ਲਾਭ:
- ਡੇਟਾ ਦੀ ਕਿਸਮ ਅਤੇ ਵੰਡ ਲਈ ਉਚਿਤ ਟੈਸਟ ਦੀ ਚੋਣ ਕਰਨ ਅਤੇ ਧਾਰਨਾਵਾਂ (ਸਧਾਰਨਤਾ, ਵਿਭਿੰਨਤਾ) ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਯੋਗਤਾ
- ਪੀ-ਮੁੱਲ ਦੇ ਸਹੀ ਅਰਥਾਂ ਨੂੰ ਸਮਝਣ ਅਤੇ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦੇ ਨਾਲ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਖੋਜ-ਤਸਦੀਕ ਵਿਭਾਜਨ, ਮਲਟੀਪਲ ਤੁਲਨਾ ਸੁਧਾਰ ਅਤੇ ਪੂਰੀ ਰਿਪੋਰਟਿੰਗ ਦੇ ਨਾਲ ਪੀ-ਹੈਕਿੰਗ ਤੋਂ ਸੁਰੱਖਿਆ
ਪ੍ਰਯੋਗ ਖਤਮ ਹੋ ਗਿਆ ਹੈ, ਡੇਟਾ ਅੰਦਰ ਹੈ। ਹੁਣ ਅਸੀਂ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਅਤੇ ਸਭ ਤੋਂ ਗਲਤ ਪੜਾਅ 'ਤੇ ਹਾਂ: ਡੇਟਾ ਦਾ ਸਹੀ ਢੰਗ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਇਮਾਨਦਾਰੀ ਨਾਲ ਵਿਆਖਿਆ ਕਰਨਾ। ਜੀਵ-ਵਿਗਿਆਨਕ ਡੇਟਾ ਅਕਸਰ ਰੌਲੇ-ਰੱਪੇ ਵਾਲਾ, ਅਸਥਿਰ ਅਤੇ ਬਹੁ-ਵਿਭਿੰਨ ਹੁੰਦਾ ਹੈ। ਗਲਤ ਟੈਸਟ ਚੋਣ, ਅਪ੍ਰਤੱਖ ਧਾਰਨਾ ਦੀ ਉਲੰਘਣਾ, ਅਤੇ ਬੇਹੋਸ਼ ਪੀ-ਹੈਕਿੰਗ (ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਜਦੋਂ ਤੱਕ ਇਹ ਲੋੜੀਂਦਾ ਨਤੀਜਾ ਨਹੀਂ ਦਿੰਦਾ) ਪ੍ਰਕਾਸ਼ਿਤ ਜੀਵ-ਵਿਗਿਆਨਕ ਸਾਹਿਤ ਵਿੱਚ ਪ੍ਰਜਨਨ ਸਮਰੱਥਾ ਸੰਕਟ ਦੇ ਮੁੱਖ ਕਾਰਨ ਹਨ। AI ਤੁਹਾਨੂੰ ਸਹੀ ਟੈਸਟ ਚੁਣਨ, ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਲਿਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ; ਪਰ ਅੰਕੜਿਆਂ ਦੀ ਇਕਸਾਰਤਾ ਤੁਹਾਡੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ।
ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਆਮ ਅੰਕੜਾ ਟੈਸਟਾਂ, ਧਾਰਨਾ ਜਾਂਚਾਂ, ਅਤੇ ਆਪਣੇ ਆਪ ਨੂੰ ਪੀ-ਹੈਕਿੰਗ ਤੋਂ ਬਚਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ।
ਸਹੀ ਟੈਸਟ ਦੀ ਚੋਣ
ਟੈਸਟ ਦੀ ਚੋਣ ਡੇਟਾ ਦੀ ਕਿਸਮ ਅਤੇ ਵੰਡ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਹ ਚੋਣ ਕਰਨ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕਰੇਗੀ, ਪਰ ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਅੰਨ੍ਹੇਵਾਹ ਲਾਗੂ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ:
- ਦੋ ਸਮੂਹ, ਨਿਰੰਤਰ ਡੇਟਾ, ਆਮ ਵੰਡ: ਸੁਤੰਤਰ ਟੀ-ਟੈਸਟ।
- ਦੋ ਸਮੂਹ, ਗੈਰ-ਸਧਾਰਨ: ਮਾਨ-ਵਿਟਨੀ ਯੂ (ਗੈਰ-ਪੈਰਾਮੀਟਰਿਕ: ਵੰਡ ਧਾਰਨਾ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ)।
- ਦੋ ਤੋਂ ਵੱਧ ਸਮੂਹ: ਅਨੋਵਾ (ਵਿਭਿੰਨਤਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ) + ਪੋਸਟ-ਹਾਕ ਟੈਸਟ।
- ਸ਼੍ਰੇਣੀਗਤ ਡੇਟਾ (ਗਿਣਤੀਆਂ): ਚੀ-ਵਰਗ ਜਾਂ ਫਿਸ਼ਰ ਦਾ ਸਹੀ ਟੈਸਟ।
- ਰਿਸ਼ਤਾ: ਸਬੰਧ (ਪੀਅਰਸਨ/ਸਪੀਅਰਮੈਨ) ਜਾਂ ਰਿਗਰੈਸ਼ਨ।
ਸੁਝਾਅ: ਟੈਸਟ ਦੀ ਚੋਣ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਇੱਕ ਹਿਸਟੋਗ੍ਰਾਮ ਜਾਂ ਬਾਕਸਪਲਾਟ ਤੁਰੰਤ ਸਾਧਾਰਨਤਾ ਅਤੇ ਆਊਟਲੀਅਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਟੀ-ਟੈਸਟ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। "ਪਹਿਲਾਂ ਗ੍ਰਾਫ਼, ਬਾਅਦ ਵਿੱਚ ਟੈਸਟ ਕਰੋ" ਇੱਕ ਚੰਗੀ ਆਦਤ ਹੈ।
ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰ ਰਿਹਾ ਹੈ
ਹਰ ਪਰੀਖਿਆ ਵਿੱਚ ਲੁਕੀਆਂ ਧਾਰਨਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਟੀ-ਟੈਸਟ ਵਿਭਿੰਨਤਾ ਦੀ ਆਮ ਵੰਡ ਅਤੇ ਸਮਾਨਤਾ ਨੂੰ ਮੰਨਦਾ ਹੈ; ਜੇਕਰ ਇਹਨਾਂ ਦੀ ਉਲੰਘਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਨਤੀਜਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋਵੇਗਾ। AI ਕੋਡ ਲਿਖਦਾ ਹੈ ਜੋ ਇਹਨਾਂ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ:
ਭੂਮਿਕਾ: ਤੁਸੀਂ ਬਾਇਓਸਟੈਟਿਸਟਿਕਸ ਸਹਾਇਕ ਹੋ। ਟਾਸਕ: ਕੋਡ ਲਿਖੋ ਜੋ ਡੇਟਾ ਦੇ ਦੋ ਸਮੂਹਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਟੀ-ਟੈਸਟ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ: ਸਧਾਰਣਤਾ (ਸ਼ਾਪਿਰੋ-ਵਿਲਕ), ਵਿਭਿੰਨਤਾ ਦੀ ਸਮਾਨਤਾ (ਲੇਵੇਨ)। ਜੇਕਰ ਧਾਰਨਾ ਦੀ ਉਲੰਘਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਮੈਨੂੰ ਕਿਹੜਾ ਵਿਕਲਪਕ ਟੈਸਟ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਟਿੱਪਣੀਆਂ ਦੇ ਨਾਲ ਪਾਈਥਨ ਕੋਡ ਦਿਓ।
ਕੋਡ ਤੁਹਾਨੂੰ ਮਾਨ-ਵਿਟਨੀ ਵੱਲ ਰੀਡਾਇਰੈਕਟ ਕਰਦਾ ਹੈ ਜੇਕਰ ਸਧਾਰਣਤਾ ਟੁੱਟ ਜਾਂਦੀ ਹੈ। ਇਹ "ਪਹਿਲਾਂ ਜਾਂਚ ਕਰੋ, ਬਾਅਦ ਵਿੱਚ ਫੈਸਲਾ ਕਰੋ" ਪ੍ਰਵਾਹ ਤੁਹਾਨੂੰ ਗਲਤ ਟੈਸਟ ਕਰਨ ਤੋਂ ਰੋਕਦਾ ਹੈ।
ਪੀ-ਹੈਕਿੰਗ ਅਤੇ ਆਪਣੇ ਆਪ ਨੂੰ ਕਿਵੇਂ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਹੈ
p-ਹੈਕਿੰਗ p <0.05 ਤੱਕ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਰਿਹਾ ਹੈ: ਵੱਖੋ-ਵੱਖਰੇ ਟੈਸਟਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ, ਚੋਣਵੇਂ ਤੌਰ 'ਤੇ ਆਊਟਲੀਅਰਾਂ ਨੂੰ ਰੱਦ ਕਰਨਾ, ਸਮੂਹਾਂ ਨੂੰ ਜੋੜਨਾ/ਹਟਾਉਣਾ, ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਵੇਰੀਏਬਲਾਂ ਵਿੱਚ "ਮਹੱਤਵਪੂਰਨ" ਕੀ ਹੈ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ। ਇਹ ਫਰਜ਼ੀ ਖੋਜਾਂ ਦਾ ਮੁੱਖ ਸਰੋਤ ਹੈ। ਸੁਰੱਖਿਆ ਦੇ ਤਰੀਕੇ:
- ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਠੀਕ ਕਰੋ (ਯੂਨਿਟ 7)।
- ਸਾਰੇ ਟੈਸਟਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰੋ, ਨਾ ਕਿ ਸਿਰਫ਼ ਉਹੀ ਜੋ ਮਹੱਤਵ ਦਿਖਾਉਂਦੇ ਹਨ।
- ਮਲਟੀਪਲ ਤੁਲਨਾ (FDR/Bonferroni) ਨੂੰ ਠੀਕ ਕਰੋ।
- ਪੀ-ਮੁੱਲ ਦੇ ਅੱਗੇ ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦਿਓ।
- ਵੱਖਰੀ ਖੋਜ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ: ਜਾਂਚ ਕਰੋ ਕਿ ਤੁਸੀਂ ਇੱਕ ਸੁਤੰਤਰ ਸੈੱਟ 'ਤੇ ਖੋਜ ਸੈੱਟ ਵਿੱਚ ਕੀ ਲੱਭਦੇ ਹੋ।
ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ ਇਮਾਨਦਾਰ ਵਿਸ਼ਲੇਸ਼ਣ
- ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕਰੋ (ਸਕੈਟਰ, ਆਊਟਲੀਅਰ)।
- ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ.
- ਉਹ ਟੈਸਟ ਕਰੋ ਜੋ ਤੁਸੀਂ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਤ ਕੀਤਾ ਹੈ।
- ਕਈ ਤੁਲਨਾ ਨੂੰ ਠੀਕ ਕਰੋ।
- ਰਿਪੋਰਟ ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ + ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ।
- ਸੀਮਾਵਾਂ ਨੂੰ ਸਾਫ਼-ਸਾਫ਼ ਲਿਖੋ।
ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ
ਕਲਪਨਾ ਕਰੋ ਥ੍ਰੁਪੁੱਟ: ਹਰੇਕ ਸਮੂਹ ਲਈ ਪਲਾਟ ਹਿਸਟੋਗ੍ਰਾਮ ਅਤੇ ਬਾਕਸਪਲਾਟ, ਫਲੈਗ ਆਊਟਲੀਅਰ। ਫਿਰ ਸਧਾਰਣਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਡੇਟਾ ਕਾਲਮ: [ਨਾਮ]। ਟਿੱਪਣੀਆਂ ਦੇ ਨਾਲ ਪਾਈਥਨ ਕੋਡ ਦਿਓ।
ਮੈਂ ਆਪਣੇ ਦੋ ਸਮੂਹਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ। ਡੇਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ: [ਕਿਸਮ, ਐਨ, ਵੰਡ]। ਕਿਹੜਾ ਟੈਸਟ ਉਚਿਤ ਹੈ? ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ, ਟੈਸਟ ਕਰੋ, ਰਿਪੋਰਟ ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ ਅਤੇ p-ਮੁੱਲ ਦੇ ਨਾਲ 95% ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ।
ਮੈਂ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ 15 ਵੱਖ-ਵੱਖ ਜੀਨਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ। ਬੋਨਫੇਰੋਨੀ ਅਤੇ ਬੈਂਜਾਮਿਨੀ-ਹੋਚਬਰਗ ਸੁਧਾਰ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਾਲਾ ਕੋਡ ਦਿਓ ਅਤੇ ਦੋ ਤਰੀਕਿਆਂ ਵਿਚਕਾਰ ਅੰਤਰ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਕੀ ਇਹ ਦੋ ਗਰੁੱਪ ਵੱਖਰੇ ਹਨ, ਇੱਕ ਟੀ-ਟੈਸਟ ਕਰੋ."
ਮਜ਼ਬੂਤ: "ਮੇਰੇ ਕੋਲ ਦੋ ਸਮੂਹ ਹਨ (ਨਿਯੰਤਰਣ n=18, ਇਲਾਜ n=20), ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਐਂਜ਼ਾਈਮ ਗਤੀਵਿਧੀ (ਲਗਾਤਾਰ) ਹੈ। ਪਹਿਲਾਂ ਸ਼ੈਪੀਰੋ-ਵਿਲਕ ਨਾਲ ਵੰਡ ਅਤੇ ਟੈਸਟ ਸਧਾਰਣਤਾ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਜੇ ਆਮ ਹੈ, ਤਾਂ ਟੀ-ਟੈਸਟ ਲਾਗੂ ਕਰੋ, ਜੇ ਨਹੀਂ, ਮਾਨ-ਵਿਟਨੀ। p-ਮੁੱਲ, ਪ੍ਰਭਾਵ-ਰੈਂਕ %-9 ਅਤੇ %-9 ਦੇ ਆਕਾਰ ਦੇ ਨਾਲ ਨਤੀਜੇ ਦੀ ਰਿਪੋਰਟ ਕਰੋ। ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਸਮਝਾਓ ਕਿ ਤੁਸੀਂ ਕਿਹੜਾ ਟੈਸਟ ਚੁਣਿਆ ਹੈ ਅਤੇ ਕਿਉਂ।"
ਅੰਤਰ: ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਡੇਟਾ ਕਿਸਮ, ਨਮੂਨਾ ਨੰਬਰ, ਧਾਰਨਾ ਜਾਂਚ ਅਤੇ ਪੂਰੀ ਰਿਪੋਰਟਿੰਗ ਬੇਨਤੀ ਹੈ। ਮਾਡਲ ਅੰਨ੍ਹੇਵਾਹ ਟੀ-ਟੈਸਟ ਲਾਗੂ ਕਰਨ ਦੀ ਬਜਾਏ ਸਹੀ ਮਾਰਗ 'ਤੇ ਚੱਲਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਗਲਤ ਟੈਸਟ: ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਤਿੱਖੇ (ਗੈਰ-ਆਮ) ਡੇਟਾ ਲਈ ਟੀ-ਟੈਸਟ ਲਾਗੂ ਕੀਤਾ ਅਤੇ p=0.048 ਪਾਇਆ। ਜਦੋਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੇ ਸਧਾਰਣਤਾ ਜਾਂਚ ਨੂੰ ਜੋੜਿਆ, ਤਾਂ ਡੇਟਾ ਆਮ ਨਹੀਂ ਆਇਆ; ਮਾਨ-ਵਿਟਨੀ ਨਾਲ, p=0.11. ਅਸਲ ਨਤੀਜਾ ਅਰਥਹੀਣ ਸੀ. ਸਬਕ: ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਟੈਸਟ ਕਰਨਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ।
ਕੇਸ 2 - ਚੋਣਵੇਂ ਆਊਟਲੀਅਰ ਨੂੰ ਰੱਦ ਕਰਨਾ: ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਨਤੀਜੇ ਨੂੰ ਅਰਥਪੂਰਨ ਬਣਾਉਣ ਲਈ ਦੋ "ਆਊਟਲੀਅਰ" ਪੁਆਇੰਟਾਂ ਨੂੰ ਮਿਟਾ ਦਿੱਤਾ। ਮਾਡਲ ਨੇ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਕਿ ਆਊਟਲੀਅਰ ਰੱਦ ਕਰਨਾ ਇੱਕ ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਨਿਯਮ (ਉਦਾਹਰਨ ਲਈ, IQR ਵਿਧੀ) ਅਤੇ ਰਿਪੋਰਟ ਕੀਤੇ ਜਾਣ 'ਤੇ ਅਧਾਰਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ; ਆਰਬਿਟਰੇਰੀ ਡਿਲੀਟ ਕਰਨਾ ਪੀ-ਹੈਕਿੰਗ ਹੈ। ਪਾਠ: ਪਹਿਲਾਂ ਤੋਂ ਬਾਹਰੀ ਨਿਯਮ ਸੈਟ ਕਰੋ।
ਕੇਸ 3 - ਪ੍ਰਭਾਵ ਆਕਾਰ ਰਿਕਵਰੀ: ਇੱਕ ਅਧਿਐਨ ਵਿੱਚ p=0.001 ਸੀ ਪਰ ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ (d=0.1) ਲਗਭਗ ਜ਼ੀਰੋ ਸੀ; ਵੱਡੇ ਨਮੂਨੇ ਨੇ ਮਹੱਤਵਪੂਰਨ ਹੋਣ ਲਈ ਮਾਮੂਲੀ ਅੰਤਰ ਦਿਖਾਇਆ. ਜਦੋਂ ਨਕਲੀ ਬੁੱਧੀ ਨੇ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ, ਤਾਂ ਖੋਜ ਦਾ ਕੋਈ ਅਮਲੀ ਮੁੱਲ ਨਹੀਂ ਪਾਇਆ ਗਿਆ। ਪਾਠ: ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿਉਂਕਿ p ਛੋਟਾ ਹੈ ਕੋਈ ਫ਼ਰਕ ਨਹੀਂ ਪੈਂਦਾ।
ਤੁਲਨਾ ਚਾਰਟ
ਸਥਿਤੀ
ਸਹੀ ਪਹੁੰਚ
ਤੋਂ ਬਚਿਆ ਜਾਵੇ
ਅਸਧਾਰਨ ਡਾਟਾ
ਗੈਰ-ਪੈਰਾਮੀਟਰਿਕ ਟੈਸਟ
ਜ਼ਬਰਦਸਤੀ ਟੀ-ਟੈਸਟ
ਬਹੁ ਟੈਸਟ
ਸੁਧਾਰ ਲਾਗੂ ਕਰੋ
ਕੱਚਾ p <0.05
ਬਾਹਰੀ
ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਨਿਯਮ
ਆਪਹੁਦਰੇ ਮਿਟਾਉਣਾ
ਮਹੱਤਵਪੂਰਨ ਨਤੀਜਾ
ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ + CI
ਸਿਰਫ਼ ਪੀ
ਖੋਜ ਖੋਜ
ਸੁਤੰਤਰ ਸੈੱਟ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰੋ
ਇੱਕ ਸੈੱਟ ਵਿੱਚ ਫਾਈਨਲ ਕਰੋ
ਆਮ ਗਲਤੀਆਂ
- ਹਾਇਪੋਥੀਸਿਸ ਬੇਕਾਬੂ ਟੈਸਟਿੰਗ: ਝੂਠੇ ਟੈਸਟਿੰਗ ਦੇ ਨਾਲ ਨਕਲੀ ਮਹੱਤਤਾ।
- ਪੀ-ਹੈਕਿੰਗ: ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਜਦੋਂ ਤੱਕ ਇਹ ਲੋੜੀਂਦਾ ਨਤੀਜਾ ਨਹੀਂ ਦਿੰਦਾ.
- ਸਿਰਫ਼ p-ਮੁੱਲ ਦੀ ਰਿਪੋਰਟਿੰਗ: ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਨੂੰ ਛੱਡਣਾ।
- ਕਈ ਤੁਲਨਾਵਾਂ ਲਈ ਠੀਕ ਨਹੀਂ ਕਰਨਾ: ਗਲਤ ਸਕਾਰਾਤਮਕ।
- ਕਾਰਣ ਜੰਪਿੰਗ: ਸਬੰਧਾਂ ਤੋਂ ਕਾਰਣ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ।
ਸਾਵਧਾਨ: AI ਉਹ ਨਤੀਜਾ ਨਹੀਂ ਦੇਵੇਗਾ ਜੋ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ, ਪਰ ਜੇਕਰ ਗੁੰਮਰਾਹ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਖੁਸ਼ੀ ਨਾਲ ਗਲਤ ਟੈਸਟ ਲਈ ਕੋਡ ਲਿਖ ਦੇਵੇਗਾ। ਤੁਹਾਡੇ ਕੋਲ ਅੰਕੜਿਆਂ ਦੀ ਇਕਸਾਰਤਾ ਹੈ: ਸਾਰੇ ਅਜ਼ਮਾਇਸ਼ਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰੋ, ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਪਹਿਲਾਂ ਤੋਂ ਯੋਜਨਾ ਬਣਾਓ, ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਨੂੰ ਕਦੇ ਨਾ ਭੁੱਲੋ। ਪ੍ਰਕਾਸ਼ਨ ਲਈ ਅਗਵਾਈ ਕਰਨ ਵਾਲੇ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਲਈ ਇੱਕ ਬਾਇਓਸਟੈਟਿਸਟੀਸ਼ੀਅਨ ਨਾਲ ਕੰਮ ਕਰੋ।
p-ਮੁੱਲ ਦਾ ਅਸਲ ਅਰਥ
ਜੀਵ-ਵਿਗਿਆਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਗਲਤ ਸਮਝਿਆ ਗਿਆ ਸੰਕਲਪ ਪੀ-ਮੁੱਲ ਹੈ। p-ਮੁੱਲ ਨਹੀਂ ਹੈ "ਕਲਪਨਾ ਦੇ ਸਹੀ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ"; ਇਹ "ਤੁਹਾਡੇ ਦੁਆਰਾ ਦੇਖੀਆਂ ਗਈਆਂ ਚੀਜ਼ਾਂ ਨਾਲੋਂ ਇੱਕ ਫਰਕ ਨੂੰ ਵੱਡਾ ਜਾਂ ਵਧੇਰੇ ਅਤਿ ਦੇ ਰੂਪ ਵਿੱਚ ਦੇਖਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਜਦੋਂ ਅਸਲ ਵਿੱਚ ਕੋਈ ਅੰਤਰ ਨਹੀਂ ਹੈ।" ਇਹ ਸੂਖਮ ਪਰ ਨਾਜ਼ੁਕ ਅੰਤਰ ਨਤੀਜਿਆਂ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਪੇਸ਼ ਨਾ ਕਰਨ ਦੀ ਕੁੰਜੀ ਹੈ। p=0.03 ਦਾ ਮਤਲਬ "ਪ੍ਰਭਾਵ 97% ਅਸਲ" ਨਹੀਂ ਹੈ। ਜਦੋਂ AI ਕਿਸੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਤਾਂ ਜਾਂਚ ਕਰੋ ਕਿ ਇਹ ਇਸ ਪਰਿਭਾਸ਼ਾ ਦੀ ਸਹੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ; ਮਾਡਲ ਕਈ ਵਾਰ ਆਮ ਗਲਤ ਵਿਆਖਿਆ ਨੂੰ ਦੁਹਰਾ ਸਕਦਾ ਹੈ।
ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ (CI) ਅਕਸਰ p-ਮੁੱਲ ਨਾਲੋਂ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਪ੍ਰਭਾਵ ਦੀ ਤੀਬਰਤਾ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਇਕੱਠੇ ਦਿਖਾਉਂਦਾ ਹੈ। "ਅੰਤਰ 2.4-ਗੁਣਾ (95% CI: 1.8-3.1)" "p<0.05" ਤੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕਹਿੰਦਾ ਹੈ: ਪ੍ਰਭਾਵ ਦੀ ਦਿਸ਼ਾ, ਇਸਦੀ ਤੀਬਰਤਾ, ਅਤੇ ਇਹ ਕਿੰਨੀ ਸਹੀ ਢੰਗ ਨਾਲ ਮਾਪਿਆ ਗਿਆ ਸੀ। ਆਪਣੀਆਂ ਰਿਪੋਰਟਾਂ ਵਿੱਚ GA ਨੂੰ ਹਾਈਲਾਈਟ ਕਰੋ।
ਮੇਰੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ p-ਮੁੱਲ ਦੀ ਸਹੀ ਪਰਿਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਗਲਤ ਬਿਆਨਾਂ ਤੋਂ ਬਚੋ ਜਿਵੇਂ ਕਿ "ਪ੍ਰਭਾਵ ਦੇ ਸਹੀ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ।" ਇਸਦੀ ਬਜਾਏ, ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਅਤੇ 95% ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦੇ ਰੂਪ ਵਿੱਚ ਵਿਹਾਰਕ ਅਰਥ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਨਤੀਜਾ: [ਡਾਟਾ]
ਸਬੰਧ, ਕਾਰਨ ਅਤੇ ਨਿਰੀਖਣ ਡੇਟਾ
ਜ਼ਿਆਦਾਤਰ ਜੀਵ-ਵਿਗਿਆਨਕ ਡੇਟਾ ਨਿਰੀਖਣ ਵਾਲਾ ਹੁੰਦਾ ਹੈ: ਤੁਸੀਂ ਕਿਸੇ ਹੋਰ ਚੀਜ਼ ਨਾਲ ਕੁਝ ਬਦਲਦਾ ਦੇਖਦੇ ਹੋ, ਪਰ ਤੁਸੀਂ ਇਹ ਨਹੀਂ ਦੇਖ ਸਕਦੇ ਕਿ ਕੀ ਕਾਰਨ ਹੈ। ਵਾਕ "ਜੀਨ X ਦਾ ਪ੍ਰਗਟਾਵਾ ਬਿਮਾਰੀ ਨਾਲ ਸਬੰਧ ਰੱਖਦਾ ਹੈ" ਇਹ ਸੰਕੇਤ ਨਹੀਂ ਦਿੰਦਾ ਕਿ X ਬਿਮਾਰੀ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ; ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਬਿਮਾਰੀ X ਵਧ ਰਹੀ ਹੋਵੇ, ਜਾਂ ਕੋਈ ਤੀਜਾ ਕਾਰਕ ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਰਿਹਾ ਹੋਵੇ। ਕਾਰਣਤਾ ਕੇਵਲ ਦਖਲਅੰਦਾਜ਼ੀ ਪ੍ਰਯੋਗ (X ਨੂੰ ਬਦਲਣਾ ਅਤੇ ਨਤੀਜਾ ਮਾਪਣਾ) ਦੁਆਰਾ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। AI ਅਣਜਾਣੇ ਵਿੱਚ ਤੁਹਾਡੇ ਟੈਕਸਟ ਵਿੱਚ ਕਾਰਕ ਭਾਸ਼ਾ ("ਕਾਰਨ," "ਲਈਡਸ") ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ; ਇਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਹਰੇਕ ਸਿੱਟਾ ਵਾਕ ਦੀ ਸਮੀਖਿਆ ਕਰੋ, ਸਹਿ-ਸਬੰਧੀ ਭਾਸ਼ਾ ਵਿੱਚ ਨਿਰੀਖਣ ਸੰਬੰਧੀ ਖੋਜਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੇ ਹੋਏ ("ਸਬੰਧਿਤ," "ਇਕੱਠੇ ਵੱਖੋ-ਵੱਖਰੇ")।
ਪੇਅਰਡ ਅਤੇ ਸੁਤੰਤਰ ਡੇਟਾ ਨੂੰ ਵੱਖ ਕਰਨਾ
ਟੈਸਟ ਚੋਣ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਅਕਸਰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਗਿਆ ਅੰਤਰ ਇਹ ਹੈ ਕਿ ਕੀ ਨਮੂਨੇ ਸੁਤੰਤਰ ਹਨ ਜਾਂ ਜੋੜਾਬੱਧ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕੋ ਵਿਅਕਤੀ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਮਾਪ ਲੈ ਰਹੇ ਹੋ (ਉਦਾਹਰਨ ਲਈ, ਇਲਾਜ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਇੱਕੋ ਮਰੀਜ਼ਾਂ ਦੇ ਖੂਨ ਦੇ ਮੁੱਲ), ਇਹ ਮਾਪ ਸੁਤੰਤਰ ਨਹੀਂ ਹਨ; ਇੱਕ ਪੇਅਰਡ ਟੈਸਟ ਦੀ ਲੋੜ ਹੈ। ਇੱਥੇ ਸੁਤੰਤਰ ਦੋ-ਨਮੂਨਾ ਟੀ-ਟੈਸਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਡੇਟਾ ਵਿੱਚ ਮੇਲ ਖਾਂਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ ਅਤੇ ਸ਼ਕਤੀ ਘਟਾਉਂਦਾ ਹੈ; ਇਹ ਨਤੀਜਾ ਉਲਟਾ ਵੀ ਕਰ ਸਕਦਾ ਹੈ। ਨਿਯਮ ਸਧਾਰਨ ਹੈ: "ਕੀ ਇਹ ਦੋ ਮਾਪ ਇੱਕੋ ਜੈਵਿਕ ਇਕਾਈ ਤੋਂ ਆਉਂਦੇ ਹਨ?" ਜੇਕਰ ਜਵਾਬ ਹਾਂ ਹੈ, ਤਾਂ ਪੇਅਰਡ ਟੈਸਟ (ਪੇਅਰਡ ਟੀ-ਟੈਸਟ ਜਾਂ ਵਿਲਕੋਕਸਨ ਸਾਈਨਡ ਰੈਂਕ ਟੈਸਟ) ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜੇਕਰ ਨਹੀਂ, ਤਾਂ ਸੁਤੰਤਰ ਟੈਸਟ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਟੈਸਟਾਂ ਲਈ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਡੇਟਾ ਦੇ ਮੈਚ ਢਾਂਚੇ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ; ਜੇਕਰ ਤੁਸੀਂ ਨਿਸ਼ਚਿਤ ਨਹੀਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਮਾਡਲ ਅਕਸਰ ਸੁਤੰਤਰਤਾ ਮੰਨਦਾ ਹੈ ਅਤੇ ਗਲਤ ਟੈਸਟ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦਾ ਹੈ।
ਮੇਰੇ ਕੋਲ ਮਾਪ ਦੇ ਦੋ ਸੈੱਟ ਹਨ। ਮਹੱਤਵਪੂਰਨ: ਇਹ ਮਾਪ ਸਮਾਨ ਵਿਅਕਤੀਆਂ (ਜੋੜਾਬੱਧ) ਤੋਂ ਪਹਿਲਾਂ/ਬਾਅਦ ਲਏ ਗਏ ਸਨ। ਸਹੀ ਟੈਸਟ ਚੁਣੋ ਜੋ ਇਸ ਮੈਚ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ (ਪੇਅਰਡ ਟੀ-ਟੈਸਟ ਜਾਂ ਵਿਲਕੌਕਸਨ), ਆਪਣੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਨਾਲ ਰਿਪੋਰਟ ਕਰੋ। ਸੁਤੰਤਰਤਾ ਨਾ ਮੰਨੋ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਸਹੀ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ; ਡੇਟਾ ਦੀ ਕਿਸਮ ਲਈ ਉਚਿਤ ਟੈਸਟ ਦੀ ਚੋਣ ਕਰਨਾ, ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ, ਕਈ ਤੁਲਨਾਵਾਂ ਨੂੰ ਠੀਕ ਕਰਨਾ, ਅਤੇ p-ਮੁੱਲ ਤੋਂ ਇਲਾਵਾ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ। ਸਭ ਤੋਂ ਵੱਡਾ ਖ਼ਤਰਾ ਪੀ-ਹੈਕਿੰਗ ਹੈ; ਐਂਟੀਡੋਟ ਇੱਕ ਅਗਾਊਂ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ, ਪੂਰੀ ਰਿਪੋਰਟਿੰਗ, ਅਤੇ ਖੋਜ-ਤਸਦੀਕ ਵਿਭਾਜਨ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਟੈਸਟ ਦੀ ਚੋਣ ਅਤੇ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ, ਪਰ ਅੰਕੜਿਆਂ ਦੀ ਇਕਸਾਰਤਾ ਮਨੁੱਖ ਦੇ ਨਾਲ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਦੋ ਸਮੂਹਾਂ ਦੇ ਨਾਲ ਇੱਕ ਡੇਟਾ ਸੈੱਟ (ਤੁਹਾਡਾ ਆਪਣਾ ਡੇਟਾ ਜਾਂ ਇੱਕ ਨਮੂਨਾ) ਲਓ। ਪਹਿਲਾਂ ਏਆਈ ਰਾਈਟ ਕੋਡ ਰੱਖੋ ਜੋ ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਸਧਾਰਣਤਾ ਲਈ ਟੈਸਟ ਕਰਦਾ ਹੈ। ਨਤੀਜੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦਿਆਂ, ਉਚਿਤ ਟੈਸਟ (ਟੀ-ਟੈਸਟ ਜਾਂ ਮਾਨ-ਵਿਟਨੀ) ਲਾਗੂ ਕਰੋ ਅਤੇ ਪੀ-ਮੁੱਲ ਦੇ ਨਾਲ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦੀ ਰਿਪੋਰਟ ਕਰੋ। ਫਿਰ ਸੁਧਾਰ ਤੋਂ ਬਿਨਾਂ ਅਤੇ ਨਤੀਜੇ 'ਤੇ ਸੁਧਾਰ ਦੇ ਨਾਲ ਕਈ ਤੁਲਨਾਵਾਂ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਤੁਲਨਾ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਟੈਸਟ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕੀਤੀ।
- [ ] ਮੈਂ ਟੈਸਟ ਧਾਰਨਾਵਾਂ (ਸਧਾਰਨਤਾ, ਵਿਭਿੰਨਤਾ) ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਉਚਿਤ ਟੈਸਟ ਦੀ ਚੋਣ ਕੀਤੀ, ਮੈਂ ਅੰਨ੍ਹੇਵਾਹ ਟੀ-ਟੈਸਟ ਨੂੰ ਲਾਗੂ ਨਹੀਂ ਕੀਤਾ।
- [ ] ਮੈਂ ਕਈ ਤੁਲਨਾਵਾਂ ਫਿਕਸ ਕੀਤੀਆਂ ਹਨ।
- ਮੈਂ [] p-ਮੁੱਲ ਦੇ ਨਾਲ-ਨਾਲ ਪ੍ਰਭਾਵ ਆਕਾਰ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ।
- [ ] ਮੈਂ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਫਿਕਸ ਕੀਤਾ ਅਤੇ ਪੀ-ਹੈਕਿੰਗ ਤੋਂ ਬਚਿਆ।