ΠΕΙΡΑΜΑΤΙΚΕΣ ΜΕΛΕΤΕΣ.

Παρουσίαση με θέμα: "ΠΕΙΡΑΜΑΤΙΚΕΣ ΜΕΛΕΤΕΣ."— Μεταγράφημα παρουσίασης:

1 ΠΕΙΡΑΜΑΤΙΚΕΣ ΜΕΛΕΤΕΣ

2 ΒΑΣΙΚΑ ΕΙΔΗ ΠΟΣΟΤΙΚΩΝ ΕΡΕΥΝΩΝ
Περιγραφικές Συσχέτισης ή ερμηνευτικές Πειραματικές Οιονεί πειραματικές

3 ΠΕΡΙΓΡΑΦΙΚΕΣ ΜΕΛΕΤΕΣ Περιγραφή φαινομένων, συχνοτήτων μεταβλητών.
Χρήσιμες για τη διερεύνηση άγνωστων φαινομένων και την αναγνώριση προβλημάτων Καμία παρέμβαση Π.χ. Επίπεδα άγχους κατά τη διάρκεια της εγκυμοσύνης-γαλουχίας Ημερήσια κατανάλωση θερμίδων Επίπεδα εποχικής χρήσης αντιβιοτικών

4 ΜΕΛΕΤΕΣ ΣΥΣΧΕΤΙΣΗΣ Συστηματική διερεύνηση συσχετίσεων μεταξύ δύο ή περισσότερων μεταβλητών Τύπος συσχέτισης Βαθμός συσχέτισης ΟΧΙ αιτιότητα-Επιφαινόμενα Όχι παρέμβαση Π.χ. Συσχέτιση κοινωνικών δεξιοτήτων και μήνες θηλασμού Κατανάλωση αλκοόλ και εμφάνιση καρκίνου του οισοφάγου

5 ΠΕΙΡΑΜΑΤΙΚΕΣ ΜΕΛΕΤΕΣ Αντικειμενικές, συστηματικές, ελεγχόμενες έρευνες με σκοπό την πρόβλεψη ή τον έλεγχο φαινομένων Παρέμβαση σε τουλάχιστον μία μεταβλητή Αιτιότητα Π.χ. Χρήση παράγοντα Χ για τη θεραπεία από Ebola Αναλγητική δράση της ασπιρίνης Χρήση σουλφοναμίδης για την αντιμετώπιση εξελκώσεων

6 ΠΕΙΡΑΜΑΤΙΚΕΣ ΜΕΛΕΤΕΣ Προϋποθέσεις Τυχαία Επιλογή Υποκειμένων
Τυχαία κατανομή σε ομάδα ελέγχου και πειραματική Έλεγχος μιας ανεξάρτητης μεταβλητής και μέτρηση μιας εξαρτημένης μεταβλητής πριν και μετά την παρέμβαση

7 Παραδείγματα ΜΗ-πειραματικών μελετών
Cleaner Air Found to Add 5 Months to Life A Brigham Young University study examined the connection between air quality and life expectancy. The researchers looked at life expectancy data from 51 metropolitan areas and compared the figures to air quality improvements in each region from the 1980s to 1990s. After taking into account factors like smoking and socioeconomic status, the researchers found that an average of about five months life expectancy was attributed to clean air.

8 Παραδείγματα ΜΗ-πειραματικών μελετών
Effects of Children of Occupational Exposures to Lead Researchers matched 33 children whose parents were exposed to lead at work with 33 children who were the same age and lived in the same neighborhood. Elevated levels of lead were found in the children of exposed parents. This was attributed to levels of lead that the parents were exposed to at work, and poor hygiene practices of the parent.

9 ΟΙΟΝΕΙ-ΠΕΙΡΑΜΑΤΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ
Μη πλήρης έλεγχος Όχι πραγματικά τυχαίο δείγμα (π.χ. ασθενείς σε ένα νοσοκομείο) ή τυχαία κατανομή σε ομάδες (π.χ. ασθενείς σε 2 τμήματα, στο ένα με παρέμβαση, στο άλλο χωρίς)

10 Οργανισμοί Μοντέλα Αρουραίοι (Rattus norvegicus)
Ποντίκια (Mus musculus) Δροσόφιλες (Drosophila melanogaster) Νηματώδεις σκώληκες (Cenorabdites elegance) Πίθηκοι ρέζους (Macaca mulatta)

11 Κανόνες πειραματισμού με ζώα
Η ευζωία των πειραματόζωων είναι ΑΠΑΡΑΙΤΗΤΗ για να έχουμε αξιόπιστα αποτελέσματα. European Communities Council Directives of 24 November 1986 (86/609/EEC) European Union Directives of 22 September 2010 (2010/63/EU) Π.Δ. 56/2013 Επιτροπή Βιοηθικής και Δεοντολογίας Τμήματος Νοσηλευτικής

12 Κανόνες πειραματισμού με ζώα
Αρχή των 3Rs Reduce Replace Refine Διαφοροποίηση Βασικής vs. Εφαρμοσμένης Έρευνας π.χ. τεστ τοξικότητας εμπορικών προϊόντων

13 Γιατί Πειραματικές Μελέτες;
Ακριβής έλεγχος συνθηκών Πειραματική Ομάδα vs. Ομάδα Ελέγχου που διαφέρουν (ιδανικά) σε 1 παράμετρο π.χ. λήψη φαρμάκου vs. λήψη εκδόχου Έλεγχος Αιτιότητα

14 Πειραματικό Ερώτημα-Υπόθεση
Πριν ξεκινήσει η μελέτη, ΠΡΕΠΕΙ να υπάρχει ερευνητικό ερώτημα  Υπόθεση Εργασίας (Μηδενική Υπόθεση, Ηo) Ένα πείραμα μπορεί ΜΟΝΟ να αποκλείσει μια υπόθεση. Ποτέ δεν μπορεί να την επιβεβαιώσει!!!

15 Πειραματικό Ερώτημα-Υπόθεση
Μηδενική Υπόθεση, Ηo

16 Πειραματικός Σχεδιασμός
Προϋποθέσεις Τυχαία Επιλογή Πειραματόζωων Τυχαία κατανομή σε ομάδα ελέγχου και πειραματική Τροποποίηση μιας ανεξάρτητης μεταβλητής και μέτρηση μιας εξαρτημένης μεταβλητής

17 Πειραματικός Σχεδιασμός Τυχαία Επιλογή
Επιλογή μέρους  Γενίκευση για το σύνολο Προϋποθέσεις Όλα τα μέλη ενός πληθυσμού έχουν ίσες πιθανότητες να επιλεγούν στο δείγμα. Η επιλογή ενός μέλους με κανένα τρόπο δεν επηρεάζει την επιλογή ενός οποιουδήποτε άλλου. Κληρωτίδα, πίνακες τυχαίων αριθμών, ειδικά προγράμματα Η/Υ

18 Πειραματικός Σχεδιασμός Ομάδα Ελέγχου
Χωρίς Ομάδα Ελέγχου δεν υπάρχει πείραμα. Με τι θα συγκριθεί η Πειραματική Ομάδα; Κάποιες φορές με τον εαυτό της!  Επαναλαμβανόμενες μετρήσεις πριν και μετά από την πειραματική παρέμβαση

19 Πειραματικός Σχεδιασμός Μέγεθος Ομάδων
Κανόνας δεν υπάρχει. Το μέγεθος του δείγματος μπορεί να επιλεγεί με βάση: Την πρακτική (πρόσβαση, διαθεσιμότητα, κόστος, μέσα) Κατά προσέγγιση - εμπειρία Με χρήση στατιστικών μεθόδων  Προκαταρτική Μελέτη (Pilot Study)-Ανάλυση ισχύος

20 Πειραματικός Σχεδιασμός Μεταβλητές
Ιδανικά: Μία Ανεξάρτητη Μεταβλητή και Μία Εξαρτημένη Μεταβλητή π.χ. Ανεξάρτητη μεταβλητή= Λήψη ή μη λήψη αντιβίωσης Εξαρτημένη μεταβλητή = Θνησιμότητα Συγχυτικοί παράγοντες π.χ. φύλο, ηλικία, γενετικό background  Συμμεταβλητές Στο πείραμα μπορούμε να ελέγξουμε αυτές τις μεταβλητές π.χ. όλα τα ζώα είναι μόνο αρσενικά  Επίδραση στη γενίκευση των συμπερασμάτων

21 Πειραματικός Σχεδιασμός Πειραματικός σχεδιασμός με δύο ομάδες και μόνο μετά-μέτρηση
Απουσία σύγκρισης με τιμές πριν την παρέμβαση (πιθανότητα αποκλίσεων από το γενικό μέσο όρο)

22 Πιθανότητα επίδρασης πρώτης μέτρησης, στη δεύτερη μέτρηση
Πειραματικός Σχεδιασμός Πειραματικός σχεδιασμός με δύο ομάδες, προ-μέτρηση και μετά-μέτρηση Πιθανότητα επίδρασης πρώτης μέτρησης, στη δεύτερη μέτρηση

23 Εξουδετερώνεται η πιθανή επίδραση της προ-μέτρησης στη μεταμέτρηση
Πειραματικός Σχεδιασμός Πειραματικός σχεδιασμός Solomon τεσσάρων ομάδων Εξουδετερώνεται η πιθανή επίδραση της προ-μέτρησης στη μεταμέτρηση

24 Πειραματικός Σχεδιασμός Παραγοντικός πειραματικός σχεδιασμός 2Χ2
Μελέτη 2 ή περισσότερων ανεξάρτητων μεταβλητών-παρεμβάσεων Μελέτη 1 παρέμβασης και 1 εξωγενούς μεταβλητής

25 Πειραματικός Σχεδιασμός Factorial experiment Έλεγχος παραπάνω από μίας Ανεξάρτητων Μεταβλητών
Για 1 ανεξάρτητη μεταβλητή χρειάζονται 2 ομάδες Για 2 ανεξάρτητες μεταβλητές χρειάζονται 4 ομάδες Για 3 ανεξάρτητες μεταβλητές χρειάζονται 8 ομάδες Για n ανεξάρτητες μεταβλητές χρειάζονται 2n ομάδες π.χ. Επίδραση Στρες στα επίπεδα κορτικοστερόνης Ή Επίδραση Στρες στα επίπεδα κορτικοστερόνης σε αρσενικά και θηλυκά ζώα Ή Επίδραση Στρες στα επίπεδα κορτικοστερόνης σε αρσενικά και θηλυκά ζώα με ή χωρίς χορήγηση αγχολυτικού φαρμάκου Αλληλεπίδραση παραγόντων

26 ΔΕΙΓΜΑΤΟΛΗΨΙΑ Η δειγματοληψία είναι η διαδικασία με την οποία επιλέγουμε ένα μέρος του πληθυσμού (το δείγμα) και με βάση τα δεδομένα που εξάγουμε από αυτό κάνουμε μια γενίκευση, δηλαδή καταλήγουμε σε εκτιμήσεις για το σύνολο του πληθυσμού.

27 Α. ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ
Όταν απαιτείται συναίνεση συμμετοχής και κάποιοι αρνούνται  ΜΗ τυχαία δειγματοληψία

28 1. ΑΠΛΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ
Πρέπει να πληρούνται δύο βασικές συνθήκες: όλα τα μέλη ενός πληθυσμού έχουν ίσες πιθανότητες να επιλεγούν στο δείγμα η επιλογή ενός μέλους με κανέναν τρόπο δεν επηρεάζει την επιλογή ενός οποιουδήποτε άλλου Κληρωτίδα, πίνακες τυχαίων αριθμών, ειδικά προγράμματα Η/Υ Κλήρωση με ή χωρίς επανατοποθέτηση

29 2. ΣΥΣΤΗΜΑΤΙΚΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ
Προϋπόθεση: ταξινόμηση των μελών του δείγματος σε λίστα με βάση ένα χαρακτηριστικό που δεν σχετίζεται με τις μεταβλητές της έρευνας. Η διαδικασία περιλαμβάνει την επιλογή κάθε k μέλους ξεκινώντας από ένα τυχαίο σημείο (m). Το k (βήμα δειγματοληψίας) καθορίζεται από τον τύπο: όπου Ν το μέγεθος του πληθυσμού και n το (επιθυμητό) μέγεθος του δείγματος

30 3. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΕΥΚΟΛΙΑΣ
Τα υποκείμενα συμπεριλήφθηκαν στην έρευνα επειδή συνέπεσε να είναι στο «σωστό μέρος τη σωστή στιγμή». Τα υποκείμενα που είναι διαθέσιμα συμμετέχουν στην έρευνα μέχρι να συμπληρωθεί ο επιθυμητός αριθμός του δείγματος π.χ. μαθητές μιας τάξης Πλεονεκτήματα: χαμηλό κόστος, αυξημένη πρόσβαση στις πληροφορίες και μικρός χρόνος συλλογής των στοιχείων. Χρήσιμη για τη διερεύνηση φαινομένων και φυσικά όταν δεν είναι δυνατό να επιλεγεί ένα τυχαίο δείγμα. Στην ίδια κατηγορία ανήκει και το δείγμα που βασίζεται σε εθελοντές.

31 ΤΑΞΙΝΟΜΗΣΗ ΜΕΤΑΒΛΗΤΩΝ
Κατηγορικές μεταβλητές ή ονομαστικές (nominal scale) Τα δεδομένα μεταβάλλονται κατά είδος ή κατηγορία π.χ. φύλο, οικογενειακή κατάσταση, ομάδα αίματος Δύο ή περισσότερες κατηγορίες Αμοιβαία αποκλειόμενες (exclusive) Καλύπτουν όλες τις περιπτώσεις (exhaustive) Διχοτομικές ή δυαδικές (binary, dichotomous) όταν οι κατηγορίες είναι δύο.

32 ΤΑΞΙΝΟΜΗΣΗ ΜΕΤΑΒΛΗΤΩΝ
Διατάξιμες (ή διαβαθμιζόμενες ή ιεραρχήσιμες) μεταβλητές (Ordinal scale) Μετρούνται και ταξινομούνται σε κατηγορίες με ιεραρχική κατάταξη π.χ. πόνος, κινητικότητα ασθενούς Αμοιβαία αποκλειόμενες (exclusive) Καλύπτουν όλες τις περιπτώσεις (exhaustive) Η κατάταξη ακολουθεί κανόνες αλλά τα διαστήματα μεταξύ των κατηγοριών δεν μπορεί να αποδειχθεί ότι είναι ίσα ή εξορισμού ΔΕΝ είναι ίσα

33 ΤΑΞΙΝΟΜΗΣΗ ΜΕΤΑΒΛΗΤΩΝ
Ποσοτικές ή αριθμητικές μεταβλητές (quantitative or numerical) Τα δεδομένα είναι αριθμοί Κλίμακα Διαστημάτων (Interval scale) Τα διαστήματα μεταξύ των κατηγοριών είναι ίσα Εξάρτηση από τη μονάδα μέτρησης π.χ. θερμοκρασία (30oC vs. 60oC) Κλίμακα Λόγων (Ratio scale) Μη-εξάρτηση από μονάδα μέτρησης π.χ. ηλικία σε έτη, βάρος σε κιλά

34 ΤΑΞΙΝΟΜΗΣΗ ΜΕΤΑΒΛΗΤΩΝ
Ποσοτικές ή αριθμητικές μεταβλητές (quantitative or numerical) Συνεχείς (continuous) π.χ. θερμοκρασία, βάρος Ασυνεχείς (discrete) π.χ. αριθμός επεισοδίων άσθματος, αριθμός ημερών νοσηλείας

35 Ανάλυση Αποτελεσμάτων Στατιστική
Ανάλυση Αποτελεσμάτων Στατιστική

36 Ανάλυση Αποτελεσμάτων Στατιστική
Ανάλυση Αποτελεσμάτων Στατιστική

37 Εκτέλεση Πειράματος Εγκυρότητα Έρευνας
Εκτέλεση Πειράματος Εγκυρότητα Έρευνας Ο ερευνητής δεν πρέπει να είναι προϊδεασμένος-προκατειλημμένος (Biased). Δεν ταιριάζουμε τα αποτελέσματα στην υπόθεση μας αλλά απορρίπτουμε (ή τροποποιούμε) την υπόθεση μας!!!

38 Εκτέλεση Πειράματος Εγκυρότητα Παρατηρήσεων
Εκτέλεση Πειράματος Εγκυρότητα Παρατηρήσεων Διπλή Τυφλή Μελέτη π.χ. Μελέτη δραστικότητας νέας χημικής ένωσης στην αντιμετώπιση του πόνου: 1. Ένας ερευνητής φτιάχνει το σκεύασμα με την ουσία και το σκεύασμα μόνο με το έκδοχο (Placebo). Τα 2 σκευάσματα πρέπει να είναι απολύτως όμοια στα υπόλοιπα χαρακτηριστικά τους. Δίνονται κωδικοί. 2. Ένας δεύτερος ερευνητής που δεν γνωρίζει ποια είναι η χημική ουσία και ποιο το placebo χορηγεί τα σκευάσματα. 3. Ο δεύτερος ερευνητής καταγράφει τα αποτελέσματα της χορήγησης και δίνει τα αποτελέσματα στον πρώτο ερευνητή. 4. Οι κωδικοί «σπάνε» και ελέγχεται αν υπάρχει διαφορά μεταξύ των 2 ομάδων.

39 Μυωπία Υπόθεσης Hypothesis myopia
Οι ερευνητές εστιάζουν την προσοχή τους στη συλλογή δεδομένων που υποστηρίζουν μία συγκεκριμένη υπόθεση. Αμελούν να διερευνήσουν την ύπαρξη δεδομένων που θα απέρριπταν την υπόθεση αυτή ΄Η δεν εξετάζουν εναλλακτικές ερμηνείες “People tend to ask questions that give 'yes' answers if their favored hypothesis is true”

40 Μυωπία Υπόθεσης Hypothesis myopia

41 Μυωπία Υπόθεσης Courtrooms face a similar problem. In 1999, a woman in Britain called Sally Clark was found guilty of murdering two of her sons, who had died suddenly as babies. A factor in her conviction was the presentation of statistical evidence that the chances of two children in the same family dying of sudden infant death syndrome (SIDS) were only 1 in 73 million — a figure widely interpreted as fairly damning. Yet considering just one hypothesis leaves out an important part of the story. “The jury needs to weigh up two competing explanations for the babies' deaths: SIDS or murder,” wrote statistician Peter Green on behalf of the Royal Statistical Society in 2002 (see go.nature.com/ochsja). “The fact that two deaths by SIDS is quite unlikely is, taken alone, of little value. Two deaths by murder may well be even more unlikely. What matters is the relative likelihood of the deaths under each explanation, not just how unlikely they are under one explanation.” Mathematician Ray Hill of the University of Salford, UK, later estimated6 that a double SIDS death would occur in roughly 1 out of 297,000 families, whereas two children would be murdered by a parent in roughly 1 out of 2.7 million families — a likelihood ratio of 9 to 1 against murder. In 2003, Clark's conviction was overturned on the basis of new evidence. The Attorney General for England and Wales went on to release two other women who had been convicted of murdering their children on similar statistical grounds.

42 Εκτέλεση Πειράματος Εγκυρότητα Ερευνητικών Εργαλείων
Εκτέλεση Πειράματος Εγκυρότητα Ερευνητικών Εργαλείων Απαντά στο ερώτημα: Μετρά το εργαλείο μέτρησης που χρησιμοποιήθηκε αυτό που υποτίθεται ότι μετράει; π.χ. Ένας βιολογικός δείκτης προσδιορίζει όντως το βαθμό κακοήθειας ενός όγκου; Χρήση περισσότερων του ενός εργαλείων μέτρησης ή μεθοδολογιών για τον προσδιορισμό της ανεξάρτητης μεταβλητής (π.χ. 2 ανεξάρτητοι βιολογικοί δείκτες, 2 διαφορετικοί τύποι βιοχημικών προσδιορισμών)

43 Εκτέλεση Πειράματος Σφάλμα Μέτρησης
Εκτέλεση Πειράματος Σφάλμα Μέτρησης Παρατηρηθείσα τιμή = πραγματική τιμή + σφάλμα μέτρησης Σφάλμα μέτρησης = τυχαίο + συστηματικό σφάλμα Το τυχαίο σφάλμα κάνει τις παρατηρηθείσες τιμές να αποκλίνουν (ανοργάνωτα, τυχαία) γύρω από την πραγματική τιμή Το συστηματικό σφάλμα δεν οφείλεται στην τύχη και έχει συγκεκριμένη κατεύθυνση και μέγεθος. Παρατηρηθείσα τιμή = [Πραγματική τιμή + συστηματικό σφάλμα ] + Τυχαίο σφάλμα.

44 Εκτέλεση Πειράματος Σφάλμα Μέτρησης
Εκτέλεση Πειράματος Σφάλμα Μέτρησης

45 Εκτέλεση Πειράματος Αξιοπιστία ή Ακρίβεια Μέτρησης (Reliability)
Είναι μέτρο του τυχαίου σφάλματος και δείχνει τη συνέπεια με την οποία ένα εργαλείο μέτρησης μετράει ένα χαρακτηριστικό. Ένα εργαλείο μέτρησης είναι αξιόπιστο όταν σε επανειλημμένες μετρήσεις του ίδιου χαρακτηριστικού παράγει σύμφωνα αποτελέσματα, δηλαδή αποτελέσματα που δεν διαφέρουν σε μεγάλο βαθμό.

46 Εκτέλεση Πειράματος Εγκυρότητα ή Αυθεντικότητα Μέτρησης (Validity)
Είναι μέτρο του συστηματικού σφάλματος και δείχνει κατά πόσο το εργαλείο μέτρησης μετρά αυτό που υποτίθεται ότι μετρά. Είναι ο βαθμός που το εργαλείο μέτρησης διακρίνει αυτούς που έχουν και αυτούς που δεν έχουν το χαρακτηριστικό ή τη συμπεριφορά που μετριέται. Ψευδώς θετικά και αρνητικά αποτελέσματα

47 Εκτέλεση Πειράματος Ευαισθησία Μέτρησης (Sensitivity)
Δείχνει το μέγεθος της αλλαγής (διαφοράς) σε μια παράμετρο που μπορεί να μετρηθεί με ακρίβεια.

48 Εκτέλεση Πειράματος Εγκυρότητα Αποτελεσμάτων
Εκτέλεση Πειράματος Εγκυρότητα Αποτελεσμάτων Επαναληψιμότητα Είτε από τον ίδιο τον ερευνητή είτε από άλλους ανεξάρτητους ερευνητές.

49 Bias in data The Texas sharpshooter
an inept marksman who fires a random pattern of bullets at the side of a barn, draws a target around the biggest clump of bullet holes, and points proudly at his success. Ή η διατύπωση ερευνητικού ερωτήματος a posteriori “You just get some encouragement from the data and then think, well, this is the path to go down,” says Pashler. “You don't realize you had 27 different options and you picked the one that gave you the most agreeable or interesting results, and now you're engaged in something that's not at all an unbiased representation of the data.”

50 The Texas sharpshooter
Creative p-hacking Has been used to 'prove' that eating chocolate leads to weight loss, reduced cholesterol levels and improved well-being (see go.nature.com/blkpke). They gathered 18 different measurements — including weight, blood protein levels and sleep quality — on 15 people, a handful of whom had eaten some extra chocolate for a few weeks. With that many comparisons, the odds were better than 50–50 that at least one of them would look statistically significant just by chance. As it turns out, three of them did — and the team cherry-picked only those to report.

51 The Texas sharpshooter
Here’s a dirty little science secret: If you measure a large number of things about a small number of people, you are almost guaranteed to get a “statistically significant” result. Our study included 18 different measurements—weight, cholesterol, sodium, blood protein levels, sleep quality, well-being, etc.—from 15 people. (One subject was dropped.) That study design is a recipe for false positives. Think of the measurements as lottery tickets. Each one has a small chance of paying off in the form of a “significant” result that we can spin a story around and sell to the media. The more tickets you buy, the more likely you are to win.

52 Bias in data The Texas sharpshooter

53 Ασύμμετρη Προσοχή Disconfirmation bias
Asymmetric attention to detail Όταν τα αποτελέσματα είναι αυτά που περιμένουμε, τα δεχόμαστε με ευκολία, αν όμως δεν ταιριάζουν με την υπόθεση μας τα διπλοτσεκάρουμε “When the data don't seem to match previous estimates, you think, 'Oh, boy! Did I make a mistake?'” MacCoun says. “We don't realize that probably we would have needed corrections in the other situation as well.”

54 Ασύμμετρη Προσοχή Disconfirmation bias

55 Bias in data analysis reporting non-existing data from experiments which were never done (data fabrication); eliminating data which do not support your hypothesis (outliers, or even whole subgroups); using inappropriate statistical tests to test your data performing multiple testing (“fishing for P”) by pair-wise comparisons , testing multiple endpoints and performing secondary or subgroup analyses, which were not part of the original plan in order “to find” statistically significant difference regardless to hypothesis.

56 Bias in data analysis Torturing the data
CRP was statistically significant in a subgroup of women under 37 years with cholesterol concentration > 6.2 mmol/L; lactate concentration was negatively associated with albumin concentration in a subgroup of male patients with a body mass index in the lowest quartile and total leukocyte count below 4.00 x 109/L.

57 p-hacking practices In 2012, a study of more than 2,000 US psychologists7 suggested how common p-hacking is. Half had selectively reported only studies that 'worked', 58% had peeked at the results and then decided whether to collect more data, 43% had decided to throw out data only after checking its impact on the p-value and 35% had reported unexpected findings as having been predicted from the start, a practice that psychologist Norbert Kerr of Michigan State University in East Lansing has called HARKing, or hypothesizing after results are known.

58 Misuse of P values Weighing the evidence
A P value of 0.05 does not mean that there is a 95% chance that a given hypothesis is correct. Instead, it signifies that if the null hypothesis is true, and all other assumptions made are valid, there is a 5% chance of obtaining a result at least as extreme as the one observed. And a P value cannot indicate the importance of a finding; for instance, a drug can have a statistically significant effect on patients’ blood glucose levels without having a therapeutic effect.

59

60 Bias in data interpretation
discussing observed differences and associations even if they are not statistically significant (the often used expression is “borderline significance”); discussing dif erences which are statistically significant but are not clinically meaningful; drawing conclusions about the causality, even if the study was not designed as an experiment; drawing conclusions about the values outside the range of observed data (extrapolation); overgeneralization of the study conclusions to the entire general population, even if a study was confined to the population subset; Type I (the expected effect is found significant, when actually there is none) and type II (the expected effect is not found significant, when it is actually present) errors.

61 Αληθοφανείς Ερμηνείες «Just-so storytelling»
Ερμηνείες εκ των υστέρων-post hoc Baggerly says that he has seen such stories in genetics studies, when an analysis implicates a huge number of genes in a particular trait or outcome. “It's akin to a Rorschach test,” he said at the bioinformatics conference. Researchers will find a story, he says, “whether it's there or not. The problem is that occasionally it ain't real.”

62 Αληθοφανείς Ερμηνείες «Just-so storytelling»

63 Publication bias scientific journals are much more likely to accept for publication a study which reports some positive than a study with negative findings. Such behavior creates false impression in the literature and may cause long-term consequences to the entire scientific community. Also, if negative results would not have so many difficulties to get published, other scientists would not unnecessarily waste their time and financial resources by re-running the same experiments.

64 Fooling ourselves