Faida:
- Uwezo wa kuchagua jaribio linalofaa kwa aina na usambazaji wa data na kuangalia mawazo (kawaida, tofauti)
- Uwezo wa kuelewa maana halisi ya thamani ya p na kuripoti matokeo kwa ukubwa wa athari na muda wa kujiamini
- Ulinzi dhidi ya udukuzi kwa kutumia utenganisho wa uthibitishaji wa ugunduzi, urekebishaji mwingi wa kulinganisha na kuripoti kamili
Jaribio limekwisha, data imeingia. Sasa tuko katika hatua muhimu na yenye makosa zaidi: kuchanganua data kwa usahihi na kutafsiri matokeo kwa uaminifu. Data ya kibiolojia mara nyingi ni kelele, imara na multivariate. Uteuzi usio sahihi wa jaribio, ukiukaji wa dhana dhahania, na udukuzi wa fahamu bila fahamu (kujaribu uchanganuzi hadi utoe matokeo yanayohitajika) ndizo sababu za msingi za mgogoro wa kuzaliana katika fasihi iliyochapishwa ya kibaolojia. AI hukusaidia kuchagua jaribio sahihi, angalia mawazo, na uandike nambari ya uchambuzi; lakini uadilifu wa takwimu ni jukumu lako.
Katika kitengo hiki, tutashughulikia majaribio ya kawaida ya takwimu, ukaguzi wa kukisia, na njia za kujilinda dhidi ya udukuzi.
Kuchagua mtihani sahihi
Uchaguzi wa mtihani hutegemea aina na usambazaji wa data. Akili ya Bandia itakusaidia kufanya chaguo hili, lakini hupaswi kuitumia kwa upofu:
- Vikundi viwili, data inayoendelea, usambazaji wa kawaida: Jaribio la t huru.
- Makundi mawili, yasiyo ya kawaida: Mann-Whitney U (isiyo ya kigezo: haihitaji dhana ya usambazaji).
- Zaidi ya vikundi viwili: ANOVA (uchambuzi wa tofauti) + mtihani wa baada ya hoc.
- Data ya kategoria (hesabu): Mtihani kamili wa Chi-square au Fisher.
- Uhusiano: Uwiano (Pearson/Spearman) au kurudi nyuma.
Kidokezo: Tazama data kabla ya kuchagua jaribio. Histogramu au sehemu ya sanduku huonyesha papo hapo hali ya kawaida na ya nje ambayo mtihani wa t unahitaji. "Grafu kwanza, jaribu baadaye" ni tabia nzuri.
Kukagua mawazo
Kila jaribio lina mawazo yaliyofichwa. Jaribio la t huchukua usambazaji wa kawaida na usawa wa tofauti; Ikiwa hizi zimekiukwa, matokeo yatakuwa ya kupotosha. AI inaandika nambari ambayo hukagua mawazo haya:
Jukumu: Wewe ni msaidizi wa takwimu za kibayolojia. Kazi: Andika msimbo unaokagua mawazo ya jaribio la t kabla ya kulinganisha vikundi viwili vya data: kawaida (Shapiro-Wilk), usawa wa tofauti (Levene). Ikiwa dhana imekiukwa, niambie ni mtihani gani mbadala ambao ninapaswa kuendelea. Toa nambari ya Python na maoni.
Nambari hiyo inakuelekeza kwa Mann-Whitney ikiwa hali ya kawaida imevunjwa. Mtiririko huu wa "angalia kwanza, amua baadaye" hukuzuia kufanya jaribio lisilo sahihi.
p-hacking na jinsi ya kujilinda
p-hacking ni kuchambua data kwa njia tofauti hadi p<0.05: kujaribu majaribio tofauti, kwa kuchagua kutupa nje, kuongeza/kuondoa vikundi, kuripoti kile ambacho ni "muhimu" kati ya idadi kubwa ya vigeu. Hiki ndicho chanzo kikuu cha uvumbuzi bandia. Njia za ulinzi:
- Rekebisha mpango wa uchambuzi mapema (Kitengo cha 7).
- Ripoti majaribio yote, sio tu yale yanayoonyesha umuhimu.
- Rekebisha ulinganishaji mwingi (FDR/Bonferroni).
- Toa ukubwa wa athari na muda wa kujiamini karibu na thamani ya p.
- Tenganisha ugunduzi na uthibitishaji: Jaribu unachopata katika ugunduzi uliowekwa kwenye seti huru.
Hatua kwa hatua: uchambuzi wa uaminifu
- Taswira ya data (kutawanya, outlier).
- Angalia mawazo.
- Fanya jaribio uliloamua mapema.
- Rekebisha kulinganisha nyingi.
- Ripoti ukubwa wa athari + muda wa kujiamini.
- Andika mapungufu kwa uwazi.
Violezo vya haraka vinavyoweza kunakiliwa
Taswira ya matokeo: panga histogramu na viwanja vya sanduku kwa kila kikundi, wauzaji bendera. Kisha ufasiri ukawaida.Safu wima za data: [jina]. Toa nambari ya Python na maoni.
Nataka kulinganisha vikundi vyangu viwili. Sifa za data: [aina, N, usambazaji]. Je, ni jaribio gani linafaa? Angalia mawazo, fanya jaribio, ripoti ukubwa wa athari NA 95% ya muda wa kujiamini NA p-thamani.
Nilijaribu jeni 15 tofauti katika uchambuzi wangu. Toa msimbo unaotumika masahihisho ya Bonferroni na Benjamini-Hochberg na ueleze tofauti kati ya mbinu hizo mbili.
Mwongozo dhaifu / Mwongozo thabiti
Dhaifu: "Je, vikundi hivi viwili ni tofauti, fanya mtihani wa t."
Nguvu: "Nina vikundi viwili (udhibiti n=18, matibabu n=20), kigezo tegemezi ni shughuli ya kimeng'enya (inayoendelea). Onesha taswira ya kwanza ya usambazaji na ukawaida wa majaribio na Shapiro-Wilk. Ikiwa ni kawaida, tumia mtihani wa t, ikiwa sivyo, Mann-Whitney. Ripoti matokeo kwa thamani ya p, saizi ya athari (Cohen's d au cheo) ulichagua ujasiri gani na kiwango cha 95% ulichagua."
Tofauti: Kidokezo chenye nguvu kina aina ya data, nambari za sampuli, ukaguzi wa kukisiwa na ombi kamili la kuripoti. Mfano hufuata njia sahihi badala ya kutumia mtihani wa t kwa upofu.
kesi tatu ndogo
Kesi ya 1 — Jaribio lisilo sahihi: Mwanafunzi alitumia jaribio la t kwa data potofu (isiyo ya kawaida) na akapata p=0.048. Wakati akili ya bandia iliongeza hundi ya kawaida, data haikutoka kwa kawaida; Na Mann-Whitney, p=0.11. Matokeo halisi hayakuwa na maana. Somo: kupima bila kuangalia dhana ni kupotosha.
Kesi ya 2 - Tupa bidhaa za nje zilizochaguliwa: Mtafiti alifuta alama mbili "za nje" ili kufanya matokeo kuwa na maana. Mtindo huo ulisisitiza kuwa utupaji wa nje unapaswa kutegemea kanuni iliyoainishwa awali (k.m., mbinu ya IQR) na kuripotiwa; ufutaji holela ni udukuzi. Somo: weka sheria ya nje kabla.
Uchunguzi wa 3 - Urejeshaji wa ukubwa wa madoido: Utafiti mmoja ulikuwa na p=0.001 lakini saizi ya athari (d=0.1) ilikuwa karibu sifuri; sampuli kubwa ilionyesha tofauti ndogo kuwa muhimu. Wakati akili ya bandia iliripoti ukubwa wa athari, matokeo yalionekana kuwa hayana thamani ya vitendo. Somo: Kwa sababu p ni ndogo haijalishi.
chati ya kulinganisha
Hali
njia sahihi
Ili kuepukwa
data isiyo ya kawaida
Mtihani usio na kipimo
Jaribio la kulazimishwa
mtihani mbalimbali
Tumia marekebisho
Ghafi p<0.05
nje
Kanuni iliyofafanuliwa awali
ufutaji holela
matokeo muhimu
Ukubwa wa athari + CI
tu uk
ugunduzi
Thibitisha kwenye seti huru
Maliza kwa seti moja
Makosa ya kawaida
- Majaribio ya nadharia yasiyodhibitiwa: Umuhimu wa uwongo na majaribio ya uwongo.
- p-hacking: Kujaribu uchanganuzi hadi kutoa matokeo unayotaka.
- Kuripoti thamani ya p pekee: Inaacha ukubwa wa athari na muda wa kujiamini.
- Kutosahihisha kwa ulinganisho mwingi: Chanya zisizo za kweli.
- Kuruka kwa sababu: Kuashiria sababu kutoka kwa uunganisho.
Tahadhari: AI "haitatoa" matokeo unayotaka, lakini itaandika kwa furaha nambari ya jaribio lisilofaa ikiwa itapotoshwa. Una uadilifu wa takwimu: ripoti majaribio yote, panga uchanganuzi mapema, usiwahi kukosa saizi ya athari. Fanya kazi na mtaalamu wa takwimu za kibayolojia kwa uchanganuzi utakaopelekea kuchapishwa.
maana halisi ya thamani ya p
Dhana isiyoeleweka zaidi katika biolojia ni thamani ya p. Thamani ya p sio "uwezekano wa nadharia kuwa kweli"; Ni "uwezekano wa kuona tofauti kuwa kubwa au kali zaidi kuliko kile unachokiona, wakati kwa kweli hakuna tofauti." Tofauti hii ya hila lakini muhimu ni muhimu ili kutozidisha matokeo. p=0.03 haimaanishi "athari ni 97% halisi". Unapokuwa na AI kutafsiri matokeo, angalia ikiwa inatumia ufafanuzi huu kwa usahihi; Mfano huo wakati mwingine unaweza kurudia tafsiri potofu ya kawaida.
Muda wa kujiamini (CI) mara nyingi huwa na taarifa zaidi kuliko thamani ya p kwa sababu huonyesha ukubwa na kutokuwa na uhakika wa athari kwa pamoja. "Tofauti mara 2.4 (95% CI: 1.8-3.1)" inasema zaidi ya "p <0.05": mwelekeo wa athari, ukubwa wake, na jinsi ilivyopimwa kwa usahihi. Angazia GA katika ripoti zako.
Tumia ufafanuzi sahihi wa thamani ya p wakati wa kutafsiri matokeo yangu. Epuka kauli zisizo sahihi kama vile "uwezekano wa athari kuwa kweli." Badala yake, eleza maana ya vitendo katika suala la ukubwa wa athari na muda wa kujiamini wa 95%. Matokeo: [data]
Uwiano, sababu na data ya uchunguzi
Data nyingi za kibaolojia ni za uchunguzi: unaona kitu kinabadilika na kitu kingine, lakini huwezi kuona kinachosababisha nini. Sentensi "usemi wa jeni X unahusiana na ugonjwa" hauonyeshi kwamba X husababisha ugonjwa; Ugonjwa unaweza kuwa unaongezeka X, au sababu ya tatu inaweza kuwaathiri wote wawili. Sababu inaweza tu kuanzishwa kupitia majaribio ya kuingilia kati (kubadilisha X na kupima matokeo). AI inaweza kutumia lugha ya sababu bila kujua ("sababu," "inasababisha") katika maandishi yako; kagua kila sentensi ya hitimisho kutoka kwa mtazamo huu, ukionyesha matokeo ya uchunguzi katika lugha ya uwiano ("inayohusiana," "inayotofautiana pamoja").
Kutenganisha data iliyooanishwa na huru
Tofauti inayopuuzwa sana katika uteuzi wa majaribio ni kama sampuli ni huru au zimeoanishwa. Ikiwa unachukua kabla na baada ya vipimo kutoka kwa mtu huyo huyo (kwa mfano, maadili ya damu ya wagonjwa sawa kabla na baada ya matibabu), vipimo hivi havijitegemea; Jaribio la jozi linahitajika. Kwa kutumia jaribio la sampuli mbili huru la t-test hapa hutupa taarifa zinazolingana katika data na kupunguza nguvu; Inaweza hata kubadili matokeo. Sheria ni rahisi: "Je, vipimo hivi viwili vinatoka kwa kitengo kimoja cha kibiolojia?" Ikiwa jibu ni ndiyo, jaribio la paired (jaribio la t-jozi au mtihani wa cheo uliotiwa saini na Wilcoxon) hutumiwa, ikiwa hapana, mtihani wa kujitegemea hutumiwa. Unapouliza akili bandia kwa ajili ya majaribio, hakikisha umebainisha muundo unaolingana wa data yako; Ikiwa hutafafanua, mfano mara nyingi huchukua uhuru na kupendekeza mtihani usio sahihi.
Nina seti mbili za vipimo. Muhimu: vipimo hivi vilichukuliwa kabla/baada ya watu SAME (waliooanisha). Chagua jaribio sahihi linalozingatia mechi hii (jaribio la t-iliyooanishwa au Wilcoxon), angalia mawazo yako na uripoti na ukubwa wa athari. Usichukue uhuru.
Kwa muhtasari
Uchambuzi sahihi wa data; kuchagua jaribio linalofaa kwa aina ya data, kukagua dhana, kusahihisha ulinganisho mwingi, na kuripoti ukubwa wa athari na muda wa kuaminika pamoja na thamani ya p. Hatari kubwa ni p-hacking; Dawa ni mpango wa uchanganuzi wa mapema, ripoti kamili, na utenganisho wa uthibitishaji wa ugunduzi. Akili Bandia ni usaidizi mkubwa katika uteuzi wa majaribio na ukaguzi wa kudhaniwa, lakini uadilifu wa takwimu upo kwa binadamu.
Jukumu la maombi
Chukua seti ya data (data yako mwenyewe au sampuli) na vikundi viwili. Kwanza uwe na msimbo wa uandishi wa AI ambao unaonyesha data na majaribio ya hali ya kawaida. Kulingana na matokeo, tumia jaribio linalofaa (t-test au Mann-Whitney) na uripoti ukubwa wa athari na muda wa kujiamini pamoja na thamani ya p. Kisha kulinganisha athari za kulinganisha nyingi bila kusahihisha na kwa marekebisho kwenye matokeo.
orodha ya ukaguzi
- [ ] Niliona data kabla ya kujaribu.
- [ ] Nilikagua mawazo ya jaribio (kawaida, tofauti).
- [ ] Nilichagua jaribio linalofaa, sikutumia jaribio la t kwa upofu.
- [ ] Nilirekebisha kulinganisha nyingi.
- Niliripoti [ ] thamani ya p na vile vile saizi ya athari na muda wa kujiamini.
- [ ] Nilirekebisha mpango wa uchanganuzi mapema na nikaepuka udukuzi.