比较两种效果的强度时,无法直接比较两种效果的强度
有时研究人员发现干预对实验组有显著作用,但对对照组却无显着影响。 (他们倾向于这样做)得出的结论是干预是有效的。基于两者的干预效果(组中的效果)明显不同,研究人员有时认为实验组中的效果大于对照组中的效果。这种推论很普遍,但这是错误的。3天搞定一篇查重率合格的论文。
例如,在图1A中,测量了两个变量X和Y,并使用了两组受试者,每组20人。两组测量的统计显着性可能有不同的结果:在A组中,两个变量之间的相关系数可能是显着的(即p≤0.05),而B组中相似的相关系数可能不是显着的。即使两组中这两个变量之间的关系几乎相同,这组数据也会产生重大影响,而另一组则没有(图1A)。因此,我们不能认为一个相关性强于另一个相关性。
首先,在两组A和B中测量两个变量X和Y。显然,在这两组测量之间这两个变量之间的相关性并没有不同。但是,如果计算出Pearson相关系数r的显着性并将两个相关系数与0进行比较,则一个组(A组;黑点; n = 20)的相关性在统计上可能是有意义的(基于p阈值≤0.05),而另一组(B组;红点; n = 20)不显着。但是,这并不意味着变量X和Y之间的相关性在两组之间有所不同。蒙特卡洛模拟可用于比较两组之间的相关性。
其次,在实验研究的背景下,您可以在特定的测量结果上看到两组之间的差异(例如,训练前后的差异)。 C组和D组的均值相同,但D组的方差较大。如果使用独立样本t检验将各组的结果指标与0进行比较,则一组变量与0的变量之间存在显着差异(C组;左侧; n = 20),但无显着性差异。另一组中的差异差异(D组;右侧; n = 20)。但是,这并不意味着两组的测量结果是不同的。此时,应使用配对样本t检验(顶部)直接比较两组:结果表明两组的测量结果没有差异。 https://www.lunwengo.net 最后,学校指定的论文查重软件必须被选为终稿论文免费查重软件。论文免费查重网站入口系统首选论文狗免费查重系统。论文查重是论文答辩前的一个必要步骤,初稿可以选论文狗免费论文检测系统进行查重工作。
在评估干预措施在不同组中的效果时,也会出现类似的问题:干预在一组中产生显着效果,而在另一组中则没有(图1B)。但是,这并不意味着干预的效果在两组之间有所不同。实际上,在这种情况下,两组没有显着差异。通过两种效果之间的直接统计比较,只能得出以下结论:干预措施的效果与对照干预措施的效果不同。因此,必须使用统计检验来比较这两种效果,而不仅仅是两个单独的检验和基于其重要性差异的推论。
在AC中,我们使用19个样本(黑色圆圈)来模拟两个不同的不相关变量,并添加了另一个数据点(红色实心圆圈)。该数据点与主数据之间的距离将系统地更改,直到成为一个完整的离群值(C组)。请注意,随着主数据和红色数据点之间的距离增加,皮尔逊相关系数R值将人为增加,这表明单个数据点可能会导致错误的皮尔逊相关性。
在D-F中,我们使用20个样本来模拟两个不同的不相关变量,这些变量被随机分为两个子组(红色与黑色,每组n = 10)。从D组到F组,我们系统地更改了两个子组之间的距离。同样,R的值将随着子组之间距离的增加而人为增加。这表明相关变量将产生错误的相关,而不考虑子组的存在。置信区间(CI)以灰色显示,并通过Bootstrap程序获得(灰色区域表示所获得的相关值分布的2.5%和97.5%之间的区域)。
如何发现错误
当我们要比较两个效果之间的差异时,通常会发生此错误,但是没有统计方法可以直接比较两个效果。 当研究人员在没有进行必要的统计分析的情况下进行推断时,通常会出现此问题。
解决错误的方案
研究人员在组之间进行比较时,应直接比较组。 可以使用蒙特卡洛模拟比较两组之间的相关性。 对于多组比较,ANOVA可能适用。 非参数统计也提供了一些方法,但是需要根据特定情况使用这些方法。