliga resultat och vad som kan hända av en ren slump? Statistik, förstås!
Att bestämma vilka bevis som är "tillräckliga" är uppgiften för statistiska tester, och eftersom du testar nollhypotesen är det bäst att definiera exakt vad det är för ditt experiment. Du borde verkligen göra detta innan du börjar ditt arbete, men även om du har fokuserat på ditt experiment hypotes (förhållandet du misstänker kan faktiskt existera) är det enkelt att sätta ihop en nollhypotes efter faktumet.
P-värden och statistisk betydelse
Om ditt experiment ger dig tillräckligt med anledning att avvisa nollhypotesen kallas detta ett "statistiskt signifikant" resultat. Men som med de flesta saker inom vetenskapen finns det en mycket specifik definition av vad detta egentligen betyder, och du bör vara tydlig om det när du tittar på dina vetenskapliga mässresultat. Definitionen kommer ner till innebörden av P värde du får från ditt statistiska test.
De P värdet tolkas ofta felaktigt så att det betyder "sannolikheten att resultatet beror på slumpen", och även om detta ligger nära den betydelse det är faktiskt inte sant. De P värde berättar istället chansen att om nullhypotesen var sant skulle du få ditt resultat på grund av slumpmässigt statistiskt brus. Till exempel, om du testade om ett mynt vägdes ojämnt (med en nollhypotes att det är ett rättvist mynt), ett resultat på 45 huvuden till 55 svansar skulle det vara ganska troligt att vända ett rättvist mynt på grund av allmän statistisk variation, och detta är vad de P värde kvantifierar.
”Signifikansnivån” är ett gränsvärde för P - något under detta anses vara tillräckligt osannolikt för att du ska avvisa nollhypotesen. Detta väljs vanligtvis som P = 0,05 (så det skulle bara vara 5% chans att dina resultat skulle uppnås i en värld där nollhypotesen var sant), men i slutändan är detta bara en konvention. Under vissa omständigheter har en signifikansnivå av P = 0,10 är helt bra, och i andra “forskare” höjer ribban ”lite och ställer in en striktare avskärning av P = 0.01. Det är oftast bäst att bara hålla sig till P = 0,05, men förstå att det ibland finns variation.
Tolka korrelationer
Om du testar för skillnad mellan två grupper är det tillräckligt att förstå innebörden av statistisk signifikans, men om ditt test innebär korrelationer mellan två variabler (till exempel mängden ljus en växt får och hur hög den växer, eller antalet tidigare försök och din poäng i ett spel), saker är lite annorlunda. Tester för korrelationer returnerar värden mellan −1 och +1, och att förstå dessa och vad någon typ av korrelation innebär för kausalitet är viktigt för att tolka dina resultat.
För det första är korrelationspoängen lätt att förstå om man tänker på extrema fall. Alla positiva korrelationsvärden innebär att båda variablerna ökar tillsammans, och värdet +1 är a perfekt korrelation, där grafen för en variabel mot en annan är rak linje. På samma sätt betyder något minus korrelationsvärde att när en variabel ökar minskar den andra och ett värde på -1 är en perfekt negativ korrelation. Slutligen betyder värdet 0 att det inte finns någon korrelation alls. Naturligtvis kommer de flesta resultaten att vara ett decimal (som 0,65), med större värden (högre siffror, antingen positiva eller negativa) vilket betyder en starkare korrelation.
Men en viktig varning är det korrelation innebär inte orsakssamband. Med andra ord, bara för att två saker är korrelerade betyder det inte att den ena orsakar den andra, och du bör inte frestas att dra en sådan slutsats i din skrivning på grundval av en korrelation ensam. Ett bra exempel är ett samband mellan gula tänder och lungcancer: Det är inte så gula tänder orsak lungcancer; det är att rökning orsakar både gula tänder och lungcancer. På samma sätt kan dina resultat bero på en annan faktor som du inte har beaktat, så det är alltid riskabelt att göra orsakskrav utan mycket starka bevis utöver en enkel korrelation.
Med dessa punkter i åtanke, oavsett ditt vetenskapliga mässprojekt, borde du kunna göra den statistik du behöver och förklara exakt vad de visar. Du kanske inte vinner, men vad du har lärt dig ger dig de verktyg du behöver för att verkligen få domarnas uppmärksamhet.