Fitimet:
- Aftësia për të zgjedhur testin e përshtatshëm për llojin dhe shpërndarjen e të dhënave dhe për të kontrolluar supozimet (normaliteti, varianca)
- Aftësia për të kuptuar kuptimin e vërtetë të vlerës p dhe për të raportuar rezultatet me madhësinë e efektit dhe intervalin e besimit
- Mbrojtje nga p-hacking me ndarje zbulim-verifikim, korrigjim të shumëfishtë krahasimi dhe raportim të plotë
Eksperimenti ka përfunduar, të dhënat janë futur. Tani jemi në fazën më kritike dhe më të gabuar: analizimin e saktë të të dhënave dhe interpretimin e rezultateve me ndershmëri. Të dhënat biologjike shpesh janë të zhurmshme, të paqëndrueshme dhe të shumëllojshme. Përzgjedhja e gabuar e testit, shkeljet e nënkuptuara të supozimeve dhe hakimi i pavetëdijshëm p (përpjekja e një analize derisa të japë rezultatin e dëshiruar) janë shkaqet kryesore të krizës së riprodhueshmërisë në literaturën biologjike të botuar. AI ju ndihmon të zgjidhni testin e duhur, të kontrolloni supozimet dhe të shkruani kodin e analizës; por integriteti statistikor është përgjegjësia juaj.
Në këtë njësi, ne do të mbulojmë testet e zakonshme statistikore, kontrollet e supozimeve dhe mënyrat për t'u mbrojtur nga hakimi p.
Zgjedhja e testit të duhur
Zgjedhja e testit varet nga lloji dhe shpërndarja e të dhënave. Inteligjenca artificiale do t'ju ndihmojë të bëni këtë zgjedhje, por nuk duhet ta zbatoni verbërisht:
- Dy grupe, të dhëna të vazhdueshme, shpërndarje normale: T-test i pavarur.
- Dy grupe, jo normale: Mann-Whitney U (jo-parametrik: nuk kërkon supozim të shpërndarjes).
- Më shumë se dy grupe: ANOVA (analiza e variancës) + testi post-hoc.
- Të dhëna kategorike (numërime): Chi-square ose Fisher exact test.
- Marrëdhënia: Korrelacion (Pearson/Spearman) ose regresion.
Këshillë: Vizualizoni të dhënat përpara se të zgjidhni testin. Një histogram ose kuti tregon në çast normalitetin dhe vlerat e jashtme që kërkon një T-test. "Së pari grafikoni, më vonë provoni" është një zakon i mirë.
Kontrollimi i supozimeve
Çdo test ka supozime të fshehura. T-testi supozon shpërndarjen normale dhe barazinë e variancës; Nëse këto shkelen, rezultati do të jetë mashtrues. AI shkruan kodin që kontrollon këto supozime:
Roli: Ju jeni një asistent i biostatistikës. Detyrë: Shkruani kodin që kontrollon supozimet e një testi t përpara se të krahasoni dy grupe të dhënash: normaliteti (Shapiro-Wilk), barazia e variancës (Levene). Nëse supozimi është shkelur, më tregoni se në cilin test alternativ duhet të vazhdoj. Jepni kodin Python me komente.
Kodi ju ridrejton te Mann-Whitney nëse normaliteti prishet. Kjo rrjedhë "kontrollo së pari, vendos më vonë" ju pengon të kryeni testin e gabuar.
p-hacking dhe si të mbroheni
P-hacking është analizimi i të dhënave në mënyra të ndryshme deri në p<0.05: duke provuar teste të ndryshme, duke hedhur poshtë në mënyrë selektive, duke shtuar/hequr grupe, duke raportuar atë që është "e rëndësishme" midis një numri të madh variablash. Ky është burimi kryesor i zbulimeve të rreme. Mënyrat e mbrojtjes:
- Rregulloni paraprakisht planin e analizës (Kapitulli 7).
- Raportoni të gjitha testet, jo vetëm ato që tregojnë rëndësi.
- Rregulloni krahasimin e shumëfishtë (FDR/Bonferroni).
- Jepni madhësinë e efektit dhe intervalin e besimit pranë vlerës p.
- Zbulimi dhe vërtetimi i veçantë: Testoni atë që gjeni në grupin e zbulimeve në një grup të pavarur.
Hap pas hapi: një analizë e sinqertë
- Vizualizoni të dhënat (shpërndarja, periferia).
- Kontrolloni supozimet.
- Kryeni testin që keni paracaktuar.
- Rregulloni krahasimin e shumëfishtë.
- Raportoni madhësinë e efektit + intervalin e besimit.
- Shkruani qartë kufizimet.
Modele të shpejtë të kopjueshëm
Vizualizoni performancën: vizatoni histogramet dhe parcelat e kutive për secilin grup, shënoni anët e jashtme. Më pas interpretoni normalitetin.Kollonat e të dhënave: [emri]. Jepni kodin Python me komente.
Unë dua të krahasoj dy grupet e mia. Karakteristikat e të dhënave: [lloji, N, shpërndarja]. Cili test është i përshtatshëm? Kontrolloni supozimet, kryeni testin, raportoni madhësinë e efektit DHE intervalin e besimit 95% ME vlerën p.
Unë testova për 15 gjene të ndryshme në analizën time. Jepni kodin që zbaton korrigjimin Bonferroni dhe Benjamini-Hochberg dhe shpjegoni ndryshimin midis dy metodave.
Prompt i dobët / Prompt i fortë
I dobët: "A janë këto dy grupe të ndryshme, bëni një T-test."
I fortë: "Kam dy grupe (kontrolli n=18, trajtimi n=20), variabli i varur është aktiviteti i enzimës (i vazhdueshëm). Fillimisht vizualizoni shpërndarjen dhe normalitetin e testit me Shapiro-Wilk. Nëse është normale, aplikoni t-testin, nëse jo, Mann-Whitney. Raportoni rezultatin me vlerën p, madhësinë e efektit (Cohennkvalbis% ose të shprehura të besueshme). cilin test keni zgjedhur dhe pse."
Dallimi: Prompti i fuqishëm ka llojin e të dhënave, numrat e mostrës, kontrollin e supozimeve dhe kërkesën e plotë të raportimit. Modeli ndjek rrugën e duhur në vend që të aplikojë verbërisht t-test.
tre mini kuti
Rasti 1 — Testi i gabuar: Një student aplikoi një T-test për të dhëna të shtrembëruara dukshëm (jo normale) dhe gjeti p=0.048. Kur inteligjenca artificiale shtoi kontrollin e normalitetit, të dhënat nuk dolën normale; Me Mann-Whitney, p=0.11. Rezultati aktual ishte i pakuptimtë. Mësimi: testimi pa kontrolluar supozimin është mashtrues.
Rasti 2 - Hedhja selektive e jashtme: Një studiues fshiu dy pika "të jashtme" për ta bërë rezultatin kuptimplotë. Modeli theksoi se hedhja e jashtme duhet të bazohet në një rregull të paracaktuar (p.sh., metoda IQR) dhe të raportohet; fshirja arbitrare është p-hacking. Mësimi: vendosni rregullin e jashtëm paraprakisht.
Rasti 3 — Rikuperimi i madhësisë së efektit: Një studim kishte p=0.001 por madhësia e efektit (d=0.1) ishte pothuajse zero; kampioni i madh tregoi se ndryshimi i parëndësishëm ishte i rëndësishëm. Kur inteligjenca artificiale raportoi madhësinë e efektit, zbulimi nuk kishte asnjë vlerë praktike. Mësimi: Vetëm për shkak se p është e vogël nuk ka rëndësi.
grafik krahasimi
Statusi
qasje e drejtë
Për t'u shmangur
të dhëna jonormale
Test joparametrik
T-test i detyruar
shumë test
Aplikoni korrigjimin
Bruto p<0.05
i jashtëzakonshëm
Rregulli i paracaktuar
fshirje arbitrare
rezultat domethënës
Madhësia e efektit + CI
vetëm p
gjetje zbulimi
Vërtetoni në grup të pavarur
Përfundoni në një grup
Gabimet e zakonshme
- Testimi i pakontrolluar i hipotezës: Rëndësia e rreme me testimin e rremë.
- p-hacking: Përpjekja e analizës derisa të japë rezultatin e dëshiruar.
- Raportimi i vetëm p-vlerës: Hiqja e madhësisë së efektit dhe intervalit të besimit.
- Nuk korrigjohet për krahasime të shumta: Pozitive të rreme.
- Kërcimi i shkakësisë: Konkludimi i shkakësisë nga korrelacioni.
Kujdes: AI nuk do të "prodhojë" rezultatin që dëshironi, por me kënaqësi do të shkruajë kodin për testin e gabuar nëse mashtrohet. Ju keni integritet statistikor: raportoni të gjitha provat, planifikoni analizën paraprakisht, mos e humbisni kurrë madhësinë e efektit. Punoni me një biostatistician për analizat që çojnë në botim.
kuptimi real i vlerës p
Koncepti më i keqkuptuar në biologji është vlera p. Vlera p nuk është "probabiliteti që hipoteza të jetë e vërtetë"; Është "probabiliteti për të parë një ndryshim aq të madh ose më ekstrem se ai që vëreni, kur në realitet nuk ka dallim". Ky dallim delikate por kritik është kyç për të mos ekzagjeruar rezultatet. p=0.03 nuk do të thotë "efekti është 97% real". Kur AI të interpretojë një rezultat, kontrolloni që ai e përdor saktë këtë përkufizim; Modeli ndonjëherë mund të përsërisë keqinterpretimet e zakonshme.
Intervali i besimit (CI) është shpesh më informues se vlera p, sepse tregon madhësinë dhe pasigurinë e efektit së bashku. "Diferenca 2.4-fish (95% CI: 1.8-3.1)" thotë shumë më tepër se "p<0.05": si drejtimi i efektit, madhësia e tij dhe sa saktë u mat. Theksoni GA në raportet tuaja.
Përdorni përkufizimin e saktë të vlerës p kur interpretoni rezultatin tim. Shmangni thëniet e pasakta të tilla si "probabiliteti që efekti të jetë i vërtetë". Në vend të kësaj, shpjegoni kuptimin praktik për sa i përket madhësisë së efektit dhe intervalit të besimit 95%. Rezultati: [të dhënat]
Të dhënat e korrelacionit, shkakësisë dhe vëzhgimit
Shumica e të dhënave biologjike janë vëzhguese: ju shihni diçka që ndryshon me diçka tjetër, por nuk mund të shihni se çfarë e shkakton atë. Fjalia "shprehja e gjenit X lidhet me sëmundjen" nuk tregon se X shkakton sëmundje; Sëmundja mund të jetë në rritje X, ose një faktor i tretë mund të jetë duke prekur të dyja. Shkakësia mund të përcaktohet vetëm përmes eksperimentimit ndërhyrës (ndryshimi i X dhe matja e rezultatit). AI mund të përdorë pa vetëdije gjuhën shkakësore (“shkaqet”, “çon në”) në tekstet tuaja; rishikoni çdo fjali përfundimi nga ky këndvështrim, duke shprehur gjetjet e vëzhgimit në gjuhën korrelative (“lidhura”, “ndryshojnë së bashku”).
Ndarja e të dhënave të çiftuara dhe të pavarura
Dallimi më i anashkaluar në përzgjedhjen e testit është nëse mostrat janë të pavarura apo të çiftuara. Nëse jeni duke marrë matje para dhe pas nga i njëjti individ (për shembull, vlerat e gjakut të të njëjtëve pacientë para dhe pas trajtimit), këto matje nuk janë të pavarura; Kërkohet një test i çiftëzuar. Përdorimi i testit t të pavarur me dy mostra këtu hedh poshtë informacionin e ndeshjes në të dhëna dhe redukton fuqinë; Madje mund të ndryshojë rezultatin. Rregulli është i thjeshtë: "A vijnë këto dy matje nga e njëjta njësi biologjike?" Nëse përgjigja është po, përdoret testi i çiftuar (testi i çiftuar ose testi i renditjes së nënshkruar nga Wilcoxon), nëse jo, përdoret testi i pavarur. Kur kërkoni teste nga inteligjenca artificiale, sigurohuni që të specifikoni strukturën e përputhjes së të dhënave tuaja; Nëse nuk specifikoni, modeli shpesh merr pavarësinë dhe rekomandon testin e gabuar.
Unë kam dy grupe matjesh. E rëndësishme: këto matje janë marrë para/pas të NJËJTËVE individë (të çiftuar). Zgjidhni testin e duhur që merr parasysh këtë përputhje (t-test i çiftuar ose Wilcoxon), kontrolloni supozimet tuaja dhe raportoni me madhësinë e efektit. Mos supozoni pavarësinë.
Në përmbledhje
Analiza e saktë e të dhënave; zgjedhja e testit të përshtatshëm për llojin e të dhënave, kontrollimi i supozimeve, korrigjimi i krahasimeve të shumta dhe raportimi i madhësisë së efektit dhe intervalit të besimit përveç vlerës p. Rreziku më i madh është p-hacking; Antidoti është një plan analize paraprake, raportim i plotë dhe ndarje zbulimi-verifikimi. Inteligjenca artificiale është një ndihmë e fuqishme në përzgjedhjen e testeve dhe kontrollin e supozimeve, por integriteti statistikor i takon njeriut.
Detyra e aplikimit
Merrni një grup të dhënash (të dhënat tuaja ose një mostër) me dy grupe. Fillimisht keni kodin e shkrimit të AI që vizualizon të dhënat dhe teston për normalitet. Në varësi të rezultatit, aplikoni testin e duhur (t-test ose Mann-Whitney) dhe raportoni madhësinë e efektit dhe intervalin e besimit së bashku me vlerën p. Pastaj krahasoni efektin e krahasimeve të shumta pa korrigjim dhe me korrigjim në rezultat.
listë kontrolli
- [ ] I vizualizova të dhënat përpara testimit.
- [ ] Kontrollova supozimet e testit (normaliteti, varianca).
- [ ] Zgjodha testin e duhur, nuk e zbatova verbërisht testin t.
- [ ] Kam rregulluar krahasimin e shumëfishtë.
- Kam raportuar vlerën p [ ] si dhe madhësinë e efektit dhe intervalin e besimit.
- [ ] E rregullova planin e analizës paraprakisht dhe shmanga hakimin p.