Analizler genellikle laymenler tarafından yapıldığında, bir modelde model varsayımı ve değerlendirmenin önemini abartıyor muyuz?

Sonuç olarak , istatistikler hakkında ne kadar çok şey öğrenirsem, o alanda yayınlanmış makalelere o kadar az güvenirim; Araştırmacıların istatistiklerini yeterince iyi yapmadıklarına inanıyorum.

Ben bir meslektenim, tabiri caizse. Biyoloji eğitimi aldım ancak istatistik ya da matematik alanında örgün bir eğitimim yok. R'den zevk alıyorum ve araştırma yaparken uyguladığım yöntemlerin bazı teorik temellerini okumak (ve anlamak…) için çaba sarfediyorum. Bugün analiz yapan insanların çoğunluğu aslında resmi olarak eğitimli değilse, beni şaşırtmaz. Bazıları tanınmış dergiler ve istatistikçiler tarafından kabul edilen yaklaşık 20 orijinal makale yayınladım. Analizlerim genel olarak hayatta kalma analizi, doğrusal regresyon, lojistik regresyon, karışık modeller içerir. Bir daha önce hiç bir gözden geçiren model varsayımları, uygunluk veya değerlendirme hakkında bir soru sormadı.

Bu nedenle, model varsayımları, uyum ve değerlendirme konusunda hiçbir zaman çok fazla sıkıntı yaşamadım. Bir hipotez ile başlıyorum, regresyonu yürütüyorum ve sonra sonuçları sunuyorum. Bazı durumlarda, bunları değerlendirmek için çaba sarf ettim ama her zaman " bütün varsayımları yerine getirmedi, ama sonuçlara güveniyorum (" konu bilgisi ") ve akla yatkın, bu yüzden sorun değil " ve Bir istatistikçiye danışırken her zaman aynı fikirde görünüyorlardı.

Şimdi, kendi analizlerini yapan diğer istatistikçiler ve istatistikçi olmayan kişilerle (kimyagerler, doktorlar ve biyologlar) konuştum; İnsanların bütün bu varsayımlar ve resmi değerlendirmelerden pek fazla rahatsız etmediği görülüyor. Fakat burada CV'de, artıklar, model uyumu, değerlendirme yolları, özdeğerler, vektörler ve liste devam ediyor. Bana bu şekilde koyalım, lme4 büyük özdeğerler hakkında uyardığında, kullanıcılarının çoğunun bunu ele almakla ilgilendiğinden şüpheliyim ...

Ekstra çabaya değer mi? Yayınlanan tüm sonuçların çoğunluğunun bu varsayımlara saygı göstermemesi ve belki de onları değerlendirmemiş olması muhtemel değil mi? Veritabanları her geçen gün daha da büyüdüğü için bu büyük olasılıkla büyüyen bir konudur ve veriler ne kadar büyük, varsayımlar ve değerlendirmeler o kadar az önemlidir.

Kesinlikle yanılıyor olabilirim, ama bunu böyle algıladım.

Güncelleme: StasK'dan ödünç alınan alıntı (aşağıda): http://www.nature.com/news/science-joins-push-to-screen-statistics-in-papers-1.15509

Biyolog veya tıp doktoru olarak istatistikçi olarak yetiştirildim. Fakat biraz tıbbi araştırma yapıyorum (biyologlar ve tıp doktorlarıyla çalışmak), araştırmamın bir parçası olarak birkaç farklı hastalığın tedavisi hakkında biraz öğrendim. Bu, eğer bir arkadaşım araştırdığım bir hastalıktan bahsederse, bu hastalık için yaygın bir şekilde kullanıldığını bildiğim bir ilaç için onlara reçete yazabileceğimi mi ifade ediyor? Bunu yapacak olsaydım (yapmazdım), o zaman birçok durumda muhtemelen işe yarayacaktı (tıp doktoru aynı ilacı reçete edeceği için), ancak her zaman alerjisi / ilacı olma olasılığı var. Bir doktorun sorması gereken, etkileşimde bulunmadığı ve diğerlerinden iyiden çok daha fazla zarara yol açan bir etkileşim.

Neyi varsaydığınızı ve neyin yanlış gidebileceğini (veya bu şeyleri arayacak şekilde bir istatistikçiye danışarak) anlamadan istatistik yapıyorsanız, o zaman istatistiksel yanlış uygulama uygularsınız. Çoğu zaman muhtemelen iyi olacak, peki ya önemli bir varsayımın geçerli olmadığı durum ne olacak, peki onu görmezden gelin.

Oldukça istatistiksel olarak yetkin ve kendi analizlerinin çoğunu yapabilen bazı doktorlarla çalışıyorum, ancak hala beni geçiyorlar. Sık sık, doğru olanı yaptıklarını ve analizi kendileri yapabileceklerini onaylarım (ve onay için genellikle minnettar olurlar) ancak bazen daha karmaşık bir şey yapacaklar ve daha iyi bir yaklaşımdan bahsettiklerinde genellikle analizi tersine çevirecekler bana veya ekibime veya en azından daha aktif bir rol için beni buraya getirin.

Bu yüzden, başlık sorunuza cevabım "Hayır" olarak abartmıyoruz, daha ziyade bazı şeyleri daha fazla vurgulamalıyız.

Düzenle

Bu, Adam'ın aşağıdaki yorumuna dayanan bir ektir (başka bir yorum için biraz uzun sürecek).

Adam, Yorumunuz için teşekkürler. Kısa cevap "bilmiyorum". Makalelerin istatistiksel kalitesinin iyileştirilmesinde ilerleme kaydedildiğini düşünüyorum, ancak işler kaliteyi yakalamak ve garantiye almak biraz zaman alacak kadar farklı yollardan o kadar hızlı hareket etti. Çözümün bir kısmı varsayımlara ve ihlallerin intro istatistik derslerindeki sonuçlarına odaklanıyor. Bunun sınıflara istatistikçiler tarafından öğretildiği zaman gerçekleşmesi daha muhtemeldir, ancak tüm sınıflarda olması gerekir.

Bazı dergiler daha iyi sonuçlar veriyor, ancak belirli bir istatistik uzmanının standart hale geldiğini görmek istiyorum. Birkaç yıl önce bir makale yayınlandı (üzgünüm, referansı kullanamadım, ancak ya JAMA’da ya da New England Tıp Dergisi’nde), yayınlanma olasılığı daha yüksek (ancak olması gerektiği kadar büyük olmasa da) be) JAMA veya NEJM'de, eğer bir biyostatistikan veya epidemiyolog ortak yazarlardan biriyse.

Son zamanlarda ortaya çıkan ilginç bir makale: http://www.nature.com/news/statistics-p-values-are-just-the-tip-of-the-iceberg-1.17412 , aynı konuların bazılarını tartışıyor.

Evet, varsayımlar önemlidir - eğer hiç farketmezlerse, onları yapmamız gerekmez, değil mi?

Sorun, ne kadar önemli oldukları - bu, prosedürlere ve varsayımlara ve sonuçlarınız hakkında ne talep etmek istediğinize (ve ayrıca izleyicilerinizin ne kadar toleranslı olduğuna (bu tür iddialarda yanlışlık olsa da) ne kadar toleranslı olduğuna göre değişir.

Dolayısıyla, bir varsayımın kritik olduğu bir durum örneği için, bir F değişkenlik testi normalliği varsayımını göz önünde bulundurun; dağıtımdaki oldukça mütevazı değişikliklerin bile prosedürün özellikleri (gerçek önem düzeyi ve gücü) üzerinde oldukça çarpıcı etkileri olabilir. Gerçekten% 28 seviyesinde olduğunda% 5 seviyesinde bir test yaptığınızı iddia ediyorsanız, bir anlamda deneylerinizi nasıl yaptığınızla ilgili yalan söyleyerek aynı şeyi yapıyorsunuzdur. Eğer böyle istatistiksel konuların önemli olduğunu düşünmüyorsanız, bunlara dayanmayan argümanlar yapın. Öte yandan, istatistiki bilgileri destek olarak kullanmak istiyorsanız, bu desteği yanlış beyan edemezsiniz.

Diğer durumlarda, belirli varsayımlar çok daha az kritik olabilir. Doğrusal bir regresyonda katsayıyı tahmin ediyorsanız ve istatistiksel olarak anlamlı olup olmadığını umursamıyorsanız ve verimliliği umursamıyorsanız, homoskedasticity varsayımının geçerli olup olmaması önemli değildir. Ancak istatistiksel olarak anlamlı olduğunu söylemek veya bir güven aralığı göstermek istiyorsanız, kesinlikle önemli olabilir.

Glen_b harika bir cevap verirken , buna birkaç kuruş eklemek istiyorum.

Bir değerlendirme, sonuçların parlatılmasını ve yaklaşımınızın savunulabilir olup olmadığının tüm ayrıntılarını çözmeyi gerektiren bilimsel gerçeğe ulaşmak isteyip istemediğiniz olup olmadığını, "disiplinimde bu özdeğerleri hiç kimsenin kontrol etmemesini" istemesidir. modu. Başka bir deyişle, iç profesyonel vicdanınıza, yapabileceğiniz en iyi işi yapıp yapmadığınızı sormanız gerekir. Düşük istatistik okuryazarlığına ve düşük disiplininizdeki istatistiksel uygulamalara atıfta bulunmak ikna edici bir argüman yapmaz. Gözden geçirenler, bu lax standartlarıyla aynı disiplinden geliyorlarsa, en üst düzeyde yardımcı olurlar; ancak bazı üst düzey kurumlar , gözden geçirme sürecine istatistiksel uzmanlık getirmek için açık girişimlere sahip olsalar da .

Ancak alaycı bir "yayınla ya da yok ol" salam dilimleyici olsanız bile, diğer husus temel olarak araştırma ününüzün güvenliğidir. Modeliniz arızalanırsa ve bilmiyorsanız, baltayı daha rafine cihazlarla model kontrollerinin çatlaklarına sokabilen ve çürütebilenler tarafından, kendinizi çürütme riskine maruz bırakıyorsunuz. Kabul edilirse, bilim topluluğunun, tekrarlanabilirliğin ve yeniden üretilebilirliğin nominal felsefi gerekliliklerine rağmen, nadiren ortaya çıkma olasılığı, başka birinin araştırmasını çoğaltma girişimlerine nadiren katılmaktadır. (Temel olarak başlayan bir kaç bildiri yazmakla ilgilendim, "Aman Tanrım, gerçekten mi?Bunu yaz? ", ve hakemli bir yayınlanmış yarı-istatistiksel yaklaşımın eleştirisini ve inceliklerini teklif etti.) Ancak, maruz kalınca istatistiksel analizlerin başarısızlığı çoğu zaman büyük ve nahoş sıçramalar yaratıyor.

Varsayımların ihlalinin niteliği gelecekteki araştırmalar için önemli bir ipucu olabilir. Örneğin, Cox sağkalım analizinde orantısal-tehlike varsayımının ihlali, kısa süreli sağkalım üzerinde büyük etkisi olan, ancak uzun vadede az etkisi olan bir değişken olabilir. Bu, istatistiksel bir testte varsayımlarınızın geçerliliğini inceleyerek alabileceğiniz beklenmeyen ancak potansiyel olarak önemli bilgilerin türü.

Bu nedenle, sadece varsayımları test etmiyorsanız, sadece literatürü değil, potansiyel bir kötülüğü de kendiniz yaparsınız. Yüksek kaliteli dergiler daha sofistike bir istatistiksel inceleme gerektirmeye başladığında, kendinizi daha sık bunun için çağırıldığını göreceksiniz. İstatistiksel bir gözden geçiricinin ihtiyaç duyduğu bir testin, makalenizin kilit noktası olduğunu düşündüğünüz şeyleri zedeleyen bir konumda olmak istemezsiniz.

Ara bakış açısıyla cevap vereceğim. Ben istatistikçi değilim, kimyacıyım. Bununla birlikte, son 10 yılımı kemometri = kimya ile ilgili veriler için istatistiksel veri analizi konusunda uzmanlaşmış olarak geçirdim.

Araştırmacıların istatistiklerini yeterince iyi yapmadıklarına inanıyorum.

Muhtemelen durum budur.

Kısa versiyon:

Şimdi varsayımlar hakkında. IMHO buradaki durum tek bir açıklamada ele almak için çok fazla heterojen. İhlalin zararsız veya kritik olup olmadığına karar vermek için hem uygulamanın tam olarak neye ihtiyaç duyulduğunu hem de uygulama tarafından ihlal edilmesinin muhtemel olduğunu anlamak. Ve bunun için hem istatistik hem de uygulama bilgisine ihtiyaç var.
Bununla birlikte, ulaşılmaz varsayımlarla karşı karşıya olan bir uygulayıcı olarak, başka bir şeye de ihtiyacım var: Örneğin, ihlalin gerçekten sorun yaratıp yaratmadığını veya zararsız olup olmadığını yargılamamı sağlayan "2. bir savunma hattı" istiyorum.

Uzun versiyon:

• Pratik bir bakış açısıyla, bazı tipik varsayımlar neredeyse hiç karşılanmaz. Bazen verilerle ilgili mantıklı varsayımlar formüle edebilirim, ancak çoğu zaman problemler, çözümlerin henüz bilinmediği istatistiksel açıdan çok karmaşık hale gelir. Şu ana kadar bilim yapmanın, yalnızca sizin özel disiplininizde değil, belki de diğer disiplinlerde (burada: uygulamalı istatistikler) bilinenlerin sınırlarını aşacağınız anlamına geldiğine inanıyorum.

• Bazı ihlallerin genellikle zararsız olduğu bilinen başka durumlar da vardır - örneğin, LDA'nın optimal olduğunu göstermek için LDA için eşit kovaryansa sahip çok değişkenli normallik gerektiği, ancak projeksiyonun sık sık iyi performans gösteren bir buluşsal yöntemi takip ettiği iyi bilinmektedir. varsayım karşılanmadı. Hangi ihlallerin sorun çıkarması muhtemeldir: Dağıtımdaki ağır kuyrukların LDA ile pratikte sorunlara yol açtığı da bilinmektedir.
  Ne yazık ki, böyle bir bilgi nadiren bir makalenin yoğunlaştırılmış yazımına girmez, bu nedenle okuyucu, yazarın uygulamanın özelliklerini ve modelin yanı sıra ne seçtiklerini dikkate alarak yazarın kendi modeli için karar verip vermeyeceği konusunda hiçbir fikre sahip değildir. rastladılar.

• Bazen pratik yaklaşımlar (sezgisel tarama), istatistiksel özellikleri anlaşılıncaya kadar on yıllar sürse bile, pratik açıdan çok faydalı olduğu ortaya çıkmaktadır (PLS'yi düşünüyorum).

• Olan bir diğer şey (ve daha fazla olması gerektiği), ihlalin olası sonuçlarının izlenmesi (ölçülmesi), bu da bir sorun olup olmadığına karar vermeyi sağlar. Uygulama için, belki de modelimin yeterince iyi olduğu sürece optimal olup olmadığını umursamıyorum.
  Kemometride, tahmin üzerine oldukça güçlü bir odağımız var. Bu, modelleme varsayımlarının karşılanmadığı durumlarda çok güzel bir kaçış sunar: Bu varsayımlara bakılmaksızın, modelin iyi çalışıp çalışmadığını ölçebiliriz. Bir uygulayıcının bakış açısına göre, dürüst bir teknoloji harikası validasyon raporu alırsanız ve bildirirseniz, modelleme sırasında istediğiniz her şeyi yapmanıza izin verildiğini söyleyebilirim.
  Spektroskopik verilerin kemometrik analizi için, artıklara bakmadığımız bir noktadayız çünkü modellerin kolayca giydiğini biliyoruz. Bunun yerine, test verisi performansına bakarız (ve muhtemelen eğitim verisi ile performansı öngören fark).

• Hangi varsayımın ne kadar ihlal edildiğinin kesin olarak tahmin edilemeyeceğimiz, modelin bozulmasına neden olduğu başka durumlar da vardır, ancak varsayımın ciddi ihlallerinin sonuçlarını doğrudan ölçebiliriz.
  Sonraki örnek: Genel olarak ele aldığım çalışma verileri, değişken başına vakalar için tavsiye edilen istatistiksel kuralların (istikrarlı tahminleri garanti etmek için) önerdiği örnek boyutların altındaki büyüklük dereceleridir. Ancak istatistik kitapları bu varsayımın karşılanamaması durumunda uygulamada ne yapılması gerektiği ile ilgilenmez. Bu konuda gerçekten sıkıntı içerisinde olup olmadığınız nasıl ölçülmeli. Ancak: bu tür sorular daha çok uygulanan disiplinlerde ele alınır. Doğrudan, model istikrarını veya en azından tahminlerinizin kararsız olup olmadığını ölçmek oldukça kolaydır (en azından tahmin doğrulama ve model kararlılığı için CV'yi okuyun). Ayrıca dengesiz modelleri stabilize etmenin yolları da var (örneğin torbalama).

• "2. savunma hattının" bir örneği olarak validasyonun yeniden örneklenmesini ele alalım. Her zamanki ve en güçlü varsayım, tüm vekil modellerin tüm veri seti üzerinde eğitilmiş bir modele eşdeğer olmasıdır. Bu varsayım ihlal edilirse, bilinen kötümser önyargıyı alırız. İkinci satır, en azından taşıyıcı modellerin birbirine eşdeğer olmasıdır, bu nedenle test sonuçlarını toplayabiliriz.

Son fakat en az değil, "müşteri bilimcileri" ve istatistikçileri birbirleriyle daha fazla konuşmaya teşvik etmek istiyorum . İstatistiksel veri analizi IMHO, tek yönlü bir şekilde yapılabilecek bir şey değildir. Bir noktada, her bir tarafın diğer tarafla ilgili biraz bilgi edinmesi gerekecektir. Bazen istatistikçiler ile kimyagerler ve biyologlar arasında “çeviri” ye yardımcı oluyorum. Bir istatistikçi, modelin düzenlileşmeye ihtiyacı olduğunu bilir. Ancak LASSO ile bir sırt arasında seçim yapmak için, verilerin yalnızca kimyager, fizikçi veya biyologların bildiği özellikleri bilmeleri gerekir.

Özgeçmişin istatistikçiler ve meraklı olan, uzman olmasa da istatistiklerle ilgili olduğu düşünülürse, varsayımları anlama gereğini vurgulayan tüm cevaplar beni şaşırtmadı. Ayrıca, prensip olarak bu cevaplara katılıyorum.

Ancak, şu anda yayınlanma baskısı ve şu anda istatistiksel bütünlük için düşük standart dikkate alındığında, bu cevapların oldukça saf olduğunu söylemeliyim. Biz (yani varsayımınızı kontrol edin) onlar gün boyu ne yapması gerektiğini söylemem ama ne yapabilirsiniz edecektir yapmak kurumsal teşvikler sadece bağlıdır. OP kendisi, modelin varsayımını anlamadan 20 makale yayınlamayı başardığını belirtir. Kendi tecrübelerime göre, buna inanması zor değil.

Böylece doğrudan OP'nin sorusunu yanıtlayan şeytanın avukatını oynamak istiyorum. Bu, hiçbir şekilde "iyi uygulamaları" destekleyen bir cevap değildir, ancak işlerin nasıl bir hiciv ipucu ile uygulandığını yansıtan bir cevaptır.

Ekstra çabaya değer mi?

Hayır, amaç yayınlamaksa, modeli anlamak için her zaman harcamak buna değmez. Sadece literatürdeki yaygın modeli takip edin. Bu şekilde, 1) makaleniz daha kolay gözden geçirilecek ve 2) “istatistiksel yetersizlik” nedeniyle maruz kalma riski azdır, çünkü sizi ortaya çıkarmak, birçok üst düzey insan da dahil olmak üzere tüm alanı ortaya çıkarmak anlamına gelir.

Yayınlanan tüm sonuçların çoğunluğunun bu varsayımlara saygı göstermemesi ve belki de onları değerlendirmemiş olması muhtemel değil mi? Veritabanları her geçen gün daha da büyüdüğü için bu muhtemelen artan bir sorundur ve verilerin ne kadar büyük, varsayımların ve değerlendirmelerin o kadar az önemli olduğu kanısında.

Evet, yayınlanan sonuçların çoğu doğru olmayabilir. Gerçek araştırmaya ne kadar çok katılırsam, o kadar muhtemel olduğunu düşünüyorum.

Kısa cevap "hayır" dır. İstatistiksel yöntemler, sonuçların geçerli olması için yerine getirilmesi gereken varsayım kümeleri altında geliştirilmiştir. Bu varsayımlar yerine getirilmediği takdirde, sonuç ki, o zaman, nedenle duran edebilir geçerli olmayacaktır. Elbette, bazı tahminler model varsayımlarının ihlal edilmesine rağmen hala güçlü olabilir. Örneğin, multinom logit IIA varsayımını ihlal etmesine rağmen iyi performans gösteriyor gibi görünmektedir (aşağıdaki referansta Kropko'nun [2011] tezine bakınız).

Bilim adamları olarak, sahadaki insanlar varsayımların karşılanıp karşılanmadığını umursamasak bile ortaya koyduğumuz sonuçların geçerli olmasını sağlama yükümlülüğümüz bulunmaktadır. Bunun nedeni, bilimin, bilim adamlarının olayları gerçekleri takip ederken doğru şekilde yapacakları varsayımına dayanmasıdır. Biz güven dergilere dışarı göndermeden önce işlerini kontrol etmek meslektaşlarımızı. Biz güven o yayınlansa önce yetkin bir el yazması yorumlayan hakemleri. Biz varsayalımHem araştırmacıların hem de hakemlerin ne yaptıklarını bilmeleri, böylece hakemli dergilerde yayınlanan makalelerdeki sonuçlara güvenilebilir. Literatürdeki saygın dergilerde başınızı salladığınız ve göze çarpan kiraz sonuçlarında gözlerinizi yuvarladığınız noktalara dayanarak gerçek dünyada bunun her zaman doğru olmadığını biliyoruz (“ Jama bu makaleyi yayınladı ?! ").

Bu yüzden hayır, özellikle insanlar size - uzmana - özen gösterdiğiniz için özen gösterdiğinden dolayı önemi abartılamaz. Yapabileceğiniz en az şey, sonuçların geçerliliğini yorumlamalarına yardımcı olmak için makalenizin "sınırlamalar" bölümünde bu ihlallerden bahsetmektir.

Referans

Kropko, J. 2011. Politik Araştırmalar için Tezsiz Seçim ve Zaman Serisi Kesit Metodolojisine Yeni Yaklaşımlar (tez). UNC-Şapel Tepesi, Şapel Tepesi, NC.

Çok gelişmiş istatistiklere ihtiyaç duyuyorsanız, büyük olasılıkla, verileriniz bir psikoloji değil, çoğu sosyal bilimlerde olduğu gibi bir karışıklıktır. İyi verilere sahip olduğunuz alanlarda çok az istatistik gerekir. Fizik çok iyi bir örnek.

Galileo'dan bu alıntıyı ünlü yerçekimi ivmesi deneyi üzerine düşünün:

Yaklaşık 12 küp uzunluğunda, yarım küp genişliğinde ve üç parmak genişliği kalınlığında bir tahta kalıplama veya yayılma parçası alınmıştır; kenarında bir genişlikte bir parmağından biraz daha fazla bir kanal kesildi; bu oluğu çok düz, pürüzsüz ve cilalı hale getirmiş ve parşömenle kaplamış, mümkün olduğu kadar pürüzsüz ve cilalanmış, sert, pürüzsüz ve çok yuvarlak bir bronz top yuvarladık. Bu tahtayı eğimli bir pozisyona yerleştirdikten sonra, bir ucunu diğerinin bir veya iki küpünün üstüne yükselterek, sadece, kanal boyunca, tam olarak istenen zamanı tarif edecek şekilde belirttiğimiz gibi, topu yuvarladık. iniş yapmak için. Süreyi, iki gözlem arasındaki sapmanın nabız atışının onda birini asla geçmeyecek bir doğrulukla ölçmek için bir defadan fazla tekrarladık. Bu işlemi yaptıktan ve güvenilirliği konusunda kendimize güvence verdikten sonra, artık topu kanalın uzunluğunun dörtte birini çevirdik; ve iniş zamanını ölçtükten sonra, tam olarak eski olanın yarısını bulduk. Daha sonra diğer mesafeleri denedik, tüm uzunluk için süreyi yarı yarıya veya üçte iki, dörtte üç ya da gerçekten herhangi bir kesir için olanlarla karşılaştırdık; Bu tür deneylerde, yüzlerce kez tekrarlanan her zaman, geçen alanların birbirlerine kareler gibi birbirlerine ait olduğunu bulduk ve bu, düzlemin, yani kanalın yuvarlandığı kanalın tüm eğimleri için geçerliydi. top. Ayrıca, iniş zamanlarının, düzlemin çeşitli eğimleri için, daha sonra göreceğimiz gibi, tam olarak o orana dayandığını gözlemledik.

Zamanın ölçümü için, yüksek bir konumda yerleştirilmiş büyük bir su kabı kullandık; Bu kabın dibine, her iniş sırasında, kanalın tüm uzunluğu boyunca veya uzunluğunun bir kısmı için, her iniş sırasında küçük bir bardakta topladığımız ince bir su jeti veren küçük bir boru lehimlenmiştir; Bu şekilde toplanan su, her inişten sonra, çok doğru bir dengede tartıldı; bu ağırlıkların farklılıkları ve oranları bize zamanların farklılıklarını ve oranlarını verdi ve bu da operasyonun birçok kez tekrarlanmasına rağmen sonuçlarda kayda değer bir tutarsızlık olmadığı kesinliği ile sağlandı .

Bana göre vurgulanan metni not alın. Bu iyi veridir. İyi bir teoriye dayanan iyi planlanmış bir deneyden gelir. İlgilendiğiniz şeyi çıkarmak için istatistiklere ihtiyacınız yok. O zamanlar istatistik yoktu, bilgisayar yoktu. Sonuç? Hala bir 6. sınıf öğrencisi tarafından evde tutulan ve test edilebilen oldukça temel bir ilişki.

Bu harika sayfadan alıntı çaldım .

$\chi^2$

Bu soru profesyonel bir bütünlük durumu gibi görünüyor.

Problem şu şekilde görünüyor: (a) yatkın kişiler tarafından istatistiksel analizin yeterince eleştirel değerlendirmesi yok veya (b) istatistiksel bir hatayı tanımlamak için ortak bir bilgi durumu yetersiz mi (Tip 2 bir hata gibi)?

Bu uzmanlık sınırına yakın olduğumda uzmanlık girişi talep edecek uzmanlık alanım hakkında yeterince bilgim var. İnsanların F-testi (ve Excel'de R-kare) gibi şeyleri yeterli bilgi olmadan kullandıklarını gördüm.

Tecrübelerime göre, eğitim sistemleri, istatistiği geliştirme konusundaki istekliliğimize bağlı olarak, araçları aşırı basitleştirdi ve riskleri / limitleri belirledi. Bu, başkalarının yaşadığı ve durumu açıklayacağı ortak bir tema mı?