അനുമാന പരിശോധനയും പി-മൂല്യവും: പ്രാധാന്യം, ശക്തി, ഒന്നിലധികം താരതമ്യങ്ങൾ

നേട്ടങ്ങൾ:

• ശൂന്യമായ സിദ്ധാന്തം, പി-മൂല്യം, കോൺഫിഡൻസ് ഇൻ്റർവെൽ, സ്റ്റാറ്റിസ്റ്റിക്കൽ പവർ എന്നിവ ശരിയായി നിർവചിക്കാനുള്ള കഴിവ്, കൂടാതെ ടെസ്റ്റ് തിരഞ്ഞെടുപ്പിലും വ്യാഖ്യാനത്തിലും കൃത്രിമബുദ്ധി ഉപയോഗിക്കുകയും ചെയ്യുന്നു.
• പി-മൂല്യം എന്താണെന്നും അല്ലാത്തത് എന്താണെന്നും വേർതിരിച്ചറിയാനുള്ള കഴിവ് (ഇഫക്റ്റ് വലുപ്പമല്ല, കൃത്യതയുടെ സാധ്യതയല്ല) ഒന്നിലധികം താരതമ്യ തിരുത്തൽ ആവശ്യമായി വരുന്നത് എന്തുകൊണ്ടാണെന്ന് മനസ്സിലാക്കുക
• അർത്ഥപൂർണ്ണതയെ ഭൗതികതയുമായി ആശയക്കുഴപ്പത്തിലാക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നടത്തിയ അഭിപ്രായങ്ങൾ തിരിച്ചറിയാനും ഫലപ്രാപ്തിയിലും അനിശ്ചിതത്വത്തിലും റിപ്പോർട്ടുചെയ്യാനുമുള്ള കഴിവ്

സ്ഥിതിവിവരക്കണക്കുകളിൽ ഏറ്റവുമധികം ഉപയോഗിക്കുന്നതും തെറ്റിദ്ധരിക്കപ്പെട്ടതുമായ ഉപകരണം അനുമാന പരിശോധനയാണ്. അടിസ്ഥാന ആശയം ലളിതമാണ്: ഞങ്ങൾക്ക് ഒരു ക്ലെയിം ഉണ്ട് (ഉദാ: "ഈ രണ്ട് ഗ്രൂപ്പുകളുടെയും ശരാശരി വ്യത്യസ്തമാണ്") അതിൻ്റെ വിപരീതമായ, ഒരു ശൂന്യ സിദ്ധാന്തം (H0 - "യഥാർത്ഥത്തിൽ വ്യത്യാസമില്ല"). ശൂന്യമായ സിദ്ധാന്തവുമായി ഡാറ്റ എത്രത്തോളം യോജിക്കുന്നുവെന്ന് പരിശോധന അളക്കുന്നു. ഈ യൂണിറ്റിൽ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) ടെസ്റ്റ് തിരഞ്ഞെടുക്കലും വ്യാഖ്യാനവും എങ്ങനെ എളുപ്പമാക്കുന്നു എന്ന് നമ്മൾ കാണും, എന്നാൽ p- മൂല്യത്തെ ചുറ്റിപ്പറ്റിയുള്ള കുഴപ്പങ്ങൾ വളരെ സാധാരണവും അപകടകരവുമാണ്. നമുക്ക് ആദ്യം മുതൽ ആരംഭിക്കാം: ഏത് ടെസ്റ്റ് വാക്യഘടനയാണ് എഴുതേണ്ടതെന്ന് AI-ക്ക് അറിയാം; എന്നാൽ പരീക്ഷയുടെ അനുമാനം തൃപ്തികരമാണോ എന്നും ഫലം യഥാർത്ഥത്തിൽ എന്താണ് അർത്ഥമാക്കുന്നത് എന്നും വ്യാഖ്യാനിക്കേണ്ടത് നിങ്ങളുടെ ചുമതലയാണ്.

യഥാർത്ഥത്തിൽ പി-മൂല്യം എന്താണ്?

ശൂന്യമായ സിദ്ധാന്തം ശരിയായിരിക്കുമ്പോൾ (അതായത്, യഥാർത്ഥത്തിൽ ഫലമൊന്നുമില്ല) നിങ്ങൾ നിരീക്ഷിക്കുന്ന ഫലമോ കൂടുതൽ തീവ്രമായ ഫലമോ ആകസ്മികമായി സംഭവിക്കാനുള്ള സാധ്യതയാണ് p-മൂല്യം. ഒരു ചെറിയ p-മൂല്യം (0.05 പരമ്പരാഗത പരിധി) അർത്ഥമാക്കുന്നത് "യഥാർത്ഥത്തിൽ ഫലമില്ലെങ്കിൽ അത്തരം ഡാറ്റ കാണുന്നത് അതിശയകരമാണ്" എന്നാണ്; ഇത് ശൂന്യമായ സിദ്ധാന്തത്തിനെതിരായ തെളിവായി കണക്കാക്കപ്പെടുന്നു.

പി-മൂല്യം എന്തല്ലെന്ന് ഇപ്പോൾ വ്യക്തമാക്കാം - ഏത് AI പലപ്പോഴും ആശയക്കുഴപ്പത്തിലാക്കുന്നു:

• ശൂന്യമായ സിദ്ധാന്തം ശരിയാകാനുള്ള സാധ്യതയല്ല p-മൂല്യം. p=0.03 എന്നതിനർത്ഥം "പ്രഭാവം ഉണ്ടാകാതിരിക്കാനുള്ള 3% സംഭാവ്യതയുണ്ട്" എന്നല്ല.
• പി-മൂല്യം ഇഫക്റ്റിൻ്റെ വലുപ്പത്തെ സൂചിപ്പിക്കുന്നില്ല. വളരെ ചെറിയ പ്രഭാവം ഒരു വലിയ സാമ്പിളിൽ ഒരു ചെറിയ p-മൂല്യം നൽകിയേക്കാം.
• കണ്ടെത്തൽ പ്രാധാന്യമുള്ളതോ യഥാർത്ഥമോ ആണെന്ന് p-മൂല്യം തെളിയിക്കുന്നില്ല. "പ്രാധാന്യമുള്ളത്" എന്നത് ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ പദമാണ്, "പ്രാധാന്യമുള്ളത്" എന്നത് ഒരു വിധിയാണ്.
• p>0.05 എന്നാൽ "പ്രഭാവമില്ല" എന്നല്ല; അതിൻ്റെ അർത്ഥം "ഞങ്ങൾക്ക് ഈ ഡാറ്റ ഉപയോഗിച്ച് പ്രഭാവം കാണിക്കാൻ കഴിഞ്ഞില്ല." തെളിവുകളുടെ അഭാവം അഭാവത്തിൻ്റെ തെളിവല്ല.

മുൻകരുതൽ: ഏറ്റവും സാധാരണമായ AI വ്യാഖ്യാന പിശക് "പ്രാധാന്യമുള്ളത്" എന്ന വാക്ക് "പ്രധാനമായ/ശക്തമായ/പ്രധാനമായ ആഘാതം" ആയി അവതരിപ്പിക്കുന്നതാണ്. സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രാധാന്യവും പ്രായോഗിക പ്രാധാന്യവും രണ്ട് വ്യത്യസ്ത കാര്യങ്ങളാണ്; എപ്പോഴും രണ്ടും വെവ്വേറെ റിപ്പോർട്ട് ചെയ്യുക.

കോൺഫിഡൻസ് ഇടവേളയും ഇഫക്റ്റ് വലുപ്പവും: സമ്പന്നമായ വിവരങ്ങൾ

ഒരൊറ്റ പി-മൂല്യത്തിനുപകരം, ഒരു ആത്മവിശ്വാസ ഇടവേള കൂടുതൽ വിവരദായകമാണ്: ഇത് നിങ്ങളുടെ എസ്റ്റിമേറ്റിന് വിശ്വസനീയമായ മൂല്യങ്ങൾ നൽകുന്നു. "ഇഫക്റ്റ് 1,200, 95% ആത്മവിശ്വാസ ഇടവേള [300, 2,100]" എന്ന വാക്യം ദിശയും വ്യാപ്തിയും അനിശ്ചിതത്വവും കാണിക്കുന്നു; "p<0.05" എന്നത് "പൂജ്യം മുതൽ വളരെ അകലെ" എന്ന് പറയുന്നു. ആധുനിക സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രാക്ടീസ് p-മൂല്യം ഉപയോഗിക്കുന്നത് ഒറ്റയ്ക്കല്ല; ഇഫക്‌റ്റ് സൈസ് + കോൺഫിഡൻസ് ഇൻ്റർവെൽ + പി-വാല്യൂ എന്നിവയുടെ ട്രിയോ ഉപയോഗിച്ച് റിപ്പോർട്ട് ചെയ്യാൻ ശുപാർശ ചെയ്യുന്നു.

സ്റ്റാറ്റിസ്റ്റിക്കൽ പവറും സാമ്പിളും

സ്ഥിതിവിവരക്കണക്ക് എന്നത് യഥാർത്ഥത്തിൽ നിലനിൽക്കുന്ന ഒരു പ്രഭാവം കണ്ടെത്തുന്നതിനുള്ള സാധ്യതയാണ് (1 മൈനസ് ടൈപ്പ് II പിശകിൻ്റെ സംഭാവ്യത, അതായത് "യഥാർത്ഥ പ്രഭാവം നഷ്‌ടമായി"). ശക്തിയില്ലാത്ത ഒരു പഠനം രണ്ട് അപകടസാധ്യതകൾക്ക് വിധേയമാണ്: (1) ഇത് യഥാർത്ഥ ഇഫക്റ്റുകൾ നഷ്ടപ്പെടുത്തുന്നു (തെറ്റായ നെഗറ്റീവ്); (2) കാര്യമായി മാറുന്ന ചില ഫലങ്ങൾ, ഊതിപ്പെരുപ്പിച്ച മാഗ്നിറ്റ്യൂഡുകൾ വഹിക്കുന്നു-വിജയിയുടെ ശാപം എന്ന് വിളിക്കപ്പെടുന്നതിനാൽ, ഊതിപ്പെരുപ്പിച്ച പ്രവചനങ്ങൾക്ക് മാത്രമേ പരിധി കടക്കാൻ കഴിയൂ. അതിനാൽ, വിശകലനത്തിന് മുമ്പ് പവർ / സാമ്പിൾ കണക്കാക്കുന്നത് നല്ല രീതിയാണ്. AI ഈ അക്കൗണ്ടിനുള്ള കോഡ് സൃഷ്ടിക്കുന്നു; നിങ്ങൾ സിദ്ധാന്തം ഉപയോഗിച്ച് ടാർഗെറ്റ് ഇഫക്റ്റ് വലുപ്പം നിർണ്ണയിക്കുന്നു.

ഒന്നിലധികം താരതമ്യ പ്രശ്നം

ഒരു ടെസ്റ്റ് നടത്തുമ്പോൾ, 0.05 എന്ന ത്രെഷോൾഡ് അർത്ഥമാക്കുന്നത് "തെറ്റായ പോസിറ്റീവുകളുടെ 5% റിസ്ക്" എന്നാണ്. എന്നാൽ നിങ്ങൾ 20 ടെസ്റ്റുകൾ നടത്തുകയാണെങ്കിൽ, അവയെല്ലാം യഥാർത്ഥത്തിൽ ഫലപ്രദമല്ലാത്തപ്പോൾ പോലും, യാദൃശ്ചികമായി ഒരാൾ p<0.05 നൽകുമെന്ന് പ്രതീക്ഷിക്കുന്നു. ഇതിനെ മൾട്ടിപ്പിൾ താരതമ്യ പ്രശ്നം എന്ന് വിളിക്കുന്നു. വലിയ അളവിലുള്ള വേരിയബിളുകൾ, ഉപഗ്രൂപ്പുകൾ അല്ലെങ്കിൽ ഫല വേരിയബിളുകൾ പരീക്ഷിക്കുമ്പോൾ തെറ്റായ പോസിറ്റീവുകളുടെ സംഭാവ്യത അതിവേഗം വർദ്ധിക്കുന്നു. ത്രെഷോൾഡ് ശരിയാക്കുക എന്നതാണ് പരിഹാരം: ബോൺഫെറോണി (ടെസ്റ്റുകളുടെ എണ്ണം കൊണ്ട് ത്രെഷോൾഡ് ഹരിക്കൽ - കർശനമായത്), തെറ്റായ കണ്ടെത്തൽ നിരക്ക് (എഫ്ഡിആർ) നിയന്ത്രിക്കുന്ന ഹോം അല്ലെങ്കിൽ ബെഞ്ചമിനി-ഹോച്ച്ബെർഗ് രീതികൾ. AI-യുടെ യുഗത്തിൽ ഈ അപകടസാധ്യത കൂടുതൽ വർദ്ധിക്കുന്നു, കാരണം AI-ക്ക് നിമിഷങ്ങൾക്കുള്ളിൽ ഡസൻ കണക്കിന് ടെസ്റ്റുകൾ നിർമ്മിക്കാൻ കഴിയും - ഇതാണ് അടുത്ത യൂണിറ്റിൻ്റെ നേരിട്ടുള്ള വിഷയം (p-ഹാക്കിംഗ്).

താരതമ്യ പട്ടിക: പി-മൂല്യം എന്താണ് പറയുന്നത്, എന്താണ് പറയാത്തത്

ആവിഷ്കാരം

സത്യമാണോ?

വിവരണം

"p=0.02, ഫലമുണ്ടാകാനുള്ള സാധ്യത 2% ആണ്"

തെറ്റ്

p എന്നത് H0 ൻ്റെ സാധ്യതയല്ല

"p<0.05, പ്രഭാവം വലുതാണ്"

തെറ്റ്

p വലിപ്പം സൂചിപ്പിക്കുന്നില്ല

"p=0.20, ഫലമില്ല"

തെറ്റ്

കാണിക്കാൻ കഴിയാത്തത് ഇല്ലായ്മയല്ല

"p<0.05, H0 നെതിരെ തെളിവുണ്ട്"

സത്യം

ജാഗ്രതയോടെയും പോയിൻ്റോടെയും

"ഇഫക്റ്റ് 1.200 [300;2.100], p=0.01"

മികച്ചത്

വലിപ്പം + അനിശ്ചിതത്വം + തെളിവ്

പകർത്താവുന്ന നാല് നിർദ്ദേശങ്ങൾ

1. ശരിയായ ടെസ്റ്റ് തിരഞ്ഞെടുക്കൽ:

നിങ്ങളുടെ റോൾ: സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റിംഗ് അസിസ്റ്റൻ്റ്. രണ്ട് സ്വതന്ത്ര ഗ്രൂപ്പുകളുടെ ശരാശരി താരതമ്യം ചെയ്യാൻ ഞാൻ ആഗ്രഹിക്കുന്നു (തുടർച്ചയുള്ള വേരിയബിൾ). എനിക്ക് തരൂ: ഏത് പരിശോധനയാണ് ഉചിതം (അതിൻ്റെ അനുമാനങ്ങൾക്കൊപ്പം: നോർമാലിറ്റി, വേരിയൻസ് തുല്യത), അനുമാനം പാലിക്കപ്പെടുന്നില്ലെങ്കിൽ ബദൽ (ഉദാ. വെൽച്ച്, മാൻ-വിറ്റ്നി), ആർ കോഡ്. ഞാൻ ഫലം പ്രവർത്തിപ്പിക്കുകയും അനുമാനങ്ങൾ പരിശോധിക്കുകയും ചെയ്യും.

2. പി-മൂല്യം ശരിയായി റിപ്പോർട്ട് ചെയ്യുന്നു:

ചുവടെയുള്ള ടെസ്റ്റ് ഔട്ട്‌പുട്ട് റിപ്പോർട്ടുചെയ്യുക, എന്നാൽ നിയമങ്ങൾ:- p-മൂല്യം "H0 ൻ്റെ പ്രോബബിലിറ്റി അല്ലെങ്കിൽ "ഇഫക്റ്റ് സൈസ്" ആയി അവതരിപ്പിക്കരുത്,- ഇഫക്റ്റ് സൈസും 95% കോൺഫിഡൻസ് ഇൻ്റർവെലും ഉൾപ്പെടുത്തുന്നത് ഉറപ്പാക്കുക,- "ഗണ്യവും" "പ്രധാനവും" വെവ്വേറെ എഴുതുക,- p>0.05 ആണെങ്കിൽ, "ഇഫക്റ്റ് കാണിക്കാൻ കഴിയില്ല" എന്ന് പറയരുത്" "" ഔട്ട്പുട്ട്: [ഒട്ടിക്കുക]

3. പവർ/സാമ്പിൾ കണക്കുകൂട്ടൽ:

ഞാൻ ഒരു പരീക്ഷണം ആസൂത്രണം ചെയ്യുന്നു: രണ്ട് ഗ്രൂപ്പുകൾ, പ്രതീക്ഷിക്കുന്ന ഇഫക്റ്റ് വലുപ്പം (കോഹെൻസ് ഡി) ~0.4, പവർ 0.80, ആൽഫ 0.05. ആവശ്യമായ സാമ്പിൾ വലുപ്പം (pwr പാക്കേജ്) കണക്കാക്കുന്ന R കോഡ് എഴുതുക, കുറഞ്ഞ പവർ ഉള്ള പഠനത്തിൻ്റെ (വിജയിയുടെ ശാപം) അപകടസാധ്യതകൾ വിശദീകരിക്കുക.

4. ഒന്നിലധികം താരതമ്യ തിരുത്തൽ:

ഞാൻ 15 വ്യത്യസ്ത സിദ്ധാന്ത പരിശോധനകൾ നടത്തി, എനിക്ക് പി-മൂല്യങ്ങളുണ്ട്. Bonferroni, Benjamin-Hochberg (FDR) തിരുത്തലുകൾ ബാധകമാക്കുന്ന R കോഡ് എഴുതുക, രണ്ട് രീതികൾ തമ്മിലുള്ള വ്യത്യാസം വിശദീകരിക്കുക, എന്തുകൊണ്ടാണ് ഞാൻ കേവലം p<0.05 വിശ്വസിക്കരുത് എന്ന് ഒരു വാചകത്തിൽ സംഗ്രഹിക്കുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ പരിശോധനയുടെ ഫലം അർത്ഥവത്താണോ? ഫലത്തെക്കുറിച്ചുള്ള അഭിപ്രായം.

ഈ അവകാശവാദം AI-യെ "അർഥപൂർണമായ/അർഥപൂർണമല്ലാത്ത" ബൈനറിയിൽ കുടുക്കുന്നു; "അതെ, അത് പ്രാധാന്യമർഹിക്കുന്നതാണ്, പ്രഭാവം ശക്തമാണ്" എന്നതുപോലുള്ള പ്രാധാന്യവുമായി വ്യാപ്തിയെ ആശയക്കുഴപ്പത്തിലാക്കുന്ന ഒരു വാക്യം സൃഷ്ടിക്കാൻ സാധ്യതയുണ്ട്.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ശ്രദ്ധയുള്ള സ്റ്റാറ്റിസ്റ്റിക്കൽ അസിസ്റ്റൻ്റ്. ഫലം വ്യാഖ്യാനിക്കുക എന്നാൽ: (1) ഇഫക്റ്റ് സൈസ് + 95% കോൺഫിഡൻസ് ഇൻ്റർവെൽ + പി-മൂല്യം ഒരുമിച്ച് നൽകുക, (2) പ്രാധാന്യത്തിൽ നിന്ന് പ്രത്യേക പ്രാധാന്യം, (3) "കാണിക്കാൻ കഴിഞ്ഞില്ല" എന്നതിൽ p>0.05, (4) ഞാൻ എത്ര ടെസ്റ്റുകൾ നടത്തിയെന്ന് ചോദിക്കുക; ഒന്നിൽ കൂടുതൽ ആണെങ്കിൽ, ഒന്നിലധികം താരതമ്യ തിരുത്തലുകൾ നിർദ്ദേശിക്കുക, (5) ടെസ്റ്റിൻ്റെ അനുമാനങ്ങൾ പരിശോധിക്കേണ്ടതുണ്ടെന്ന് ഓർമ്മിപ്പിക്കുക.

വ്യത്യാസം: ശക്തമായ പ്രോംപ്റ്റ് സമ്പന്നമായ റിപ്പോർട്ടിംഗ് നടപ്പിലാക്കുകയും പി-മൂല്യം കെണിയിൽ നിന്ന് സംരക്ഷിക്കുകയും ചെയ്യുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - വലിയ സാമ്പിളിൽ അപ്രധാനമായ "പ്രാധാന്യം". 500,000 നിരീക്ഷണങ്ങളുള്ള ഡാറ്റയിൽ p<0.001-ൽ രണ്ട് ഗ്രൂപ്പുകളും തമ്മിലുള്ള ശരാശരി വ്യത്യാസം ഒരു വിശകലന വിദഗ്ധൻ കണ്ടെത്തി. എന്നാൽ വ്യത്യാസം 0.3 പോയിൻ്റ് മാത്രമായിരുന്നു (100-ൽ) പ്രായോഗികമായി അർത്ഥശൂന്യമായിരുന്നു. വലിയ സാമ്പിൾ ചെറിയ വ്യത്യാസം പോലും "പ്രധാന"മാക്കി. ഇഫക്റ്റ് സൈസ് റിപ്പോർട്ട് ചെയ്തപ്പോൾ, കണ്ടെത്തൽ അപ്രധാനമാണെന്ന് കണ്ടെത്തി. പാഠം: പ്രാധാന്യം വലുതല്ല; n വലുതാണെങ്കിൽ, ഓരോ വ്യത്യാസവും പ്രധാനമാണ്.

കേസ് 2 - ഒന്നിലധികം പരീക്ഷണ മിഥ്യാധാരണ. ഒരു ടീം 22 ഫല വേരിയബിളുകൾ പരീക്ഷിച്ചു; അവയിലൊന്ന് p=0.04 കാണിക്കുകയും "ഞങ്ങൾ പ്രഭാവം കണ്ടെത്തി" എന്ന് പ്രഖ്യാപിക്കുകയും ചെയ്തു. ബോൺഫെറോണി തിരുത്തലിനൊപ്പം, പരിധി 0.05/22 = 0.0023 ആയി കുറഞ്ഞു; 0.04 ഈ പരിധി കടന്നില്ല. 22 ട്രയലുകളിൽ നിന്ന് ആകസ്മികമായി മാത്രമേ "അർഥവത്തായ" ഫലം ഉണ്ടാകൂ. പാഠം: ഒരുപാട് പരീക്ഷിക്കുമ്പോൾ, തിരുത്തൽ ആവശ്യമാണ്.

കേസ് 3 - അണ്ടർ പവർ, വിജയിയുടെ ശാപം. ഒരു ചെറിയ പൈലറ്റ് പഠനം (ഒരു ഗ്രൂപ്പിന് n=15) വളരെ വലുതും (d=0.9) പ്രാധാന്യമുള്ളതുമായ ഒരു പ്രഭാവം കണ്ടെത്തി. ഒരു വലിയ റെപ്ലിക്കേഷൻ പഠനം പ്രഭാവം d = 0.2 ആയി കുറച്ചു. ചെറിയ സാമ്പിൾ പരിധി കടക്കാൻ അമിതമായ വിലയിരുത്തൽ മാത്രമേ അനുവദിച്ചിട്ടുള്ളൂ. പാഠം: കുറഞ്ഞ ശക്തിയിൽ കാര്യമായ ഇഫക്റ്റ് വലുപ്പങ്ങൾ വിശ്വസിക്കാൻ കഴിയില്ല.

സാധാരണ തെറ്റുകൾ

• അർത്ഥപൂർണ്ണതയെ പ്രാധാന്യം/വ്യാപ്തിയുമായി ആശയക്കുഴപ്പത്തിലാക്കുന്നു. p ചെറുതായതുകൊണ്ട് മാത്രം പ്രഭാവം വലുതല്ല; ഇഫക്റ്റ് വലുപ്പം പ്രത്യേകം റിപ്പോർട്ടുചെയ്യുക.
• H0 ൻ്റെ പ്രോബബിലിറ്റിക്കായി p-മൂല്യം തെറ്റിദ്ധരിക്കുന്നു. p എന്നത് "പ്രഭാവമില്ലാത്തതിൻ്റെ സാധ്യത" അല്ല; ആശയപരമായി വ്യത്യസ്തമാണ്.
• p>0.05 "ഇഫക്റ്റ് ഇല്ല" എന്ന് വായിക്കുന്നു. കാണിക്കുന്നതിൽ പരാജയപ്പെടുന്നത് അസാന്നിധ്യത്തിൻ്റെ തെളിവല്ല; അനിശ്ചിതത്വം പ്രസ്താവിക്കുക.
• മൾട്ടി-ടെസ്റ്റിംഗിനായി ശരിയാക്കുന്നില്ല. വളരെയധികം പരിശോധനകൾ തെറ്റായ പോസിറ്റീവുകൾ ഉണ്ടാക്കുന്നു; Bonferroni/FDR പ്രയോഗിക്കുക.
• അധികാരത്തെ അവഗണിക്കുന്നു. ചെറിയ സാമ്പിളിലെ കാര്യമായ പ്രഭാവം അതിശയോക്തിപരമാണ്; വിശകലനത്തിന് മുമ്പ് പവർ കണക്കാക്കുക.

നുറുങ്ങ്: ഒരു ഫലം "പ്രധാനം" എന്ന് എഴുതിത്തള്ളുന്നതിന് മുമ്പ് രണ്ട് ചോദ്യങ്ങൾ ചോദിക്കുക: "പ്രഭാവം പ്രായോഗികമായി പ്രാധാന്യമുള്ളതാണോ (മാഗ്നിറ്റ്യൂഡ്)?" "ഈ ഫലം കണ്ടെത്തുന്നതിന് മുമ്പ് ഞാൻ എത്ര പരിശോധനകൾ നടത്തി?" രണ്ടാമത്തെ ചോദ്യം സത്യസന്ധതയുടെ ലിറ്റ്മസ് ടെസ്റ്റാണ്.

ചുരുക്കത്തിൽ

അനുമാന പരിശോധനയും പി-മൂല്യവും ശക്തവും എന്നാൽ തെറ്റിദ്ധരിക്കപ്പെട്ടതുമായ ഉപകരണങ്ങളാണ്. ശൂന്യമായ സിദ്ധാന്തം ശരിയാകുമ്പോൾ ഡാറ്റ കാണാനുള്ള സാധ്യതയാണ് p-മൂല്യം; H0 ൻ്റെ സംഭാവ്യത ഫലത്തിൻ്റെ വ്യാപ്തിയോ കണ്ടെത്തലിൻ്റെ പ്രാധാന്യമോ അല്ല. ഇഫക്റ്റ് വലുപ്പവും ആത്മവിശ്വാസ ഇടവേളയും സഹിതം എപ്പോഴും പ്രാധാന്യം റിപ്പോർട്ട് ചെയ്യുക; p>0.05 "ഇഫക്റ്റ് ഇല്ല" എന്ന് വായിക്കരുത്; നിങ്ങൾ നിരവധി പരിശോധനകൾ നടത്തിയിട്ടുണ്ടെങ്കിൽ ഒന്നിലധികം താരതമ്യ തിരുത്തൽ പ്രയോഗിക്കുക; കുറഞ്ഞ പവർ പഠനങ്ങളിൽ നിന്നുള്ള അതിശയോക്തിപരമായ ഫലങ്ങളുടെ അപകടസാധ്യതയെക്കുറിച്ച് അറിഞ്ഞിരിക്കുക. AI ടെസ്റ്റ് കോഡും ബ്ലൂപ്രിൻ്റും നിർമ്മിക്കുന്നു; അർത്ഥപൂർണ്ണതയും ഭൗതികതയും തമ്മിൽ വേർതിരിച്ചറിയാനും അനുമാനങ്ങൾ പരിശോധിക്കാനും നിങ്ങളുടെ ഉത്തരവാദിത്തമാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ഡാറ്റാ സെറ്റിൽ രണ്ട് ഗ്രൂപ്പുകൾ തമ്മിലുള്ള ഉപാധികൾ താരതമ്യം ചെയ്യുക. ഉചിതമായ പരിശോധനയ്ക്കും (അതിൻ്റെ അനുമാനങ്ങൾക്കൊപ്പം) കോഡിനും AI-യോട് ആവശ്യപ്പെടുക, അത് പ്രവർത്തിപ്പിച്ച് അനുമാനങ്ങൾ പരിശോധിക്കുക. മൂന്ന് ഘടകങ്ങൾ ഉപയോഗിച്ച് ഫലം റിപ്പോർട്ടുചെയ്യുക: ഇഫക്റ്റ് വലുപ്പം, 95% ആത്മവിശ്വാസ ഇടവേള, പി-മൂല്യം. അപ്പോൾ ഒരേ ഡാറ്റയിൽ നിങ്ങൾക്ക് എത്ര വ്യത്യസ്ത താരതമ്യങ്ങൾ നടത്താൻ കഴിയുമെന്ന് ചിന്തിക്കുക; നിങ്ങൾ ഒന്നിലധികം പരിശോധനകൾ നടത്തിയിട്ടുണ്ടെങ്കിൽ, ബോൺഫെറോണി അല്ലെങ്കിൽ FDR തിരുത്തൽ പ്രയോഗിച്ച് ഫലം ഇപ്പോഴും നിലവിലുണ്ടെങ്കിൽ റിപ്പോർട്ട് ചെയ്യുക. അവസാനമായി, നിങ്ങളുടെ വിശകലനത്തിനായി ഒരു പരുക്കൻ പവർ വിലയിരുത്തൽ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ടെസ്റ്റ് അതിൻ്റെ അനുമാനങ്ങൾ ഉപയോഗിച്ച് തിരഞ്ഞെടുത്ത് അനുമാനങ്ങൾ പരിശോധിച്ചു.
• [ ] ഇഫക്റ്റ് സൈസ് + കോൺഫിഡൻസ് ഇൻ്റർവെൽ + പി-വാല്യൂ ആയി ഞാൻ ഫലം റിപ്പോർട്ട് ചെയ്തു.
• [ ] ഞാൻ "പ്രാധാന്യമുള്ളതും" "പ്രധാനപ്പെട്ടതും" വേർതിരിച്ചു; P എന്നത് H0 ൻ്റെ സാധ്യതയാണെന്ന് ഞാൻ കരുതിയിരുന്നില്ല.
• [ ] ഞാൻ p>0.05 എഴുതിയത് "ഞങ്ങൾക്ക് അത് കാണിക്കാൻ കഴിഞ്ഞില്ല" എന്നതിന് പകരം "ഇഫക്റ്റ് ഇല്ല" എന്നാണ്.
• [ ] ഞാൻ ഒന്നിലധികം ടെസ്റ്റുകൾ നടത്തിയാൽ ഒന്നിലധികം താരതമ്യ തിരുത്തൽ പ്രയോഗിച്ചു.
• [] ഞാൻ സാമ്പിൾ പവർ വിലയിരുത്തി; കുറഞ്ഞ ശക്തിയിൽ ഇഫക്റ്റ് വലുപ്പത്തെക്കുറിച്ച് ഞാൻ ശ്രദ്ധാലുവായിരുന്നു.