STAT 101
M06 · L04
الوحدة 6 · الدرس 4
الغلطات المشهورة
الـ p-hacking، والـ multiple comparisons، واللخبطة بين الـ significance الإحصائية والأهمية العملية — العادات اللي أذت العلم وإزاي تتجنبها.
01 / 12
STAT 101
M06 · L04
الصيد ورا الـ significance
الـ p-hacking
- تجمع بيانات لحد p < 0.05 وبعدين تقف
- تختبر outcomes كتير وتقول بس اللي نجح
- تجرّب شروط استبعاد مختلفة لحد ما الـ significance تظهر
- تعمل transformation للـ variables لحد ما الـ p-value تتحسن
- تختار الاختبار one-tailed أو two-tailed بعد ما تشوف البيانات
02 / 12
STAT 101
M06 · L04
معدل الخطأ الحقيقي
الـ familywise error
الـ familywise error rate
\text{FWER} = 1 - (1 - \alpha)^m
20 اختبار عند α=0.05
احتمال 64%
false positive
شبه مضمونة
03 / 12
STAT 101
M06 · L04
التحكم في الـ FWER
الـ Bonferroni correction
العتبة المعدّلة
\alpha^* = \dfrac{\alpha}{m}
اقسم α على عدد الاختبارات m. بسيط ومتحفّظ. مع m = 100 وα = 0.05، كل اختبار محتاج p ≤ 0.0005.
04 / 12
STAT 101
M06 · L04
التحكم في الـ FDR
Benjamini-Hochberg
قاعدة BH
p_{(k)} \le \dfrac{k}{m} \cdot q
رتّب الـ p-values، ودوّر على أكبر k بحيث p(k) ≤ (k/m)·q. ارفض H₀ للرتب 1…k. بيتحكم في النسبة المتوقعة من الاكتشافات الزائفة. أقوى من Bonferroni.
05 / 12
STAT 101
M06 · L04
significant ≠ مهم
الأهمية العملية
الفخ
دوا بيقلّل ضغط الدم 0.1 مم زئبق — p < 0.0001 بـ sample فيها 500,000. significant إحصائيًا. مالوش أهمية طبية.
الـ p-value بتجاوب: "ده ماشي مع العشوائية؟" مش بتجاوب: "ده مهم؟"
06 / 12
STAT 101
M06 · L04
قيس اللي يهم
الـ Cohen's d
الـ effect size
d = \dfrac{\mu_1 - \mu_2}{\sigma_{\text{pooled}}}
- |d| ≈ 0.2 — تأثير صغير
- |d| ≈ 0.5 — تأثير متوسط
- |d| ≈ 0.8 — تأثير كبير
07 / 12
STAT 101
M06 · L04
مشكلة n → ∞
samples كبيرة، وp صغيرة
إحصاءة الـ z-test
z = \dfrac{\bar{x} - \mu_0}{\sigma / \sqrt{n}}
لو ضاعفت n الـ z بيتضرب في √2. ومع n ضخم، أي بعد عن H₀ — مهما كان تافه — بيبقى ممكن يتلقط. الـ effect size مستقل عن الـ sample size؛ الـ p-value لأ.
08 / 12
STAT 101
M06 · L04
الأزمة
أزمة الـ replication
الدراسات الأصلية الـ significant
97%
التكرارات الـ significant
36%
الـ Open Science Collaboration (2015): 100 دراسة في علم النفس. الأسباب: الـ p-hacking، والـ publication bias، والـ n الصغير، وقلة الشفافية.
09 / 12
STAT 101
M06 · L04
الحل
الـ pre-registration
- الالتزام بالفرضيات قبل جمع البيانات
- تحديد الـ outcomes والـ sample size وخطة التحليل من الأول
- بيشيل الـ researcher degrees of freedom
- بيفرّق بين التحليل التأكيدي والاستكشافي
- المنصات: OSF، وAsPredicted، وسجل AEA
10 / 12
STAT 101
الخلاصة
مراجعة
اتعلّمت إيه
- الـ p-hacking بيستغل المرونة عشان يطلّع significance وهمية
- FWER = 1 − (1−α)ᵐ — بيكبر بسرعة مع عدد الاختبارات
- الـ Bonferroni بيتحكم في الـ FWER: اختبر عند α/m
- الـ Benjamini-Hochberg بيتحكم في الـ FDR: أقوى للاختبارات الكتير
- قول دايمًا الـ effect size (Cohen's d) جنب الـ p-values
- n كبير → p صغيرة، حتى للتأثيرات التافهة
- سجّل مسبقًا عشان الاستدلال يبقى أمين وينفع يتكرر
الوحدة اكتملت
الـ hypothesis testing — الوحدة 6 ✓
12 / 12