Bilim fuarınızı kazanmak istiyorsanız, verilerinizi istatistiksel olarak analiz etmek rekabette öne çıkmanın harika bir yoludur, ancak sonucu aldığınızda - diyelim ki P = 0.04 – aslında ne işe yarıyor anlamına gelmek? Tüm matematiği şuradan yapabilirsiniz: bu yazının ilk bölümü, ancak istatistiksel testlerin döndürdüğü sayıları gerçekten anlamadıysanız, yine de denemenizin ne bulduğunu gerçekten bilmiyorsunuzdur.
Örneğin: “sıfır hipotezi” sonucuna göre mi? Bu ne anlama geliyor? Bulduğunuz şeyin şans eseri olması mümkün mü? Bir korelasyon size iki değişken arasındaki ilişki hakkında ne söylüyor? Bunlar, bilim fuarı sonuçlarınızın doğru yorumlanmasını sağlamak için yanıtlamanız gereken soru türleridir.
Sıfır Hipotezi
Ne zaman istatistik yaparsanız, "deneysel hipoteziniz" ile "boş hipotez"i karşılaştırırsınız. Sıfır hipotezi temelde her zaman aynıdır: Olduğunuz şeyler arasında hiçbir ilişki yoktur. test yapmak. Bilimsel deneylerde, onu çürütmek için yeterli kanıtınız olana kadar boş hipotezin doğru olduğunu varsayıyorsunuz. Başka bir deyişle, deneylerinizden kesin bir sonuç alacağınızı varsaymıyorsunuz - bilimsel sonuçlar size aksini söyleyene kadar hipotezinizin doğru olmadığını varsayıyorsunuz.
Şaşkın? İşte bir örnek. Köpeklerin sağ elini mi yoksa solak mı olduğunu öğrenmek için bir bilim projesi yaptığınızı varsayalım. Boş hipoteziniz, köpeklerin baskın bir pençesi olmadığı olabilir. Oradan, sonuçlarınız size sıfır hipotezinizin doğru olup olmadığını veya köpeklerin sağlak mı yoksa solak mı göründüğünü söyleyecektir.
Fakat gerçek sonuçlar ile tamamen şans eseri olabilecekler arasındaki farkı nasıl anlayabilirsiniz? Tabii ki istatistikler!
Hangi kanıtın "yeterli" olduğunu belirlemek istatistiksel testlerin işidir ve boş hipotezi test ettiğiniz için, deneyiniz için tam olarak ne olduğunu tanımlamak en iyisidir. Bunu gerçekten işinize başlamadan önce yapmalısınız, ancak deneysel çalışmanıza odaklanmış olsanız bile hipotezi (şüphelendiğiniz ilişki gerçekten var olabilir) sonra boş bir hipotezi bir araya getirmek kolaydır. gerçek.
P Değerleri ve İstatistiksel Önem
Deneyiniz size sıfır hipotezini reddetmek için yeterli neden veriyorsa, buna "istatistiksel olarak anlamlı" sonuç denir. Ancak, bilimdeki çoğu şeyde olduğu gibi, bunun gerçekte ne anlama geldiğine dair çok özel bir tanım vardır ve bilim fuarı sonuçlarınıza bakarken bu konuda net olmalısınız. Tanım, şu anlama gelir: P istatistiksel testinizden elde ettiğiniz değer.
P değer genellikle "sonucun şansa bağlı olma olasılığı" olarak yanlış yorumlanır ve bu anlama yakın olmasına rağmen aslında doğru değil. P bunun yerine değer, sıfır hipotezi doğruysa, sonucunuzu rastgele istatistiksel gürültü nedeniyle elde etme şansınızı söyler. Örneğin, bir madeni paranın eşit olmayan ağırlıkta olup olmadığını test ediyorsanız (bunun adil bir madeni para olduğuna dair boş bir hipotezle), sonuç 45 tura ila 55 tura, genel istatistiksel varyasyon nedeniyle adil bir yazı tura atmaktan oldukça muhtemeldir ve bu da budur. P değer niceldir.
"Önem düzeyi", aşağıdakiler için bir kesme değeridir: P - bunun altındaki herhangi bir şey, sıfır hipotezini reddetmeniz için yeterince olası olarak kabul edilir. Bu genellikle olarak seçilir P = 0,05 (bu nedenle, sıfır hipotezinin doğru olduğu bir dünyada sonuçlarınızın elde edilmesi için yalnızca %5'lik bir şans olacaktır), ancak sonuçta bu sadece bir kuraldır. Bazı durumlarda, anlamlılık düzeyi P = 0.10 gayet iyi ve diğerlerinde, bilim adamları çıtayı biraz yükseltiyor ve daha katı bir sınır koyuyorlar. P = 0.01. Sadece bağlı kalmak genellikle en iyisidir P = 0.05, ancak bazen farklılıklar olduğunu anlayın.
Korelasyonları Yorumlama
İki grup arasındaki farkı test ediyorsanız, istatistiksel anlamlılığın anlamını anlamak yeterlidir, ancak testiniz iki grup arasındaki korelasyonları içeriyorsa değişkenler (örneğin, bir bitkinin aldığı ışık miktarı ve ne kadar büyüdüğü veya önceki denemelerin sayısı ve bir oyundaki puanınız), işler biraz farklı. Korelasyon testleri, -1 ile +1 arasında değerler döndürür ve bunları ve nedensellik için her iki korelasyon türünün ne anlama geldiğini anlamak, sonuçlarınızı yorumlamak için esastır.
İlk olarak, aşırı durumları göz önünde bulundurursanız korelasyon puanını anlamak kolaydır. Herhangi bir pozitif korelasyon değeri, her iki değişkenin de arttığı anlamına gelir. birlikte, ve +1 değeri a mükemmel korelasyon, burada bir değişkenin diğerine karşı grafiği düz bir çizgidir. Aynı şekilde, herhangi bir eksi korelasyon değeri, bir değişken arttığında diğerinin azaldığı ve -1 değerinin mükemmel bir negatif korelasyon olduğu anlamına gelir. Son olarak, 0 değeri hiçbir korelasyon olmadığı anlamına gelir. Elbette çoğu sonuç, daha büyük değerlerle (pozitif veya negatif, daha yüksek sayılar) daha güçlü bir korelasyon anlamına gelen bir ondalık sayı (0.65 gibi) olacaktır.
Ancak önemli bir uyarı, Bağlılık nedenselliği ifade etmez. Başka bir deyişle, iki şeyin birbiriyle ilişkili olması birinin diğerine neden olduğu anlamına gelmez ve Bir korelasyon temelinde yazınızda böyle bir sonuç çıkarmaya cazip gelmemelisiniz. tek başına. İyi bir örnek sarı dişler ve akciğer kanseri arasındaki ilişkidir: O sarı dişler değil sebep olmak akciğer kanseri; sigara hem sarı dişlere hem de akciğer kanserine neden olur. Aynı şekilde, sonuçlarınız göz önünde bulundurmadığınız başka bir faktöre bağlı olabilir, bu nedenle basit bir korelasyonun ötesinde çok güçlü kanıtlar olmadan nedensel iddialarda bulunmak her zaman risklidir.
Bu noktaları göz önünde bulundurarak, bilim fuarı projeniz ne olursa olsun, ihtiyacınız olan istatistikleri yapabilmelisiniz. ve tam olarak ne gösterdiklerini açıklayın. Kazanamayabilirsiniz, ancak öğrendikleriniz size hakimlerin dikkatini gerçekten çekmek için ihtiyacınız olan araçları verir.