خود این مقادیر احتمال P-value می‌تواند به عنوان یک کمیت تصادفی و اعداد در مطالعه قرار بگیرد. به بیان ساده فرض کنید شما چندین بار و یا در زمان‌های مختلف، مطالعات مشابه انجام می‌دهید و برای هر کدام یک P-value به دست می‌آورید و یا این‌که چندین نفر در نقاط مختلف دنیا کارهای مشابه انجام می‌دهند و هر کدام نیز به یک P-value می‌رسند. بعضی از آن‌ها می‌گویند یک پدیده بر روی پدیده دیگر اثر دارد و برخی دیگر می‌گویند اثر ندارد و هر کدام نیز بر مبنای یافته‌های خود قضاوت و نتیجه‌گیری می‌کنند. و البته همگی نیز بر مبنای مطالعه و اعداد خودشان درست می‌گویند.
سوال مطرح این است که بالاخره کدام یک را باید پذیرفت و اصولاً بیان کنیم کدام مطالعات یک اکتشاف Discovery جدید است و کدام نیست.
🔆 پاسخ به این سوال را می‌توان با استفاده از گراف پد پریسم و آنالیزی به نام Analyze a stack P value به دست آورد. 🔆
در این نوع مطالعه اعداد تحقیق همگی P-value مطالعات دیگر هستند که با استفاده از آماره‌ای به نام False Discovery Rate (FDR) مورد سنجش و ارزیابی قرار می‌گیرند.
به ویدئو ارسالی زیر دقت کنید.
به ویدئو ارسالی زیر دقت کنید.
This media is not supported in your browser
VIEW IN TELEGRAM
آنالیز Analyze a stack P values با Prism
معمولاً علاقه داریم در هر علمی، با سرامدان و اصطلاحاً Number Oneهای آن علم آشنا شویم.
(دانشمند آلمانی) Jocken Wilhelm با RG Score = 394.16 و بیش از دو میلیون و سیصد هزار Read به عنوان یکی از بهترین‌های آمار و به ویژه آمار حیاتی دنیا شناخته می‌شود. او در رده 2.5 درصد دانشمندان برتر جهان قرار دارد.
امروز از او خواستم متنی درباره آمار، تاریخچه و کاربردهای آن برایم بنویسد. پاسخ‌های او را برایتان ارسال کرده‌ام.
بارها اتفاق می‌افتد که بخواهیم چندین گروه را با یکدیگر مقایسه کنیم. موضوع زمانی پیچیده می‌شود که تعداد داده‌ها اندک باشد.
در این مطالعات به دلیل تعداد کم داده‌ها، براورد پارامترها به صورت صحیح امکان‌پذیر نیست. بنابراین امکان مقایسه گروه‌ها نیز وجود ندارد. سوال این است که چگونه می‌توان در چنین طرح‌های تحقیقاتی، گروه‌ها را با یکدیگر مورد مقایسه قرار داد؟