Hagnaður:
- Geta til að velja prófið sem hæfir gerð og dreifingu gagnanna og athuga forsendur (eðlileika, frávik)
- Hæfni til að skilja raunverulega merkingu p-gildisins og tilkynna niðurstöðurnar með áhrifastærð og öryggisbili
- Vörn gegn p-hakka með uppgötvun-staðfestingaraðskilnaði, margfaldri samanburðarleiðréttingu og fullri skýrslugerð
Tilrauninni er lokið, gögnin eru komin. Nú erum við á mikilvægasta og rangasta stigi: að greina gögnin rétt og túlka niðurstöðurnar af heiðarleika. Líffræðileg gögn eru oft hávær, óstöðug og margbreytileg. Rangt prófval, óbein brot á forsendum og ómeðvituð p-hacking (að reyna að greina þar til hún gefur tilætluðum árangri) eru aðalorsakir endurgerðanleikakreppunnar í útgefnu líffræðilegu riti. AI hjálpar þér að velja rétta prófið, athuga forsendur og skrifa greiningarkóða; en tölfræðileg heilindi eru á þína ábyrgð.
Í þessari einingu munum við fjalla um algengar tölfræðilegar prófanir, athuganir á forsendum og leiðir til að vernda þig gegn p-hakki.
Að velja rétt próf
Val á prófi fer eftir gerð og dreifingu gagnanna. Gervigreind mun hjálpa þér að taka þetta val, en þú ættir ekki að beita því í blindni:
- Tveir hópar, samfelld gögn, normaldreifing: Óháð t-próf.
- Tveir hópar, óeðlilegir: Mann-Whitney U (ekki parametrísk: þarf ekki dreifingarforsendur).
- Fleiri en tveir hópar: ANOVA (dreifnigreining) + post-hoc próf.
- Flokksupplýsingar (talningar): Kí-kvaðrat eða Fisher nákvæm próf.
- Tengsl: Fylgni (Pearson/Spearman) eða afturför.
Ábending: Sjáðu gögnin fyrir þér áður en þú velur prófið. Sölurit eða kassarit sýnir samstundis það eðlilega og frávik sem t-próf krefst. „Graf first, test later“ er góður vani.
Athugun á forsendum
Sérhver próf hefur falinn forsendur. T-prófið gerir ráð fyrir normaldreifingu og dreifnijafnrétti; Ef þetta er brotið verður niðurstaðan villandi. AI skrifar kóða sem athugar þessar forsendur:
Hlutverk: Þú ert aðstoðarmaður í líftölfræði. Verkefni: Skrifaðu kóða sem athugar forsendur t-prófs áður en tveir hópar gagna eru bornir saman: eðlileg (Shapiro-Wilk), dreifnijafnrétti (Levene). Ef forsendan er brotin, segðu mér hvaða próf ég ætti að halda áfram. Gefðu Python kóða með athugasemdum.
Kóðinn vísar þér til Mann-Whitney ef eðlilegt er brotið. Þetta „athugaðu fyrst, ákveðið seinna“ flæði kemur í veg fyrir að þú framkvæmir rangt próf.
p-hakka og hvernig á að vernda þig
p-hacking er að greina gögn á mismunandi vegu þar til p<0,05: að prófa mismunandi próf, valið að henda frávikum, bæta við/fjarlægja hópa, tilkynna hvað er "marktækt" meðal fjölda breyta. Þetta er helsta uppspretta falsa uppgötvana. Leiðir til verndar:
- Lagaðu greiningaráætlunina fyrirfram (eining 7).
- Tilkynntu öll próf, ekki bara þau sem sýna þýðingu.
- Lagaðu margfeldissamanburð (FDR/Bonferroni).
- Gefðu upp áhrifastærð og öryggisbil við hlið p-gildisins.
- Aðskilin uppgötvun og staðfesting: Prófaðu það sem þú finnur í uppgötvunarsettinu á sjálfstæðu mengi.
Skref fyrir skref: heiðarleg greining
- Sjáðu fyrir þér gögnin (dreifingu, útlínur).
- Athugaðu forsendurnar.
- Framkvæmdu prófið sem þú hefur fyrirfram ákveðið.
- Lagaðu margfaldan samanburð.
- Tilkynna áhrif stærð + öryggisbil.
- Skrifaðu takmarkanir skýrt.
Afritanleg hvetja sniðmát
Sjáðu afköst: teikna sögurit og kassarit fyrir hvern hóp, fánaútlæg. Túlkaðu síðan normality.Data dálkar: [nafn]. Gefðu Python kóða með athugasemdum.
Mig langar að bera saman tvo hópa mína. Einkenni gagnanna: [gerð, N, dreifing].Hvaða próf er viðeigandi? Athugaðu forsendur, framkvæmdu prófið, tilkynntu áhrifastærð OG 95% öryggisbil MEÐ p-gildi.
Ég prófaði fyrir 15 mismunandi genum í greiningu minni. Gefðu kóðann sem beitir Bonferroni og Benjamini-Hochberg leiðréttingunni og útskýrðu muninn á þessum tveimur aðferðum.
Veik kvaðning / Sterk kvaðning
Veik: "Eru þessir tveir hópar ólíkir, gerðu t-próf."
Sterkt: "Ég er með tvo hópa (viðmiðun n=18, meðferð n=20), háða breytan er ensímvirkni (samfelld). Sjáðu fyrst dreifinguna og prófaðu eðlilegleika með Shapiro-Wilk. Ef eðlilegt er, notaðu t-próf, ef ekki, Mann-Whitney. Tilkynntu niðurstöðuna með p-gildi, áhrifastærð (Cohen's d eða rank-biserial próf og skýringar á milli 9% ) og hvers vegna."
Mismunur: Öfluga vísbendingin hefur gagnategund, sýnishornsnúmer, forsendurskoðun og fulla skýrslubeiðni. Líkanið fylgir réttri leið í stað þess að beita t-prófi í blindni.
þrjú smámál
Tilfelli 1 — Rangt próf: Nemandi beitti t-prófi á verulega skekkt (óeðlileg) gögn og fann p=0,048. Þegar gervigreindin bætti við eðlilega athuguninni komu gögnin ekki eðlilega út; Með Mann-Whitney, p=0,11. Raunveruleg niðurstaða var marklaus. Lærdómur: að prófa án þess að athuga forsendu er villandi.
Tilfelli 2 - Valfrjálst brottkast: Rannsakandi eyddi tveimur „útilegu“ punktum til að gera niðurstöðuna marktæka. Í líkaninu var lögð áhersla á að útlæg brottkast ætti að byggja á fyrirfram skilgreindri reglu (t.d. IQR aðferð) og tilkynnt; handahófskennd eyðing er p-hacking. Lexía: stilltu útúrregluna fyrirfram.
Tilvik 3 — Endurheimt áhrifastærðar: Ein rannsókn var með p=0,001 en áhrifastærð (d=0,1) var næstum núll; stóra úrtakið sýndi að ómarktækur munur var marktækur. Þegar gervigreindin greindi frá áhrifastærðinni kom í ljós að niðurstaðan hafði ekkert hagnýtt gildi. Lexía: Bara vegna þess að p er lítið skiptir ekki máli.
samanburðartöflu
Staða
rétt nálgun
Til að forðast
óeðlileg gögn
Óparametrískt próf
Þvingað t-próf
fjölpróf
Notaðu leiðréttingu
Hráefni p<0,05
útúrsnúningur
Forskilgreind regla
handahófskennda eyðingu
veruleg niðurstaða
Áhrifastærð + CI
bara bls
uppgötvun að finna
Staðfesta á óháðu setti
Lokið í einu setti
Algeng mistök
- Tilgáta óviðráðanleg prófun: Óviðráðanleg þýðing með rangri prófun.
- p-hacking: Prófaðu greiningu þar til hún gefur tilætluðum árangri.
- Tilkynning aðeins um p-gildi: Sleppir áhrifastærð og öryggisbili.
- Ekki leiðrétt fyrir margfaldan samanburð: Rangar jákvæðar.
- Orsakarstökk: Ályktun um orsakasamhengi út frá fylgni.
Varúð: gervigreind mun ekki „framleiða“ niðurstöðuna sem þú vilt, en mun glaður skrifa kóðann fyrir rangt próf ef villst. Þú hefur tölfræðilega heilindi: tilkynntu allar tilraunir, skipulagðu greininguna fyrirfram, missa aldrei af áhrifastærðinni. Vinna með líftölfræðingi við greiningar sem leiða til birtingar.
raunveruleg merking p-gildis
Misskilnasta hugtakið í líffræði er p-gildið. P-gildið er ekki „líkur á að tilgátan sé sönn“; Það eru "líkurnar á því að sjá mun sem stóran eða öfgakenndari en það sem þú sérð, þegar í raun og veru er enginn munur." Þessi fíngerða en gagnrýna aðgreining er lykillinn að því að ýkja ekki niðurstöðurnar. p=0,03 þýðir ekki "áhrifin eru 97% raunveruleg". Þegar gervigreindin er túlkuð niðurstöðu skaltu athuga hvort það noti þessa skilgreiningu rétt; Líkanið getur stundum endurtekið algenga rangtúlkun.
Öryggisbilið (CI) er oft meira upplýsandi en p-gildið vegna þess að það sýnir umfang og óvissu áhrifanna saman. „Munur 2,4-faldur (95% CI: 1,8-3,1)“ segir miklu meira en „p<0,05“: bæði stefnu áhrifanna, umfang þeirra og hversu nákvæmlega þau voru mæld. Auðkenndu GA í skýrslum þínum.
Notaðu rétta skilgreiningu á p-gildinu þegar þú túlkar niðurstöðuna mína. Forðastu rangar fullyrðingar eins og "líkur á að áhrifin séu sönn." Í staðinn skaltu útskýra hagnýta merkingu með tilliti til áhrifastærðar og 95% öryggisbils. Niðurstaða: [gögn]
Fylgni, orsakasamhengi og athugunargögn
Flest líffræðileg gögn eru athugunarefni: þú sérð eitthvað breytast með einhverju öðru, en þú getur ekki séð hvað veldur hverju. Setningin „tjáning á geni X tengist sjúkdómi“ gefur ekki til kynna að X valdi sjúkdómi; Sjúkdómurinn gæti verið að auka X, eða þriðji þátturinn gæti haft áhrif á bæði. Orsakasamband er aðeins hægt að staðfesta með íhlutunartilraunum (breyta X og mæla niðurstöðuna). AI gæti óafvitandi notað orsakasamhengi ("orsakir," "leiðir til") í texta þinni; endurskoða hverja niðurstöðu setningu frá þessu sjónarhorni og tjá athuganir á fylgnimáli („fylgni,“ „breytilegt saman“).
Aðskilja pöruð og óháð gögn
Algengasta mismununin í prófvali er hvort sýnin séu óháð eða pöruð. Ef þú tekur fyrir og eftir mælingar frá sama einstaklingi (td blóðgildi sömu sjúklinga fyrir og eftir meðferð) eru þessar mælingar ekki óháðar; Pöruð próf er krafist. Með því að nota óháða tveggja sýnis t-prófið hér fleygir samsvarandi upplýsingum í gögnunum og dregur úr krafti; Það gæti jafnvel snúið niðurstöðunni við. Reglan er einföld: "Koma þessar tvær mælingar frá sömu líffræðilegu einingunni?" Ef svarið er já er notað parað próf (parað t-próf eða Wilcoxon signed rank test) ef ekki er notað óháð próf. Þegar þú biður um gervigreind um próf, vertu viss um að tilgreina samsvörunaruppbyggingu gagna þinna; Ef þú tilgreinir ekki, gerir líkanið oft ráð fyrir sjálfstæði og mælir með röngu prófi.
Ég á tvö sett af mælingum. Mikilvægt: þessar mælingar voru teknar fyrir/eftir SÖMU einstaklingana (paraðir). Veldu rétta prófið sem tekur mið af þessari samsvörun (parað t-próf eða Wilcoxon), athugaðu forsendur þínar og tilkynntu með áhrifastærðinni. Ekki gera ráð fyrir sjálfstæði.
Í stuttu máli
Nákvæm gagnagreining; velja viðeigandi próf fyrir tegund gagna, athuga forsendur, leiðrétta margfeldissamanburð og tilkynna áhrifastærð og öryggisbil auk p-gildisins. Stærsta hættan er p-hakk; Mótefnið er fyrirframgreiningaráætlun, full skýrsla og aðskilnaður uppgötvunar-sannprófunar. Gervigreind er öflugt hjálpartæki við val á prófum og athuganir á forsendum, en tölfræðileg heilindi liggja hjá manneskjunni.
Umsóknarverkefni
Taktu gagnasett (þín eigin gögn eða sýnishorn) með tveimur hópum. Vertu fyrst með AI skrifa kóðann sem sýnir gögnin og prófar hvort þau séu eðlileg. Það fer eftir niðurstöðunni, notaðu viðeigandi próf (t-próf eða Mann-Whitney) og tilkynntu áhrifastærð og öryggisbil ásamt p-gildi. Berðu síðan saman áhrif margfeldissamanburðar án leiðréttingar og með leiðréttingu á niðurstöðuna.
gátlisti
- [ ] Ég sýndi gögnin fyrir prófun.
- [ ] Ég athugaði prófforsendur (eðlileika, dreifni).
- [ ] Ég valdi viðeigandi próf, ég notaði ekki t-prófið í blindni.
- [ ] Ég lagaði margfeldissamanburð.
- Ég greindi frá [ ] p-gildi sem og áhrifastærð og öryggisbili.
- [ ] Ég lagaði greiningaráætlunina fyrirfram og forðast p-hakk.