የውሂብ ትንተና እና የስታቲስቲክስ ማረጋገጫ

ትርፍ፡

• ፈተናውን ከመረጃው ዓይነት እና ስርጭት ጋር የሚስማማውን የመምረጥ ችሎታ እና ግምቶችን (መደበኛነት ፣ ልዩነት) የመፈተሽ ችሎታ።
• የ p-valueን ትክክለኛ ትርጉም የመረዳት ችሎታ እና ውጤቱን ከውጤት መጠን እና በራስ የመተማመን ልዩነት ጋር ሪፖርት ማድረግ
• ከፒ-ጠለፋ ጥበቃ ከግኝት-ማረጋገጫ መለያየት፣ ባለብዙ ንፅፅር እርማት እና ሙሉ ሪፖርት ማድረግ

ሙከራው አልቋል፣ መረጃው ገብቷል። አሁን በጣም ወሳኝ እና በጣም የተሳሳተ ደረጃ ላይ ነን፡ መረጃውን በትክክል መተንተን እና ውጤቱን በሐቀኝነት መተርጎም። ባዮሎጂካል መረጃ ብዙ ጊዜ ጫጫታ፣ ያልተረጋጋ እና ብዙ ነው። ትክክለኛ ያልሆነ የፈተና ምርጫ፣ ስውር ግምትን መጣስ እና ሳያውቅ p-ጠለፋ (የተፈለገውን ውጤት እስኪሰጥ ድረስ ትንታኔ መሞከር) በታተሙት ባዮሎጂካዊ ጽሑፎች ውስጥ የመራቢያ ቀውስ ዋና መንስኤዎች ናቸው። AI ትክክለኛውን ፈተና ለመምረጥ, ግምቶችን ለመፈተሽ እና የትንታኔ ኮድ ለመጻፍ ይረዳል; ግን ስታቲስቲካዊ ታማኝነት የእርስዎ ኃላፊነት ነው።

በዚህ ክፍል ውስጥ የተለመዱ የስታቲስቲክስ ፈተናዎችን፣ የግምት ቼኮችን እና እራስዎን ከp-hacking የሚከላከሉባቸውን መንገዶች እንሸፍናለን።

ትክክለኛውን ፈተና መምረጥ

የፈተናው ምርጫ በመረጃው ዓይነት እና ስርጭት ላይ የተመሰረተ ነው. አርቲፊሻል ኢንተለጀንስ ይህንን ምርጫ እንዲያደርጉ ይረዳዎታል፣ ነገር ግን በጭፍን መተግበር የለብዎትም፡

• ሁለት ቡድኖች, ተከታታይ ውሂብ, መደበኛ ስርጭት: ገለልተኛ t-ሙከራ.
• ሁለት ቡድኖች፣ መደበኛ ያልሆኑ፡ ማን-ዊትኒ ዩ (ፓራሜትሪክ ያልሆነ፡ የስርጭት ግምትን የማይፈልግ)።
• ከሁለት ቡድኖች በላይ: ANOVA (የልዩነት ትንተና) + የድህረ-ሆክ ፈተና.
• የምድብ ውሂብ (ተቆጥሯል): Chi-square ወይም Fisher ትክክለኛ ሙከራ.
• ዝምድና፡ ዝምድና (Pearson/Spearman) ወይም regression.

ጠቃሚ ምክር: ፈተናውን ከመምረጥዎ በፊት መረጃውን በዓይነ ሕሊናዎ ይሳሉ. ሂስቶግራም ወይም ቦክስፕሎት የቲ-ፈተና የሚፈልገውን መደበኛነት እና ውጫዊ ሁኔታዎችን ወዲያውኑ ያሳያል። "መጀመሪያ ግራፍ፣ በኋላ ፈትኑ" ጥሩ ልማድ ነው።

ግምቶችን በማጣራት ላይ

እያንዳንዱ ፈተና የተደበቁ ግምቶች አሉት። የቲ-ሙከራው መደበኛ ስርጭት እና የልዩነት እኩልነትን ይይዛል; እነዚህ ከተጣሱ ውጤቱ አሳሳች ይሆናል. AI እነዚህን ግምቶች የሚያረጋግጥ ኮድ ይጽፋል፡-

ሚና፡ እርስዎ የባዮስታስቲክስ ረዳት ነዎት። ተግባር፡ ሁለት የውሂብ ቡድኖችን ከማነጻጸር በፊት የቲ-ሙከራ ግምቶችን የሚፈትሽ ኮድ ይጻፉ፡ መደበኛነት (ሻፒሮ-ዊልክ)፣ የልዩነት እኩልነት (ሌቨን)። ግምቱ ከተጣሰ የትኛውን አማራጭ ፈተና መቀጠል እንዳለብኝ ንገረኝ. የ Python ኮድ ከአስተያየቶች ጋር ይስጡ።

መደበኛነት ከተበላሸ ኮዱ ወደ ማን-ዊትኒ ይመራዎታል። ይህ "መጀመሪያ ያረጋግጡ፣ በኋላ ይወስኑ" ፍሰት የተሳሳተ ሙከራ እንዳያደርጉ ያደርግዎታል።

p-hacking እና እራስዎን እንዴት እንደሚከላከሉ

p-hacking በተለያየ መንገድ መረጃን እስከ p<0.05 ድረስ እየመረመረ ነው፡ የተለያዩ ሙከራዎችን መሞከር፣የውጭ አካላትን መርጦ ማስወገድ፣ቡድኖችን መጨመር/ማስወገድ፣ ከብዙ ተለዋዋጮች መካከል “ጉልህ” የሆነውን ሪፖርት ማድረግ። ይህ የውሸት ግኝቶች ዋና ምንጭ ነው። የመከላከያ ዘዴዎች;

1. የትንታኔ እቅዱን አስቀድመው ያስተካክሉት (ክፍል 7).
2. አስፈላጊ የሆኑትን ብቻ ሳይሆን ሁሉንም ፈተናዎች ሪፖርት ያድርጉ።
3. ብዙ ንጽጽርን (FDR/Bonferroni) ያስተካክሉ።
4. ከ p-value ቀጥሎ የውጤት መጠን እና የመተማመን ክፍተት ይስጡ።
5. የተለየ ግኝት እና ማረጋገጫ፡ በገለልተኛ ስብስብ ላይ ባለው የግኝት ስብስብ ውስጥ ያገኙትን ይሞክሩ።

ደረጃ በደረጃ፡ ሐቀኛ ትንታኔ

1. ውሂቡን በዓይነ ሕሊናህ ተመልከት (ተበታተነ፣ ውጪ)።
2. ግምቶችን ይፈትሹ.
3. አስቀድመው የወሰኑትን ፈተና ያከናውኑ።
4. ብዙ ንጽጽርን ያስተካክሉ።
5. የውጤት መጠን + የመተማመን ክፍተትን ሪፖርት ያድርጉ።
6. ገደቦችን በግልፅ ይፃፉ።

ሊገለበጡ የሚችሉ የጥያቄ አብነቶች

የውጤት መጠንን በዓይነ ሕሊናህ ተመልከት፡ ለእያንዳንዱ ቡድን ሂስቶግራም እና ቦክስፕሎቶች ያሴሩ፣ ሰንደቅ ዓላማዎች። ከዚያ መደበኛነትን ይተርጉሙ የውሂብ አምዶች: [ስም]. የ Python ኮድ ከአስተያየቶች ጋር ይስጡ።

ሁለቱን ቡድኖች ማወዳደር እፈልጋለሁ. የውሂብ ባህሪያት: [አይነት, N, ስርጭት] የትኛው ፈተና ተገቢ ነው? ግምቶችን ይፈትሹ፣ ሙከራውን ያካሂዱ፣ የውጤት መጠንን ሪፖርት ያድርጉ እና 95% የመተማመን ልዩነት ከ p-value ጋር።

በኔ ትንተና 15 የተለያዩ ጂኖችን ሞከርኩ። የBonferroni እና Benjamini-Hochberg እርማትን የሚመለከተውን ኮድ ይስጡ እና በሁለቱ ዘዴዎች መካከል ያለውን ልዩነት ያብራሩ።

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ፡ "እነዚህ ሁለት ቡድኖች የተለያዩ ናቸው፣ ቲ-ፈተና ያድርጉ።"

ጠንካራ: "ሁለት ቡድኖች አሉኝ (ቁጥጥር n = 18, ህክምና n = 20), ጥገኛ ተለዋዋጭ የኢንዛይም እንቅስቃሴ ነው (ቀጣይነት ያለው). መጀመሪያ ስርጭቱን በዓይነ ሕሊናህ ተመልከት እና ከሻፒሮ-ዊልክ ጋር መደበኛነትን ሞክር. መደበኛ ከሆነ, ቲ-ሙከራን ተግብር, ካልሆነ, ማን-ዊትኒ. ውጤቱን በ p-value, የውጤት መጠን (Cohen's d or Rank-biserial. 9serial) እና በ Chohen's D or Rank-biserial. ለምን።

ልዩነት፡ ኃይለኛ መጠየቂያው የውሂብ አይነት፣ የናሙና ቁጥሮች፣ የታሳቢ ፍተሻ እና ሙሉ የሪፖርት ማቅረቢያ ጥያቄ አለው። ሞዴሉ በጭፍን ቲ-ፈተና ከመተግበር ይልቅ ትክክለኛውን መንገድ ይከተላል.

ሶስት ጥቃቅን ጉዳዮች

ጉዳይ 1 - የተሳሳተ ፈተና፡ አንድ ተማሪ በከፍተኛ ሁኔታ የተዛባ (መደበኛ ያልሆነ) መረጃን ለማግኘት t-ፈተና ተጠቀመ እና p=0.048 አግኝቷል። አርቴፊሻል ኢንተለጀንስ የመደበኛነት ፍተሻን ሲጨምር መረጃው መደበኛ አልሆነም; ከማን-ዊትኒ ጋር፣ p=0.11 ትክክለኛው ውጤት ትርጉም የለሽ ነበር። ትምህርት፡ ግምቱን ሳያረጋግጡ መሞከር አሳሳች ነው።

ጉዳይ 2 — Selective outlier disard: አንድ ተመራማሪ ውጤቱን ትርጉም ያለው ለማድረግ ሁለት “ከላይ የወጡ” ነጥቦችን ሰርዘዋል። ሞዴሉ አፅንዖት ሰጥቷል የውጭ መጣል አስቀድሞ በተገለጸው ደንብ (ለምሳሌ IQR ዘዴ) እና ሪፖርት የተደረገ መሆን አለበት; የዘፈቀደ ስረዛ p-hacking ነው። ትምህርት፡ የውጭውን ህግ አስቀድመህ አዘጋጅ።

ጉዳይ 3 — የውጤት መጠን ማግኛ፡ አንድ ጥናት p=0.001 ነበረው ነገር ግን የውጤቱ መጠን (d=0.1) ዜሮ ነበር ማለት ይቻላል። ትልቁ ናሙና ጉልህ ያልሆነውን ልዩነት አሳይቷል. አርቴፊሻል ኢንተለጀንስ የውጤት መጠኑን ሲዘግብ ግኝቱ ምንም ተግባራዊ ዋጋ እንደሌለው ታወቀ። ትምህርት፡ ፒ ትንሽ ስለሆነ ብቻ ምንም ለውጥ አያመጣም።

የንጽጽር ሰንጠረዥ

ሁኔታ

ትክክለኛ አቀራረብ

ለማስወገድ

ያልተለመደ ውሂብ

ፓራሜትሪክ ያልሆነ ሙከራ

የግዳጅ ቲ-ሙከራ

ባለብዙ ሙከራ

እርማትን ይተግብሩ

ድፍድፍ p<0.05

የወጣ

አስቀድሞ የተገለጸ ደንብ

በዘፈቀደ መሰረዝ

ጉልህ ውጤት

የውጤት መጠን + CI

ልክ p

ግኝት ማግኘት

በገለልተኛ ስብስብ ላይ ያረጋግጡ

በአንድ ስብስብ ያጠናቅቁ

የተለመዱ ስህተቶች

• መላምት ቁጥጥር ያልተደረገበት ሙከራ፡- ከሐሰት ሙከራ ጋር የተዛባ ጠቀሜታ።
• p-hacking: የተፈለገውን ውጤት እስኪሰጥ ድረስ ትንታኔን መሞከር.
• p-valueን ብቻ ሪፖርት ማድረግ፡ የተፅዕኖ መጠንን እና የመተማመንን ክፍተት መተው።
• ለብዙ ንጽጽሮች አለመታረም፡ የውሸት አዎንታዊ ውጤቶች።
• የምክንያት መዝለል፡- ምክኒያቱን ከግንኙነት ማገናዘብ።

ጥንቃቄ፡ AI የሚፈልጉትን ውጤት "አይፈጥርም"፣ ነገር ግን ከተሳሳቱ ለተሳሳተ ፈተና ኮዱን በደስታ ይጽፋል። እስታቲስቲካዊ ታማኝነት አለህ፡ ሁሉንም ሙከራዎች ሪፖርት አድርግ፣ ትንታኔውን አስቀድመህ አቅድ፣ የውጤት መጠኑን በፍጹም አያምልጥህ። ወደ ሕትመት ለሚመሩ ትንታኔዎች ከባዮስታቲስቲክስ ባለሙያ ጋር ይስሩ።

የ p-value ትክክለኛ ትርጉም

በባዮሎጂ ውስጥ በጣም የተሳሳተው ጽንሰ-ሐሳብ p-value ነው. ፒ-እሴቱ "የመላምቱ ዕድል እውነት" አይደለም; "ልዩነትን ከምታዘብው ነገር ይልቅ እንደ ትልቅ ወይም የበለጠ ጽንፍ የማየት እድሉ ነው፣ በእውነቱ ምንም ልዩነት ከሌለው"። ይህ ስውር ግን ወሳኝ ልዩነት ውጤቱን ላለማጋነን ቁልፍ ነው። p=0.03 ማለት "ውጤቱ 97% እውን ነው" ማለት አይደለም። AI ውጤቱን ሲተረጉም ፣ ይህንን ፍቺ በትክክል መጠቀሙን ያረጋግጡ ፣ ሞዴሉ አንዳንድ ጊዜ የተለመደውን የተሳሳተ ትርጓሜ ሊደግም ይችላል.

የመተማመን ክፍተቱ (CI) ብዙውን ጊዜ ከፒ-እሴት የበለጠ መረጃ ሰጭ ነው ምክንያቱም የውጤቱን መጠን እና እርግጠኛ አለመሆን በአንድ ላይ ያሳያል። "ልዩነት 2.4-fold (95% CI: 1.8-3.1)" ከ "p<0.05" የበለጠ ይናገራል: ሁለቱም የውጤቱ አቅጣጫ, መጠኑ, እና በትክክል እንዴት እንደተለካ. በሪፖርቶችዎ ውስጥ GA ያድምቁ።

ውጤቴን ስትተረጉም ትክክለኛውን የ p-value ትርጉም ተጠቀም። እንደ "ተፅዕኖው እውነት የመሆን እድሉ" ካሉ የተሳሳቱ መግለጫዎችን ያስወግዱ። ይልቁንም ተግባራዊ ትርጉሙን ከውጤቱ መጠን እና ከ95% የመተማመን ልዩነት አንፃር ያብራሩ። ውጤት፡ [መረጃ]

ተያያዥነት, መንስኤ እና ምልከታ ውሂብ

አብዛኛው ባዮሎጂካል መረጃ ምልከታ ነው፡ የሆነ ነገር በሌላ ነገር ሲቀየር ታያለህ ነገር ግን ምን መንስኤ እንደሆነ ማየት አትችልም። "የጂን ኤክስ መግለጫ ከበሽታ ጋር ይዛመዳል" የሚለው አረፍተ ነገር X በሽታን እንደሚያመጣ አያመለክትም; በሽታው X እየጨመረ ሊሆን ይችላል, ወይም ሦስተኛው ምክንያት ሁለቱንም ሊጎዳ ይችላል. ምክንያታዊነት ሊመሰረት የሚችለው በጣልቃ ገብነት ሙከራ (X በመቀየር እና ውጤቱን በመለካት) ብቻ ነው። AI ሳያውቅ የምክንያት ቋንቋ ሊጠቀም ይችላል ("መንስኤዎች," "የሚመራውን") በጽሁፎችህ ውስጥ; እያንዳንዱን የመደምደሚያ ዓረፍተ ነገር ከዚህ አንፃር ይገምግሙ፣ የታዛቢ ግኝቶችን በተዛመደ ቋንቋ ("ተዛማጆች፣"አንድ ላይ የሚለያዩ")።

የተጣመረ እና ገለልተኛ ውሂብን መለየት

በፈተና ምርጫ ውስጥ በጣም በተደጋጋሚ የማይረሳው ልዩነት ናሙናዎቹ ገለልተኛ ወይም የተጣመሩ ናቸው. ከተመሳሳዩ ሰው መለኪያዎች በፊት እና በኋላ የሚወስዱ ከሆነ (ለምሳሌ ፣ ተመሳሳይ ህመምተኞች ከህክምናው በፊት እና በኋላ) እነዚህ መለኪያዎች ገለልተኛ አይደሉም ። የተጣመረ ፈተና ያስፈልጋል. ገለልተኛውን ባለ ሁለት-ናሙና ቲ-ሙከራ እዚህ በመጠቀም በመረጃው ውስጥ ያለውን ተዛማጅ መረጃ ይጥላል እና ኃይልን ይቀንሳል። ውጤቱን እንኳን ሊቀይር ይችላል. ደንቡ ቀላል ነው "እነዚህ ሁለት መለኪያዎች ከአንድ ባዮሎጂካል ክፍል የመጡ ናቸው?" መልሱ አዎ ከሆነ፣የተጣመረ ፈተና (የተጣመረ ቲ-ሙከራ ወይም የዊልኮክሰን የተፈረመ የደረጃ ፈተና) ጥቅም ላይ ይውላል፣ አይደለም ከሆነ፣ ገለልተኛ ፈተና ጥቅም ላይ ይውላል። ሰው ሰራሽ የማሰብ ችሎታን ለሙከራ ሲጠይቁ የውሂብዎን ተዛማጅ መዋቅር መግለጽዎን ያረጋግጡ። እርስዎ ካልገለጹ, ሞዴሉ ብዙውን ጊዜ ነፃነትን ይይዛል እና የተሳሳተ ፈተናን ይመክራል.

ሁለት ዓይነት መለኪያዎች አሉኝ. ጠቃሚ፡ እነዚህ መለኪያዎች የተወሰዱት ከተመሳሳይ ግለሰቦች በፊት/በኋላ (የተጣመሩ) ናቸው። ይህንን ግጥሚያ (የተጣመረ t-test ወይም Wilcoxon) ግምት ውስጥ የሚያስገባ ትክክለኛውን ሙከራ ይምረጡ፣ ግምቶችዎን ያረጋግጡ እና በውጤቱ መጠን ሪፖርት ያድርጉ። ነፃነትን አታስብ።

በማጠቃለያው

ትክክለኛ የውሂብ ትንተና; ለመረጃው አይነት ተገቢውን ፈተና መምረጥ፣ ግምቶችን መፈተሽ፣ በርካታ ንጽጽሮችን ማረም እና ከ p-value በተጨማሪ የውጤት መጠን እና በራስ መተማመንን ሪፖርት ማድረግ። ትልቁ አደጋ p-hacking ነው; መድሀኒቱ ቅድመ ትንተና እቅድ፣ ሙሉ ዘገባ እና የግኝት ማረጋገጫ መለያየት ነው። ሰው ሰራሽ የማሰብ ችሎታ ለሙከራ ምርጫ እና ግምትን ለመፈተሽ ኃይለኛ እርዳታ ነው, ነገር ግን ስታቲስቲካዊ ታማኝነት በሰው ላይ ነው.

የመተግበሪያ ተግባር

ከሁለት ቡድኖች ጋር የውሂብ ስብስብ (የራስህ ውሂብ ወይም ናሙና) ውሰድ. በመጀመሪያ ውሂቡን በምስል የሚያሳይ እና ለመደበኛነት የሚሞክር የ AI ፃፍ ኮድ ይኑሩ። በውጤቱ ላይ በመመስረት ተገቢውን ፈተና (t-test ወይም Mann-Whitney) ይተግብሩ እና የውጤት መጠን እና የመተማመን ጊዜን ከ p-ዋጋ ጋር ያሳውቁ። ከዚያም የበርካታ ንጽጽሮችን ውጤት ያለ እርማት እና በውጤቱ ላይ በማስተካከል ያወዳድሩ.

የማረጋገጫ ዝርዝር

• [] ውሂቡን ከመሞከር በፊት በዓይነ ሕሊናዬ አይቻለሁ።
• [] የፈተናውን ግምቶች (መደበኛነት፣ ልዩነት) ፈትሻለሁ።
• [ ] ተገቢውን ፈተና መርጫለሁ፣ የቲ-ፈተናውን በጭፍን አልተገበርኩም።
• [] ብዙ ንጽጽርን አስተካክያለሁ።
• የ [ ] p-valueን እንዲሁም የውጤት መጠን እና የመተማመን ክፍተትን ሪፖርት አድርጌያለሁ።
• [] የትንታኔ እቅዱን አስቀድሜ አስተካክዬ p-ጠለፋን አስቀርቻለሁ።