ഡാറ്റ വിശകലനവും സ്റ്റാറ്റിസ്റ്റിക്കൽ മൂല്യനിർണ്ണയവും

നേട്ടങ്ങൾ:

• ഡാറ്റയുടെ തരത്തിനും വിതരണത്തിനും അനുയോജ്യമായ ടെസ്റ്റ് തിരഞ്ഞെടുക്കാനും അനുമാനങ്ങൾ പരിശോധിക്കാനുമുള്ള കഴിവ് (സാധാരണത്വം, വ്യത്യാസം)
• പി-മൂല്യത്തിൻ്റെ യഥാർത്ഥ അർത്ഥം മനസിലാക്കാനും ഫലപ്രാപ്തിയും ആത്മവിശ്വാസ ഇടവേളയും ഉപയോഗിച്ച് ഫലങ്ങൾ റിപ്പോർട്ടുചെയ്യാനുമുള്ള കഴിവ്
• ഡിസ്കവറി-വെരിഫിക്കേഷൻ വേർതിരിവ്, ഒന്നിലധികം താരതമ്യ തിരുത്തൽ, പൂർണ്ണ റിപ്പോർട്ടിംഗ് എന്നിവ ഉപയോഗിച്ച് പി-ഹാക്കിംഗിൽ നിന്നുള്ള സംരക്ഷണം

പരീക്ഷണം അവസാനിച്ചു, ഡാറ്റ എത്തി. ഇപ്പോൾ നമ്മൾ ഏറ്റവും നിർണായകവും ഏറ്റവും തെറ്റായതുമായ ഘട്ടത്തിലാണ്: ഡാറ്റ ശരിയായി വിശകലനം ചെയ്യുകയും ഫലങ്ങൾ സത്യസന്ധമായി വ്യാഖ്യാനിക്കുകയും ചെയ്യുക. ബയോളജിക്കൽ ഡാറ്റ പലപ്പോഴും ശബ്ദായമാനവും അസ്ഥിരവും ബഹുസ്വരവുമാണ്. തെറ്റായ ടെസ്റ്റ് സെലക്ഷൻ, വ്യക്തമായ അനുമാന ലംഘനങ്ങൾ, അബോധാവസ്ഥയിലുള്ള പി-ഹാക്കിംഗ് (ആവശ്യമുള്ള ഫലം നൽകുന്നതുവരെ ഒരു വിശകലനം പരീക്ഷിക്കുക) എന്നിവയാണ് പ്രസിദ്ധീകരിച്ച ജൈവ സാഹിത്യത്തിലെ പുനരുൽപ്പാദന പ്രതിസന്ധിയുടെ പ്രാഥമിക കാരണങ്ങൾ. ശരിയായ ടെസ്റ്റ് തിരഞ്ഞെടുക്കാനും അനുമാനങ്ങൾ പരിശോധിക്കാനും വിശകലന കോഡ് എഴുതാനും AI നിങ്ങളെ സഹായിക്കുന്നു; എന്നാൽ സ്ഥിതിവിവരക്കണക്കുകളുടെ സമഗ്രത നിങ്ങളുടെ ഉത്തരവാദിത്തമാണ്.

ഈ യൂണിറ്റിൽ, ഞങ്ങൾ പൊതുവായ സ്ഥിതിവിവരക്കണക്കുകൾ, അനുമാന പരിശോധനകൾ, പി-ഹാക്കിംഗിൽ നിന്ന് സ്വയം പരിരക്ഷിക്കാനുള്ള വഴികൾ എന്നിവ ഉൾക്കൊള്ളുന്നു.

ശരിയായ ടെസ്റ്റ് തിരഞ്ഞെടുക്കുന്നു

ടെസ്റ്റിൻ്റെ തിരഞ്ഞെടുപ്പ് ഡാറ്റയുടെ തരത്തെയും വിതരണത്തെയും ആശ്രയിച്ചിരിക്കുന്നു. ഈ തിരഞ്ഞെടുപ്പ് നടത്താൻ കൃത്രിമബുദ്ധി നിങ്ങളെ സഹായിക്കും, എന്നാൽ നിങ്ങൾ ഇത് അന്ധമായി പ്രയോഗിക്കരുത്:

• രണ്ട് ഗ്രൂപ്പുകൾ, തുടർച്ചയായ ഡാറ്റ, സാധാരണ വിതരണം: സ്വതന്ത്ര ടി-ടെസ്റ്റ്.
• രണ്ട് ഗ്രൂപ്പുകൾ, നോൺ-സാധാരണ: മാൻ-വിറ്റ്‌നി യു (നോൺ-പാരാമെട്രിക്: വിതരണ അനുമാനം ആവശ്യമില്ല).
• രണ്ടിലധികം ഗ്രൂപ്പുകൾ: ANOVA (വ്യതിയാനങ്ങളുടെ വിശകലനം) + പോസ്റ്റ്-ഹോക്ക് ടെസ്റ്റ്.
• വിഭാഗീയ ഡാറ്റ (എണ്ണം): ചി-സ്ക്വയർ അല്ലെങ്കിൽ ഫിഷർ കൃത്യമായ പരിശോധന.
• ബന്ധം: പരസ്പരബന്ധം (പിയേഴ്സൺ/സ്പിയർമാൻ) അല്ലെങ്കിൽ റിഗ്രഷൻ.

നുറുങ്ങ്: ടെസ്റ്റ് തിരഞ്ഞെടുക്കുന്നതിന് മുമ്പ് ഡാറ്റ ദൃശ്യവൽക്കരിക്കുക. ഒരു ഹിസ്റ്റോഗ്രാം അല്ലെങ്കിൽ ബോക്‌സ്‌പ്ലോട്ട് ഒരു ടി-ടെസ്റ്റിന് ആവശ്യമായ നോർമാലിറ്റിയും ഔട്ട്‌ലയറുകളും തൽക്ഷണം കാണിക്കുന്നു. "ആദ്യം ഗ്രാഫ്, പിന്നീട് പരീക്ഷിക്കുക" എന്നത് ഒരു നല്ല ശീലമാണ്.

അനുമാനങ്ങൾ പരിശോധിക്കുന്നു

എല്ലാ പരീക്ഷകൾക്കും മറഞ്ഞിരിക്കുന്ന അനുമാനങ്ങളുണ്ട്. ടി-ടെസ്റ്റ് സാധാരണ വിതരണവും വ്യത്യാസത്തിൻ്റെ തുല്യതയും അനുമാനിക്കുന്നു; ഇവ ലംഘിക്കപ്പെട്ടാൽ ഫലം തെറ്റിദ്ധരിപ്പിക്കുന്നതായിരിക്കും. ഈ അനുമാനങ്ങൾ പരിശോധിക്കുന്ന കോഡ് AI എഴുതുന്നു:

റോൾ: നിങ്ങളൊരു ബയോസ്റ്റാറ്റിസ്റ്റിക്സ് അസിസ്റ്റൻ്റാണ്. ടാസ്‌ക്: രണ്ട് ഗ്രൂപ്പുകളുടെ ഡാറ്റ താരതമ്യം ചെയ്യുന്നതിനുമുമ്പ് ഒരു ടി-ടെസ്റ്റിൻ്റെ അനുമാനങ്ങൾ പരിശോധിക്കുന്ന കോഡ് എഴുതുക: നോർമാലിറ്റി (ഷാപിറോ-വിൽക്ക്), വേരിയൻസ് തുല്യത (ലെവൻ). അനുമാനം ലംഘിക്കപ്പെട്ടാൽ, ഏത് ബദൽ പരീക്ഷയാണ് ഞാൻ മുന്നോട്ട് പോകേണ്ടതെന്ന് എന്നോട് പറയുക. അഭിപ്രായങ്ങൾക്കൊപ്പം പൈത്തൺ കോഡ് നൽകുക.

സാധാരണ നില തകർന്നാൽ കോഡ് നിങ്ങളെ മാൻ-വിറ്റ്‌നിയിലേക്ക് റീഡയറക്‌ട് ചെയ്യുന്നു. "ആദ്യം പരിശോധിക്കുക, പിന്നീട് തീരുമാനിക്കുക" എന്ന ഈ ഫ്ലോ തെറ്റായ പരിശോധന നടത്തുന്നതിൽ നിന്ന് നിങ്ങളെ തടയുന്നു.

പി-ഹാക്കിംഗ്, എങ്ങനെ സ്വയം പരിരക്ഷിക്കാം

p<0.05 വരെ വ്യത്യസ്ത രീതികളിൽ ഡാറ്റ വിശകലനം ചെയ്യുന്നതാണ് p-ഹാക്കിംഗ്: വ്യത്യസ്ത ടെസ്റ്റുകൾ പരീക്ഷിക്കുക, ഔട്ട്‌ലറുകൾ തിരഞ്ഞെടുത്ത് നിരസിക്കുക, ഗ്രൂപ്പുകൾ ചേർക്കുക/നീക്കം ചെയ്യുക, ഒരു വലിയ എണ്ണം വേരിയബിളുകൾക്കിടയിൽ "പ്രധാനമായത്" എന്താണെന്ന് റിപ്പോർട്ട് ചെയ്യുക. ഇതാണ് വ്യാജ കണ്ടെത്തലുകളുടെ പ്രധാന ഉറവിടം. സംരക്ഷണ മാർഗ്ഗങ്ങൾ:

1. വിശകലന പദ്ധതി മുൻകൂട്ടി നിശ്ചയിക്കുക (യൂണിറ്റ് 7).
2. പ്രാധാന്യം കാണിക്കുന്നവ മാത്രമല്ല, എല്ലാ പരിശോധനകളും റിപ്പോർട്ടുചെയ്യുക.
3. ഒന്നിലധികം താരതമ്യം പരിഹരിക്കുക (FDR/Bonferroni).
4. പി-മൂല്യത്തിന് അടുത്തായി ഇഫക്റ്റ് വലുപ്പവും ആത്മവിശ്വാസ ഇടവേളയും നൽകുക.
5. പ്രത്യേക കണ്ടെത്തലും മൂല്യനിർണ്ണയവും: ഒരു സ്വതന്ത്ര സെറ്റിലെ കണ്ടെത്തൽ സെറ്റിൽ നിങ്ങൾ കണ്ടെത്തുന്നത് പരീക്ഷിക്കുക.

ഘട്ടം ഘട്ടമായി: സത്യസന്ധമായ വിശകലനം

1. ഡാറ്റ ദൃശ്യവൽക്കരിക്കുക (സ്കാറ്റർ, ഔട്ട്‌ലിയർ).
2. അനുമാനങ്ങൾ പരിശോധിക്കുക.
3. നിങ്ങൾ മുൻകൂട്ടി നിശ്ചയിച്ച പരിശോധന നടത്തുക.
4. ഒന്നിലധികം താരതമ്യം പരിഹരിക്കുക.
5. റിപ്പോർട്ട് ഇഫക്റ്റ് വലുപ്പം + ആത്മവിശ്വാസ ഇടവേള.
6. പരിമിതികൾ വ്യക്തമായി എഴുതുക.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ത്രൂപുട്ട് ദൃശ്യവൽക്കരിക്കുക: ഓരോ ഗ്രൂപ്പിനുമുള്ള പ്ലോട്ട് ഹിസ്റ്റോഗ്രാമുകളും ബോക്‌സ്‌പ്ലോട്ടുകളും, ഫ്ലാഗ് ഔട്ട്‌ലറുകൾ. തുടർന്ന് നോർമാലിറ്റിയെ വ്യാഖ്യാനിക്കുക. ഡാറ്റ കോളങ്ങൾ: [പേര്]. അഭിപ്രായങ്ങൾക്കൊപ്പം പൈത്തൺ കോഡ് നൽകുക.

എൻ്റെ രണ്ട് ഗ്രൂപ്പുകളെ താരതമ്യം ചെയ്യാൻ ഞാൻ ആഗ്രഹിക്കുന്നു. ഡാറ്റയുടെ സവിശേഷതകൾ: [തരം, N, വിതരണം]. ഏത് പരിശോധനയാണ് ഉചിതം? അനുമാനങ്ങൾ പരിശോധിക്കുക, പരിശോധന നടത്തുക, ഇഫക്റ്റ് വലുപ്പം റിപ്പോർട്ട് ചെയ്യുക, പി-മൂല്യം ഉപയോഗിച്ച് 95% ആത്മവിശ്വാസ ഇടവേള.

എൻ്റെ വിശകലനത്തിൽ 15 വ്യത്യസ്ത ജീനുകൾക്കായി ഞാൻ പരീക്ഷിച്ചു. ബോൺഫെറോണി, ബെഞ്ചമിനി-ഹോച്ച്ബെർഗ് തിരുത്തലുകൾക്ക് ബാധകമായ കോഡ് നൽകുകയും രണ്ട് രീതികൾ തമ്മിലുള്ള വ്യത്യാസം വിശദീകരിക്കുകയും ചെയ്യുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലം: "ഈ രണ്ട് ഗ്രൂപ്പുകളും വ്യത്യസ്തമാണോ, ഒരു ടി-ടെസ്റ്റ് നടത്തുക."

ശക്തം: "എനിക്ക് രണ്ട് ഗ്രൂപ്പുകളുണ്ട് (നിയന്ത്രണം n=18, ചികിത്സ n=20), ആശ്രിത വേരിയബിൾ എൻസൈം പ്രവർത്തനമാണ് (തുടർച്ചയുള്ളത്). ആദ്യം ഷാപ്പിറോ-വിൽക്ക് ഉപയോഗിച്ച് വിതരണവും ടെസ്റ്റ് നോർമാലിറ്റിയും ദൃശ്യവൽക്കരിക്കുക. സാധാരണമാണെങ്കിൽ, t-ടെസ്റ്റ് പ്രയോഗിക്കുക, ഇല്ലെങ്കിൽ, Mann-Whitney. p-value, Effects size (കോഹെൻ'സ് ബൈഡ്രിയൽ % 9, ആത്മവിശ്വാസം) എന്നിവ ഉപയോഗിച്ച് ഫലം റിപ്പോർട്ട് ചെയ്യുക. ഏത് പരീക്ഷയാണ് നിങ്ങൾ തിരഞ്ഞെടുത്തതെന്നും എന്തുകൊണ്ടാണെന്നും വിശദീകരിക്കുക.

വ്യത്യാസം: ശക്തമായ പ്രോംപ്റ്റിൽ ഡാറ്റ തരം, സാമ്പിൾ നമ്പറുകൾ, അനുമാന പരിശോധന, പൂർണ്ണ റിപ്പോർട്ടിംഗ് അഭ്യർത്ഥന എന്നിവയുണ്ട്. ടി-ടെസ്റ്റ് അന്ധമായി പ്രയോഗിക്കുന്നതിന് പകരം മോഡൽ ശരിയായ പാത പിന്തുടരുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 — തെറ്റായ പരിശോധന: ഒരു വിദ്യാർത്ഥി ഗണ്യമായി വളച്ചൊടിച്ച (സാധാരണമല്ലാത്ത) ഡാറ്റയിലേക്ക് ടി-ടെസ്റ്റ് പ്രയോഗിച്ചു, p=0.048 കണ്ടെത്തി. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നോർമാലിറ്റി ചെക്ക് ചേർത്തപ്പോൾ, ഡാറ്റ സാധാരണ നിലയിലായില്ല; മാൻ-വിറ്റ്‌നിക്കൊപ്പം, p=0.11. യഥാർത്ഥ ഫലം അർത്ഥശൂന്യമായിരുന്നു. പാഠം: അനുമാനം പരിശോധിക്കാതെയുള്ള പരിശോധന തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്.

കേസ് 2 - സെലക്ടീവ് ഔട്ട്‌ലിയർ നിരസിക്കുക: ഫലം അർത്ഥവത്തായതാക്കാൻ ഒരു ഗവേഷകൻ രണ്ട് "ഔട്ട്‌ലിയർ" പോയിൻ്റുകൾ ഇല്ലാതാക്കി. ഔട്ട്‌ലിയർ നിരസിക്കൽ ഒരു മുൻനിശ്ചയിച്ച നിയമത്തെ അടിസ്ഥാനമാക്കിയുള്ളതായിരിക്കണം (ഉദാ. IQR രീതി) എന്ന് മോഡൽ ഊന്നിപ്പറയുകയും റിപ്പോർട്ടുചെയ്യുകയും ചെയ്തു; അനിയന്ത്രിതമായ ഇല്ലാതാക്കൽ p-ഹാക്കിംഗ് ആണ്. പാഠം: ഔട്ട്‌ലൈയർ റൂൾ മുൻകൂട്ടി നിശ്ചയിക്കുക.

കേസ് 3 — ഇഫക്റ്റ് സൈസ് വീണ്ടെടുക്കൽ: ഒരു പഠനത്തിന് p=0.001 ഉണ്ടായിരുന്നു, എന്നാൽ ഇഫക്റ്റ് സൈസ് (d=0.1) ഏതാണ്ട് പൂജ്യമായിരുന്നു; വലിയ സാമ്പിൾ നിസ്സാരമായ വ്യത്യാസം പ്രാധാന്യമുള്ളതായി കാണിച്ചു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഫലത്തിൻ്റെ വലുപ്പം റിപ്പോർട്ട് ചെയ്തപ്പോൾ, കണ്ടെത്തലിന് പ്രായോഗിക മൂല്യമില്ലെന്ന് കണ്ടെത്തി. പാഠം: p ചെറുതായതുകൊണ്ട് മാത്രം കാര്യമില്ല.

താരതമ്യ ചാർട്ട്

നില

ശരിയായ സമീപനം

ഒഴിവാക്കണം

അസാധാരണമായ ഡാറ്റ

നോൺപാരാമെട്രിക് ടെസ്റ്റ്

നിർബന്ധിത ടി-ടെസ്റ്റ്

മൾട്ടി ടെസ്റ്റ്

തിരുത്തൽ പ്രയോഗിക്കുക

ക്രൂഡ് p<0.05

പുറത്തുള്ള

മുൻകൂട്ടി നിശ്ചയിച്ച നിയമം

ഏകപക്ഷീയമായ ഇല്ലാതാക്കൽ

കാര്യമായ ഫലം

ഇഫക്റ്റ് വലുപ്പം + CI

വെറും പി

കണ്ടെത്തൽ കണ്ടെത്തൽ

സ്വതന്ത്ര സെറ്റിൽ സാധൂകരിക്കുക

ഒരു സെറ്റിൽ അന്തിമമാക്കുക

സാധാരണ തെറ്റുകൾ

• അനുമാനം അനിയന്ത്രിതമായ പരിശോധന: തെറ്റായ പരിശോധനയ്‌ക്കൊപ്പം വ്യാജമായ പ്രാധാന്യം.
• പി-ഹാക്കിംഗ്: ആവശ്യമുള്ള ഫലം നൽകുന്നതുവരെ വിശകലനം ചെയ്യാൻ ശ്രമിക്കുന്നു.
• p-മൂല്യം മാത്രം റിപ്പോർട്ടുചെയ്യുന്നു: ഇഫക്റ്റ് വലുപ്പവും ആത്മവിശ്വാസ ഇടവേളയും ഒഴിവാക്കുന്നു.
• ഒന്നിലധികം താരതമ്യങ്ങൾ തിരുത്തുന്നില്ല: തെറ്റായ പോസിറ്റീവുകൾ.
• കോസേഷൻ ജമ്പിംഗ്: പരസ്പര ബന്ധത്തിൽ നിന്നുള്ള കാര്യകാരണം അനുമാനിക്കുന്നു.

മുന്നറിയിപ്പ്: നിങ്ങൾ ആഗ്രഹിക്കുന്ന ഫലം AI "ഉൽപ്പാദിപ്പിക്കില്ല", പക്ഷേ തെറ്റിദ്ധരിക്കപ്പെട്ടാൽ തെറ്റായ ടെസ്റ്റിനുള്ള കോഡ് സന്തോഷത്തോടെ എഴുതും. നിങ്ങൾക്ക് സ്റ്റാറ്റിസ്റ്റിക്കൽ സമഗ്രതയുണ്ട്: എല്ലാ ട്രയലുകളും റിപ്പോർട്ട് ചെയ്യുക, വിശകലനം മുൻകൂട്ടി ആസൂത്രണം ചെയ്യുക, ഇഫക്റ്റ് വലുപ്പം ഒരിക്കലും നഷ്ടപ്പെടുത്തരുത്. പ്രസിദ്ധീകരണത്തിലേക്ക് നയിക്കുന്ന വിശകലനങ്ങൾക്കായി ഒരു ബയോസ്റ്റാറ്റിസ്റ്റിഷ്യനുമായി പ്രവർത്തിക്കുക.

പി-മൂല്യം എന്നതിൻ്റെ യഥാർത്ഥ അർത്ഥം

ജീവശാസ്ത്രത്തിൽ ഏറ്റവും തെറ്റിദ്ധരിക്കപ്പെട്ട ആശയം p-മൂല്യം ആണ്. p-മൂല്യം "അനുമാനം ശരിയാകാനുള്ള സാധ്യത" അല്ല; അത് "യാഥാർത്ഥ്യത്തിൽ വ്യത്യാസമില്ലാതിരിക്കുമ്പോൾ, നിങ്ങൾ നിരീക്ഷിക്കുന്നതിനേക്കാൾ വലുതോ തീവ്രമോ ആയ ഒരു വ്യത്യാസം കാണാനുള്ള സാധ്യത" ആണ്. ഈ സൂക്ഷ്മവും എന്നാൽ നിർണായകവുമായ വ്യത്യാസം ഫലങ്ങളെ പെരുപ്പിച്ചു കാണിക്കാതിരിക്കാനുള്ള താക്കോലാണ്. p=0.03 എന്നാൽ "ഇഫക്റ്റ് 97% യഥാർത്ഥമാണ്" എന്നല്ല. AI ഒരു ഫലം വ്യാഖ്യാനിക്കുമ്പോൾ, അത് ഈ നിർവചനം ശരിയായി ഉപയോഗിക്കുന്നുണ്ടോയെന്ന് പരിശോധിക്കുക; മാതൃക ചിലപ്പോൾ പൊതുവായ തെറ്റായ വ്യാഖ്യാനം ആവർത്തിക്കാം.

കോൺഫിഡൻസ് ഇൻ്റർവെൽ (CI) പലപ്പോഴും പി-വാല്യൂവിനേക്കാൾ കൂടുതൽ വിവരദായകമാണ്, കാരണം അത് ഫലത്തിൻ്റെ വ്യാപ്തിയും അനിശ്ചിതത്വവും ഒരുമിച്ച് കാണിക്കുന്നു. “വ്യത്യാസം 2.4-മടങ്ങ് (95% CI: 1.8-3.1)” “p<0.05” നേക്കാൾ വളരെ കൂടുതലാണ്: ഫലത്തിൻ്റെ ദിശയും അതിൻ്റെ വ്യാപ്തിയും എത്ര കൃത്യമായി അളന്നു എന്നതും. നിങ്ങളുടെ റിപ്പോർട്ടുകളിൽ GA ഹൈലൈറ്റ് ചെയ്യുക.

എൻ്റെ ഫലം വ്യാഖ്യാനിക്കുമ്പോൾ p-മൂല്യം ശരിയായ നിർവചനം ഉപയോഗിക്കുക. "ഇഫക്റ്റ് ശരിയാകാനുള്ള സാധ്യത" പോലെയുള്ള തെറ്റായ പ്രസ്താവനകൾ ഒഴിവാക്കുക. പകരം, ഇഫക്റ്റ് സൈസ്, 95% ആത്മവിശ്വാസ ഇടവേള എന്നിവയുടെ അടിസ്ഥാനത്തിൽ പ്രായോഗിക അർത്ഥം വിശദീകരിക്കുക. ഫലം: [ഡാറ്റ]

പരസ്പരബന്ധം, കാരണവും നിരീക്ഷണ ഡാറ്റയും

മിക്ക ബയോളജിക്കൽ ഡാറ്റയും നിരീക്ഷണപരമാണ്: മറ്റെന്തെങ്കിലും ഉപയോഗിച്ച് എന്തെങ്കിലും മാറുന്നത് നിങ്ങൾ കാണുന്നു, പക്ഷേ എന്താണ് സംഭവിക്കുന്നതെന്ന് നിങ്ങൾക്ക് കാണാൻ കഴിയില്ല. "X ൻ്റെ ജീൻ എക്സ്പ്രഷൻ രോഗവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു" എന്ന വാക്യം X രോഗത്തിന് കാരണമാകുമെന്ന് സൂചിപ്പിക്കുന്നില്ല; രോഗം എക്‌സ് വർദ്ധിപ്പിച്ചേക്കാം, അല്ലെങ്കിൽ മൂന്നാമത്തെ ഘടകം രണ്ടിനെയും ബാധിച്ചേക്കാം. ഇടപെടൽ പരീക്ഷണത്തിലൂടെ മാത്രമേ കാര്യകാരണബന്ധം സ്ഥാപിക്കാൻ കഴിയൂ (എക്സ് മാറ്റുകയും ഫലം അളക്കുകയും ചെയ്യുക). AI അറിയാതെ നിങ്ങളുടെ വാചകങ്ങളിൽ കാര്യകാരണമായ ഭാഷ (“കാരണങ്ങൾ,” “നയിക്കുന്നു”) ഉപയോഗിച്ചേക്കാം; ഈ വീക്ഷണകോണിൽ നിന്ന് ഓരോ നിഗമന വാക്യവും അവലോകനം ചെയ്യുക, പരസ്പര ബന്ധമുള്ള ഭാഷയിൽ നിരീക്ഷണ കണ്ടെത്തലുകൾ പ്രകടിപ്പിക്കുക ("പരസ്പരബന്ധം," "ഒരുമിച്ച് വ്യത്യാസപ്പെടുന്നു").

ജോടിയാക്കിയതും സ്വതന്ത്രവുമായ ഡാറ്റ വേർതിരിക്കുന്നു

സാമ്പിളുകൾ സ്വതന്ത്രമാണോ അതോ ജോടിയാക്കിയതാണോ എന്നതാണ് ടെസ്റ്റ് സെലക്ഷനിൽ ഏറ്റവും കൂടുതൽ ശ്രദ്ധിക്കപ്പെടുന്ന വ്യത്യാസം. നിങ്ങൾ ഒരേ വ്യക്തിയിൽ നിന്ന് അളവുകൾക്ക് മുമ്പും ശേഷവും എടുക്കുകയാണെങ്കിൽ (ഉദാഹരണത്തിന്, ചികിത്സയ്ക്ക് മുമ്പും ശേഷവും ഒരേ രോഗികളുടെ രക്ത മൂല്യങ്ങൾ), ഈ അളവുകൾ സ്വതന്ത്രമല്ല; ഒരു ജോടിയാക്കിയ പരിശോധന ആവശ്യമാണ്. ഇവിടെ സ്വതന്ത്ര രണ്ട്-സാമ്പിൾ ടി-ടെസ്റ്റ് ഉപയോഗിക്കുന്നത് ഡാറ്റയിലെ പൊരുത്ത വിവരങ്ങൾ നിരസിക്കുകയും പവർ കുറയ്ക്കുകയും ചെയ്യുന്നു; അത് ഫലത്തെ വിപരീതമാക്കുക പോലും ചെയ്തേക്കാം. നിയമം ലളിതമാണ്: "ഈ രണ്ട് അളവുകളും ഒരേ ജൈവ യൂണിറ്റിൽ നിന്നാണോ വരുന്നത്?" ഉത്തരം അതെ എന്നാണെങ്കിൽ, ജോടിയാക്കിയ ടെസ്റ്റ് (ജോടിയാക്കിയ ടി-ടെസ്റ്റ് അല്ലെങ്കിൽ വിൽകോക്സൺ സൈൻഡ് റാങ്ക് ടെസ്റ്റ്) ഉപയോഗിക്കുന്നു, ഇല്ലെങ്കിൽ, സ്വതന്ത്ര ടെസ്റ്റ് ഉപയോഗിക്കുന്നു. നിങ്ങൾ പരിശോധനകൾക്കായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിനോട് ആവശ്യപ്പെടുമ്പോൾ, നിങ്ങളുടെ ഡാറ്റയുടെ പൊരുത്ത ഘടന വ്യക്തമാക്കുന്നത് ഉറപ്പാക്കുക; നിങ്ങൾ വ്യക്തമാക്കിയിട്ടില്ലെങ്കിൽ, മോഡൽ പലപ്പോഴും സ്വാതന്ത്ര്യം ഏറ്റെടുക്കുകയും തെറ്റായ പരിശോധന ശുപാർശ ചെയ്യുകയും ചെയ്യുന്നു.

എനിക്ക് രണ്ട് സെറ്റ് അളവുകൾ ഉണ്ട്. പ്രധാനം: ഈ അളവുകൾ ഒരേ വ്യക്തികൾക്ക് മുമ്പോ ശേഷമോ എടുത്തതാണ് (ജോടിയാക്കിയത്). ഈ പൊരുത്തം (ജോടിയാക്കിയ ടി-ടെസ്റ്റ് അല്ലെങ്കിൽ വിൽകോക്സൺ) കണക്കിലെടുക്കുന്ന ശരിയായ ടെസ്റ്റ് തിരഞ്ഞെടുക്കുക, നിങ്ങളുടെ അനുമാനങ്ങൾ പരിശോധിച്ച് ഇഫക്റ്റ് സൈസ് ഉപയോഗിച്ച് റിപ്പോർട്ട് ചെയ്യുക. സ്വാതന്ത്ര്യം ധരിക്കരുത്.

ചുരുക്കത്തിൽ

കൃത്യമായ ഡാറ്റ വിശകലനം; ഡാറ്റയുടെ തരത്തിന് അനുയോജ്യമായ ടെസ്റ്റ് തിരഞ്ഞെടുക്കൽ, അനുമാനങ്ങൾ പരിശോധിക്കൽ, ഒന്നിലധികം താരതമ്യങ്ങൾ തിരുത്തൽ, പി-മൂല്യം കൂടാതെ ഇഫക്റ്റ് വലുപ്പവും ആത്മവിശ്വാസ ഇടവേളയും റിപ്പോർട്ടുചെയ്യുന്നു. ഏറ്റവും വലിയ അപകടം പി-ഹാക്കിംഗ് ആണ്; മറുമരുന്ന് ഒരു മുൻകൂർ വിശകലന പ്ലാൻ, പൂർണ്ണ റിപ്പോർട്ടിംഗ്, കണ്ടെത്തൽ-സ്ഥിരീകരണ വേർതിരിവ് എന്നിവയാണ്. ടെസ്റ്റ് സെലക്ഷനിലും അനുമാന പരിശോധനയിലും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ശക്തമായ ഒരു സഹായമാണ്, എന്നാൽ സ്റ്റാറ്റിസ്റ്റിക്കൽ സമഗ്രത മനുഷ്യനിലാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

രണ്ട് ഗ്രൂപ്പുകളുള്ള ഒരു ഡാറ്റ സെറ്റ് (നിങ്ങളുടെ സ്വന്തം ഡാറ്റ അല്ലെങ്കിൽ ഒരു സാമ്പിൾ) എടുക്കുക. ആദ്യം ഡാറ്റയും സാധാരണ നിലയ്ക്കുള്ള ടെസ്റ്റുകളും ദൃശ്യവൽക്കരിക്കുന്ന AI റൈറ്റ് കോഡ് നേടുക. ഫലത്തെ ആശ്രയിച്ച്, ഉചിതമായ പരിശോധന (ടി-ടെസ്റ്റ് അല്ലെങ്കിൽ മാൻ-വിറ്റ്നി) പ്രയോഗിക്കുകയും പി-മൂല്യം സഹിതം ഇഫക്റ്റ് വലുപ്പവും ആത്മവിശ്വാസ ഇടവേളയും റിപ്പോർട്ട് ചെയ്യുകയും ചെയ്യുക. തുടർന്ന് ഒന്നിലധികം താരതമ്യങ്ങളുടെ ഫലത്തെ തിരുത്താതെയും ഫലത്തിലെ തിരുത്തലുമായി താരതമ്യം ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] പരിശോധിക്കുന്നതിന് മുമ്പ് ഞാൻ ഡാറ്റ ദൃശ്യവൽക്കരിച്ചു.
• [ ] ഞാൻ ടെസ്റ്റ് അനുമാനങ്ങൾ പരിശോധിച്ചു (സാധാരണത്വം, വ്യത്യാസം).
• [ ] ഞാൻ ഉചിതമായ ടെസ്റ്റ് തിരഞ്ഞെടുത്തു, ഞാൻ ടി-ടെസ്റ്റ് അന്ധമായി പ്രയോഗിച്ചില്ല.
• [ ] ഞാൻ ഒന്നിലധികം താരതമ്യങ്ങൾ പരിഹരിച്ചു.
• ഞാൻ [ ] പി-മൂല്യവും ഇഫക്റ്റ് വലുപ്പവും ആത്മവിശ്വാസ ഇടവേളയും റിപ്പോർട്ട് ചെയ്തു.
• [ ] ഞാൻ വിശകലന പ്ലാൻ മുൻകൂട്ടി നിശ്ചയിക്കുകയും പി-ഹാക്കിംഗ് ഒഴിവാക്കുകയും ചെയ്തു.