ಲಾಭಗಳು:
- ಶೂನ್ಯ ಕಲ್ಪನೆ, p-ಮೌಲ್ಯ, ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಶಕ್ತಿಯನ್ನು ಸರಿಯಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಪರೀಕ್ಷಾ ಆಯ್ಕೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವುದು.
- p-ಮೌಲ್ಯ ಯಾವುದು ಮತ್ತು ಅಲ್ಲ ಎಂಬುದನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ (ಪರಿಣಾಮದ ಗಾತ್ರವಲ್ಲ, ನಿಖರತೆಯ ಸಂಭವನೀಯತೆಯಲ್ಲ) ಮತ್ತು ಬಹು ಹೋಲಿಕೆ ತಿದ್ದುಪಡಿ ಏಕೆ ಅಗತ್ಯ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಮಾಡಲಾದ ಕಾಮೆಂಟ್ಗಳನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯವು ಅರ್ಥಪೂರ್ಣತೆಯನ್ನು ವಸ್ತುಗಳೊಂದಿಗೆ ಗೊಂದಲಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ವರದಿ ಮಾಡುತ್ತದೆ
ಅಂಕಿಅಂಶಗಳ ಹೆಚ್ಚು ಬಳಸಿದ ಮತ್ತು ಹೆಚ್ಚು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳುವ ಸಾಧನವೆಂದರೆ ಊಹೆಯ ಪರೀಕ್ಷೆ. ಮೂಲ ಕಲ್ಪನೆಯು ಸರಳವಾಗಿದೆ: ನಾವು ಹಕ್ಕು ಹೊಂದಿದ್ದೇವೆ (ಉದಾ: "ಈ ಎರಡು ಗುಂಪುಗಳ ಸರಾಸರಿ ವಿಭಿನ್ನವಾಗಿದೆ") ಮತ್ತು ಅದರ ವಿರುದ್ಧವಾದ, ಶೂನ್ಯ ಕಲ್ಪನೆ (H0 - "ವಾಸ್ತವವಾಗಿ ಯಾವುದೇ ವ್ಯತ್ಯಾಸವಿಲ್ಲ"). ಪರೀಕ್ಷೆಯು ಡೇಟಾವು ಶೂನ್ಯ ಕಲ್ಪನೆಯೊಂದಿಗೆ ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಒಪ್ಪುತ್ತದೆ ಎಂಬುದನ್ನು ಅಳೆಯುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಪರೀಕ್ಷೆಯ ಆಯ್ಕೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನವನ್ನು ಹೇಗೆ ಸುಲಭಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ, ಆದರೆ p-ಮೌಲ್ಯದ ಸುತ್ತಲಿನ ಮೋಸಗಳು ಏಕೆ ಸಾಮಾನ್ಯ ಮತ್ತು ಅಪಾಯಕಾರಿ. ಮೊದಲಿನಿಂದ ಪ್ರಾರಂಭಿಸೋಣ: AI ಗೆ ಯಾವ ಪರೀಕ್ಷಾ ಸಿಂಟ್ಯಾಕ್ಸ್ ಬರೆಯಬೇಕೆಂದು ತಿಳಿದಿದೆ; ಆದರೆ ಪರೀಕ್ಷೆಯ ಊಹೆಯು ತೃಪ್ತವಾಗಿದೆಯೇ ಮತ್ತು ಫಲಿತಾಂಶವು ನಿಜವಾಗಿಯೂ ಏನು ಎಂದು ಅರ್ಥೈಸುವುದು ನಿಮ್ಮ ಕೆಲಸ.
ವಾಸ್ತವವಾಗಿ p-ಮೌಲ್ಯ ಎಂದರೇನು?
p-ಮೌಲ್ಯವು ಶೂನ್ಯ ಕಲ್ಪನೆಯು ನಿಜವಾಗಿದ್ದಾಗ (ಅಂದರೆ, ವಾಸ್ತವವಾಗಿ ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ) ನೀವು ವೀಕ್ಷಿಸುವ ಫಲಿತಾಂಶ ಅಥವಾ ಹೆಚ್ಚು ತೀವ್ರವಾದ ಫಲಿತಾಂಶವು ಆಕಸ್ಮಿಕವಾಗಿ ಸಂಭವಿಸುವ ಸಂಭವನೀಯತೆಯಾಗಿದೆ. ಒಂದು ಸಣ್ಣ p-ಮೌಲ್ಯ (0.05 ಸಾಂಪ್ರದಾಯಿಕ ಮಿತಿ) ಎಂದರೆ "ನಿಜವಾಗಿಯೂ ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲದಿದ್ದರೆ ಅಂತಹ ಡೇಟಾವನ್ನು ನೋಡಲು ಆಶ್ಚರ್ಯವಾಗುತ್ತದೆ"; ಇದು ಶೂನ್ಯ ಊಹೆಯ ವಿರುದ್ಧ ಸಾಕ್ಷಿ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.
ಈಗ p-ಮೌಲ್ಯ ಏನಲ್ಲ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟಪಡಿಸೋಣ - ಇದು AI ಅನ್ನು ಹೆಚ್ಚಾಗಿ ಗೊಂದಲಗೊಳಿಸುತ್ತದೆ:
- p-ಮೌಲ್ಯವು ಶೂನ್ಯ ಕಲ್ಪನೆಯು ನಿಜವಾಗಿರುವ ಸಂಭವನೀಯತೆ ಅಲ್ಲ. p=0.03 ಎಂದರೆ "ಯಾವುದೇ ಪರಿಣಾಮದ 3% ಸಂಭವನೀಯತೆ ಇದೆ" ಎಂದಲ್ಲ.
- p-ಮೌಲ್ಯವು ಪರಿಣಾಮದ ಗಾತ್ರವನ್ನು ಸೂಚಿಸುವುದಿಲ್ಲ. ಒಂದು ಸಣ್ಣ ಪರಿಣಾಮವು ದೊಡ್ಡ ಮಾದರಿಯಲ್ಲಿ ಸಣ್ಣ p-ಮೌಲ್ಯವನ್ನು ನೀಡುತ್ತದೆ.
- p-ಮೌಲ್ಯವು ಸಂಶೋಧನೆಯು ಮಹತ್ವದ್ದಾಗಿದೆ ಅಥವಾ ನೈಜವಾಗಿದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸುವುದಿಲ್ಲ. "ಗಮನಾರ್ಹ" ಎಂಬುದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಪದವಾಗಿದೆ, "ಮಹತ್ವದ" ಒಂದು ತೀರ್ಪು.
- p>0.05 ಎಂದರೆ "ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ" ಎಂದಲ್ಲ; ಇದರರ್ಥ "ಈ ಡೇಟಾದೊಂದಿಗೆ ನಾವು ಪರಿಣಾಮವನ್ನು ತೋರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ." ಪುರಾವೆಗಳ ಅನುಪಸ್ಥಿತಿಯು ಅನುಪಸ್ಥಿತಿಯ ಸಾಕ್ಷಿಯಲ್ಲ.
ಎಚ್ಚರಿಕೆ: ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ AI ವ್ಯಾಖ್ಯಾನ ದೋಷವೆಂದರೆ "ಗಮನಾರ್ಹ" ಪದವನ್ನು "ಮಹತ್ವದ/ಬಲವಾದ/ಪ್ರಮುಖ ಪರಿಣಾಮ" ಎಂದು ಪ್ರಸ್ತುತಪಡಿಸುವುದು. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಾಮುಖ್ಯತೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಮಹತ್ವವು ಎರಡು ವಿಭಿನ್ನ ವಿಷಯಗಳಾಗಿವೆ; ಯಾವಾಗಲೂ ಎರಡನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ವರದಿ ಮಾಡಿ.
ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ ಮತ್ತು ಪರಿಣಾಮದ ಗಾತ್ರ: ಉತ್ಕೃಷ್ಟ ಮಾಹಿತಿ
ಒಂದೇ p-ಮೌಲ್ಯಕ್ಕೆ ಬದಲಾಗಿ, ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವು ಹೆಚ್ಚು ತಿಳಿವಳಿಕೆ ನೀಡುತ್ತದೆ: ಇದು ನಿಮ್ಮ ಅಂದಾಜಿನ ಮೌಲ್ಯಗಳ ತೋರಿಕೆಯ ಶ್ರೇಣಿಯನ್ನು ನೀಡುತ್ತದೆ. "ಪರಿಣಾಮ 1,200, 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ [300, 2,100]" ವಾಕ್ಯವು ದಿಕ್ಕು, ಪ್ರಮಾಣ ಮತ್ತು ಅನಿಶ್ಚಿತತೆ ಎರಡನ್ನೂ ತೋರಿಸುತ್ತದೆ; "p<0.05" ಕೇವಲ "ಸೊನ್ನೆಯಿಂದ ದೂರ" ಎಂದು ಹೇಳುತ್ತದೆ. ಆಧುನಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಅಭ್ಯಾಸವು p-ಮೌಲ್ಯವನ್ನು ಮಾತ್ರ ಬಳಸುವುದಿಲ್ಲ; ಪರಿಣಾಮದ ಗಾತ್ರ + ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ + p-ಮೌಲ್ಯದ ಮೂವರ ಜೊತೆ ವರದಿ ಮಾಡಲು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ.
ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಶಕ್ತಿ ಮತ್ತು ಮಾದರಿ
ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಶಕ್ತಿಯು ವಾಸ್ತವವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಣಾಮವನ್ನು ಕಂಡುಹಿಡಿಯುವ ಸಂಭವನೀಯತೆಯಾಗಿದೆ (1 ಟೈಪ್ II ದೋಷದ ಸಂಭವನೀಯತೆ, ಅಂದರೆ "ನೈಜ ಪರಿಣಾಮವನ್ನು ಕಳೆದುಕೊಂಡಿರುವುದು"). ಕಡಿಮೆ ಶಕ್ತಿಯ ಅಧ್ಯಯನವು ಎರಡು ಅಪಾಯಗಳಿಗೆ ಒಳಗಾಗುತ್ತದೆ: (1) ಇದು ನಿಜವಾದ ಪರಿಣಾಮಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ (ತಪ್ಪು ಋಣಾತ್ಮಕ); (2) ಗಮನಾರ್ಹವಾದ ಕೆಲವು ಫಲಿತಾಂಶಗಳು ಉಬ್ಬಿದ ಪರಿಮಾಣಗಳನ್ನು ಸಾಗಿಸುತ್ತವೆ-ವಿಜೇತನ ಶಾಪ ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತವೆ ಏಕೆಂದರೆ ಉಬ್ಬಿದ ಭವಿಷ್ಯವಾಣಿಗಳು ಮಾತ್ರ ಮಿತಿಯನ್ನು ದಾಟಬಹುದು. ಆದ್ದರಿಂದ, ವಿಶ್ಲೇಷಣೆಯ ಮೊದಲು ವಿದ್ಯುತ್ / ಮಾದರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಉತ್ತಮ ಅಭ್ಯಾಸ. AI ಈ ಖಾತೆಗೆ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ನೀವು ಸಿದ್ಧಾಂತದೊಂದಿಗೆ ಗುರಿ ಪರಿಣಾಮದ ಗಾತ್ರವನ್ನು ನಿರ್ಧರಿಸುತ್ತೀರಿ.
ಬಹು ಹೋಲಿಕೆ ಸಮಸ್ಯೆ
ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡುವಾಗ, 0.05 ರ ಮಿತಿ ಎಂದರೆ "ತಪ್ಪು ಧನಾತ್ಮಕತೆಯ 5% ಅಪಾಯ". ಆದರೆ ನೀವು 20 ಪರೀಕ್ಷೆಗಳನ್ನು ಮಾಡಿದರೆ, ಅವೆಲ್ಲವೂ ವಾಸ್ತವವಾಗಿ ನಿಷ್ಪರಿಣಾಮಕಾರಿಯಾಗಿದ್ದರೂ ಸಹ, ಆಕಸ್ಮಿಕವಾಗಿ ಒಂದು p<0.05 ಅನ್ನು ನೀಡುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಬಹುದು. ಇದನ್ನು ಬಹು ಹೋಲಿಕೆಯ ಸಮಸ್ಯೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ವೇರಿಯೇಬಲ್ಗಳು, ಉಪಗುಂಪುಗಳು ಅಥವಾ ಫಲಿತಾಂಶದ ಅಸ್ಥಿರಗಳನ್ನು ಪರೀಕ್ಷಿಸಿದಾಗ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯ ಸಂಭವನೀಯತೆಯು ವೇಗವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಮಿತಿಯನ್ನು ಸರಿಪಡಿಸುವುದು ಪರಿಹಾರವಾಗಿದೆ: ಬೋನ್ಫೆರೋನಿ (ಪರೀಕ್ಷೆಗಳ ಸಂಖ್ಯೆಯಿಂದ ಮಿತಿಯನ್ನು ಭಾಗಿಸುವುದು - ಕಟ್ಟುನಿಟ್ಟಾದ), ಹೋಲ್ಮ್ ಅಥವಾ ಬೆಂಜಮಿನಿ-ಹೊಚ್ಬರ್ಗ್ ವಿಧಾನಗಳು ತಪ್ಪು ಪತ್ತೆ ದರವನ್ನು (ಎಫ್ಡಿಆರ್) ನಿಯಂತ್ರಿಸುತ್ತದೆ. AI ಯುಗದಲ್ಲಿ ಈ ಅಪಾಯವು ಇನ್ನೂ ಹೆಚ್ಚಾಗುತ್ತದೆ, ಏಕೆಂದರೆ AI ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಡಜನ್ಗಟ್ಟಲೆ ಪರೀಕ್ಷೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ - ಇದು ಮುಂದಿನ ಘಟಕದ ನೇರ ವಿಷಯವಾಗಿದೆ (p-ಹ್ಯಾಕಿಂಗ್).
ಹೋಲಿಕೆ ಕೋಷ್ಟಕ: p-ಮೌಲ್ಯವು ಏನು ಹೇಳುತ್ತದೆ ಮತ್ತು ಅದು ಏನು ಹೇಳುವುದಿಲ್ಲ
ಅಭಿವ್ಯಕ್ತಿ
ಇದು ನಿಜವೇ?
ವಿವರಣೆ
"p=0.02, ಯಾವುದೇ ಪರಿಣಾಮದ ಸಂಭವನೀಯತೆ 2%"
ತಪ್ಪು
p ಎಂಬುದು H0 ನ ಸಂಭವನೀಯತೆ ಅಲ್ಲ
"p<0.05, ಪರಿಣಾಮವು ದೊಡ್ಡದಾಗಿದೆ"
ತಪ್ಪು
p ಗಾತ್ರವನ್ನು ಸೂಚಿಸುವುದಿಲ್ಲ
"p=0.20, ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ"
ತಪ್ಪು
ತೋರಿಸಲು ಸಾಧ್ಯವಾಗದಿರುವುದು ಅನುಪಸ್ಥಿತಿಯಲ್ಲ
"p<0.05, H0 ವಿರುದ್ಧ ಪುರಾವೆಗಳಿವೆ"
ನಿಜ
ಜಾಗರೂಕ ಮತ್ತು ಪಾಯಿಂಟ್
"ಪರಿಣಾಮ 1.200 [300;2.100], ಪು=0.01"
ಅತ್ಯುತ್ತಮ
ಗಾತ್ರ + ಅನಿಶ್ಚಿತತೆ + ಸಾಕ್ಷ್ಯ
ನಕಲಿಸಬಹುದಾದ ನಾಲ್ಕು ಪ್ರಾಂಪ್ಟ್ಗಳು
1. ಸರಿಯಾದ ಪರೀಕ್ಷೆಯನ್ನು ಆರಿಸುವುದು:
ನಿಮ್ಮ ಪಾತ್ರ: ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷಾ ಸಹಾಯಕ. ನಾನು ಎರಡು ಸ್ವತಂತ್ರ ಗುಂಪುಗಳ ಸರಾಸರಿಯನ್ನು ಹೋಲಿಸಲು ಬಯಸುತ್ತೇನೆ (ನಿರಂತರ ವೇರಿಯಬಲ್). ನನಗೆ ನೀಡಿ: ಯಾವ ಪರೀಕ್ಷೆಯು ಸೂಕ್ತವಾಗಿದೆ (ಅದರ ಊಹೆಗಳೊಂದಿಗೆ: ಸಾಮಾನ್ಯತೆ, ವ್ಯತ್ಯಾಸದ ಸಮಾನತೆ), ಊಹೆಯನ್ನು ಪೂರೈಸದಿದ್ದರೆ ಪರ್ಯಾಯ (ಉದಾ. ವೆಲ್ಚ್, ಮನ್-ವಿಟ್ನಿ), ಮತ್ತು R ಕೋಡ್. ನಾನು ಫಲಿತಾಂಶವನ್ನು ರನ್ ಮಾಡುತ್ತೇನೆ ಮತ್ತು ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇನೆ.
2. p-ಮೌಲ್ಯವನ್ನು ಸರಿಯಾಗಿ ವರದಿ ಮಾಡುವುದು:
ಪರೀಕ್ಷೆಯ ಔಟ್ಪುಟ್ ಅನ್ನು ಕೆಳಗೆ ವರದಿ ಮಾಡಿ, ಆದರೆ ನಿಯಮಗಳು:- p-ಮೌಲ್ಯವನ್ನು "H0 ಸಂಭವನೀಯತೆ" ಅಥವಾ "ಪರಿಣಾಮದ ಗಾತ್ರ" ಎಂದು ಪ್ರಸ್ತುತಪಡಿಸಬೇಡಿ, - ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ಸೇರಿಸಲು ಮರೆಯದಿರಿ, - "ಗಮನಾರ್ಹ" ಮತ್ತು "ಗಮನಾರ್ಹ" ಎಂದು ಪ್ರತ್ಯೇಕವಾಗಿ ಬರೆಯಿರಿ,- p>0.05, ನಾವು "ಯಾವುದೇ ಪರಿಣಾಮವನ್ನು ತೋರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ" ಎಂದು ಹೇಳಬೇಡಿ," "ಹೇಳಿ. ಔಟ್ಪುಟ್: [ಅಂಟಿಸಿ]
3. ಶಕ್ತಿ/ಮಾದರಿ ಲೆಕ್ಕಾಚಾರ:
ನಾನು ಪ್ರಯೋಗವನ್ನು ಯೋಜಿಸುತ್ತಿದ್ದೇನೆ: ಎರಡು ಗುಂಪುಗಳು, ನಿರೀಕ್ಷಿತ ಪರಿಣಾಮದ ಗಾತ್ರ (ಕೋಹೆನ್ಸ್ ಡಿ) ~0.4, ಪವರ್ 0.80, ಆಲ್ಫಾ 0.05. ಅಗತ್ಯವಿರುವ ಮಾದರಿ ಗಾತ್ರವನ್ನು (pwr ಪ್ಯಾಕೇಜ್) ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ R ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಕಡಿಮೆ-ಶಕ್ತಿಯ ಅಧ್ಯಯನದ ಅಪಾಯಗಳನ್ನು ವಿವರಿಸಿ (ವಿಜೇತರ ಶಾಪ).
4. ಬಹು ಹೋಲಿಕೆ ತಿದ್ದುಪಡಿ:
ನಾನು 15 ಪ್ರತ್ಯೇಕ ಊಹೆ ಪರೀಕ್ಷೆಗಳನ್ನು ಮಾಡಿದ್ದೇನೆ ಮತ್ತು ನಾನು p-ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿದ್ದೇನೆ. Bonferroni ಮತ್ತು Benjamin-Hochberg (FDR) ತಿದ್ದುಪಡಿಗಳನ್ನು ಅನ್ವಯಿಸುವ R ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ, ಎರಡು ವಿಧಾನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸಿ ಮತ್ತು ನಾನು ಬೇರ್ p<0.05 ಅನ್ನು ಏಕೆ ನಂಬಬಾರದು ಎಂಬುದನ್ನು ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಸಾರಾಂಶಗೊಳಿಸಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶವು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆಯೇ? ಫಲಿತಾಂಶದ ಬಗ್ಗೆ ಕಾಮೆಂಟ್ ಮಾಡಿ.
ಈ ಹಕ್ಕು AI ಅನ್ನು "ಅರ್ಥಪೂರ್ಣ/ಅರ್ಥಪೂರ್ಣವಲ್ಲದ" ಬೈನರಿಯಲ್ಲಿ ಬಂಧಿಸುತ್ತದೆ; "ಹೌದು, ಇದು ಗಮನಾರ್ಹವಾಗಿದೆ, ಪರಿಣಾಮವು ಪ್ರಬಲವಾಗಿದೆ" ಎಂಬಂತಹ ಮಹತ್ವದೊಂದಿಗೆ ಪರಿಮಾಣವನ್ನು ಗೊಂದಲಗೊಳಿಸುವ ವಾಕ್ಯವನ್ನು ಹೆಚ್ಚಾಗಿ ಉತ್ಪಾದಿಸುತ್ತದೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಗಮನ ನೀಡುವ ಅಂಕಿಅಂಶ ಸಹಾಯಕ. ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸಿ ಆದರೆ: (1) ಪರಿಣಾಮದ ಗಾತ್ರ + 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ + p-ಮೌಲ್ಯವನ್ನು ಒಟ್ಟಿಗೆ ನೀಡಿ, (2) ಪ್ರಾಮುಖ್ಯತೆಯಿಂದ ಪ್ರತ್ಯೇಕ ಮಹತ್ವ, (3) p>0.05 ರಲ್ಲಿ "ತೋರಿಸಲಾಗಲಿಲ್ಲ", (4) ನಾನು ಎಷ್ಟು ಪರೀಕ್ಷೆಗಳನ್ನು ಮಾಡಿದ್ದೇನೆ ಎಂದು ಕೇಳಿ; ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಇದ್ದರೆ, ಬಹು ಹೋಲಿಕೆ ತಿದ್ದುಪಡಿಯನ್ನು ಸೂಚಿಸಿ, (5) ಪರೀಕ್ಷೆಯ ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಎಂದು ನೆನಪಿಸಿ.
ವ್ಯತ್ಯಾಸ: ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಶ್ರೀಮಂತ ವರದಿ ಮಾಡುವಿಕೆಯನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತದೆ ಮತ್ತು p-ಮೌಲ್ಯದ ಬಲೆಗಳ ವಿರುದ್ಧ ರಕ್ಷಿಸುತ್ತದೆ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ದೊಡ್ಡ ಮಾದರಿಯಲ್ಲಿ ಅಪ್ರಸ್ತುತ "ಮಹತ್ವ". 500,000 ಅವಲೋಕನಗಳೊಂದಿಗೆ ಡೇಟಾದಲ್ಲಿ p<0.001 ನಲ್ಲಿ ಎರಡು ಗುಂಪುಗಳ ನಡುವಿನ ಸರಾಸರಿ ವ್ಯತ್ಯಾಸವನ್ನು ಒಬ್ಬ ವಿಶ್ಲೇಷಕರು ಕಂಡುಕೊಂಡರು. ಆದರೆ ವ್ಯತ್ಯಾಸವು ಕೇವಲ 0.3 ಅಂಕಗಳು (100 ರಲ್ಲಿ) ಮತ್ತು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಅರ್ಥಹೀನವಾಗಿತ್ತು. ಬೃಹತ್ ಮಾದರಿಯು ಸಣ್ಣ ವ್ಯತ್ಯಾಸವನ್ನು ಸಹ "ಮಹತ್ವ" ಮಾಡಿದೆ. ಪರಿಣಾಮದ ಗಾತ್ರವನ್ನು ವರದಿ ಮಾಡಿದಾಗ, ಕಂಡುಹಿಡಿಯುವಿಕೆಯು ಅತ್ಯಲ್ಪವೆಂದು ಕಂಡುಬಂದಿದೆ. ಪಾಠ: ಮಹತ್ವವು ಪ್ರಮಾಣವಲ್ಲ; n ದೊಡ್ಡದಾಗಿದ್ದರೆ, ಪ್ರತಿಯೊಂದು ವ್ಯತ್ಯಾಸವು ಗಮನಾರ್ಹವಾಗಿರುತ್ತದೆ.
ಪ್ರಕರಣ 2 - ಬಹು ಪರೀಕ್ಷೆಯ ಭ್ರಮೆ. ಒಂದು ತಂಡವು 22 ಫಲಿತಾಂಶದ ಅಸ್ಥಿರಗಳನ್ನು ಪರೀಕ್ಷಿಸಿದೆ; ಅವುಗಳಲ್ಲಿ ಒಂದು p=0.04 ಅನ್ನು ತೋರಿಸಿದೆ ಮತ್ತು "ನಾವು ಪರಿಣಾಮವನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ" ಎಂದು ಘೋಷಿಸಲಾಯಿತು. ಬೋನ್ಫೆರೋನಿ ತಿದ್ದುಪಡಿಯೊಂದಿಗೆ, ಮಿತಿ 0.05/22 = 0.0023 ಗೆ ಕಡಿಮೆಯಾಗಿದೆ; 0.04 ಈ ಮಿತಿಯನ್ನು ದಾಟಲಿಲ್ಲ. ಕೇವಲ "ಅರ್ಥಪೂರ್ಣ" ಫಲಿತಾಂಶವು 22 ಪ್ರಯೋಗಗಳಲ್ಲಿ ಆಕಸ್ಮಿಕವಾಗಿ ಆಗಿರಬಹುದು. ಪಾಠ: ಬಹಳಷ್ಟು ಪರೀಕ್ಷಿಸುವಾಗ, ತಿದ್ದುಪಡಿ ಅಗತ್ಯ.
ಪ್ರಕರಣ 3 - ಅಂಡರ್ಪವರ್ ಮತ್ತು ವಿಜೇತರ ಶಾಪ. ಒಂದು ಸಣ್ಣ ಪೈಲಟ್ ಅಧ್ಯಯನವು (ಪ್ರತಿ ಗುಂಪಿಗೆ n=15) ಪರಿಣಾಮವು ತುಂಬಾ ದೊಡ್ಡದಾಗಿದೆ (d=0.9) ಮತ್ತು ಗಮನಾರ್ಹವಾಗಿದೆ. ದೊಡ್ಡ ಪುನರಾವರ್ತನೆಯ ಅಧ್ಯಯನವು ಪರಿಣಾಮವನ್ನು d = 0.2 ಗೆ ಕಡಿಮೆಗೊಳಿಸಿತು. ಸಣ್ಣ ಮಾದರಿಯು ಮಿತಿಯನ್ನು ದಾಟಲು ಮಿತಿಮೀರಿದ ಅಂದಾಜನ್ನು ಮಾತ್ರ ಅನುಮತಿಸಿದೆ. ಪಾಠ: ಕಡಿಮೆ ಶಕ್ತಿಯಲ್ಲಿ ಗಮನಾರ್ಹ ಪರಿಣಾಮದ ಗಾತ್ರಗಳನ್ನು ನಂಬಲಾಗುವುದಿಲ್ಲ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಪ್ರಾಮುಖ್ಯತೆ/ಪ್ರಮಾಣದೊಂದಿಗೆ ಅರ್ಥಪೂರ್ಣತೆಯನ್ನು ಗೊಂದಲಗೊಳಿಸುವುದು. p ಚಿಕ್ಕದಾಗಿರುವುದರಿಂದ ಪರಿಣಾಮವು ದೊಡ್ಡದಲ್ಲ; ಪರಿಣಾಮದ ಗಾತ್ರವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ವರದಿ ಮಾಡಿ.
- H0 ನ ಸಂಭವನೀಯತೆಗಾಗಿ p-ಮೌಲ್ಯವನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. p ಎಂಬುದು "ಯಾವುದೇ ಪರಿಣಾಮದ ಸಂಭವನೀಯತೆ" ಅಲ್ಲ; ಕಲ್ಪನಾತ್ಮಕವಾಗಿ ವಿಭಿನ್ನವಾಗಿದೆ.
- p>0.05 ಅನ್ನು "ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ" ಎಂದು ಓದಲಾಗುತ್ತಿದೆ. ತೋರಿಸಲು ವಿಫಲವಾದರೆ ಅನುಪಸ್ಥಿತಿಯ ಸಾಕ್ಷಿಯಲ್ಲ; ಅನಿಶ್ಚಿತತೆಯನ್ನು ತಿಳಿಸಿ.
- ಬಹು-ಪರೀಕ್ಷೆಗಾಗಿ ಸರಿಪಡಿಸುತ್ತಿಲ್ಲ. ಹಲವಾರು ಪರೀಕ್ಷೆಗಳು ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ; Bonferroni/FDR ಅನ್ನು ಅನ್ವಯಿಸಿ.
- ಅಧಿಕಾರವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು. ಸಣ್ಣ ಮಾದರಿಯಲ್ಲಿ ಗಮನಾರ್ಹ ಪರಿಣಾಮವು ಉತ್ಪ್ರೇಕ್ಷಿತವಾಗಿದೆ; ವಿಶ್ಲೇಷಣೆಯ ಮೊದಲು ಶಕ್ತಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ.
ಸಲಹೆ: ಫಲಿತಾಂಶವನ್ನು "ಗಮನಾರ್ಹ" ಎಂದು ಬರೆಯುವ ಮೊದಲು ಎರಡು ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ: "ಪರಿಣಾಮವು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆಯೇ (ಗಾತ್ರ)?" ಮತ್ತು "ನಾನು ಈ ಫಲಿತಾಂಶವನ್ನು ಕಂಡುಕೊಳ್ಳುವ ಮೊದಲು ನಾನು ಎಷ್ಟು ಪರೀಕ್ಷೆಗಳನ್ನು ತೆಗೆದುಕೊಂಡೆ?" ಎರಡನೆಯ ಪ್ರಶ್ನೆ ಪ್ರಾಮಾಣಿಕತೆಯ ಲಿಟ್ಮಸ್ ಪರೀಕ್ಷೆ.
ಸಾರಾಂಶದಲ್ಲಿ
ಊಹೆಯ ಪರೀಕ್ಷೆ ಮತ್ತು p-ಮೌಲ್ಯವು ಶಕ್ತಿಯುತ ಆದರೆ ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಲ್ಪಟ್ಟ ಸಾಧನಗಳಾಗಿವೆ. p-ಮೌಲ್ಯವು ಶೂನ್ಯ ಕಲ್ಪನೆಯು ನಿಜವಾಗಿದ್ದಾಗ ಡೇಟಾವನ್ನು ನೋಡುವ ಸಂಭವನೀಯತೆಯಾಗಿದೆ; H0 ಸಂಭವನೀಯತೆಯು ಪರಿಣಾಮದ ಪ್ರಮಾಣ ಅಥವಾ ಸಂಶೋಧನೆಯ ಮಹತ್ವವಲ್ಲ. ಪರಿಣಾಮದ ಗಾತ್ರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ ಯಾವಾಗಲೂ ಮಹತ್ವವನ್ನು ವರದಿ ಮಾಡಿ; p>0.05 ಅನ್ನು "ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ" ಎಂದು ಓದಬೇಡಿ; ನೀವು ಅನೇಕ ಪರೀಕ್ಷೆಗಳನ್ನು ಮಾಡಿದ್ದರೆ ಬಹು ಹೋಲಿಕೆ ತಿದ್ದುಪಡಿಯನ್ನು ಅನ್ವಯಿಸಿ; ಕಡಿಮೆ-ಶಕ್ತಿಯ ಅಧ್ಯಯನಗಳಿಂದ ಉತ್ಪ್ರೇಕ್ಷಿತ ಪರಿಣಾಮಗಳ ಅಪಾಯದ ಬಗ್ಗೆ ತಿಳಿದಿರಲಿ. AI ಪರೀಕ್ಷಾ ಕೋಡ್ ಮತ್ತು ಬ್ಲೂಪ್ರಿಂಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಅರ್ಥಪೂರ್ಣತೆ ಮತ್ತು ಭೌತಿಕತೆಯ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ಎರಡು ಗುಂಪುಗಳ ನಡುವಿನ ಸಾಧನಗಳ ಹೋಲಿಕೆ ಮಾಡಿ. ಸೂಕ್ತವಾದ ಪರೀಕ್ಷೆ (ಅದರ ಊಹೆಗಳೊಂದಿಗೆ) ಮತ್ತು ಕೋಡ್ಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ, ಅದನ್ನು ರನ್ ಮಾಡಿ ಮತ್ತು ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ಮೂರು ಘಟಕಗಳೊಂದಿಗೆ ಫಲಿತಾಂಶವನ್ನು ವರದಿ ಮಾಡಿ: ಪರಿಣಾಮದ ಗಾತ್ರ, 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ, p-ಮೌಲ್ಯ. ನಂತರ ಒಂದೇ ಡೇಟಾದಲ್ಲಿ ನೀವು ಎಷ್ಟು ವಿಭಿನ್ನ ಹೋಲಿಕೆಗಳನ್ನು ಮಾಡಬಹುದು ಎಂಬುದರ ಕುರಿತು ಯೋಚಿಸಿ; ನೀವು ಬಹು ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿದ್ದರೆ, Bonferroni ಅಥವಾ FDR ತಿದ್ದುಪಡಿಯನ್ನು ಅನ್ವಯಿಸಿ ಮತ್ತು ಫಲಿತಾಂಶವು ಇನ್ನೂ ಇದ್ದರೆ ವರದಿ ಮಾಡಿ. ಅಂತಿಮವಾಗಿ, ನಿಮ್ಮ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಒರಟು ಶಕ್ತಿ ಮೌಲ್ಯಮಾಪನವನ್ನು ಬರೆಯಿರಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಪರೀಕ್ಷೆಯನ್ನು ಅದರ ಊಹೆಗಳೊಂದಿಗೆ ಆಯ್ಕೆ ಮಾಡಿದ್ದೇನೆ ಮತ್ತು ಊಹೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಪರಿಣಾಮದ ಗಾತ್ರ + ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ + p-ಮೌಲ್ಯ ಎಂದು ಫಲಿತಾಂಶವನ್ನು ವರದಿ ಮಾಡಿದೆ.
- [ ] ನಾನು "ಮಹತ್ವ" ಮತ್ತು "ಪ್ರಮುಖ" ಪ್ರತ್ಯೇಕವಾಗಿ ಇರಿಸಿದೆ; p ಎಂಬುದು H0 ನ ಸಂಭವನೀಯತೆ ಎಂದು ನಾನು ಭಾವಿಸಿರಲಿಲ್ಲ.
- [ ] ನಾನು p>0.05 ಅನ್ನು "ನಾವು ಅದನ್ನು ತೋರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ" ಬದಲಿಗೆ "ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ" ಎಂದು ಬರೆದಿದ್ದೇನೆ.
- [ ] ನಾನು ಬಹು ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿದರೆ ನಾನು ಬಹು ಹೋಲಿಕೆ ತಿದ್ದುಪಡಿಯನ್ನು ಅನ್ವಯಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಮಾದರಿ ಶಕ್ತಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ; ಕಡಿಮೆ ಶಕ್ತಿಯಲ್ಲಿ ಪರಿಣಾಮದ ಗಾತ್ರದ ಬಗ್ಗೆ ನಾನು ಜಾಗರೂಕನಾಗಿದ್ದೆ.