3.3：将它们放在一起-推理统计和假设检验
- Page ID
- 173325
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
什么是假设，有不同的假设吗？
生物（科学）假设：这个想法对自然界中观察到的一种现象或一组狭窄的现象提出了初步的解释。 这是所有科学探究的支柱！ 因此，在推进科学方法（即程序、结果、讨论）之前，必须有一个可靠的生物学假设。 在创建了可靠的生物学假设之后，可以将其简化为统计假设（定义见下文），该假设将成为如何分析和解释数据的基础。
统计假设：在定义了强有力的生物学假设之后，可以根据你预测的测量结果（因变量）来创建统计假设。 如果一项研究有多个测量结果，则可能有多个统计假设。 每个统计假设将有两个分量（原假设和备选）。
- 原假设 (Ho)-该假设表明自变量和因变量之间没有关系（或没有模式）。
- 备择假设 (H1) — 该假设表明自变量和因变量之间存在关系（或存在模式）。
自变量与因变量：对于生物学假设和统计假设，都应定义两个基本变量：
- 独立（解释性）变量 — 通常是您认为哪些现象会影响您感兴趣的度量（因变量）。
- 因变量（响应）— 因变量是您在实验中测量的变量和实验期间受影响的变量。 因变量响应（依赖）自变量。 在科学实验中，没有自变量就不可能有因变量。
示例
在繁殖季节，计算了退化、恢复和完好无损的河岸栖息地中的黄嘴布谷鸟巢，以发现随着栖息地的健康，总体栖息地对筑巢地点的偏好有所增加。
- 科学假设：由于栖息地的健康/状况，黄嘴杜鹃会有栖息地偏好。
- 统计假设：（Ho）生命值/状况不同的栖息地之间的巢穴数量没有差异。 (H1) 与退化的栖息地相比，已恢复和完好无损的栖息地中的巢穴将更多。
- 自变量 = 栖息地健康/状态
- 因变量 = 计数的巢穴数量
你如何得出结论？
最后，在定义了生物学假设、统计假设并收集了所有数据之后，研究人员可以开始统计分析。 统计检验将根据统计假设在数学上 “检验” 您的数据。 使用的统计检验类型取决于研究中变量的类型和数量，以及研究人员想要问的问题。 计算统计检验后，结果将表明哪种统计假设更有可能。 这反过来又向科学家表明，与生物学假设（研究的焦点）相比，可以从数据中得出多大的推论。 然后可以根据样本得出关于整个人群的结论。 重要的是要注意，这个过程并不止于此。 科学家们希望继续检验这一结论，直到出现明确的模式（或不出现），或者研究相似但不同的问题。
归因
Rachel Schleiger（CC-BY-NC）