Dobici:
- Sposobnost izgradnje jasne hipoteze, točnih kontrola, randomizacije, zasljepljivanja i prethodne analize snage u eksperimentalni dizajn
- Sposobnost razlikovanja biološkog ponavljanja od tehničkog ponavljanja i izbjegavanja pogreške pseudoreplikacije
- Sposobnost sprječavanja p-hakiranja na prvom mjestu popravljanjem plana analize prije eksperimenta (prethodno snimanje)
Najskuplja greška u biologiji je loše osmišljen eksperiment. Netočna analiza može se kasnije ispraviti; No podaci prikupljeni s nedovoljnim brojem ponavljanja, nekontroliranim ili miješanim varijablama ne mogu se oporaviti nikakvim statistikama. "Smeće unutra, smeće van." Zato eksperiment mora biti ispravno osmišljen prije nego što započne. Umjetna inteligencija moćan je misaoni partner u ovoj fazi dizajna: prisjeća se kontrolnih skupina, piše kod koji izvodi analizu snage (izračunavanje broja uzoraka potrebnih za hvatanje tražene razlike), propituje zbunjujuće varijable. Ali konačna odluka o dizajnu je vaša uz poznavanje domene.
U ovoj jedinici raspravljat ćemo o komponentama dobrog eksperimentalnog dizajna io tome kako koristiti umjetnu inteligenciju u tom procesu.
Komponente dobrog eksperimentalnog dizajna
- Jasna hipoteza: provjerljiva, mjerljiva tvrdnja. Kao "Ovaj lijek usporava rast stanica."
- Neovisna i zavisna varijabla: Što mijenjate (doza lijeka), što mjerite (broj stanica)?
- Kontrolna grupa: Grupa za usporedbu koja nije primila nikakvu intervenciju. Bez toga ne možete znati razlog razlike.
- Replikacija: Biološka replikacija (različiti pojedinci/kulture) razlikuje se od tehničke replikacije (ponovljeno mjerenje istog uzorka); Prava moć je u biološkom ponavljanju.
- Randomizacija: Nasumična raspodjela uzoraka u skupine i redoslijed obrade; smanjuje pristranost.
- Zasljepljujuće: Osoba koja vrši mjerenje ne zna koja je koja skupina; sprječava subjektivnu pristranost.
- Analiza snage: Unaprijed se izračunava koliko je uzoraka potrebno za hvatanje očekivanog učinka s vjerojatnošću od 80%.
Savjet: dajte eksperimentalni dizajn umjetnoj inteligenciji da ga "kritizira". "Koja kontrola nedostaje u ovom planu, koju sam zbunjujuću varijablu propustio?" Pitanje otkriva praznine koje ne možete vidjeti kada razmišljate sami.
Analiza snage: zašto i kako
Vrlo mali uzorak može čak i stvarnu razliku učiniti "beznačajnom" (mala snaga); Uzorak koji je prevelik je gubitak resursa i može učiniti da beznačajne razlike izgledaju "značajne". Točan broj nalazi se analizom snage i ovisi o: očekivanoj veličini učinka, prihvaćenim stopama pogreške (alfa i beta) i varijabilnosti podataka.
Uloga: Vi ste pomoćnik u dizajnu eksperimenta i biostatistici. Zadatak: Izvršite analizu snage za eksperiment uspoređujući dvije skupine. Napišite kod koji izračunava broj uzoraka potrebnih po skupini s očekivanom veličinom učinka Cohenovim d = 0,8, alfa = 0,05, snagom = 0,80.statsmodels i objasnite pretpostavke.
Pokrenete kod; na primjer, dobit ćete rezultat poput "26 uzoraka po skupini". Usporedite to s proračunom eksperimenta i izradite realan plan.
Korak po korak: osmišljavanje eksperimenta
- Napišite hipotezu: Jedna rečenica, mjerljiva.
- Definirajte varijable: neovisne, ovisne, održavane konstantnim.
- Odredite kontrole: negativna kontrola, pozitivna kontrola, kontrola vozila.
- Navedite miksere: vrijeme, serija, temperatura, eksperimentator — kako će se njima upravljati?
- Provedite analizu snage: Izračunajte broj potrebnih ponavljanja.
- Planirajte randomizaciju i zasljepljivanje.
- Napišite plan analize unaprijed: Odredite koji ćete test koristiti prije eksperimenta (sprječava p-hakiranje).
Predlošci upita koji se mogu kopirati
Kritikuj moj eksperimentalni plan. Pronađi slabosti u smislu: kontrolne skupine, broja ponavljanja, randomizacije, zasljepljivanja, zbunjujućih faktora. Predložite konkretnu korekciju za svaki nedostatak. Plan: [tekst]
Na primjeru objasnite razliku između biološkog ponavljanja i tehničkog ponavljanja. Prema mom iskustvu [objašnjenje] koji bi trebao biti koliko i zašto?
Želim popraviti svoj plan analize PRIJE eksperimenta. Izdašnost: [dizajn]. Koji je statistički test prikladan, koje pretpostavke trebam provjeriti, hoće li biti više usporedbi? Pišite korak po korak.
Slab upit / Jak upit
Slab: "Osmisli eksperiment."
Strong: "Želim testirati je li droga
Razlika: u snažnom upitu, hipoteza, varijable, vrijeme mjerenja i dostupne kontrole su jasni; Model daje konkretne povratne informacije primjerene terenu.
tri mini kućišta
Slučaj 1 — Efekt ruba: Jedan tim eksperimentirao je na ploči s 96 jažica; Rezultati su bili čudni. Umjetna inteligencija podsjetila je da se rubni udubljenja ploče ponašaju drugačije zbog isparavanja (učinak ruba) i predložila korištenje rubova kao kontrole i raspodjelu uzoraka nasumično. Dosljednost se povećala u ponavljanju.
Slučaj 2 — Pseudoreplikacija: Student je uzeo 10 uzoraka tkiva od jednog miša i rekao "n=10." Međutim, radi se o 10 tehničkih ponavljanja; biološki n je i dalje 1. Kada je model objasnio ovu razliku, student je redizajnirao eksperiment sa 6 miševa. Lekcija: statistički n je biološka jedinica.
Slučaj 3 — Nedovoljna snaga: Jedna je skupina izvela 4 uzorka po skupini i propustila pravi učinak (p=0,09). Analiza snage je pokazala da su 4 uzorka dala samo 35% snage. Da je model unaprijed izračunao točan broj uzoraka, eksperiment bi ili bio postavljen s dovoljnom snagom ili uopće ne bi započeo. Pouka: izračunajte snagu unaprijed, a ne kasnije.
usporedna tablica
koncept
Ispravna primjena
česta greška
ponovo
Brojite biološko ponavljanje
pomislite na tehničko ponavljanje
kontrola
Negativno+pozitivno+nosilac
nekontrolirani eksperiment
Randomizacija
Grupirajte i poredajte nasumično
Sekvencijalna obrada
snaga
Izračunajte prije eksperimenta
ne osvrći se
plan analize
pribadačom unaprijed
Odabir testova na temelju podataka
Uobičajene greške
- Preskakanje kontrolne skupine: Čini uzrok razlike netumačivim.
- Pseudo-ponavljanje: Razmatranje tehničkog ponavljanja kao biološkog n proizvodi pseudo-značaj.
- Ne provodi se analiza snage: nedovoljno ili rasipno uzorkovanje.
- Ignoriranje zbunjujućih faktora: Učinci kao što su serija, lokacija, vrijeme iskrivljuju rezultat.
- Naknadni odabir testa analize: Traženje testa koji daje željeni rezultat (p-hacking).
Oprez: AI vam daje statistiku i prijedloge za dizajn, ali zahtijeva poznavanje domene biološkog značenja eksperimenta i koja je kontrola zapravo potrebna. Nijedna analiza ne može spasiti loše osmišljen eksperiment; Razjasnite dizajn prije početka eksperimenta, po mogućnosti sa statističarom.
Uzimajući u obzir izvore varijabilnosti
Neopjevani heroj dobrog dizajna je razmišljati unaprijed o tome odakle dolazi varijabilnost podataka. Biološka varijabilnost (prirodna razlika između jedinki) je neizbježna i ono što želite proučavati; Tehnička varijabilnost (pogreška pipete, odstupanje uređaja, dnevna razlika) je buka i treba je smanjiti. Način da se to dvoje odvoji je u dizajnu: distribuirati tehničku varijabilnost randomizacijom i slijepim odabirom, uzorkovati biološku varijabilnost dovoljnim ponavljanjem.
Korisno je započeti tako da AI navede moguće izvore varijabilnosti u vašem eksperimentu. Na primjer, u eksperimentu s kulturom stanica: broj prolaza (koliko su puta stanice podijeljene), srednja serija, mjesto inkubatora, vrijeme žetve. Poznavanje ovih izvora omogućuje vam da odlučite koje ćete zadržati konstantnima, a koje nasumično rasporediti.
Navedite sve moguće izvore varijabilnosti (biološke i tehničke) u sljedećem pokusu; Predložite "zadrži fiksno", "randomiziraj" ili "spremi i dodaj u model kao varijablu" za svaki. Eksperiment: [opis]
Predbilježba: najmoćniji alat integriteta
Najsnažniji oblik popravljanja plana analize prije eksperimenta je predregistracija: snimanje vaše hipoteze, veličine uzorka i plana analize na mjestu s vremenskim žigom prije prikupljanja podataka. Ovo eliminira kasniju sumnju "Pokušao sam s analizom dok nisam dobio što sam htio" i uvelike povećava vjerodostojnost vašeg rada. Umjetna inteligencija vam može pomoći da izradite svoj terminski list, razjasnite hipotezu i napišete plan analize. Na taj ćete način uspostaviti najjači štit protiv p-hakiranja, što ćemo vidjeti u Jedinici 8, prije početka eksperimenta.
Razlike u dizajnu prema vrsti eksperimenta
Ne slijedi svaki biološki eksperiment isti obrazac; Dizajn se razlikuje ovisno o vrsti problema. Eksperiment doza-odgovor zahtijeva višestruke doze i model krivulje; Jedna doza nije dovoljna. U eksperimentu vremenskog niza, razmak i ovisnost mjernih točaka (ponovno mjerenje iste osobe) određuje dizajn. U terenskoj/ekološkoj studiji dolazi do izražaja nasumično uzorkovanje i prostorna ovisnost (sličnost obližnjih točaka). Kažete AI-u vrstu svog eksperimenta i pitate "koji su elementi dizajna ključni za ovu vrstu?" Pitanje: omogućuje vam da rano uočite previdjenu komponentu. Ali zapamtite: model se prisjeća općih načela, on ne poznaje biološke detalje vašeg sustava.
Ukratko
Solidan eksperiment; Temelji se na jasnoj hipotezi, točnim kontrolama, dovoljnom broju bioloških replika, randomizaciji, zasljepljivanju i unaprijed izračunatoj snazi. AI je moćan partner koji se prisjeća ovih komponenti, piše kod za analizu snage i kritizira vaš plan. Ali biološko značenje i konačna odluka o dizajnu su vaši. Popravljanje plana analize prije eksperimenta protuotrov je zamku p-hakiranja koju ćemo vidjeti u sljedećoj jedinici.
Zadatak aplikacije
Opišite eksperiment koji imate na umu (ili primjer) u jednom odlomku: hipoteza, varijable, kontrole, planirana replikacija. Natjerali ste umjetnu inteligenciju da kritizira ovaj plan; Navedite kontrole i miksere koji nedostaju. Zatim ispišite kod analize snage (s vašim d i alfa vrijednostima) i neka izračuna potreban broj uzoraka. Revidirajte svoj plan s ovim povratnim informacijama.
popis za provjeru
- [] Napisao sam svoju hipotezu u jednoj mjerljivoj rečenici.
- [ ] Odredio sam potrebne kontrolne skupine (negativni/pozitivni/nosioci).
- [ ] Ispravno sam razlikovao biološko i tehničko ponavljanje.
- [ ] Napravio sam analizu snage prije eksperimenta.
- [ ] Planirao sam randomizaciju i zasljepljivanje.
- [ ] Popravio sam test analize bez da sam vidio podatke.