あなたがの3月のエピソードを逃した場合統計的に言えば、登録せずに視聴できます！ ジェシカ・ウッツとディック・ド・ボー（優秀な受賞歴のある統計家、教授、著者、ASAフェロー）によって提示された視点と例は非常に説得力があるので、彼らの講演は広く見られるべきだと感じています。
さらに、すべてのフォローアップの質問に対処する前に時間が不足しました。 ありがたいことに、ジェシカとディックは徹底的な答えを提供してくれました。この重要なトピックをさらに深く掘り下げるために時間を割いてくださった彼らに感謝します。
質問：分析の設定で不要な無駄が発生するのはどうですか？非常に多くの人々がまだ一度に1つの要素の実験を行っているのを目にしますが、これは本当に無駄な試行錯誤です。 これは、統計リテラシーを教えることについてのジェシカのポイントに戻りますか？
ジェシカ：私は主に統計消費者のリテラシーに関心があるので、実験や分析を設計する方法の議論が統計リテラシーの私の考えに合うとは思いません。 しかし、それは非常に重要なポイントにつながります。 一度に1つの要素の実験を行うことの問題は、無駄になるだけではありません。 問題は、相互作用が存在するが考慮されていない場合、結果が非常に誤解を招く可能性があることです。 また、相互作用は、同じ実験で複数の要因を研究することによってのみ測定できます。
たとえば、いくつかの研究では、運動する前にカフェインを摂取すると運動能力が向上することが示されています。 しかし、他の研究は反対を示しています。 提案されている1つの説明は、誰かが遺伝的に速いカフェイン代謝者であるか遅いカフェイン代謝者であるかによって異なるということです。 したがって、この種の研究がその遺伝的差異を考慮に入れていなかった場合、結果はかなり誤解を招く可能性があります。
消費者が意味をなさないように思われる研究の結果（または意味をなす結果さえも！）について読むとき、良い戦略は、どのような追加の変数が相互作用につながる可能性があるかを考えることです。 たとえば、このウェビナーでは、女性の健康イニシアチブの結果について説明しました。これは、閉経後にホルモン補充療法を受けると、冠状動脈性心臓病のリスクが高まることを示しているようです。 しかし、追跡調査では、状況はそれほど単純ではないことが示されました。 によるアメリカ産婦人科医大学の婦人科診療委員会：
「最近の分析は、HT[ホルモン療法]が最近閉経を経験した健康な女性のCHD[冠状動脈性心臓病]リスクを増加させないことを示唆しています。 ET[エストロゲン療法]またはHTが閉経の開始近くで使用された場合に心血管の利益が得られる可能性があるというタイミング仮説を支持するいくつかの証拠があります。」
言い換えれば、ホルモンは閉経期に服用し始めた女性に冠状動脈性心臓病を引き起こす可能性が低いだけでなく、ホルモンは実際に心臓病を減らすのに有益かもしれません！ 問題は、元の研究での女性の平均年齢が63歳であり、それらのほとんどが閉経期の移行を何年も過ぎており、ホルモンを使用したことがなかったことです。 医師の友人は、これは閉経後に動脈にプラークを蓄積する時間があった可能性があることを意味し、何年も後にホルモンを開始するとプラークが緩んで冠状動脈性心臓病を引き起こしたと説明しました。 もし彼らが閉経直後にホルモンを摂取していたら、プラークは蓄積せず、ホルモンは彼らを心臓病から守っていただろう。 この例では、閉経後の移行後の年数でホルモンを開始するタイミングは、重要な相互作用変数でした。 消費者が元の研究記事を参照した場合、彼らは研究に参加した女性が実際にホルモン療法がどのように使用されているかを代表していないことに気づいたでしょう。 「現実の」ホルモン療法では、ほとんどの場合、閉経に達した直後に処方されます。
実験計画法や観察研究を行う場合、どのように組み合わせ説明変数の数が結果に影響を与える可能性があります。 相互作用の可能性が高い場合、無駄になるだけでなく、一度に1つずつ要因を調査することは誤解を招く可能性があります。
質問：実際的な有意性は、心理学者が「中程度の効果」と定義する0.5などの特定の効果サイズのカットオフによって定義する必要がありますか？
ジェシカ：いいえ！ 実用的な重要性は、文脈の中で見られるべきです。 ただし、効果量は、特に調査結果が1つの研究から別の研究に複製されるかどうかを判断する場合に役立ちます。 これは、pとは異なり、 -値、効果量はサンプルサイズに依存しません。 （ただし、他の統計的推定と同様に、サンプルが大きいほど、真の効果量の推定はより正確になります。）したがって、特定の結果変数が研究間で一貫して同じ大きさの効果量を示す場合、それはより良いです。大きく変化するサイズの研究が一貫して同様のpを見つける場合よりも複製の指標-値。
効果量について考える簡単な方法は、標準偏差の数に関する2つのグループの平均の差であるということです。 たとえば、男性と女性の平均身長は約5インチ異なり、各グループ内の標準偏差は約2.5インチです。 したがって、5インチの差の効果量は5 / 2.5 = 2です。これは、「グループ内」の標準偏差の数に関する平均高さの差です。 効果量は、0.2前後の場合は小、0.5前後の場合は中、1.0以上の場合は大に分類されます。 大まかに言って、大きな効果量は誰にでも目立ち、中程度の効果量は観察力のある専門家に目立ち、小さな効果量は重要かもしれないが統計を使わないと実際には観察できないと言われています。 ここでの例を使用すると、2.5インチ以上（効果サイズ1）の2つのグループの平均高さの違いは、どの観察者にも気付くはずです。1.25インチ（効果サイズ0.5）の平均高さの違いは、おそらく目立たないでしょう。誰かが何らかの目的で高さを測定することがよくあり、0.5インチの差（効果サイズ0.2）は、統計的な要約なしでは検出するのが非常に困難です。
しかし、実際的な重要性は常にコンテキストに依存します。 たとえば、副作用のない特定のハーブサプリメントを摂取することがコレステロールの低下に役立つかどうかを判断するための研究が行われたとします。 さまざまな情報源によると、総血漿コレステロールの母標準偏差は約40 mg/dlです。 したがって、0.25（標準偏差の1/4）の比較的小さな効果サイズでさえ、10 mg / dlの平均コレステロール低下を表し、これは意味のある臨床的重要性を持つ可能性があります。 一方、コレステロール低下薬には深刻な副作用があったとしましょう。 その場合、薬を服用した結果としての平均10 mg / dlの減少だけでは、副作用のリスクを冒す価値があるとは言えないでしょう。 また、高さとコレステロールの例で示されているように、効果量の数値は、グループ内の自然変動に依存します。 母集団のコレステロール値の自然変動が40mg/dlではなく5mg/ dlである場合、10 mg / dlの減少は、10/5 = 2.0の効果量を表し、「大」の基準を満たします。効果。"
もう1つの例は、効果が存在するかどうかを判断する場合です。 たとえば、超感覚的知覚が可能かどうかをテストするための実験室での研究では、一貫して小さな効果サイズ、一般に0.15〜0.2が見つかりました。 しかし、この文脈で一貫したゼロ以外の効果量は、超感覚的知覚が可能であることを示しているため、意味があります。
したがって、要約すると、研究結果が実際的な有意性を示しているかどうかを判断するには、状況に応じた専門知識が必要です。 効果量はガイドとして使用できますが、実際に重要であると考えられるものは、統計的尺度を超えて、常に他の要因に依存します。
質問：統計的有意性と比較して、実用的/生物学的有意性をどのように定義しますか？
ディック：これは素晴らしい質問であり、頻繁に出てくる質問です。 最初に一般的な質問に答えてから、いくつか答えます。 統計的「有意性」は、観測されたデータが提案されたモデルの予測から「十分に」離れている状況を表す狭い用語です。 したがって、コインが公平で100回裏返され、観測された頭の頻度が0.5から十分に離れていると仮定すると、結果は統計的に有意であると言えます。つまり、そのモデルで発生する可能性は低いということです（これはp値です）。 p値が十分に小さい場合、0.5との実際の差が実際に興味深いものであるかどうかにかかわらず、モデル（または仮説）に反する証拠があると言います。 実用的/生物学的重要性は、次のような結果を表します意味のある科学者や他の研究者に。 結果は実際には有意である可能性がありますが、統計的に有意ではないか、または（さらに悪いことに）その逆もあり得ます。
昨日、昆虫が植物をどのように訪れるかについての理論を持って、学生が私のところにやって来ました。 彼らは独立して来る傾向がありますか、それともグループで来ますか？ ポアソンモデルを使用して、花に到着する0、1、2、3…の昆虫の発生をモデル化し、カイ2乗検定を使用して、実際の発生がポアソンに適合するかどうかを確認しました。 期間を非常に短くし、期間数を大きくすることで、ポアソンモデル（したがって独立した到着）をかなり簡単に棄却することができました。 しかし、私たちは、到着が生物学的質問に本当に答えるのに十分遠くにあるかどうかという質問には答えませんでした。 ポアソンの予想数とどれほど異なるかは、昆虫が「対になっている」という証拠を本当に与えるでしょう。 それは統計家が答えることができる質問ではありません。
別例人間が乱数発生器の結果に影響を与える（または少なくとも予測する）ことができることを示しようとしていたプリンストンの研究室から来ました。 彼らは0から1の間のランダムな（均一な）数を生成し、それが0.5未満か、それとも0.5より大きいかを被験者に尋ねました。 彼らはこれらの観測値を何万も収集し、そのパーセンテージが明らかに統計的に有意であると発表しました（p値<0.00001）。実際の成功率（約0.5002）は、非常に小さな偏差でした。せいぜい10,000のうち2から3の結果に影響を与えます。 もちろん、研究室のディレクターはそれを主張しましたどれかどんなに小さくても、違いは面白いでしょう。 結果が真実であり、実験的な異常やランダムエラーの結果ではない場合でも、結果が実際に意味があるかどうかを判断するのは読者に任せます。
薬の成功率がプラセボよりも十分に高く、偶然に発生する可能性が低い場合、それは統計的に有意な結果であると言えます。 しかし、実際の違いが、たとえば、プラセボの30％ではなく31％の患者を治療することである場合、その違いが統計的に有意であったとしても、マーケティング部門はその改善を宣伝するのに苦労するだろうと思います。
質問：研究の結果に関心や利害関係を持っている人は、常に研究で精査または特定されるべきだと思いますか？
ディック：これまで以上に、私たちが調査したいほとんどすべてのトピックに関するデータを簡単に見つけることができます。 しかし、もちろん、すべてのデータが同じというわけではありません。 事例情報よりも、二重盲検プラセボ対照臨床試験の結果が常に望ましいです。 データの出所を特定できない場合、2つのシナリオを区別できない可能性があります。 データが世界全体について何を意味するかを主張する前に、データがどのように、どのような条件下で、誰によって、どのような目的で収集されたかなど、データの系統が不可欠です。
私たちはあなたが持っているかもしれない他の例を聞くことに興味がありますデータサイエンスにおける倫理、倫理的分析、倫理が明らかに欠けている分析、または最善の進め方が不明確な倫理的ジレンマについて慎重に検討された場合。 このトピックに関する彼らの知恵と専門知識を共有してくれたジェシカとディックに再び感謝します。これはこれらの時代に非常に関連しています。
