ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ಮೌಲ್ಯೀಕರಣ

ಲಾಭಗಳು:

• ಡೇಟಾದ ಪ್ರಕಾರ ಮತ್ತು ವಿತರಣೆಗೆ ಸೂಕ್ತವಾದ ಪರೀಕ್ಷೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ (ಸಾಮಾನ್ಯತೆ, ವ್ಯತ್ಯಾಸ)
• p-ಮೌಲ್ಯದ ನಿಜವಾದ ಅರ್ಥವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮತ್ತು ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ ಫಲಿತಾಂಶಗಳನ್ನು ವರದಿ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ಡಿಸ್ಕವರಿ-ಪರಿಶೀಲನೆ ಬೇರ್ಪಡಿಕೆ, ಬಹು ಹೋಲಿಕೆ ತಿದ್ದುಪಡಿ ಮತ್ತು ಪೂರ್ಣ ವರದಿಯೊಂದಿಗೆ p-ಹ್ಯಾಕಿಂಗ್‌ನಿಂದ ರಕ್ಷಣೆ

ಪ್ರಯೋಗವು ಮುಗಿದಿದೆ, ಡೇಟಾ ಬಂದಿದೆ. ಈಗ ನಾವು ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಮತ್ತು ಅತ್ಯಂತ ತಪ್ಪಾದ ಹಂತದಲ್ಲಿದ್ದೇವೆ: ಡೇಟಾವನ್ನು ಸರಿಯಾಗಿ ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ಅರ್ಥೈಸುವುದು. ಜೈವಿಕ ದತ್ತಾಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ಗದ್ದಲದ, ಅಸ್ಥಿರ ಮತ್ತು ಮಲ್ಟಿವೇರಿಯೇಟ್ ಆಗಿದೆ. ತಪ್ಪಾದ ಪರೀಕ್ಷಾ ಆಯ್ಕೆ, ಸೂಚ್ಯ ಊಹೆ ಉಲ್ಲಂಘನೆಗಳು ಮತ್ತು ಸುಪ್ತಾವಸ್ಥೆಯ p-ಹ್ಯಾಕಿಂಗ್ (ಅದು ಬಯಸಿದ ಫಲಿತಾಂಶವನ್ನು ನೀಡುವವರೆಗೆ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪ್ರಯತ್ನಿಸುವುದು) ಪ್ರಕಟಿತ ಜೈವಿಕ ಸಾಹಿತ್ಯದಲ್ಲಿ ಪುನರುತ್ಪಾದನೆ ಬಿಕ್ಕಟ್ಟಿನ ಪ್ರಾಥಮಿಕ ಕಾರಣಗಳಾಗಿವೆ. ಸರಿಯಾದ ಪರೀಕ್ಷೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಲು, ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ ಕೋಡ್ ಬರೆಯಲು AI ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ; ಆದರೆ ಅಂಕಿಅಂಶಗಳ ಸಮಗ್ರತೆ ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ.

ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಸಾಮಾನ್ಯ ಅಂಕಿಅಂಶಗಳ ಪರೀಕ್ಷೆಗಳು, ಊಹೆ ಪರಿಶೀಲನೆಗಳು ಮತ್ತು p-ಹ್ಯಾಕಿಂಗ್‌ನಿಂದ ನಿಮ್ಮನ್ನು ರಕ್ಷಿಸಿಕೊಳ್ಳುವ ವಿಧಾನಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತೇವೆ.

ಸರಿಯಾದ ಪರೀಕ್ಷೆಯನ್ನು ಆರಿಸುವುದು

ಪರೀಕ್ಷೆಯ ಆಯ್ಕೆಯು ಡೇಟಾದ ಪ್ರಕಾರ ಮತ್ತು ವಿತರಣೆಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಈ ಆಯ್ಕೆಯನ್ನು ಮಾಡಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಆದರೆ ನೀವು ಅದನ್ನು ಕುರುಡಾಗಿ ಅನ್ವಯಿಸಬಾರದು:

• ಎರಡು ಗುಂಪುಗಳು, ನಿರಂತರ ಡೇಟಾ, ಸಾಮಾನ್ಯ ವಿತರಣೆ: ಸ್ವತಂತ್ರ ಟಿ-ಪರೀಕ್ಷೆ.
• ಎರಡು ಗುಂಪುಗಳು, ಸಾಮಾನ್ಯವಲ್ಲದ: ಮನ್-ವಿಟ್ನಿ ಯು (ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಅಲ್ಲದ: ವಿತರಣಾ ಊಹೆಯ ಅಗತ್ಯವಿಲ್ಲ).
• ಎರಡು ಗುಂಪುಗಳಿಗಿಂತ ಹೆಚ್ಚು: ANOVA (ವ್ಯತ್ಯಾಸಗಳ ವಿಶ್ಲೇಷಣೆ) + ಪೋಸ್ಟ್-ಹಾಕ್ ಪರೀಕ್ಷೆ.
• ವರ್ಗೀಯ ಡೇಟಾ (ಎಣಿಕೆಗಳು): ಚಿ-ಸ್ಕ್ವೇರ್ ಅಥವಾ ಫಿಶರ್ ನಿಖರವಾದ ಪರೀಕ್ಷೆ.
• ಸಂಬಂಧ: ಪರಸ್ಪರ ಸಂಬಂಧ (ಪಿಯರ್ಸನ್/ಸ್ಪಿಯರ್‌ಮ್ಯಾನ್) ಅಥವಾ ಹಿಂಜರಿತ.

ಸಲಹೆ: ಪರೀಕ್ಷೆಯನ್ನು ಆಯ್ಕೆಮಾಡುವ ಮೊದಲು ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸಿ. ಒಂದು ಹಿಸ್ಟೋಗ್ರಾಮ್ ಅಥವಾ ಬಾಕ್ಸ್‌ಪ್ಲಾಟ್ ಟಿ-ಪರೀಕ್ಷೆಗೆ ಅಗತ್ಯವಿರುವ ಸಾಮಾನ್ಯತೆ ಮತ್ತು ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ತಕ್ಷಣ ತೋರಿಸುತ್ತದೆ. "ಮೊದಲು ಗ್ರಾಫ್, ನಂತರ ಪರೀಕ್ಷೆ" ಒಂದು ಒಳ್ಳೆಯ ಅಭ್ಯಾಸ.

ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಲಾಗುತ್ತಿದೆ

ಪ್ರತಿ ಪರೀಕ್ಷೆಯು ಗುಪ್ತ ಊಹೆಗಳನ್ನು ಹೊಂದಿದೆ. ಟಿ-ಪರೀಕ್ಷೆಯು ಸಾಮಾನ್ಯ ವಿತರಣೆ ಮತ್ತು ವ್ಯತ್ಯಾಸದ ಸಮಾನತೆಯನ್ನು ಊಹಿಸುತ್ತದೆ; ಇವುಗಳನ್ನು ಉಲ್ಲಂಘಿಸಿದರೆ, ಫಲಿತಾಂಶವು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತದೆ. AI ಈ ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ:

ಪಾತ್ರ: ನೀವು ಬಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಸಹಾಯಕ. ಕಾರ್ಯ: ಎರಡು ಗುಂಪುಗಳ ಡೇಟಾವನ್ನು ಹೋಲಿಸುವ ಮೊದಲು ಟಿ-ಪರೀಕ್ಷೆಯ ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಕೋಡ್ ಬರೆಯಿರಿ: ಸಾಮಾನ್ಯತೆ (ಶಪಿರೊ-ವಿಲ್ಕ್), ವ್ಯತ್ಯಾಸದ ಸಮಾನತೆ (ಲೆವೆನ್). ಊಹೆಯನ್ನು ಉಲ್ಲಂಘಿಸಿದರೆ, ನಾನು ಯಾವ ಪರ್ಯಾಯ ಪರೀಕ್ಷೆಯನ್ನು ಮುಂದುವರಿಸಬೇಕು ಎಂದು ಹೇಳಿ. ಕಾಮೆಂಟ್‌ಗಳೊಂದಿಗೆ ಪೈಥಾನ್ ಕೋಡ್ ನೀಡಿ.

ಸಾಮಾನ್ಯತೆಯು ಮುರಿದುಹೋದರೆ ಕೋಡ್ ನಿಮ್ಮನ್ನು ಮನ್-ವಿಟ್ನಿಗೆ ಮರುನಿರ್ದೇಶಿಸುತ್ತದೆ. ಈ "ಮೊದಲು ಪರಿಶೀಲಿಸಿ, ನಂತರ ನಿರ್ಧರಿಸಿ" ಹರಿವು ತಪ್ಪು ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡದಂತೆ ನಿಮ್ಮನ್ನು ತಡೆಯುತ್ತದೆ.

p-ಹ್ಯಾಕಿಂಗ್ ಮತ್ತು ನಿಮ್ಮನ್ನು ಹೇಗೆ ರಕ್ಷಿಸಿಕೊಳ್ಳುವುದು

p-hacking ಎನ್ನುವುದು p<0.05 ರವರೆಗೆ ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು: ವಿಭಿನ್ನ ಪರೀಕ್ಷೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸುವುದು, ಆಯ್ದ ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ತಿರಸ್ಕರಿಸುವುದು, ಗುಂಪುಗಳನ್ನು ಸೇರಿಸುವುದು/ತೆಗೆದುಹಾಕುವುದು, ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ವೇರಿಯಬಲ್‌ಗಳಲ್ಲಿ "ಮಹತ್ವ" ಎಂಬುದನ್ನು ವರದಿ ಮಾಡುವುದು. ಇದು ನಕಲಿ ಸಂಶೋಧನೆಗಳ ಮುಖ್ಯ ಮೂಲವಾಗಿದೆ. ರಕ್ಷಣೆಯ ಮಾರ್ಗಗಳು:

1. ವಿಶ್ಲೇಷಣೆ ಯೋಜನೆಯನ್ನು ಮುಂಚಿತವಾಗಿ ಸರಿಪಡಿಸಿ (ಘಟಕ 7).
2. ಎಲ್ಲಾ ಪರೀಕ್ಷೆಗಳನ್ನು ವರದಿ ಮಾಡಿ, ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ತೋರಿಸುವ ಪರೀಕ್ಷೆಗಳು ಮಾತ್ರವಲ್ಲ.
3. ಬಹು ಹೋಲಿಕೆಯನ್ನು ಸರಿಪಡಿಸಿ (FDR/Bonferroni).
4. p-ಮೌಲ್ಯದ ಪಕ್ಕದಲ್ಲಿ ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ನೀಡಿ.
5. ಪ್ರತ್ಯೇಕ ಆವಿಷ್ಕಾರ ಮತ್ತು ಮೌಲ್ಯೀಕರಣ: ಸ್ವತಂತ್ರ ಸೆಟ್‌ನಲ್ಲಿ ಡಿಸ್ಕವರಿ ಸೆಟ್‌ನಲ್ಲಿ ನೀವು ಕಂಡುಕೊಂಡದ್ದನ್ನು ಪರೀಕ್ಷಿಸಿ.

ಹಂತ ಹಂತವಾಗಿ: ಪ್ರಾಮಾಣಿಕ ವಿಶ್ಲೇಷಣೆ

1. ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸಿ (ಸ್ಕ್ಯಾಟರ್, ಔಟ್ಲೈಯರ್).
2. ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
3. ನೀವು ಪೂರ್ವನಿರ್ಧರಿತ ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡಿ.
4. ಬಹು ಹೋಲಿಕೆಯನ್ನು ಸರಿಪಡಿಸಿ.
5. ಪರಿಣಾಮದ ಗಾತ್ರ + ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ವರದಿ ಮಾಡಿ.
6. ಮಿತಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಥ್ರೋಪುಟ್ ಅನ್ನು ದೃಶ್ಯೀಕರಿಸಿ: ಪ್ರತಿ ಗುಂಪಿಗೆ ಪ್ಲಾಟ್ ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳು ಮತ್ತು ಬಾಕ್ಸ್‌ಪ್ಲಾಟ್‌ಗಳು, ಫ್ಲ್ಯಾಗ್ ಔಟ್‌ಲೈಯರ್‌ಗಳು. ನಂತರ ಸಾಮಾನ್ಯತೆಯನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ.ಡೇಟಾ ಕಾಲಮ್‌ಗಳು: [ಹೆಸರು]. ಕಾಮೆಂಟ್‌ಗಳೊಂದಿಗೆ ಪೈಥಾನ್ ಕೋಡ್ ನೀಡಿ.

ನನ್ನ ಎರಡು ಗುಂಪುಗಳನ್ನು ಹೋಲಿಸಲು ನಾನು ಬಯಸುತ್ತೇನೆ. ಡೇಟಾದ ಗುಣಲಕ್ಷಣಗಳು: [ಪ್ರಕಾರ, ಎನ್, ವಿತರಣೆ]. ಯಾವ ಪರೀಕ್ಷೆ ಸೂಕ್ತವಾಗಿದೆ? ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ, ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡಿ, ಪರಿಣಾಮದ ಗಾತ್ರವನ್ನು ವರದಿ ಮಾಡಿ ಮತ್ತು p-ಮೌಲ್ಯದೊಂದಿಗೆ 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ.

ನನ್ನ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ನಾನು 15 ವಿಭಿನ್ನ ಜೀನ್‌ಗಳನ್ನು ಪರೀಕ್ಷಿಸಿದೆ. ಬೋನ್‌ಫೆರೋನಿ ಮತ್ತು ಬೆಂಜಮಿನಿ-ಹೋಚ್‌ಬರ್ಗ್ ತಿದ್ದುಪಡಿಯನ್ನು ಅನ್ವಯಿಸುವ ಕೋಡ್ ಅನ್ನು ನೀಡಿ ಮತ್ತು ಎರಡು ವಿಧಾನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "ಈ ಎರಡು ಗುಂಪುಗಳು ವಿಭಿನ್ನವಾಗಿವೆಯೇ, ಟಿ-ಪರೀಕ್ಷೆ ಮಾಡಿ."

ಪ್ರಬಲ: "ನಾನು ಎರಡು ಗುಂಪುಗಳನ್ನು ಹೊಂದಿದ್ದೇನೆ (ನಿಯಂತ್ರಣ n=18, ಚಿಕಿತ್ಸೆ n=20), ಅವಲಂಬಿತ ವೇರಿಯಬಲ್ ಕಿಣ್ವದ ಚಟುವಟಿಕೆ (ನಿರಂತರ) ಆಗಿದೆ. ಮೊದಲು ವಿತರಣೆ ಮತ್ತು ಪರೀಕ್ಷೆಯ ಸಾಮಾನ್ಯತೆಯನ್ನು Shapiro-Wilk ನೊಂದಿಗೆ ದೃಶ್ಯೀಕರಿಸಿ. ಸಾಮಾನ್ಯವಾಗಿದ್ದರೆ, t-ಪರೀಕ್ಷೆಯನ್ನು ಅನ್ವಯಿಸಿ, ಇಲ್ಲದಿದ್ದರೆ, Mann-Whitney. ಫಲಿತಾಂಶವನ್ನು p-ಮೌಲ್ಯ, ಪರಿಣಾಮದ ಗಾತ್ರ ಅಥವಾ 5% ರಷ್ಟು ಫಲಿತಾಂಶವನ್ನು ವರದಿ ಮಾಡಿ. ನೀವು ಯಾವ ಪರೀಕ್ಷೆಯನ್ನು ಆರಿಸಿದ್ದೀರಿ ಮತ್ತು ಏಕೆ ಎಂದು ವಿವರಿಸಿ.

ವ್ಯತ್ಯಾಸ: ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್ ಡೇಟಾ ಪ್ರಕಾರ, ಮಾದರಿ ಸಂಖ್ಯೆಗಳು, ಊಹೆ ಪರಿಶೀಲನೆ ಮತ್ತು ಪೂರ್ಣ ವರದಿ ವಿನಂತಿಯನ್ನು ಹೊಂದಿದೆ. ಮಾದರಿಯು ಟಿ-ಪರೀಕ್ಷೆಯನ್ನು ಕುರುಡಾಗಿ ಅನ್ವಯಿಸುವ ಬದಲು ಸರಿಯಾದ ಮಾರ್ಗವನ್ನು ಅನುಸರಿಸುತ್ತದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 — ತಪ್ಪಾದ ಪರೀಕ್ಷೆ: ವಿದ್ಯಾರ್ಥಿಯು ಗಮನಾರ್ಹವಾಗಿ ತಿರುಚಿದ (ಸಾಮಾನ್ಯವಲ್ಲದ) ಡೇಟಾಗೆ ಟಿ-ಪರೀಕ್ಷೆಯನ್ನು ಅನ್ವಯಿಸಿದನು ಮತ್ತು p=0.048 ಕಂಡುಬಂದಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನಾರ್ಮಲ್ಟಿ ಚೆಕ್ ಅನ್ನು ಸೇರಿಸಿದಾಗ, ಡೇಟಾವು ಸಾಮಾನ್ಯವಾಗಿ ಹೊರಬರಲಿಲ್ಲ; ಮನ್-ವಿಟ್ನಿ ಜೊತೆಗೆ, p=0.11. ನಿಜವಾದ ಫಲಿತಾಂಶವು ಅರ್ಥಹೀನವಾಗಿತ್ತು. ಪಾಠ: ಊಹೆಯನ್ನು ಪರಿಶೀಲಿಸದೆ ಪರೀಕ್ಷೆಯು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ.

ಕೇಸ್ 2 - ಆಯ್ದ ಔಟ್‌ಲೈಯರ್ ತ್ಯಜಿಸುವುದು: ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥಪೂರ್ಣವಾಗಿಸಲು ಸಂಶೋಧಕರು ಎರಡು "ಹೊರಗಿನ" ಅಂಕಗಳನ್ನು ಅಳಿಸಿದ್ದಾರೆ. ಪೂರ್ವನಿರ್ಧರಿತ ನಿಯಮವನ್ನು (ಉದಾಹರಣೆಗೆ, IQR ವಿಧಾನ) ಮತ್ತು ವರದಿಯ ಆಧಾರದ ಮೇಲೆ ಔಟ್‌ಲೈಯರ್ ತ್ಯಜಿಸಬೇಕು ಎಂದು ಮಾದರಿಯು ಒತ್ತಿಹೇಳಿತು; ಅನಿಯಂತ್ರಿತ ಅಳಿಸುವಿಕೆ p-ಹ್ಯಾಕಿಂಗ್ ಆಗಿದೆ. ಪಾಠ: ಹೊರಗಿನ ನಿಯಮವನ್ನು ಮೊದಲೇ ಹೊಂದಿಸಿ.

ಪ್ರಕರಣ 3 — ಪರಿಣಾಮದ ಗಾತ್ರ ಚೇತರಿಕೆ: ಒಂದು ಅಧ್ಯಯನವು p=0.001 ಅನ್ನು ಹೊಂದಿತ್ತು ಆದರೆ ಪರಿಣಾಮದ ಗಾತ್ರ (d=0.1) ಬಹುತೇಕ ಶೂನ್ಯವಾಗಿತ್ತು; ದೊಡ್ಡ ಮಾದರಿಯು ಅತ್ಯಲ್ಪ ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ತೋರಿಸಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪರಿಣಾಮದ ಗಾತ್ರವನ್ನು ವರದಿ ಮಾಡಿದಾಗ, ಸಂಶೋಧನೆಯು ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿಲ್ಲ ಎಂದು ಕಂಡುಬಂದಿದೆ. ಪಾಠ: p ಚಿಕ್ಕದಾಗಿರುವುದರಿಂದ ಪರವಾಗಿಲ್ಲ.

ಹೋಲಿಕೆ ಚಾರ್ಟ್

ಸ್ಥಿತಿ

ಸರಿಯಾದ ವಿಧಾನ

ತಪ್ಪಿಸಬೇಕು

ಅಸಹಜ ಡೇಟಾ

ನಾನ್ ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಪರೀಕ್ಷೆ

ಬಲವಂತದ ಟಿ-ಪರೀಕ್ಷೆ

ಬಹು ಪರೀಕ್ಷೆ

ತಿದ್ದುಪಡಿಯನ್ನು ಅನ್ವಯಿಸಿ

ಕಚ್ಚಾ p<0.05

ಹೊರಗಿನ

ಪೂರ್ವನಿರ್ಧರಿತ ನಿಯಮ

ಅನಿಯಂತ್ರಿತ ಅಳಿಸುವಿಕೆ

ಗಮನಾರ್ಹ ಫಲಿತಾಂಶ

ಪರಿಣಾಮದ ಗಾತ್ರ + CI

ಕೇವಲ p

ಅನ್ವೇಷಣೆ ಶೋಧನೆ

ಸ್ವತಂತ್ರ ಸೆಟ್ನಲ್ಲಿ ಮೌಲ್ಯೀಕರಿಸಿ

ಒಂದು ಸೆಟ್‌ನಲ್ಲಿ ಅಂತಿಮಗೊಳಿಸಿ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಊಹೆ ಅನಿಯಂತ್ರಿತ ಪರೀಕ್ಷೆ: ಸುಳ್ಳು ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ನಕಲಿ ಮಹತ್ವ.
• p-ಹ್ಯಾಕಿಂಗ್: ಅಪೇಕ್ಷಿತ ಫಲಿತಾಂಶವನ್ನು ನೀಡುವವರೆಗೆ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪ್ರಯತ್ನಿಸುವುದು.
• p-ಮೌಲ್ಯವನ್ನು ಮಾತ್ರ ವರದಿ ಮಾಡುವುದು: ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು.
• ಬಹು ಹೋಲಿಕೆಗಳನ್ನು ಸರಿಪಡಿಸುತ್ತಿಲ್ಲ: ತಪ್ಪು ಧನಾತ್ಮಕ.
• ಕಾರಣ ಜಂಪಿಂಗ್: ಪರಸ್ಪರ ಸಂಬಂಧದಿಂದ ಕಾರಣವನ್ನು ಊಹಿಸುವುದು.

ಎಚ್ಚರಿಕೆ: AI ನಿಮಗೆ ಬೇಕಾದ ಫಲಿತಾಂಶವನ್ನು "ಉತ್ಪಾದಿಸುವುದಿಲ್ಲ", ಆದರೆ ತಪ್ಪುದಾರಿಗೆಳೆಯಲ್ಪಟ್ಟರೆ ತಪ್ಪು ಪರೀಕ್ಷೆಗಾಗಿ ಸಂತೋಷದಿಂದ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ. ನೀವು ಅಂಕಿಅಂಶಗಳ ಸಮಗ್ರತೆಯನ್ನು ಹೊಂದಿದ್ದೀರಿ: ಎಲ್ಲಾ ಪ್ರಯೋಗಗಳನ್ನು ವರದಿ ಮಾಡಿ, ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮುಂಚಿತವಾಗಿ ಯೋಜಿಸಿ, ಪರಿಣಾಮದ ಗಾತ್ರವನ್ನು ಎಂದಿಗೂ ಕಳೆದುಕೊಳ್ಳಬೇಡಿ. ಪ್ರಕಟಣೆಗೆ ಕಾರಣವಾಗುವ ವಿಶ್ಲೇಷಣೆಗಳಿಗಾಗಿ ಜೈವಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿ.

p-ಮೌಲ್ಯದ ನಿಜವಾದ ಅರ್ಥ

ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ ಹೆಚ್ಚು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಲ್ಪಟ್ಟ ಪರಿಕಲ್ಪನೆಯು p-ಮೌಲ್ಯವಾಗಿದೆ. p-ಮೌಲ್ಯವು "ಊಹನವು ನಿಜವಾಗುವ ಸಂಭವನೀಯತೆ" ಅಲ್ಲ; ಇದು "ವಾಸ್ತವದಲ್ಲಿ ಯಾವುದೇ ವ್ಯತ್ಯಾಸವಿಲ್ಲದಿರುವಾಗ, ನೀವು ಗಮನಿಸುವುದಕ್ಕಿಂತ ದೊಡ್ಡ ಅಥವಾ ಹೆಚ್ಚು ತೀವ್ರವಾದ ವ್ಯತ್ಯಾಸವನ್ನು ನೋಡುವ ಸಂಭವನೀಯತೆ." ಈ ಸೂಕ್ಷ್ಮ ಆದರೆ ನಿರ್ಣಾಯಕ ವ್ಯತ್ಯಾಸವು ಫಲಿತಾಂಶಗಳನ್ನು ಉತ್ಪ್ರೇಕ್ಷಿಸದಿರಲು ಪ್ರಮುಖವಾಗಿದೆ. p=0.03 ಎಂದರೆ "ಪರಿಣಾಮವು 97% ನೈಜವಾಗಿದೆ" ಎಂದಲ್ಲ. AI ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸಿದಾಗ, ಅದು ಈ ವ್ಯಾಖ್ಯಾನವನ್ನು ಸರಿಯಾಗಿ ಬಳಸುತ್ತದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ; ಮಾದರಿಯು ಕೆಲವೊಮ್ಮೆ ಸಾಮಾನ್ಯ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನವನ್ನು ಪುನರಾವರ್ತಿಸಬಹುದು.

ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವು (CI) ಸಾಮಾನ್ಯವಾಗಿ p-ಮೌಲ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚು ತಿಳಿವಳಿಕೆ ನೀಡುತ್ತದೆ ಏಕೆಂದರೆ ಇದು ಪರಿಣಾಮದ ಪ್ರಮಾಣ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಒಟ್ಟಿಗೆ ತೋರಿಸುತ್ತದೆ. “ವ್ಯತ್ಯಾಸ 2.4-ಪಟ್ಟು (95% CI: 1.8-3.1)” “p<0.05” ಗಿಂತ ಹೆಚ್ಚು ಹೇಳುತ್ತದೆ: ಪರಿಣಾಮದ ದಿಕ್ಕು, ಅದರ ಪ್ರಮಾಣ ಮತ್ತು ಅದನ್ನು ಎಷ್ಟು ನಿಖರವಾಗಿ ಅಳೆಯಲಾಗಿದೆ. ನಿಮ್ಮ ವರದಿಗಳಲ್ಲಿ GA ಅನ್ನು ಹೈಲೈಟ್ ಮಾಡಿ.

ನನ್ನ ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸುವಾಗ p-ಮೌಲ್ಯದ ಸರಿಯಾದ ವ್ಯಾಖ್ಯಾನವನ್ನು ಬಳಸಿ. "ಪರಿಣಾಮದ ಸಂಭವನೀಯತೆ ನಿಜ" ದಂತಹ ತಪ್ಪಾದ ಹೇಳಿಕೆಗಳನ್ನು ತಪ್ಪಿಸಿ. ಬದಲಾಗಿ, ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಅರ್ಥವನ್ನು ವಿವರಿಸಿ. ಫಲಿತಾಂಶ: [ಡೇಟಾ]

ಪರಸ್ಪರ ಸಂಬಂಧ, ಕಾರಣ ಮತ್ತು ವೀಕ್ಷಣಾ ಡೇಟಾ

ಹೆಚ್ಚಿನ ಜೈವಿಕ ದತ್ತಾಂಶವು ಅವಲೋಕನಾತ್ಮಕವಾಗಿದೆ: ಬೇರೆ ಯಾವುದನ್ನಾದರೂ ಬದಲಾಯಿಸುವುದನ್ನು ನೀವು ನೋಡುತ್ತೀರಿ, ಆದರೆ ಅದಕ್ಕೆ ಕಾರಣವೇನು ಎಂಬುದನ್ನು ನೀವು ನೋಡಲಾಗುವುದಿಲ್ಲ. "ಜೀನ್ X ನ ಅಭಿವ್ಯಕ್ತಿ ರೋಗದೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ" ಎಂಬ ವಾಕ್ಯವು X ರೋಗವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ ಎಂದು ಸೂಚಿಸುವುದಿಲ್ಲ; ರೋಗವು X ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತಿರಬಹುದು ಅಥವಾ ಮೂರನೇ ಅಂಶವು ಎರಡನ್ನೂ ಬಾಧಿಸಬಹುದು. ಮಧ್ಯಸ್ಥಿಕೆಯ ಪ್ರಯೋಗದ ಮೂಲಕ ಮಾತ್ರ ಕಾರಣವನ್ನು ಸ್ಥಾಪಿಸಬಹುದು (X ಅನ್ನು ಬದಲಾಯಿಸುವುದು ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಅಳೆಯುವುದು). AI ತಿಳಿಯದೆ ನಿಮ್ಮ ಪಠ್ಯಗಳಲ್ಲಿ ಸಾಂದರ್ಭಿಕ ಭಾಷೆಯನ್ನು ("ಕಾರಣಗಳು," " ಕಾರಣವಾಗುತ್ತದೆ") ಬಳಸಬಹುದು; ಈ ದೃಷ್ಟಿಕೋನದಿಂದ ಪ್ರತಿ ತೀರ್ಮಾನದ ವಾಕ್ಯವನ್ನು ಪರಿಶೀಲಿಸಿ, ಪರಸ್ಪರ ಸಂಬಂಧಿತ ಭಾಷೆಯಲ್ಲಿ ವೀಕ್ಷಣೆಯ ಸಂಶೋಧನೆಗಳನ್ನು ವ್ಯಕ್ತಪಡಿಸುತ್ತದೆ ("ಸಹಸಂಬಂಧ," "ಒಟ್ಟಿಗೆ ಬದಲಾಗುವುದು").

ಜೋಡಿಯಾಗಿರುವ ಮತ್ತು ಸ್ವತಂತ್ರ ಡೇಟಾವನ್ನು ಬೇರ್ಪಡಿಸುವುದು

ಪರೀಕ್ಷಾ ಆಯ್ಕೆಯಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಕಡೆಗಣಿಸಲ್ಪಡುವ ವ್ಯತ್ಯಾಸವೆಂದರೆ ಮಾದರಿಗಳು ಸ್ವತಂತ್ರವಾಗಿವೆಯೇ ಅಥವಾ ಜೋಡಿಯಾಗಿವೆಯೇ ಎಂಬುದು. ನೀವು ಒಂದೇ ವ್ಯಕ್ತಿಯಿಂದ ಅಳತೆಗಳನ್ನು ಮೊದಲು ಮತ್ತು ನಂತರ ತೆಗೆದುಕೊಳ್ಳುತ್ತಿದ್ದರೆ (ಉದಾಹರಣೆಗೆ, ಚಿಕಿತ್ಸೆಯ ಮೊದಲು ಮತ್ತು ನಂತರ ಅದೇ ರೋಗಿಗಳ ರಕ್ತದ ಮೌಲ್ಯಗಳು), ಈ ಅಳತೆಗಳು ಸ್ವತಂತ್ರವಾಗಿರುವುದಿಲ್ಲ; ಜೋಡಿಯಾಗಿರುವ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯವಿದೆ. ಇಲ್ಲಿ ಸ್ವತಂತ್ರ ಎರಡು-ಮಾದರಿ ಟಿ-ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸುವುದರಿಂದ ಡೇಟಾದಲ್ಲಿನ ಹೊಂದಾಣಿಕೆಯ ಮಾಹಿತಿಯನ್ನು ತಿರಸ್ಕರಿಸುತ್ತದೆ ಮತ್ತು ಶಕ್ತಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ; ಇದು ಫಲಿತಾಂಶವನ್ನು ಹಿಮ್ಮುಖಗೊಳಿಸಬಹುದು. ನಿಯಮವು ಸರಳವಾಗಿದೆ: "ಈ ಎರಡು ಅಳತೆಗಳು ಒಂದೇ ಜೈವಿಕ ಘಟಕದಿಂದ ಬರುತ್ತವೆಯೇ?" ಉತ್ತರ ಹೌದು ಎಂದಾದರೆ, ಜೋಡಿ ಪರೀಕ್ಷೆ (ಜೋಡಿಯಾಗಿರುವ ಟಿ-ಪರೀಕ್ಷೆ ಅಥವಾ ವಿಲ್ಕಾಕ್ಸನ್ ಸಹಿ ಶ್ರೇಯಾಂಕ ಪರೀಕ್ಷೆ) ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಇಲ್ಲದಿದ್ದರೆ, ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ನೀವು ಪರೀಕ್ಷೆಗಳಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕೇಳಿದಾಗ, ನಿಮ್ಮ ಡೇಟಾದ ಹೊಂದಾಣಿಕೆಯ ರಚನೆಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಲು ಮರೆಯದಿರಿ; ನೀವು ನಿರ್ದಿಷ್ಟಪಡಿಸದಿದ್ದರೆ, ಮಾದರಿಯು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ತಪ್ಪು ಪರೀಕ್ಷೆಯನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ.

ನನ್ನ ಬಳಿ ಎರಡು ಸೆಟ್ ಅಳತೆಗಳಿವೆ. ಪ್ರಮುಖ: ಈ ಅಳತೆಗಳನ್ನು ಅದೇ ವ್ಯಕ್ತಿಗಳ ಮೊದಲು/ನಂತರ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ (ಜೋಡಿ ಮಾಡಲಾಗಿದೆ). ಈ ಹೊಂದಾಣಿಕೆಯನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವ ಸರಿಯಾದ ಪರೀಕ್ಷೆಯನ್ನು ಆರಿಸಿ (ಜೋಡಿಯಾಗಿರುವ ಟಿ-ಟೆಸ್ಟ್ ಅಥವಾ ವಿಲ್ಕಾಕ್ಸನ್), ನಿಮ್ಮ ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಪರಿಣಾಮದ ಗಾತ್ರದೊಂದಿಗೆ ವರದಿ ಮಾಡಿ. ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ಊಹಿಸಬೇಡಿ.

ಸಾರಾಂಶದಲ್ಲಿ

ನಿಖರವಾದ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ; ಡೇಟಾದ ಪ್ರಕಾರಕ್ಕೆ ಸೂಕ್ತವಾದ ಪರೀಕ್ಷೆಯನ್ನು ಆರಿಸುವುದು, ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು, ಬಹು ಹೋಲಿಕೆಗಳನ್ನು ಸರಿಪಡಿಸುವುದು ಮತ್ತು p-ಮೌಲ್ಯದ ಜೊತೆಗೆ ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ವರದಿ ಮಾಡುವುದು. ದೊಡ್ಡ ಅಪಾಯವೆಂದರೆ p-ಹ್ಯಾಕಿಂಗ್; ಪ್ರತಿವಿಷವು ಮುಂಗಡ ವಿಶ್ಲೇಷಣೆ ಯೋಜನೆ, ಪೂರ್ಣ ವರದಿ ಮತ್ತು ಅನ್ವೇಷಣೆ-ಪರಿಶೀಲನೆ ಬೇರ್ಪಡಿಕೆಯಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪರೀಕ್ಷೆಯ ಆಯ್ಕೆ ಮತ್ತು ಊಹೆಯ ಪರಿಶೀಲನೆಯಲ್ಲಿ ಪ್ರಬಲವಾದ ಸಹಾಯವಾಗಿದೆ, ಆದರೆ ಅಂಕಿಅಂಶಗಳ ಸಮಗ್ರತೆಯು ಮಾನವನೊಂದಿಗೆ ಇರುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಎರಡು ಗುಂಪುಗಳೊಂದಿಗೆ ಡೇಟಾ ಸೆಟ್ (ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾ ಅಥವಾ ಮಾದರಿ) ತೆಗೆದುಕೊಳ್ಳಿ. ಮೊದಲು AI ಬರವಣಿಗೆ ಕೋಡ್ ಅನ್ನು ಹೊಂದಿರಿ ಅದು ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಸಾಮಾನ್ಯತೆಗಾಗಿ ಪರೀಕ್ಷೆಗಳನ್ನು ಮಾಡುತ್ತದೆ. ಫಲಿತಾಂಶವನ್ನು ಅವಲಂಬಿಸಿ, ಸೂಕ್ತವಾದ ಪರೀಕ್ಷೆಯನ್ನು (ಟಿ-ಟೆಸ್ಟ್ ಅಥವಾ ಮನ್-ವಿಟ್ನಿ) ಅನ್ವಯಿಸಿ ಮತ್ತು ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು p-ಮೌಲ್ಯದೊಂದಿಗೆ ವರದಿ ಮಾಡಿ. ನಂತರ ಅನೇಕ ಹೋಲಿಕೆಗಳ ಪರಿಣಾಮವನ್ನು ತಿದ್ದುಪಡಿ ಇಲ್ಲದೆ ಮತ್ತು ಫಲಿತಾಂಶದ ಮೇಲೆ ತಿದ್ದುಪಡಿಯೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಪರೀಕ್ಷಿಸುವ ಮೊದಲು ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಪರೀಕ್ಷಾ ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ (ಸಾಮಾನ್ಯತೆ, ವ್ಯತ್ಯಾಸ).
• [ ] ನಾನು ಸೂಕ್ತವಾದ ಪರೀಕ್ಷೆಯನ್ನು ಆರಿಸಿಕೊಂಡಿದ್ದೇನೆ, ನಾನು ಟಿ-ಪರೀಕ್ಷೆಯನ್ನು ಕುರುಡಾಗಿ ಅನ್ವಯಿಸಲಿಲ್ಲ.
• [ ] ನಾನು ಬಹು ಹೋಲಿಕೆಯನ್ನು ಸರಿಪಡಿಸಿದ್ದೇನೆ.
• ನಾನು [ ] p-ಮೌಲ್ಯ ಹಾಗೂ ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ವರದಿ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ವಿಶ್ಲೇಷಣಾ ಯೋಜನೆಯನ್ನು ಮುಂಚಿತವಾಗಿ ಸರಿಪಡಿಸಿದೆ ಮತ್ತು p-ಹ್ಯಾಕಿಂಗ್ ಅನ್ನು ತಪ್ಪಿಸಿದೆ.