ڈیٹا کا تجزیہ اور شماریاتی توثیق

فائدہ:

• ڈیٹا کی قسم اور تقسیم کے لیے موزوں ٹیسٹ کا انتخاب کرنے اور مفروضوں کو چیک کرنے کی اہلیت (معمول، تغیر)
• پی-ویلیو کے حقیقی معنی کو سمجھنے اور اثر کے سائز اور اعتماد کے وقفے کے ساتھ نتائج کی اطلاع دینے کی صلاحیت
• دریافت-تصدیق علیحدگی، متعدد موازنہ اصلاح اور مکمل رپورٹنگ کے ساتھ پی ہیکنگ سے تحفظ

تجربہ ختم ہو چکا ہے، ڈیٹا اندر ہے۔ اب ہم انتہائی نازک اور سب سے زیادہ غلط مرحلے پر ہیں: ڈیٹا کا صحیح تجزیہ کرنا اور نتائج کی ایمانداری سے تشریح کرنا۔ حیاتیاتی ڈیٹا اکثر شور، غیر مستحکم اور ملٹی ویریٹ ہوتا ہے۔ ٹیسٹ کا غلط انتخاب، مفروضے کی مفروضہ خلاف ورزیاں، اور بے ہوش پی-ہیکنگ (تجزیہ کی کوشش کرنا جب تک کہ یہ مطلوبہ نتیجہ نہ دے) شائع شدہ حیاتیاتی ادب میں تولیدی صلاحیت کے بحران کی بنیادی وجوہات ہیں۔ AI آپ کو صحیح ٹیسٹ کا انتخاب کرنے، مفروضوں کو چیک کرنے اور تجزیہ کوڈ لکھنے میں مدد کرتا ہے۔ لیکن شماریاتی سالمیت آپ کی ذمہ داری ہے۔

اس یونٹ میں، ہم عام شماریاتی ٹیسٹ، مفروضے کی جانچ، اور خود کو پی ہیکنگ سے بچانے کے طریقوں کا احاطہ کریں گے۔

صحیح ٹیسٹ کا انتخاب

ٹیسٹ کا انتخاب ڈیٹا کی قسم اور تقسیم پر منحصر ہے۔ مصنوعی ذہانت یہ انتخاب کرنے میں آپ کی مدد کرے گی، لیکن آپ کو آنکھیں بند کرکے اس کا اطلاق نہیں کرنا چاہیے:

• دو گروپ، مسلسل ڈیٹا، عام تقسیم: آزاد ٹی ٹیسٹ۔
• دو گروپس، غیر نارمل: Mann-Whitney U (غیر پیرامیٹرک: تقسیم کے مفروضے کی ضرورت نہیں)۔
• دو سے زیادہ گروپس: انووا (تغیر کا تجزیہ) + پوسٹ ہاک ٹیسٹ۔
• زمرہ کے اعداد و شمار (شمار): چی مربع یا فشر عین مطابق ٹیسٹ۔
• رشتہ: ارتباط (پیئرسن/اسپیئر مین) یا رجعت۔

ٹپ: ٹیسٹ کو منتخب کرنے سے پہلے ڈیٹا کا تصور کریں۔ ایک ہسٹوگرام یا باکس پلاٹ فوری طور پر معمول اور آؤٹ لیرز کو ظاہر کرتا ہے جس کی t-ٹیسٹ کی ضرورت ہوتی ہے۔ "پہلے گراف، بعد میں ٹیسٹ" ایک اچھی عادت ہے۔

مفروضوں کی جانچ کرنا

ہر امتحان میں پوشیدہ مفروضے ہوتے ہیں۔ t-ٹیسٹ معمول کی تقسیم اور تغیر کی مساوات کو فرض کرتا ہے۔ اگر ان کی خلاف ورزی کی گئی تو نتیجہ گمراہ کن ہوگا۔ AI کوڈ لکھتا ہے جو ان مفروضوں کی جانچ کرتا ہے:

کردار: آپ بایوسٹیٹکس اسسٹنٹ ہیں۔ ٹاسک: کوڈ لکھیں جو ڈیٹا کے دو گروپس کا موازنہ کرنے سے پہلے ٹی ٹیسٹ کے مفروضوں کی جانچ کرتا ہے: نارملٹی (شپیرو-ولک)، تغیر کی مساوات (لیوین)۔ اگر مفروضے کی خلاف ورزی ہوئی ہے، تو مجھے بتائیں کہ مجھے کون سا متبادل ٹیسٹ کرنا چاہیے۔ تبصروں کے ساتھ Python کوڈ دیں۔

اگر معمول ٹوٹ جاتا ہے تو کوڈ آپ کو Mann-Whitney پر بھیج دیتا ہے۔ یہ "پہلے چیک کریں، بعد میں فیصلہ کریں" کا بہاؤ آپ کو غلط ٹیسٹ کرنے سے روکتا ہے۔

پی ہیکنگ اور اپنے آپ کو کیسے بچایا جائے۔

p-ہیکنگ p <0.05 تک مختلف طریقوں سے ڈیٹا کا تجزیہ کر رہی ہے: مختلف ٹیسٹوں کی کوشش کرنا، آؤٹ لیرز کو منتخب طور پر مسترد کرنا، گروپوں کو شامل کرنا/ ہٹانا، یہ رپورٹ کرنا کہ متغیرات کی ایک بڑی تعداد میں "اہم" کیا ہے۔ یہ جعلی دریافتوں کا بنیادی ذریعہ ہے۔ تحفظ کے طریقے:

1. تجزیہ کا منصوبہ پہلے سے طے کر لیں (یونٹ 7)۔
2. تمام ٹیسٹوں کی رپورٹ کریں، نہ صرف وہ ٹیسٹ جو اہمیت کو ظاہر کرتے ہیں۔
3. متعدد موازنہ کو درست کریں (FDR/Bonferroni)۔
4. پی ویلیو کے آگے اثر کا سائز اور اعتماد کا وقفہ دیں۔
5. علیحدہ دریافت اور توثیق: ایک آزاد سیٹ پر دریافت کے سیٹ میں آپ کو کیا ملتا ہے اس کی جانچ کریں۔

مرحلہ وار: ایک ایماندارانہ تجزیہ

1. اعداد و شمار کا تصور کریں (بکھرا، آؤٹ لیئر)۔
2. مفروضوں کو چیک کریں۔
3. آپ نے پہلے سے طے شدہ ٹیسٹ کو انجام دیں۔
4. متعدد موازنہ درست کریں۔
5. رپورٹ اثر سائز + اعتماد کا وقفہ۔
6. حدود واضح طور پر لکھیں۔

کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس

تصور کریں تھرو پٹ: ہر گروپ کے لیے پلاٹ ہسٹوگرام اور باکس پلاٹ، پرچم آؤٹ لیرز۔ پھر معمول کی تشریح کریں۔ ڈیٹا کالم: [نام]۔ تبصروں کے ساتھ Python کوڈ دیں۔

میں اپنے دو گروہوں کا موازنہ کرنا چاہتا ہوں۔ ڈیٹا کی خصوصیات: [قسم، N، تقسیم] کون سا ٹیسٹ مناسب ہے؟ مفروضوں کو چیک کریں، ٹیسٹ کریں، اثر کا سائز رپورٹ کریں اور p-value کے ساتھ 95% اعتماد کا وقفہ۔

میں نے اپنے تجزیے میں 15 مختلف جینز کا تجربہ کیا۔ وہ کوڈ دیں جو بونفیرونی اور بنجمینی-ہچبرگ تصحیح پر لاگو ہوتا ہے اور دونوں طریقوں کے درمیان فرق کی وضاحت کریں۔

کمزور فوری / مضبوط اشارہ

کمزور: "کیا یہ دونوں گروپ مختلف ہیں، ٹی ٹیسٹ کرو۔"

مضبوط: "میرے پاس دو گروپ ہیں (کنٹرول n=18، ٹریٹمنٹ n=20)، انحصار متغیر اینزائم ایکٹیویٹی ہے (مسلسل)۔ سب سے پہلے Shapiro-Wilk کے ساتھ ڈسٹری بیوشن اور ٹیسٹ نارملٹی کو دیکھیں۔ اگر نارمل ہے تو، T-ٹیسٹ لگائیں، اگر نہیں، تو Mann-Whitney۔ نتیجہ کی اطلاع دیں اعتماد کا وقفہ بتائیں کہ آپ نے کون سا ٹیسٹ منتخب کیا اور کیوں۔"

فرق: طاقتور پرامپٹ میں ڈیٹا کی قسم، نمونہ نمبر، مفروضے کی جانچ اور مکمل رپورٹنگ کی درخواست ہوتی ہے۔ ماڈل آنکھ بند کر کے ٹی-ٹیسٹ لگانے کے بجائے صحیح راستہ اختیار کرتا ہے۔

تین چھوٹے مقدمات

کیس 1 — غلط ٹیسٹ: ایک طالب علم نے نمایاں طور پر ترچھے (غیر نارمل) ڈیٹا پر ٹی-ٹیسٹ لگایا اور اسے p=0.048 ملا۔ جب مصنوعی ذہانت نے نارملٹی چیک کو شامل کیا تو ڈیٹا نارمل نہیں آیا۔ Mann-Whitney کے ساتھ، p=0.11۔ اصل نتیجہ بے معنی تھا۔ سبق: مفروضے کی جانچ کیے بغیر جانچ کرنا گمراہ کن ہے۔

کیس 2 - سلیکٹیو آؤٹ لئیر کو ضائع کرنا: ایک محقق نے نتیجہ کو معنی خیز بنانے کے لیے دو "آؤٹ لیئر" پوائنٹس کو حذف کر دیا۔ ماڈل نے اس بات پر زور دیا کہ آؤٹ لیئر ڈسکارڈ پہلے سے طے شدہ اصول (جیسے، IQR طریقہ) پر مبنی ہونا چاہئے اور رپورٹ کیا جانا چاہئے؛ من مانی حذف کرنا پی ہیکنگ ہے۔ سبق: باہر کا اصول پہلے سے طے کریں۔

کیس 3 - اثر کے سائز کی بازیافت: ایک مطالعہ میں p=0.001 تھا لیکن اثر کا سائز (d=0.1) تقریباً صفر تھا۔ بڑے نمونے نے نمایاں ہونے کے لیے معمولی فرق کو ظاہر کیا۔ جب مصنوعی ذہانت نے اثر کے سائز کی اطلاع دی تو پتہ چلا کہ اس کی کوئی عملی قدر نہیں ہے۔ سبق: صرف اس لیے کہ p چھوٹا ہے کوئی فرق نہیں پڑتا۔

موازنہ چارٹ

حیثیت

صحیح نقطہ نظر

اجتناب کرنا

غیر معمولی ڈیٹا

نان پیرامیٹرک ٹیسٹ

زبردستی ٹی ٹیسٹ

کثیر ٹیسٹ

اصلاح کا اطلاق کریں۔

خام پی <0.05

outlier

پہلے سے طے شدہ اصول

من مانی حذف

اہم نتیجہ

اثر کا سائز + CI

صرف پی

دریافت کی تلاش

آزاد سیٹ پر توثیق کریں۔

ایک سیٹ میں فائنل کریں۔

عام غلطیاں

• مفروضہ بے قابو ٹیسٹنگ: جھوٹی جانچ کے ساتھ جعلی اہمیت۔
• p-hacking: تجزیہ کرنے کی کوشش کرنا جب تک کہ یہ مطلوبہ نتیجہ نہ دے۔
• رپورٹنگ صرف p-value: اثر سائز اور اعتماد کا وقفہ چھوڑنا۔
• متعدد موازنہ کے لیے درست نہیں کرنا: غلط مثبت۔
• کازیشن جمپنگ: ارتباط سے وجہ کا اندازہ لگانا۔

احتیاط: AI آپ کے مطلوبہ نتیجہ کو "پیدا" نہیں کرے گا، لیکن گمراہ ہونے پر خوشی خوشی غلط ٹیسٹ کے لیے کوڈ لکھے گا۔ آپ کے پاس شماریاتی سالمیت ہے: تمام آزمائشوں کی اطلاع دیں، پہلے سے تجزیہ کی منصوبہ بندی کریں، اثر کے سائز سے کبھی محروم نہ ہوں۔ اشاعت کی طرف لے جانے والے تجزیوں کے لیے ماہر حیاتیات کے ماہر کے ساتھ کام کریں۔

p-value کے حقیقی معنی

حیاتیات میں سب سے زیادہ غلط سمجھا جانے والا تصور p-value ہے۔ p-value "مفروضے کے درست ہونے کا امکان" نہیں ہے۔ یہ "آپ کے مشاہدہ کے مقابلے میں کسی فرق کو بڑا یا زیادہ دیکھنے کا امکان ہے، جب حقیقت میں کوئی فرق نہیں ہے۔" یہ لطیف لیکن اہم امتیاز نتائج کو بڑھا چڑھا کر پیش نہ کرنے کی کلید ہے۔ p=0.03 کا مطلب یہ نہیں ہے کہ "اثر 97% حقیقی ہے"۔ جب AI کسی نتیجے کی تشریح کرتا ہے، تو چیک کریں کہ یہ اس تعریف کو صحیح طریقے سے استعمال کرتا ہے۔ ماڈل بعض اوقات عام غلط تشریح کو دہرا سکتا ہے۔

اعتماد کا وقفہ (CI) اکثر p-value سے زیادہ معلوماتی ہوتا ہے کیونکہ یہ ایک ساتھ اثر کی شدت اور غیر یقینی کو ظاہر کرتا ہے۔ "فرق 2.4 گنا (95% CI: 1.8-3.1)" "p <0.05" سے کہیں زیادہ کہتا ہے: دونوں اثر کی سمت، اس کی شدت، اور اس کی پیمائش کتنی درست طریقے سے کی گئی تھی۔ اپنی رپورٹس میں GA کو نمایاں کریں۔

میرے نتیجے کی تشریح کرتے وقت p-value کی صحیح تعریف استعمال کریں۔ غلط بیانات سے گریز کریں جیسے "اثر کے درست ہونے کا امکان"۔ اس کے بجائے، اثر کے سائز اور 95% اعتماد کے وقفے کے لحاظ سے عملی معنی کی وضاحت کریں۔ نتیجہ: [ڈیٹا]

ارتباط، وجہ اور مشاہداتی ڈیٹا

زیادہ تر حیاتیاتی ڈیٹا مشاہداتی ہے: آپ کسی اور چیز کے ساتھ کچھ بدلتے ہوئے دیکھتے ہیں، لیکن آپ یہ نہیں دیکھ سکتے کہ کیا وجہ ہے۔ جملہ "جین X کا اظہار بیماری سے تعلق رکھتا ہے" اس بات کی نشاندہی نہیں کرتا کہ X بیماری کا سبب بنتا ہے۔ ہو سکتا ہے کہ بیماری X بڑھ رہی ہو، یا کوئی تیسرا عنصر دونوں کو متاثر کر رہا ہو۔ وجہ صرف مداخلتی تجربات (X کو تبدیل کرنے اور نتیجہ کی پیمائش) کے ذریعے قائم کی جا سکتی ہے۔ AI نادانستہ طور پر آپ کے متن میں وجہ زبان ("اسباب،" "کی طرف لے جاتا ہے") استعمال کر سکتا ہے؛ اس نقطہ نظر سے ہر اختتامی جملے کا جائزہ لیں، مشاہداتی نتائج کو ارتباطی زبان میں ظاہر کرتے ہوئے ("متعلقہ،" "ایک ساتھ مختلف")۔

جوڑا اور آزاد ڈیٹا کو الگ کرنا

ٹیسٹ کے انتخاب میں اکثر نظر انداز کیا جانے والا امتیاز یہ ہے کہ آیا نمونے آزاد ہیں یا جوڑے ہوئے ہیں۔ اگر آپ ایک ہی فرد سے پہلے اور بعد میں پیمائش لے رہے ہیں (مثال کے طور پر، علاج سے پہلے اور بعد میں ایک ہی مریضوں کے خون کی قدریں)، یہ پیمائشیں آزاد نہیں ہیں؛ ایک جوڑا ٹیسٹ درکار ہے۔ یہاں پر آزاد دو نمونے والے ٹی ٹیسٹ کا استعمال ڈیٹا میں مماثل معلومات کو ضائع کر دیتا ہے اور طاقت کو کم کرتا ہے۔ یہاں تک کہ یہ نتیجہ کو الٹ بھی سکتا ہے۔ اصول آسان ہے: "کیا یہ دونوں پیمائشیں ایک ہی حیاتیاتی اکائی سے آتی ہیں؟" اگر جواب ہاں میں ہے تو، پیئرڈ ٹیسٹ (جوڑا ٹی-ٹیسٹ یا ولکوکسن سائنڈ رینک ٹیسٹ) استعمال کیا جاتا ہے، اگر نہیں، تو آزاد ٹیسٹ استعمال کیا جاتا ہے۔ جب آپ مصنوعی ذہانت سے ٹیسٹ کے لیے پوچھتے ہیں، تو اپنے ڈیٹا کا میچ ڈھانچہ بتانا یقینی بنائیں۔ اگر آپ وضاحت نہیں کرتے ہیں تو، ماڈل اکثر آزادی فرض کرتا ہے اور غلط ٹیسٹ کی سفارش کرتا ہے۔

میرے پاس پیمائش کے دو سیٹ ہیں۔ اہم: یہ پیمائشیں یکساں افراد (جوڑا) سے پہلے/بعد میں لی گئی تھیں۔ صحیح ٹیسٹ کا انتخاب کریں جو اس میچ کو مدنظر رکھتا ہو (جوڑا بنا ہوا t-ٹیسٹ یا Wilcoxon)، اپنے مفروضوں کو چیک کریں اور اثر کے سائز کے ساتھ رپورٹ کریں۔ خودمختاری نہ سمجھو۔

خلاصہ میں

درست ڈیٹا تجزیہ؛ ڈیٹا کی قسم کے لیے مناسب ٹیسٹ کا انتخاب کرنا، مفروضوں کی جانچ کرنا، متعدد موازنہوں کو درست کرنا، اور p-value کے علاوہ اثر کے سائز اور اعتماد کے وقفے کی اطلاع دینا۔ سب سے بڑا خطرہ پی ہیکنگ ہے۔ تریاق ایک پیشگی تجزیہ کی منصوبہ بندی، مکمل رپورٹنگ، اور دریافت کی تصدیق کی علیحدگی ہے۔ مصنوعی ذہانت ٹیسٹ کے انتخاب اور مفروضے کی جانچ میں ایک طاقتور مدد ہے، لیکن شماریاتی سالمیت انسان کے ساتھ ہے۔

درخواست کا کام

دو گروپس کے ساتھ ڈیٹا سیٹ (آپ کا اپنا ڈیٹا یا نمونہ) لیں۔ سب سے پہلے AI تحریری کوڈ ہے جو ڈیٹا کو تصور کرتا ہے اور نارملٹی کے لیے ٹیسٹ کرتا ہے۔ نتیجہ پر منحصر ہے، مناسب ٹیسٹ (t-test یا Mann-Whitney) کا اطلاق کریں اور p-value کے ساتھ اثر کے سائز اور اعتماد کے وقفے کی اطلاع دیں۔ پھر ایک سے زیادہ موازنہ کے اثر کا بغیر کسی تصحیح کے اور نتیجہ پر تصحیح کے ساتھ موازنہ کریں۔

چیک لسٹ

• [ ] میں نے جانچ سے پہلے ڈیٹا کا تصور کیا۔
• [ ] میں نے ٹیسٹ کے مفروضوں کو چیک کیا (معمول، تغیر)۔
• میں نے مناسب ٹیسٹ کا انتخاب کیا، میں نے آنکھ بند کر کے ٹی ٹیسٹ کا اطلاق نہیں کیا۔
• میں نے ایک سے زیادہ موازنہ طے کیا۔
• میں نے [ ] p-value کے ساتھ ساتھ اثر کے سائز اور اعتماد کے وقفے کی اطلاع دی۔
• میں نے تجزیہ کا منصوبہ پہلے سے طے کیا اور پی ہیکنگ سے گریز کیا۔