الفكرة الأساسية
للإحصاء بسيطة:
تريد استخدام كميات
محدودة من البيانات للتوصل إلى استنتاجات عامة.
للقيام بذلك ، طور
الإحصائيون طرقًا تستند إلى نموذج بسيط: افترض وجود عدد كبير جدًا من السكان من القيم
وأن بياناتك ("عينتك") قد تم اختيارها عشوائيًا من هذه المجموعة. حلل عينتك
واستخدم قواعد الاحتمال لعمل استنتاجات حول إجمالي عدد السكان.
هذا النموذج هو وصف
دقيق لبعض المواقف. على سبيل المثال ، يتم بالفعل اختيار عينات مراقبة الجودة بشكل
عشوائي من مجموعة كبيرة من السكان. لا تُدرج التجارب السريرية عينة عشوائية من المرضى
، ولكن من المعقول عادةً الاستقراء من العينة التي درستها إلى مجموعة أكبر من المرضى
المماثلين.
في تجربة نموذجية
، لا تقوم حقًا بأخذ عينات من السكان ، لكنك تريد الاستقراء من بياناتك إلى استنتاج
أكثر عمومية. لا يزال من الممكن استخدام مفهومي العينة والسكان إذا حددت العينة لتكون
البيانات التي جمعتها والسكان ليكونوا البيانات التي كنت ستجمعها إذا كنت قد كررت التجربة
عددًا غير محدود من المرات.
تكمن المشكلة في
أن الاستدلالات الإحصائية لا يمكن أن تنطبق إلا على السكان الذين تم الحصول على عيناتك
منهم ، لكنك غالبًا ما تريد التوصل إلى استنتاجات تستقرئ حتى خارج هذا العدد الكبير
من السكان. على سبيل المثال ، تقوم بإجراء تجربة في المعمل ثلاث مرات. استخدمت جميع
التجارب نفس تحضير الخلية ونفس المخازن المؤقتة ونفس المعدات. تتيح لك الاستدلالات
الإحصائية التوصل إلى استنتاجات حول ما يمكن أن يحدث على الأرجح إذا كررت التجربة عدة
مرات باستخدام نفس تحضير الخلية ، ونفس المخازن المؤقتة ، والمعدات نفسها.
ربما ترغب في استقراء
ما سيحدث إذا كرر شخص آخر التجربة بمصدر مختلف للخلايا ، ومخزن مؤقت حديث الصنع ، وأدوات
مختلفة. لسوء الحظ ، لا يمكن أن تساعد الحسابات الإحصائية في هذا الاستقراء الإضافي.
يجب عليك استخدام الحكم العلمي والفطرة السليمة لعمل استنتاجات تتجاوز حدود الإحصاء.
هناك ثلاثة عوامل تجعل من الصعب
على البعض تعلم الإحصاء.
الاحتمالية مقابل الإحصاء
الفكرة الكاملة للإحصاء هي البدء
بكمية محدودة من البيانات والتوصل إلى نتيجة عامة (مذكورة من حيث الاحتمالات). بمعنى آخر ، يمكنك استخدام
البيانات الموجودة في عينتك للتوصل إلى استنتاجات عامة حول السكان الذين تم
استخلاص البيانات منهم.
تذهب نظرية الاحتمالية في
الاتجاه الآخر. تبدأ بمعرفة الوضع العام ، ثم تحسب احتمالية النتائج المختلفة. التفاصيل فوضوية ، لكن المنطق
بسيط جدًا.
تستند الحسابات الإحصائية إلى
نظرية الاحتمالية ، لكن منطق الاحتمال عكس منطق الإحصاء. ينتقل الاحتمال من عام إلى خاص ،
بينما تنتقل الإحصائيات من الخاص إلى العام. يتطلب تطبيق رياضيات الاحتمال
على التحليلات الإحصائية تفكيرًا قد يبدو أحيانًا معقدًا.
تستخدم الإحصائيات كلمات عادية بطرق غير معتادة
جميع المجالات لها مصطلحات فنية
مع معاني محددة. في كثير من الحالات ، تستخدم الإحصائيات كلمات تعرفها بالفعل ، ولكن
تعطيها معنى محددًا. "الأهمية" ، "الفرضية" ، "الثقة" ،
"الخطأ" ، "العادي" كلها كلمات شائعة تستخدمها الإحصائيات
بطرق متخصصة للغاية. حتى تتعلم المعنى الإحصائي لهذه المصطلحات ، قد تشعر بالارتباك عند
قراءة كتب الإحصاء أو التحدث إلى الإحصائيين. المشكلة ليست أنك لا تفهم
مصطلحًا تقنيًا. المشكلة هي أنك تعتقد أنك تعرف معنى المصطلح ، لكنك خاطئ. أثناء قراءة شاشات المساعدة هذه
، تأكد من الانتباه إلى المصطلحات المألوفة التي لها معاني خاصة في الإحصاء.
عندما أستخدم كلمة ، فهذا يعني
فقط ما أختارها لتعني - لا أكثر ولا أقل.
هامبتي دمبتي (إحصائي هواة) في
فيلم Through the Looking Glass
الإحصاء هو واجهة الرياضيات والعلوم
الإحصاء هو فرع من فروع
الرياضيات ، لذلك لكي تفهم حقًا أساس الإحصاء ، تحتاج إلى الخوض في التفاصيل
الرياضية. ومع ذلك ، لا تحتاج إلى معرفة الكثير من الرياضيات لاستخدام
الإحصائيات بشكل فعال وتفسير النتائج بشكل صحيح. تخبرك العديد من كتب الإحصاء
بالمزيد عن الأساس الرياضي للإحصاء أكثر مما تحتاج إلى معرفته لاستخدام الأساليب
الإحصائية بفعالية. ينصب التركيز هنا على اختيار الأساليب الإحصائية وفهم النتائج ، لذلك
يستخدم هذا العرض القليل من الرياضيات. إذا كنت خبيرًا في الرياضيات وتفكر من حيث المعادلات ، فستحتاج إلى تعلم الإحصائيات من كتاب
رياضي.
الإرشادات الواردة أدناه عبارة عن
دليل مقتضب حول كيفية تقديم البيانات والتحليلات. بالطبع ، تحتاج أيضًا إلى الإبلاغ
عن تفاصيل التصميم التجريبي ، بما في ذلك التعمية والعشوائية.
شاملة
•يجب أن تبلغ كل ورقة إحصائية عن جميع الأساليب (بما في ذلك تلك
المستخدمة لمعالجة البيانات وتحليلها) بشكل كامل بما يكفي حتى يتمكن شخص آخر من
إعادة إنتاج العمل بدقة.
•يجب أن يقدم كل شكل وجدول البيانات بوضوح (ولا يتم المبالغة فيها
بطريقة تؤكد استنتاجك).
•يجب الإبلاغ عن جميع النتائج تمامًا بما يكفي بحيث لا يتساءل أحد عما
فعلته بالفعل.
التحليلات قبل التحليلات
•هل قررت التطبيع؟ إزالة القيم المتطرفة؟ التحول إلى اللوغاريتمات؟ ناعم؟ إزالة خط الأساس؟ قم بتبرير هذه القرارات ، وقم بالإبلاغ عن التفاصيل الكافية حتى
يتمكن أي شخص من البدء ببياناتك والحصول على نفس النتائج تمامًا. اذكر ما إذا كانت هذه الحسابات
قد تم التخطيط لها مسبقًا أو تم اتخاذ قرار بشأنها فقط بعد رؤية البيانات.
•إذا تم التخلص من القيم المتطرفة ، فذكر عدد القيم المتطرفة ، وما هي
المعايير التي استخدمتها لتحديدها ، وما إذا تم اختيار هذه المعايير مسبقًا كجزء
من التصميم التجريبي.
حجم العينة
•اشرح بالضبط ما تم احتسابه عند الإبلاغ عن حجم العينة. عندما تقول n = 3 ، هل تقصد ثلاثة حيوانات مختلفة ، ثلاث فحوصات مختلفة على أنسجة
حيوان واحد ، ومقايسة واحدة من نسيج تم تجميعه من ثلاثة حيوانات ، وثلاثة تكرارات
في عداد جاما من إعداد تم إجراؤه من تجربة واحدة. ..؟
•حدد ما إذا كنت قد اخترت حجم العينة مقدمًا ، أو قمت بتعديل حجم العينة بطريقة مخصصة كما رأيت النتائج تتراكم.
•إذا كانت أحجام عينة المجموعات غير متساوية ، فسر السبب.
تجنب القرصنة الإلكترونية
•لكل تحليل (عادةً لكل شكل وجدول) ، حدد ما إذا كانت كل خطوة في تحليل
البيانات اتبعت بروتوكول مخطط مسبقًا أم لا. إذا قررت إزالة القيم المتطرفة
فقط بعد رؤية البيانات ، فقل ذلك. إذا قررت استخدام الاختبار اللامعلمي فقط بعد رؤية البيانات ، فقل
ذلك. إذا قررت فقط تحليل لوغاريتمات البيانات بعد عرض البيانات ، فقل ذلك.
•إذا لم تعرض كل تحليل قمت به ، على الأقل صِفها وعدِّدها.
•إذا بدأت بحجم عينة واحد وانتهت بحجم عينة آخر ، فشرح بالضبط كيف
قررت إضافة عينات إضافية و / أو حذف العينات. حدد ما إذا كانت هذه القرارات
تستند إلى بروتوكول محدد مسبقًا ، أو تم تحديدها أثناء التجربة.
بيانات الرسوم البيانية
•تقديم البيانات بوضوح. ركز على السماح للقارئ برؤية البيانات ، وليس فقط استنتاجاتك.
•عندما يكون ذلك ممكنًا ، قم برسم البيانات الفردية ، وليس ملخصًا
للبيانات. إذا كان هناك عدد كبير جدًا من القيم لإظهارها في مخططات التبعثر ،
فضع في اعتبارك مخططات المربع والطولي أو توزيعات التردد.
•إذا اخترت رسم الوسائل بأشرطة الخطأ ، فقم برسم أشرطة خطأ الانحراف المعياري التي تظهر التباين ، بدلاً من الخطأ القياسي لأشرطة الخطأ المتوسطة ، والتي لا تظهر.
أساليب إحصائية
•اذكر الاسم الكامل للاختبار. لا تقل "اختبار t" ، قل "اختبار t".
•حدد برنامج البرنامج الذي أجرى الحسابات (بما في ذلك رقم الإصدار
التفصيلي ، والذي قد يكون 7.01 لـ GraphPad Prism).
•اذكر جميع الخيارات التي حددتها. تدابير المتكررة؟ تصحيح الفروق غير المتكافئة؟ انحدار قوي؟ المعايير المقيدة؟ معلمات تقاسم؟ أبلغ عن التفاصيل الكافية حتى
يتمكن أي شخص من البدء ببياناتك والحصول على نفس النتائج التي حصلت عليها بالضبط.
حجم تأثير التقرير
•النتيجة الأكثر أهمية لمعظم التجارب هي حجم التأثير. ما هو حجم الاختلاف (أو النسبة
أو الزيادة المئوية)؟ أو ما مدى قوة ارتباط متغيرين؟ في جميع الحالات تقريبًا ، يمكنك
تلخيص حجم التأثير هذا بقيمة واحدة ويجب الإبلاغ عن هذا التأثير بفاصل ثقة ، يكون
عادةً فترة 95٪. هذه هي النتيجة الأكثر أهمية للإبلاغ عنها في ورقة وملخصها.
•ضع في اعتبارك عرض رسم بياني لأحجام التأثير (أي الاختلافات أو
النسب) بفواصل ثقة 95٪.
الإبلاغ عن قيم P.
•عندما يكون ذلك ممكنًا ، قم بالإبلاغ عن القيمة P كرقم يحتوي على أرقام قليلة من
الدقة ، وليس كمتباينة. على سبيل المثال ، قل "كانت قيمة P 0.0234" بدلاً من "P <0.05".
•إذا كان هناك أي غموض محتمل ، فاذكر بوضوح الفرضية الصفرية في
اختبارات القيمة P. إذا كنت لا تعرف الفرضية الصفرية ، فلا يجب عليك الإبلاغ عن قيمة P (حيث أن كل قيمة P تختبر فرضية فارغة)!
•عند مقارنة مجموعتين ، حدد ما إذا كانت القيمة P أحادية الجانب أو ثنائية الجانب (وهي نفس القيمة ذات الذيل الواحد
أو الثنائي). إذا كان من جانب واحد ، فذكر أنك توقعت اتجاه التأثير قبل جمع
البيانات (وسجلت هذا التوقع) ، وسجلت هذا القرار والتنبؤ. إذا لم تتخذ هذا القرار والتنبؤ
قبل جمع البيانات ، فلا يجب عليك الإبلاغ عن قيمة P من جانب واحد.
الإبلاغ عن اختبار الفرضيات الإحصائية (الأهمية)
•يستخدم اختبار الفرضية الإحصائية لاتخاذ قرار حازم بناءً على قيمة P واحدة. استخدام واحد هو الاختيار بين
تناسب نموذجين بديلين. إذا كانت قيمة P أقل من حد معين مسبقًا ، فإنك تختار نموذجًا واحدًا ، وإلا فإن الآخر. عند القيام بذلك ، حدد كلا
النموذجين ، والطريقة التي تستخدمها للاختيار بينهما ، وقيمة الحد المعين مسبقًا ،
والنموذج الذي اخترته. ربما يشير أيضًا إلى ملاءمة كلا النموذجين.
•عند مقارنة المجموعات ، لا تتخذ دائمًا قرارًا بناءً على النتيجة. إذا تم اتخاذ قرار واضحة، وتقرير قيمة P عتبة، إذا كانت قيمة P المحسوبة أكبر أو أقل من عتبة،
والقرار المرافق له. إذا كنت لا تتخذ قرارًا ، فقم بالإبلاغ عن التأثير من خلال فاصل الثقة الخاص به
، وربما بقيمة P. إذا كنت لا تتخذ قرارًا بناءً على قيمة P ، فلا يهم حقًا ما إذا كانت قيمة P أقل من عتبة أم لا ، والفكرة
الكاملة لاختبار الفرضيات الإحصائية ليست مفيدة حقًا.
•كلمة "مهم" لها معنيان مترابطان ، لذلك تسببت في الكثير من
الالتباس في العلم. توضح النقطتان أعلاه أنه يمكن الإبلاغ عن نتائج اختبار الفرضيات
الإحصائية (وفي رأيي يجب) دون استخدام كلمة "مهم". إذا اخترت استخدام كلمة
"مهم" في هذا السياق ، فعليك دائمًا أن تسبقها بكلمة
"إحصائيًا" ، حتى لا يكون هناك أي لبس.
•لا تستخدم أبدًا كلمة "هام" عند مناقشة التأثير الإكلينيكي
أو الفسيولوجي لنتيجة ما. بدلاً من ذلك ، استخدم كلمات مثل "كبيرة" و
"كبيرة" و "ذات صلة سريريًا". استخدام كلمة "مهم" في
هذا السياق يؤدي فقط إلى الارتباك.
مقارنات متعددة
•يجب التعامل مع المقارنات المتعددة بعناية ، ويجب توثيق جميع الخطوات. لاحظ أن مشكلة المقارنات المتعددة منتشرة
على نطاق واسع ، وليست مجرد مشكلة عند إجراء اختبارات المتابعة بعد ANOVA.
•اذكر ما إذا كانت جميع المقارنات مخططة أم لا ، وتم الإبلاغ عن جميع
المقارنات المخطط لها. إذا أبلغت عن مقارنات غير مخطط لها أو حذفت بعض المقارنات ، فيجب
تحديد النتائج على أنها أولية.
•إذا استخدمت أي تصحيح لإجراء مقارنات متعددة ، فشرح التفاصيل.
•إذا قمت بالإبلاغ عن قيم P المعدلة للتعددية ، فأشر بوضوح إلى أنه تم تعديل قيم P هذه.
لطلب تحليل
احصائي التواصل عبر الواتسب اضغط
هنا
ليست هناك تعليقات:
إرسال تعليق