Teschler主题
李兰特科克勒•执行编辑
lteschler@wtwhmedia.com.
这是一种快速的方法，让自己在您领域的研究人员中造成不受欢迎的和瘀伤的自我：检查他们的研究结果中的统计数据。
事实证明，许多领域的研究人员不是特别好的统计学家。因此，当他们将统计工具应用于他们收集的数据时，他们经常将数学拧紧或从计算中汲取错误的结论。
特别是，研究人员倾向于在结果中发现的结果统计学意义。警告
罗斯福大学经济学教授Steve Ziliak说。齐利亚克合著了一本书对统计意义的崇拜事先警告研究人员经常滥用学生T检验和P值。Ziliak通过在许多着名经济学，运营研究和医学期刊上发表的论文进行了梳理。他发现了许多研究人员的实例，使用统计显着性，好像它与相关一样。
这两个概念之间的区别不仅仅是一个迂腐的统计细节问题。例如，在医学研究中，对显著性水平的混淆可能会导致人们放弃好的药物，转而选择疗效较差的替代药物。
还有证据表明技术人员在工作中捕获简单的数学错误并不特别擅长。斯坦福副教授Kristin Sainani说。写作美国物理医学与康复学会的期刊她说，统计错误在生物医学文献中惊人地普遍，其中许多错误仅通过运行论文中给出的数字就可以检测出来。
常识和简单的算术通常是寻找问题所必需的。在一篇论文中，Sainani说，她发现了通过扫描表中的数字来发现数值问题 - 他们没有加起来。在另一个案例中，Sainani注意到非外科疼痛治疗索赔剧烈，令人难以置疑的疼痛。一点点恶臭在编译结果时，研究人员在标准偏差时令人困惑的标准误差。
我敢肯定，当面对他们的错误时，让这些幸军的研究人员感到尴尬。有趣的是，互联网上的免费工具现在可以使几乎任何人都指出到制造它们的人的Chagrin的数学错误。
此类别中的一个称为statcheck（statcheck.io)，从论文中提取数据，并检查它们的内部一致性。另一个免费的在线计算器叫做Grim(与粒度相关的不一致的平均值测试)标记不可能的平均值。当输入报告的平均值和样本量时，Grim (www.prepubmed.org/grim_test/)告诉你它们是一致的还是不一致的，也就是说，如果所有的样本都是整数，你是否真的可以计算出这个平均值。
另一个有趣的在线工具是WebPlotDigitizer (apps.automeris.io wpd /）这检查了您上传的绘图（作为图像）并提取x和y值等。鉴于森林图（估计结果来自一些科学研究的估计结果的图形显示），该工具还提取了其他参数，例如手段和置信区间。当给定的直方图或条形图时，它图4百分比并计算图像角度和距离。
这些工具会招来各种祸害。那些特别勤奋的人可能会向往英国麻醉师约翰·卡莱尔(John Carlisle)的成就。当他无法入睡时，他就会查阅已发表的临床试验数据，寻找问题。根据科学美国人在美国，卡莱尔的兼职工作已经导致数百篇论文被撤回或修正，并帮助终结了三位完全伪造数据的科学家的职业生涯。
对于一个爱好而不是不良结果。DW.
你也许也喜欢：
提交：设计世界的文章
