Keuntungan:
- Keupayaan untuk memilih ujian yang sesuai dengan jenis dan taburan data dan menyemak andaian (normaliti, varians)
- Keupayaan untuk memahami maksud sebenar nilai-p dan melaporkan keputusan dengan saiz kesan dan selang keyakinan
- Perlindungan daripada p-penggodaman dengan pemisahan pengesahan penemuan, pembetulan perbandingan berbilang dan pelaporan penuh
Percubaan telah tamat, data sudah masuk. Kini kita berada di peringkat paling kritikal dan paling tersilap: menganalisis data dengan betul dan mentafsir keputusan secara jujur. Data biologi selalunya bising, tidak stabil dan multivariate. Pemilihan ujian yang salah, pelanggaran andaian tersirat, dan penggodaman p tidak sedarkan diri (mencuba analisis sehingga memberikan hasil yang diingini) adalah punca utama krisis kebolehulangan dalam kesusasteraan biologi yang diterbitkan. AI membantu anda memilih ujian yang betul, menyemak andaian dan menulis kod analisis; tetapi integriti statistik adalah tanggungjawab anda.
Dalam unit ini, kami akan merangkumi ujian statistik biasa, semakan andaian dan cara untuk melindungi diri anda daripada penggodaman p.
Memilih ujian yang betul
Pilihan ujian bergantung kepada jenis dan pengedaran data. Kecerdasan buatan akan membantu anda membuat pilihan ini, tetapi anda tidak seharusnya menggunakannya secara membuta tuli:
- Dua kumpulan, data berterusan, taburan normal: Ujian-t bebas.
- Dua kumpulan, bukan normal: Mann-Whitney U (bukan parametrik: tidak memerlukan andaian taburan).
- Lebih daripada dua kumpulan: ANOVA (analisis varians) + ujian post-hoc.
- Data kategori (kiraan): Chi-square atau ujian tepat Fisher.
- Hubungan: Korelasi (Pearson/Spearman) atau regresi.
Petua: Visualisasikan data sebelum memilih ujian. Histogram atau boxplot serta-merta menunjukkan normaliti dan outlier yang diperlukan oleh ujian-t. "Graf dahulu, uji kemudian" adalah tabiat yang baik.
Menyemak andaian
Setiap ujian mempunyai andaian tersembunyi. Ujian-t menganggap taburan normal dan kesamaan varians; Jika ini dilanggar, hasilnya akan mengelirukan. AI menulis kod yang menyemak andaian ini:
Peranan: Anda seorang pembantu biostatistik. Tugas: Tulis kod yang menyemak andaian ujian-t sebelum membandingkan dua kumpulan data: kenormalan (Shapiro-Wilk), kesamaan varians (Levene). Jika andaian itu dilanggar, beritahu saya ujian alternatif mana yang harus saya teruskan. Berikan kod Python dengan komen.
Kod itu mengubah hala anda ke Mann-Whitney jika kenormalan rosak. Aliran "semak dahulu, tentukan kemudian" ini menghalang anda daripada melakukan ujian yang salah.
p-hacking dan cara melindungi diri anda
p-hacking menganalisis data dalam cara yang berbeza sehingga p<0.05: mencuba ujian yang berbeza, secara selektif membuang outlier, menambah/mengalih keluar kumpulan, melaporkan perkara yang "signifikan" di kalangan sejumlah besar pembolehubah. Ini adalah sumber utama penemuan palsu. Cara perlindungan:
- Betulkan pelan analisis terlebih dahulu (Unit 7).
- Laporkan semua ujian, bukan hanya ujian yang menunjukkan kepentingan.
- Betulkan berbilang perbandingan (FDR/Bonferroni).
- Berikan saiz kesan dan selang keyakinan di sebelah nilai-p.
- Penemuan dan pengesahan berasingan: Uji perkara yang anda temui dalam set penemuan pada set bebas.
Langkah demi langkah: analisis yang jujur
- Visualisasikan data (serak, terpencil).
- Semak andaian.
- Lakukan ujian yang anda tentukan.
- Betulkan berbilang perbandingan.
- Laporkan saiz kesan + selang keyakinan.
- Tulis batasan dengan jelas.
Templat gesaan yang boleh disalin
Visualisasikan daya tampung: plot histogram dan boxplots untuk setiap kumpulan, tandakan outlier. Kemudian tafsir kenormalan.Lajur data: [nama]. Berikan kod Python dengan komen.
Saya ingin membandingkan dua kumpulan saya. Ciri-ciri data: [jenis, N, taburan]. Ujian yang manakah sesuai? Semak andaian, lakukan ujian, laporkan saiz kesan DAN selang keyakinan 95% DENGAN nilai-p.
Saya menguji 15 gen berbeza dalam analisis saya. Berikan kod yang menggunakan pembetulan Bonferroni dan Benjamini-Hochberg dan terangkan perbezaan antara kedua-dua kaedah.
Gesaan lemah / Gesaan kuat
Lemah: "Adakah kedua-dua kumpulan ini berbeza, lakukan ujian-t."
Kuat: "Saya mempunyai dua kumpulan (kawalan n=18, rawatan n=20), pembolehubah bersandar ialah aktiviti enzim (berterusan). Pertama visualisasikan taburan dan uji kenormalan dengan Shapiro-Wilk. Jika normal, gunakan ujian-t, jika tidak, Mann-Whitney. Laporkan hasilnya dengan nilai-p, saiz kesan (Cohen's d atau rank-biserial yang mana selang ujian anda. Exchopselain % dan 95% mengapa ujian anda yakin."
Perbezaan: Gesaan berkuasa mempunyai jenis data, nombor sampel, semakan andaian dan permintaan pelaporan penuh. Model mengikut jalan yang betul dan bukannya menggunakan ujian-t secara membuta tuli.
tiga kes mini
Kes 1 — Ujian salah: Seorang pelajar menggunakan ujian-t kepada data yang condong (tidak normal) dengan ketara dan mendapati p=0.048. Apabila kecerdasan buatan menambah semakan normal, data tidak keluar normal; Dengan Mann-Whitney, p=0.11. Hasil sebenar tidak bermakna. Pengajaran: menguji tanpa menyemak andaian adalah mengelirukan.
Kes 2 — Pembuangan outlier terpilih: Seorang penyelidik memadamkan dua mata "outlier" untuk menjadikan keputusan itu bermakna. Model ini menekankan bahawa pembuangan outlier harus berdasarkan peraturan yang telah ditetapkan (cth., kaedah IQR) dan dilaporkan; pemadaman sewenang-wenangnya adalah p-godam. Pelajaran: tetapkan peraturan outlier terlebih dahulu.
Kes 3 — Pemulihan saiz kesan: Satu kajian mempunyai p=0.001 tetapi saiz kesan (d=0.1) hampir sifar; sampel yang besar menunjukkan perbezaan yang tidak ketara adalah ketara. Apabila kecerdasan buatan melaporkan saiz kesan, penemuan itu didapati tidak mempunyai nilai praktikal. Pengajaran: Hanya kerana p kecil tidak mengapa.
carta perbandingan
Status
pendekatan yang betul
Untuk dielakkan
data yang tidak normal
Ujian bukan parametrik
Ujian-t paksa
ujian berbilang
Gunakan pembetulan
Mentah p<0.05
terpencil
Peraturan yang telah ditetapkan
pemadaman sewenang-wenangnya
hasil yang ketara
Saiz kesan + CI
hanya p
penemuan penemuan
Sahkan pada set bebas
Selesaikan dalam satu set
Kesilapan biasa
- Ujian tidak terkawal hipotesis: Kepentingan palsu dengan ujian palsu.
- p-hacking: Mencuba analisis sehingga ia memberikan hasil yang diingini.
- Melaporkan hanya p-value: Mengeluarkan saiz kesan dan selang keyakinan.
- Tidak membetulkan untuk berbilang perbandingan: Positif palsu.
- Lompat sebab musabab: Membuat kesimpulan sebab akibat daripada korelasi.
Awas: AI tidak akan "menghasilkan" hasil yang anda inginkan, tetapi dengan senang hati akan menulis kod untuk ujian yang salah jika diperdayakan. Anda mempunyai integriti statistik: laporkan semua percubaan, rancang analisis lebih awal, jangan sekali-kali terlepas saiz kesan. Bekerjasama dengan ahli biostatistik untuk analisis yang membawa kepada penerbitan.
maksud sebenar nilai-p
Konsep yang paling salah faham dalam biologi ialah nilai-p. Nilai-p bukanlah "kebarangkalian hipotesis itu benar"; Ia adalah "kebarangkalian untuk melihat perbezaan sebagai besar atau lebih ekstrem daripada apa yang anda perhatikan, sedangkan pada hakikatnya tiada perbezaan." Perbezaan yang halus tetapi kritikal ini adalah kunci untuk tidak membesar-besarkan keputusan. p=0.03 tidak bermaksud "kesannya adalah 97% nyata". Apabila mempunyai AI menafsirkan hasil, pastikan ia menggunakan definisi ini dengan betul; Model ini kadangkala boleh mengulangi salah tafsir biasa.
Selang keyakinan (CI) selalunya lebih bermaklumat daripada nilai p kerana ia menunjukkan magnitud dan ketidakpastian kesan bersama-sama. "Perbezaan 2.4 kali ganda (95% CI: 1.8-3.1)" mengatakan lebih daripada "p<0.05": kedua-dua arah kesan, magnitudnya dan seberapa tepat ia diukur. Serlahkan GA dalam laporan anda.
Gunakan takrifan nilai-p yang betul semasa mentafsir keputusan saya. Elakkan kenyataan yang salah seperti "kebarangkalian kesannya adalah benar." Sebaliknya, terangkan maksud praktikal dari segi saiz kesan dan selang keyakinan 95%. Keputusan: [data]
Data korelasi, sebab dan pemerhatian
Kebanyakan data biologi adalah pemerhatian: anda melihat sesuatu berubah dengan sesuatu yang lain, tetapi anda tidak dapat melihat apa yang menyebabkan apa. Ayat "ungkapan gen X berkorelasi dengan penyakit" tidak menunjukkan bahawa X menyebabkan penyakit; Penyakit ini mungkin meningkat X, atau faktor ketiga mungkin menjejaskan kedua-duanya. Kausalitas hanya boleh diwujudkan melalui eksperimen intervensi (mengubah X dan mengukur hasilnya). AI mungkin secara tidak sedar menggunakan bahasa kausal (“menyebabkan,” “membawa kepada”) dalam teks anda; semak setiap ayat kesimpulan dari perspektif ini, menyatakan dapatan pemerhatian dalam bahasa korelasi ("berkorelasi," "berbeza-beza bersama").
Mengasingkan data berpasangan dan bebas
Perbezaan yang paling kerap diabaikan dalam pemilihan ujian ialah sama ada sampel bebas atau berpasangan. Jika anda mengambil sebelum dan selepas pengukuran daripada individu yang sama (contohnya, nilai darah pesakit yang sama sebelum dan selepas rawatan), ukuran ini tidak bebas; Ujian berpasangan diperlukan. Menggunakan ujian-t dua sampel bebas di sini membuang maklumat padanan dalam data dan mengurangkan kuasa; Malah ia boleh membalikkan hasilnya. Peraturannya mudah: "Adakah kedua-dua ukuran ini datang daripada unit biologi yang sama?" Jika jawapannya ya, ujian berpasangan (ujian-t berpasangan atau ujian pangkat bertanda Wilcoxon) digunakan, jika tidak, ujian bebas digunakan. Apabila anda meminta kecerdasan buatan untuk ujian, pastikan anda menentukan struktur padanan data anda; Jika anda tidak menyatakan, model sering menganggap kebebasan dan mengesyorkan ujian yang salah.
Saya mempunyai dua set ukuran. Penting: ukuran ini diambil sebelum/selepas individu yang SAMA (berpasangan). Pilih ujian yang betul yang mengambil kira padanan ini (ujian-t berpasangan atau Wilcoxon), semak andaian anda dan laporkan dengan saiz kesan. Jangan anggap kemerdekaan.
Secara ringkasnya
Analisis data yang tepat; memilih ujian yang sesuai untuk jenis data, menyemak andaian, membetulkan pelbagai perbandingan, dan melaporkan saiz kesan dan selang keyakinan sebagai tambahan kepada nilai-p. Bahaya terbesar ialah p-hacking; Penawar ialah pelan analisis awal, pelaporan penuh dan pemisahan pengesahan penemuan. Kecerdasan buatan adalah bantuan yang kuat dalam pemilihan ujian dan semakan andaian, tetapi integriti statistik terletak pada manusia.
Tugasan permohonan
Ambil set data (data anda sendiri atau sampel) dengan dua kumpulan. Mula-mula miliki kod tulis AI yang menggambarkan data dan ujian untuk kenormalan. Bergantung pada keputusan, gunakan ujian yang sesuai (ujian-t atau Mann-Whitney) dan laporkan saiz kesan dan selang keyakinan bersama-sama dengan nilai-p. Kemudian bandingkan kesan beberapa perbandingan tanpa pembetulan dan dengan pembetulan pada keputusan.
senarai semak
- [ ] Saya menggambarkan data sebelum menguji.
- [ ] Saya menyemak andaian ujian (normaliti, varians).
- [ ] Saya memilih ujian yang sesuai, saya tidak menggunakan ujian-t secara membabi buta.
- [ ] Saya menetapkan berbilang perbandingan.
- Saya melaporkan nilai-p [ ] serta saiz kesan dan selang keyakinan.
- [ ] Saya menetapkan pelan analisis terlebih dahulu dan mengelakkan p-hacking.