On eräs petoeläin, jonka esiintymisalueella A esiintyy saaliseläintä X ja Y, ja esiintymisalueella B esiintyy saaliseläintä X, mutta ei Y:tä.
Alueet eivät ole selvästi erillään, vaan raja A:sta B:hen on liukuva.
Tutkiakseen alueelta A ja B pyydetyistä petoeläimistä mitattujen parametrien eroja tutkija vetää kartalle viivan jakaen alueen kahtia.
Sitten hän laskee tuloksia ja tekee miljuuna tilastollista testiä testatakseen eroja alueen A ja B petoeläimissä.
Onko tässä jotain mätää tilastollisessa mielessä? Varsinkin siinä että raja vedetään siinä vaiheessa kun tutkimusaineisto on jo koossa?
Alueet eivät ole selvästi erillään, vaan raja A:sta B:hen on liukuva.
Tutkiakseen alueelta A ja B pyydetyistä petoeläimistä mitattujen parametrien eroja tutkija vetää kartalle viivan jakaen alueen kahtia.
Sitten hän laskee tuloksia ja tekee miljuuna tilastollista testiä testatakseen eroja alueen A ja B petoeläimissä.
Onko tässä jotain mätää tilastollisessa mielessä? Varsinkin siinä että raja vedetään siinä vaiheessa kun tutkimusaineisto on jo koossa?
Vastaukset 2
Vanhimmat
Tuohan on juuri se ongelma monissa tilastollisissa tutkimuksissa. Silmäillään ensin havaintoaineisto, havaitaan siellä anomalia ja rajataan tarkasteltava alue sen perusteella. Voidaan vaikkapa osoittaa tilastollisesti merkittäväksi, että alueella olevasta toiminnasta aiheutuu terveysvaikutuksia.
Tutkimuksessa ilmeisestikin pyritään selvittämään ravinnon vaikutusta mm. petoeläinten fyysiseen hyvinvointiin.
Kuvaamassasi tutkimuksessa petoeläinhavainnot on pyritty jakamaan kahteen osaan sen perusteella, voidaanko eläinten pääasialliseen ravintoon olettaa kuuluvan saaliseläintä Y vai ei. Tällainen menettelytapa on tilastollisessa tutkimuksessa aivan tavanomainen. Esimerkiksi ihmisten terveystietoja tutkittaessa voidaan aineisto jakaa kahteen osaan sen perusteella, tupakoiko henkilö vai ei. Näiden kahden ryhmän väliltä etsitään sitten tilastollisesti merkittäviä eroja jonkin tilastomuuttujan suhteen.
Tulosten tulkinta on kokonaan eri juttu. Tämä on se vaihe, jossa tehdään varsin usein vääriä johtopäätöksiä. Kahden muuttujan välillä havaitusta tilastollisesti merkittävästä korrelaatiosta päätellään, että toinen on toisen syy, vaikka taustalla olisikin jokin kolmas muuttuja.
Esimerkiksi tupakoinnin voidaan päätellä lisäävän sairastuvuutta johonkin tiettyyn sairauteen vaikka taustalla olisikin kolmas tekijä. Tällainen tekijä voisi tupakoinnin ja ko. sairauden välistä yhteyttä tutkittaessa olla 'yleiset epäterveelliset elämäntavat'.
Petoeläinesimerkissä voitaisiin vaikkapa tulla tulokseen, että saaliseläin Y parantaa merkittävästi tutkitun petoeläimen karvankasvua, vaikka taustalla olisi kolmas alueellinen tekijä, joka säätelee sekä saaliseläimen Y kantaa, että petoeläimen karvankasvua.