Serkan
New member
Bence iyi bilimsel değerlendirme tam da burada ortaya çıkıyor. İstatistiksel sonucu anlamak yalnızca sayıyı okumak değil; sayının insan hayatındaki karşılığını da düşünmek demek.
P sonucu ile kültür ve medya arasındaki bağlantı
Bilimsel sonuçların toplumda nasıl algılandığı yalnızca bilim insanlarının kullandığı yöntemlerle belirlenmiyor. Medyanın başlık dili de büyük rol oynuyor.
“Yeni araştırma tedavinin işe yaradığını kanıtladı” şeklindeki bir başlık, çalışmada yalnızca küçük bir istatistiksel ilişki bulunmuş olsa bile okuyucuda çok güçlü bir izlenim oluşturabilir.
Özellikle sağlık haberlerinde bu problem daha görünür hale geliyor. Bir çalışmanın gözlemsel olması, örneklemin sınırlı olması veya sonuçların başka araştırmalarla doğrulanmamış olması haber başlığında çoğu zaman görünmez hale gelebiliyor.
Burada okuyucu olarak kendimize şu soruyu sormamız gerekiyor:
“Bu haber gerçekten araştırmanın söylediğini mi aktarıyor, yoksa sonucu daha çarpıcı göstermek için mi yazılmış?”
Bence istatistik okuryazarlığının günlük yaşam açısından değeri tam olarak burada.
Ekonomi alanında P sonucu nasıl karşımıza çıkıyor?
Ekonomik araştırmalarda da p-değerleri oldukça sık kullanılıyor. Örneğin bir eğitim programının çalışan verimliliğini artırıp artırmadığı, faiz oranındaki değişimin tüketim üzerindeki etkisi veya belirli bir ekonomik politikanın istihdamla ilişkisi araştırılabilir.
Burada da aynı problem ortaya çıkar: İstatistiksel anlamlılık ekonomik anlamlılıkla aynı değildir.
Bir politikanın çalışan başına yıllık geliri birkaç lira artırdığı ve bunun çok büyük bir örneklem nedeniyle istatistiksel olarak anlamlı bulunduğunu varsayalım. Sonucun “istatistiksel olarak anlamlı” olması, ekonomik açıdan mutlaka büyük bir değişim anlamına gelmez.
Aynı şekilde küçük bir örneklemde ekonomik açıdan ciddi olabilecek bir etkinin istatistiksel anlamlılığa ulaşmaması da mümkündür.
Dolayısıyla ekonomi alanında p-değerini tek başına karar mekanizmasına dönüştürmek yerine maliyet, fayda, etki büyüklüğü ve belirsizlik birlikte değerlendirilmelidir.
Bilimsel araştırmalarda p-değeri neden bazen sorun çıkarıyor?
Bir başka önemli mesele de çok sayıda hipotezin aynı veri üzerinden test edilmesi.
Araştırmacı çok sayıda değişkene bakarsa, sadece şans nedeniyle bazı sonuçların “anlamlı” çıkma ihtimali artabilir. Bu nedenle çoklu karşılaştırmalar, araştırma tasarımı ve önceden belirlenmiş hipotezler önem kazanıyor.
Bir diğer sorun da p-hacking olarak bilinen uygulamalar. Bu kavram, araştırmacının bilinçli veya bilinçsiz şekilde analiz seçeneklerini sonuç istatistiksel olarak anlamlı görünene kadar değiştirmesi gibi sorunları ifade ediyor.
Burada araştırmacının kötü niyetli olduğunu varsaymak da doğru olmaz. Bilimsel süreçte insan faktörü her zaman var. Araştırmacı bazen hangi değişkeni dahil edeceğine, hangi modeli kullanacağına veya hangi alt grubu inceleyeceğine karar verirken farkında olmadan sonuç üzerinde etkili olabilir.
Bu yüzden ön kayıt, şeffaf veri paylaşımı, tekrar çalışmaları ve açık yöntemler bilimsel güvenilirlik açısından değer taşıyor.
P sonucu gelecekte nasıl değerlendirilecek?
Bana göre gelecekte p-değerinin tamamen ortadan kalkması beklenmemeli. Ancak tek başına merkezde duran bir ölçü olmaktan giderek uzaklaşması mümkün.
Bayesçi yöntemler, etki büyüklükleri, güven aralıkları, ön kayıt sistemleri ve meta-analizler araştırma sonuçlarını daha geniş bir çerçevede değerlendirmeye yardımcı oluyor.
Özellikle bilimsel yayıncılıkta “anlamlı sonuç bulma” baskısının azaltılması önemli. Çünkü yalnızca dikkat çekici sonuçların yayımlanması, bilimsel literatürde gerçek etkilerin olduğundan daha güçlü görünmesine yol açabilir.
Tekrarlanabilirlik krizinin tartışılması da bu noktada önemli. Bir araştırmanın bir kez anlamlı çıkması ile aynı sonucun farklı araştırmacılar tarafından benzer koşullarda tekrar bulunması aynı şey değil.
Bilimin gücü de zaten burada yatıyor: Tek bir araştırmadan kesin hüküm çıkarmak yerine, farklı çalışmaların zaman içinde birbirini destekleyip desteklemediğine bakmak.
P sonucu konusunda benim için en önemli ayrım
Bir araştırmayı değerlendirirken kendime şu sırayla sorular sormayı daha anlamlı buluyorum:
1. Araştırmanın sorusu ne?
2. Sıfır hipotezi ne?
3. Örneklem büyüklüğü yeterli mi?
4. Etkinin büyüklüğü ne?
5. Güven aralığı ne söylüyor?
6. P-değeri nasıl hesaplanmış?
7. Kaç farklı hipotez test edilmiş?
8. Sonuç başka araştırmalarda tekrarlandı mı?
9. İstatistiksel sonuç gerçek hayatta önemli mi?
10. Araştırmayı kim, hangi yöntemle ve hangi koşullarda gerçekleştirdi?
Bu soruların tamamı birlikte değerlendirildiğinde p-değeri çok daha anlamlı bir yere oturuyor.
Forumda tartışmaya değer birkaç soru
Sizce insanların p<0,05 kuralına bu kadar bağlanmasının temel nedeni ne? Bilimsel iletişimin karmaşık olması mı, medya dili mi, yoksa insanların kesin cevaplara duyduğu ihtiyaç mı?
Bir araştırmada p=0,049 çıktığında “anlamlı”, p=0,051 çıktığında “anlamsız” demek sizce gerçekten mantıklı mı?
Çok büyük örneklemlerde ortaya çıkan küçük ama istatistiksel olarak anlamlı sonuçları nasıl değerlendirmeliyiz?
Bir araştırmada istatistiksel anlamlılık ile insanların günlük yaşamında hissedeceği gerçek değişim arasında büyük fark varsa hangisine daha fazla önem verilmesi gerektiğini düşünüyorsunuz?
Ve belki de en ilginç soru şu: Bilim insanları sonuçları anlatırken p-değerini merkeze koymak yerine etki büyüklüğünü, belirsizliği ve gerçek yaşam etkisini daha fazla öne çıkarsa bilimsel haberleri daha doğru anlayabilir miyiz?
Sonuçta “P sonucu nedir?” sorusunun cevabı tek bir sayıdan ibaret değil. Eğer burada kastedilen p-değeriyse, bu değer belirli bir istatistiksel varsayım altında gözlenen verinin ne kadar sıra dışı olduğunu değerlendirmemize yardımcı olan araçlardan biri. Fakat araştırmanın doğruluğunu, etkinin büyüklüğünü veya bir politikanın ya da tedavinin toplum için ne kadar yararlı olduğunu tek başına belirlemiyor.
Bence p-değerini anlamanın en sağlıklı yolu onu bir “karar düğmesi” gibi değil, araştırmanın tamamındaki bilgilerden yalnızca biri olarak görmek. Sayının kendisinden çok, o sayının hangi araştırma sorusundan, hangi veriden, hangi modelden ve hangi koşullardan ortaya çıktığını anlamaya çalıştığımızda istatistik çok daha anlaşılır hale geliyor.
P sonucu ile kültür ve medya arasındaki bağlantı
Bilimsel sonuçların toplumda nasıl algılandığı yalnızca bilim insanlarının kullandığı yöntemlerle belirlenmiyor. Medyanın başlık dili de büyük rol oynuyor.
“Yeni araştırma tedavinin işe yaradığını kanıtladı” şeklindeki bir başlık, çalışmada yalnızca küçük bir istatistiksel ilişki bulunmuş olsa bile okuyucuda çok güçlü bir izlenim oluşturabilir.
Özellikle sağlık haberlerinde bu problem daha görünür hale geliyor. Bir çalışmanın gözlemsel olması, örneklemin sınırlı olması veya sonuçların başka araştırmalarla doğrulanmamış olması haber başlığında çoğu zaman görünmez hale gelebiliyor.
Burada okuyucu olarak kendimize şu soruyu sormamız gerekiyor:
“Bu haber gerçekten araştırmanın söylediğini mi aktarıyor, yoksa sonucu daha çarpıcı göstermek için mi yazılmış?”
Bence istatistik okuryazarlığının günlük yaşam açısından değeri tam olarak burada.
Ekonomi alanında P sonucu nasıl karşımıza çıkıyor?
Ekonomik araştırmalarda da p-değerleri oldukça sık kullanılıyor. Örneğin bir eğitim programının çalışan verimliliğini artırıp artırmadığı, faiz oranındaki değişimin tüketim üzerindeki etkisi veya belirli bir ekonomik politikanın istihdamla ilişkisi araştırılabilir.
Burada da aynı problem ortaya çıkar: İstatistiksel anlamlılık ekonomik anlamlılıkla aynı değildir.
Bir politikanın çalışan başına yıllık geliri birkaç lira artırdığı ve bunun çok büyük bir örneklem nedeniyle istatistiksel olarak anlamlı bulunduğunu varsayalım. Sonucun “istatistiksel olarak anlamlı” olması, ekonomik açıdan mutlaka büyük bir değişim anlamına gelmez.
Aynı şekilde küçük bir örneklemde ekonomik açıdan ciddi olabilecek bir etkinin istatistiksel anlamlılığa ulaşmaması da mümkündür.
Dolayısıyla ekonomi alanında p-değerini tek başına karar mekanizmasına dönüştürmek yerine maliyet, fayda, etki büyüklüğü ve belirsizlik birlikte değerlendirilmelidir.
Bilimsel araştırmalarda p-değeri neden bazen sorun çıkarıyor?
Bir başka önemli mesele de çok sayıda hipotezin aynı veri üzerinden test edilmesi.
Araştırmacı çok sayıda değişkene bakarsa, sadece şans nedeniyle bazı sonuçların “anlamlı” çıkma ihtimali artabilir. Bu nedenle çoklu karşılaştırmalar, araştırma tasarımı ve önceden belirlenmiş hipotezler önem kazanıyor.
Bir diğer sorun da p-hacking olarak bilinen uygulamalar. Bu kavram, araştırmacının bilinçli veya bilinçsiz şekilde analiz seçeneklerini sonuç istatistiksel olarak anlamlı görünene kadar değiştirmesi gibi sorunları ifade ediyor.
Burada araştırmacının kötü niyetli olduğunu varsaymak da doğru olmaz. Bilimsel süreçte insan faktörü her zaman var. Araştırmacı bazen hangi değişkeni dahil edeceğine, hangi modeli kullanacağına veya hangi alt grubu inceleyeceğine karar verirken farkında olmadan sonuç üzerinde etkili olabilir.
Bu yüzden ön kayıt, şeffaf veri paylaşımı, tekrar çalışmaları ve açık yöntemler bilimsel güvenilirlik açısından değer taşıyor.
P sonucu gelecekte nasıl değerlendirilecek?
Bana göre gelecekte p-değerinin tamamen ortadan kalkması beklenmemeli. Ancak tek başına merkezde duran bir ölçü olmaktan giderek uzaklaşması mümkün.
Bayesçi yöntemler, etki büyüklükleri, güven aralıkları, ön kayıt sistemleri ve meta-analizler araştırma sonuçlarını daha geniş bir çerçevede değerlendirmeye yardımcı oluyor.
Özellikle bilimsel yayıncılıkta “anlamlı sonuç bulma” baskısının azaltılması önemli. Çünkü yalnızca dikkat çekici sonuçların yayımlanması, bilimsel literatürde gerçek etkilerin olduğundan daha güçlü görünmesine yol açabilir.
Tekrarlanabilirlik krizinin tartışılması da bu noktada önemli. Bir araştırmanın bir kez anlamlı çıkması ile aynı sonucun farklı araştırmacılar tarafından benzer koşullarda tekrar bulunması aynı şey değil.
Bilimin gücü de zaten burada yatıyor: Tek bir araştırmadan kesin hüküm çıkarmak yerine, farklı çalışmaların zaman içinde birbirini destekleyip desteklemediğine bakmak.
P sonucu konusunda benim için en önemli ayrım
Bir araştırmayı değerlendirirken kendime şu sırayla sorular sormayı daha anlamlı buluyorum:
1. Araştırmanın sorusu ne?
2. Sıfır hipotezi ne?
3. Örneklem büyüklüğü yeterli mi?
4. Etkinin büyüklüğü ne?
5. Güven aralığı ne söylüyor?
6. P-değeri nasıl hesaplanmış?
7. Kaç farklı hipotez test edilmiş?
8. Sonuç başka araştırmalarda tekrarlandı mı?
9. İstatistiksel sonuç gerçek hayatta önemli mi?
10. Araştırmayı kim, hangi yöntemle ve hangi koşullarda gerçekleştirdi?
Bu soruların tamamı birlikte değerlendirildiğinde p-değeri çok daha anlamlı bir yere oturuyor.
Forumda tartışmaya değer birkaç soru
Sizce insanların p<0,05 kuralına bu kadar bağlanmasının temel nedeni ne? Bilimsel iletişimin karmaşık olması mı, medya dili mi, yoksa insanların kesin cevaplara duyduğu ihtiyaç mı?
Bir araştırmada p=0,049 çıktığında “anlamlı”, p=0,051 çıktığında “anlamsız” demek sizce gerçekten mantıklı mı?
Çok büyük örneklemlerde ortaya çıkan küçük ama istatistiksel olarak anlamlı sonuçları nasıl değerlendirmeliyiz?
Bir araştırmada istatistiksel anlamlılık ile insanların günlük yaşamında hissedeceği gerçek değişim arasında büyük fark varsa hangisine daha fazla önem verilmesi gerektiğini düşünüyorsunuz?
Ve belki de en ilginç soru şu: Bilim insanları sonuçları anlatırken p-değerini merkeze koymak yerine etki büyüklüğünü, belirsizliği ve gerçek yaşam etkisini daha fazla öne çıkarsa bilimsel haberleri daha doğru anlayabilir miyiz?
Sonuçta “P sonucu nedir?” sorusunun cevabı tek bir sayıdan ibaret değil. Eğer burada kastedilen p-değeriyse, bu değer belirli bir istatistiksel varsayım altında gözlenen verinin ne kadar sıra dışı olduğunu değerlendirmemize yardımcı olan araçlardan biri. Fakat araştırmanın doğruluğunu, etkinin büyüklüğünü veya bir politikanın ya da tedavinin toplum için ne kadar yararlı olduğunu tek başına belirlemiyor.
Bence p-değerini anlamanın en sağlıklı yolu onu bir “karar düğmesi” gibi değil, araştırmanın tamamındaki bilgilerden yalnızca biri olarak görmek. Sayının kendisinden çok, o sayının hangi araştırma sorusundan, hangi veriden, hangi modelden ve hangi koşullardan ortaya çıktığını anlamaya çalıştığımızda istatistik çok daha anlaşılır hale geliyor.