Добивки:
- Способност за избор на тест соодветен на видот и дистрибуцијата на податоците и проверка на претпоставките (нормалност, варијанса)
- Способност да се разбере вистинското значење на p-вредноста и да се пријават резултатите со големината на ефектот и интервалот на доверба
- Заштита од p-хакирање со раздвојување на откривање-верификација, корекција на повеќекратна споредба и целосно известување
Експериментот заврши, податоците се влезени. Сега сме во најкритичната и најпогрешната фаза: правилно да ги анализираме податоците и искрено да ги толкуваме резултатите. Биолошките податоци често се бучни, нестабилни и мултиваријантни. Неточниот избор на тестови, имплицитните прекршувања на претпоставките и несвесното p-хакирање (обидувајќи се со анализа додека не го даде посакуваниот резултат) се примарните причини за кризата на репродуктивност во објавената биолошка литература. AI ви помага да го изберете вистинскиот тест, да ги проверите претпоставките и да напишете код за анализа; но статистичкиот интегритет е ваша одговорност.
Во оваа единица, ќе опфатиме вообичаени статистички тестови, проверки на претпоставки и начини да се заштитите од хакирање p.
Избор на вистинскиот тест
Изборот на тест зависи од видот и дистрибуцијата на податоците. Вештачката интелигенција ќе ви помогне да го направите овој избор, но не треба да го применувате слепо:
- Две групи, континуирани податоци, нормална дистрибуција: Независен t-тест.
- Две групи, ненормални: Mann-Whitney U (непараметриски: не бара претпоставка за дистрибуција).
- Повеќе од две групи: ANOVA (анализа на варијанса) + пост-хок тест.
- Категорични податоци (брои): Хи-квадрат или Фишер точен тест.
- Врска: Корелација (Пирсон/Спирман) или регресија.
Совет: Визуелизирајте ги податоците пред да го изберете тестот. Хистограмот или кутијата веднаш ја покажува нормалноста и оддалеченоста што ги бара т-тестот. „Прво графирајте, потоа тестирајте“ е добра навика.
Проверка на претпоставките
Секој тест има скриени претпоставки. Т-тестот претпоставува нормална дистрибуција и еднаквост на варијансата; Ако тие се прекршат, резултатот ќе биде погрешен. AI пишува код кој ги проверува овие претпоставки:
Улога: Вие сте асистент по биостатистика. Задача: Напишете код кој ги проверува претпоставките на t-тестот пред да се споредат две групи податоци: нормалност (Шапиро-Вилк), еднаквост на варијанса (Левен). Ако претпоставката е прекршена, кажете ми на кој алтернативен тест да продолжам. Дајте код на Python со коментари.
Кодот ве пренасочува кон Ман-Витни ако нормалноста е скршена. Овој тек „прво проверете, одлучете подоцна“ ве спречува да направите погрешен тест.
p-хакирање и како да се заштитите
p-hacking е анализа на податоците на различни начини до p<0,05: тестирање на различни тестови, селективно отфрлање на оддалечените, додавање/отстранување групи, известување за она што е „значајно“ меѓу голем број променливи. Ова е главниот извор на лажни откритија. Начини на заштита:
- Однапред поправете го планот за анализа (Единица 7).
- Пријавете ги сите тестови, не само оние кои покажуваат значење.
- Поправете повеќекратна споредба (FDR/Bonferroni).
- Наведете ја големината на ефектот и интервалот на доверба до p-вредноста.
- Одделно откритие и валидација: тестирајте го она што го наоѓате во комплетот за откривање на независно множество.
Чекор по чекор: искрена анализа
- Визуелизирајте ги податоците (растурање, оддалеченост).
- Проверете ги претпоставките.
- Направете го тестот што однапред го одредивте.
- Поправете повеќекратна споредба.
- Пријавете ја големината на ефектот + интервалот на доверба.
- Напишете ги јасно ограничувањата.
Шаблони за копирање на брзините
Визуелизирајте ја пропусната моќ: исцртувајте хистограми и кутии за секоја група, означете ги оддалечените точки. Потоа интерпретирате нормалност.Колони со податоци: [име]. Дајте код на Python со коментари.
Сакам да ги споредам моите две групи. Карактеристики на податоците: [тип, N, дистрибуција]. Кој тест е соодветен? Проверете ги претпоставките, извршете го тестот, пријавете ја големината на ефектот И 95% интервал на доверба СО p-вредност.
Во мојата анализа тестирав за 15 различни гени. Наведете го кодот што ја применува корекцијата Бонферони и Бенџамини-Хохберг и објаснете ја разликата помеѓу двата методи.
Слаб промпт / Силен промпт
Слабо: „Дали овие две групи се различни, направете т-тест“.
Силно: "Имам две групи (контрола n=18, третман n=20), зависната променлива е ензимската активност (континуирана). Прво визуелизирајте ја распределбата и нормалноста на тестот со Shapiro-Wilk. Ако е нормално, нанесете т-тест, ако не, Mann-Whitney. Пријавете го резултатот со p-вредност, големина на ефектот. кој тест го избравте и зошто“.
Разлика: Моќниот промпт има тип на податоци, броеви на примероци, проверка на претпоставки и целосно барање за известување. Моделот го следи вистинскиот пат наместо слепо да применува т-тест.
три мини футроли
Случај 1 - Погрешен тест: Студент применил т-тест на значително искривени (ненормални) податоци и нашол p=0,048. Кога вештачката интелигенција ја додаде проверката на нормалноста, податоците не излегоа нормални; Со Ман-Витни, p=0,11. Вистинскиот резултат беше бесмислен. Лекција: тестирањето без проверка на претпоставката е погрешно.
Случај 2 - Селективно отфрлање на надворешноста: Истражувач избриша две „подвоени“ точки за да го направи резултатот значаен. Моделот нагласи дека отфрлањето на надворешноста треба да се заснова на претходно дефинирано правило (на пр., методот IQR) и да се пријави; произволното бришење е p-хакирање. Поука: однапред поставете го правилото за надворешно.
Случај 3 - Обновување на големината на ефектот: Една студија имаше p=0,001, но големината на ефектот (d=0,1) беше речиси нула; големиот примерок покажа дека незначителната разлика е значајна. Кога вештачката интелигенција ја пријави големината на ефектот, беше откриено дека наодот нема практична вредност. Поука: Само затоа што p е мал не е важно.
споредбена табела
Статус
правилен пристап
Да се избегнува
ненормални податоци
Непараметриски тест
Принуден т-тест
мулти тест
Примени корекција
Сурова p<0,05
надворешно
Однапред дефинирано правило
произволно бришење
значаен резултат
Големина на ефектот + CI
само стр
откритие наод
Потврдете на независен сет
Финализирајте во еден сет
Вообичаени грешки
- Неконтролирано тестирање на хипотеза: Лажно значење со лажно тестирање.
- p-hacking: Обидувајќи се со анализа додека не го даде посакуваниот резултат.
- Пријавување само p-вредност: испуштање на големината на ефектот и интервалот на доверба.
- Не се коригира за повеќекратни споредби: Лажни позитиви.
- Каузално скокање: Заклучување на каузалноста од корелацијата.
Внимание: вештачката интелигенција нема да го „произведе“ резултатот што го сакате, туку со задоволство ќе ја напише шифрата за погрешен тест доколку се доведе во заблуда. Имате статистички интегритет: пријавете ги сите испитувања, планирајте ја анализата однапред, никогаш не ја пропуштајте големината на ефектот. Работете со биостатистичар за анализи кои водат до објавување.
вистинското значење на p-вредноста
Најпогрешно разбраниот концепт во биологијата е p-вредноста. P-вредноста не е „веројатноста хипотезата да биде вистинита“; Тоа е „веројатноста да се види разликата како голема или поекстремна од она што го набљудувате, кога во реалноста нема разлика“. Оваа суптилна, но критичка разлика е клучна за да не се преувеличуваат резултатите. p=0,03 не значи „ефектот е 97% реален“. Кога вештачката интелигенција толкува резултат, проверете дали правилно ја користи оваа дефиниција; Моделот понекогаш може да повтори вообичаено погрешно толкување.
Интервалот на доверливост (CI) често е поинформативен од p-вредноста бидејќи ја покажува големината и несигурноста на ефектот заедно. „Разлика 2,4 пати (95% CI: 1,8-3,1)“ кажува многу повеќе од „p<0,05“: и насоката на ефектот, неговата големина и колку прецизно е измерен. Означете GA во вашите извештаи.
Користете ја правилната дефиниција на p-вредноста кога го толкувате мојот резултат. Избегнувајте неточни изјави како „веројатноста ефектот да биде вистинит“. Наместо тоа, објаснете го практичното значење во однос на големината на ефектот и интервалот на доверба од 95%. Резултат: [податоци]
Податоци за корелација, каузалност и набљудување
Повеќето биолошки податоци се набљудувачки: гледате нешто што се менува со нешто друго, но не можете да видите што предизвикува што. Реченицата „изразот на генот X корелира со болеста“ не покажува дека Х предизвикува болест; Болеста може да се зголемува X, или трет фактор може да влијае на двете. Каузалноста може да се утврди само преку интервентно експериментирање (промена на X и мерење на резултатот). ВИ може несвесно да користи причински јазик („причини“, „води до“) во вашите текстови; прегледајте ја секоја заклучокна реченица од оваа перспектива, изразувајќи ги наодите од набљудувањето на корелациски јазик („поврзани“, „различни заедно“).
Одвојување на спарени и независни податоци
Најчесто занемарената разлика при изборот на тестот е дали примероците се независни или спарени. Ако земате мерења пред и по истиот поединец (на пример, вредностите на крвта на истите пациенти пред и по третманот), овие мерења не се независни; Потребен е спарен тест. Користењето на независниот t-тест со два примерока овде ги отфрла информациите за совпаѓање во податоците и ја намалува моќноста; Може дури и да го смени исходот. Правилото е едноставно: „Дали овие две мерења доаѓаат од иста биолошка единица? Ако одговорот е да, се користи парен тест (спарен т-тест или тест за ранг со потпишан Вилкоксон), а ако не, се користи независен тест. Кога барате тестови од вештачка интелигенција, задолжително наведете ја структурата на совпаѓање на вашите податоци; Ако не наведете, моделот често претпоставува независност и препорачува погрешен тест.
Имам две групи на мерења. Важно: овие мерења се направени пред/по ИСТИ поединци (спарени). Изберете го вистинскиот тест што го зема предвид ова совпаѓање (спарен т-тест или Wilcoxon), проверете ги вашите претпоставки и пријавете ја големината на ефектот. Не претпоставувајте независност.
Сумирано
Точна анализа на податоци; избирање на соодветен тест за типот на податоци, проверка на претпоставките, коригирање на повеќе споредби и известување за големината на ефектот и интервалот на доверба покрај p-вредноста. Најголемата опасност е p-хакирањето; Противотровот е план за однапред анализирање, целосно известување и раздвојување на откривање-верификација. Вештачката интелигенција е моќна помош при изборот на тестови и проверката на претпоставките, но статистичкиот интегритет лежи кај човекот.
Задача за апликација
Земете збир на податоци (ваши сопствени податоци или примерок) со две групи. Прво напишете го кодот со AI што ги визуелизира податоците и тестира за нормалност. Во зависност од резултатот, применете го соодветниот тест (т-тест или Ман-Витни) и пријавете ја големината на ефектот и интервалот на доверба заедно со p-вредноста. Потоа споредете го ефектот на повеќекратните споредби без корекција и со корекција на резултатот.
листа за проверка
- [ ] Ги визуелизирав податоците пред тестирањето.
- [ ] Ги проверив претпоставките за тестот (нормалност, варијанса).
- [ ] Го избрав соодветниот тест, не го применив слепо т-тестот.
- [ ] Поправив повеќекратна споредба.
- Ја пријавив [ ] p-вредноста, како и големината на ефектот и интервалот на доверба.
- [ ] Однапред го поправив планот за анализа и избегнав хакирање на p.