在有些领域,P 值成为了门槛。这种偏见导致了抽屉问题,统计结果显著的文章更容易出版,而可能同样重要的非显著结果则锁在抽屉里,别人永远无法看到。因此很多人都会做一些“p-hacking”的工作(通常是增加样本量),让P 值达到可以发表的程度。也有一部分人用其他统计方法而非P 值来统计结果。 2014年2月,曼荷莲学院数学和统计学系教授George Cobb在ASA的论坛上问了这样的问题: 问 为什么这么多学校要教P=0.05? 答 因为整个科学界和杂志编辑都在用这个标准^_^ 问 为什么这么多人仍然在用P=0.05? 答 因为学校里这么教的^_^ 这就陷入了循环,我们要教这个是因为我们平时这么用的,我们这么用因为我们的老师以前就这么教的。在这个科研可重复性被反复提及的时候,针对这种过分强调P值的情况,美国统计学会(ASA)发布了一个关于“统计意义和P值”的声明,提出了6条使用和解释P值的原则: P 值可以表示数据与一个特定的统计模型是否相容:例如零假设通常用来假设一个效应不存在,如两组之间没有差异,两个因素没有相关性。此时P值越小,数据与零假设的不相容性越大,可以解释为这些数据怀疑或否定了零假设。 P 值不能代表假说为真的概率,也不代表数据完全是由随机因素造成的概率:P值是所得数据与解释之间关系的说明,而不是对解释本身的说明。 科研结论、商业决定和政策制定不能完全凭P是否小于一个特定的值来决定:重大决策与结论中,需要考虑诸多因素,如实验设计、数据质量、外部证据、假设的合理性等等,不能只由P值决定Yes or No的问题。 正确的推理需要全面的报告和透明度:正确的科学推理,需要研究者公布研究中包含的所有假设,所有数据收集的决定,所有进行的统计分析和所有P值。 一个P值,或者显著性,不能表示一个效应的大小,或者一个结果的重要性:P值大小不代表效应大小。再微小的效应,达到一定的样本量和测量精度,都能得到小的P值;再大的效应,在样本量和测量精度不那么高的时候,也可能只能得到普普通通的P值。 P值本身不能作为判断一个模型或假说的良好量度:单独的P值只能提供有限信息。用一个略小于0.05的P值来拒绝零假设就难以有说服力;相反,一个相对较大的P值也不能说就赞成零假设。当有其他方法可选时,数据分析不应该以一个简单的P值计算作为结束。 ASA的执行董事Ron Wasserstein说,P 值从来都不能取代科学推理,一个好的科学推理也不是仅仅一个数据、以及这个数据是不是在某个范围内能决定的。只关注P<0.05的时代应该过去了。 其实ASA的文章没有任何新颖之处,这些都是统计学家的老生常谈。但这是第一次,有一个统计团体,为P值的问题发表声明。ASA称,他们希望引发整个科学界的广泛讨论,更好地解释并合理使用统计方法。 |
|
来自: vividzhang77 > 《生物技术》