## 17.2 科學(有時)是如何工作的
布萊恩·萬辛克以他的《無意識飲食》一書而聞名,他參加公司演講會的費用是幾萬美元。2017 年,一組研究人員開始仔細研究他發表的一些研究,從一組關于人們在自助餐廳吃多少比薩餅的論文開始。研究人員要求 Wansink 分享這些研究的數據,但他拒絕了,所以他們仔細研究了他的論文,發現論文中存在大量的不一致和統計問題。圍繞這一分析的宣傳導致了其他一些人深入研究了 Wansink 的過去,包括在 Wansink 和他的合作者之間獲取電子郵件。正如 Stephanie Lee 在 BuzzFeed 上報道的那樣,這些電子郵件顯示了 Wansink 的實際研究實踐與幼稚模型的差距:
> …早在 2008 年 9 月,佩恩在收集數據后不久就開始查看數據,但他沒有發現任何強大的蘋果和埃爾莫鏈接——至少目前還沒有。……佩恩在給他的合作者的信中說:“我已經把孩子研究的一些初步結果附在這封信上,以供你的報告。”“不要絕望。看起來水果上的貼紙可能會起作用(用更多的魔法)。Wansink 也承認這篇論文很差,因為他正準備將其提交給期刊。P 值為 0.06,略低于黃金標準 0.05 的臨界值。正如他在 2012 年 1 月 7 日的一封電子郵件中所說,這是一個“癥結”。……“在我看來應該更低,”他寫道,并附上了一份草案。“你想看看它,看看你的想法嗎?如果你能得到數據,它需要一些鑷子,最好是得到低于 0.05 的一個值。2012 年晚些時候,這項研究出現在久負盛名的牙買加兒科,0.06 p 值完好無損。但在 2017 年 9 月,它被收回并替換為一個版本,該版本的 p 值為 0.02。一個月后,它又被收回了,原因完全不同:Wansink 承認,這項實驗并沒有像他最初聲稱的那樣在 8 到 11 歲的孩子身上進行,而是在學齡前兒童身上進行。
這種行為最終趕上了 Wansink;[他的 15 項研究被撤回](https://www.vox.com/science-and-health/2018/9/19/17879102/brian-wansink-cornell-food-brand-lab-retractions-jama),2018 年他辭去了康奈爾大學的教職。
- 前言
- 0.1 本書為什么存在?
- 0.2 你不是統計學家-我們為什么要聽你的?
- 0.3 為什么是 R?
- 0.4 數據的黃金時代
- 0.5 開源書籍
- 0.6 確認
- 1 引言
- 1.1 什么是統計思維?
- 1.2 統計數據能為我們做什么?
- 1.3 統計學的基本概念
- 1.4 因果關系與統計
- 1.5 閱讀建議
- 2 處理數據
- 2.1 什么是數據?
- 2.2 測量尺度
- 2.3 什么是良好的測量?
- 2.4 閱讀建議
- 3 概率
- 3.1 什么是概率?
- 3.2 我們如何確定概率?
- 3.3 概率分布
- 3.4 條件概率
- 3.5 根據數據計算條件概率
- 3.6 獨立性
- 3.7 逆轉條件概率:貝葉斯規則
- 3.8 數據學習
- 3.9 優勢比
- 3.10 概率是什么意思?
- 3.11 閱讀建議
- 4 匯總數據
- 4.1 為什么要總結數據?
- 4.2 使用表格匯總數據
- 4.3 分布的理想化表示
- 4.4 閱讀建議
- 5 將模型擬合到數據
- 5.1 什么是模型?
- 5.2 統計建模:示例
- 5.3 什么使模型“良好”?
- 5.4 模型是否太好?
- 5.5 最簡單的模型:平均值
- 5.6 模式
- 5.7 變異性:平均值與數據的擬合程度如何?
- 5.8 使用模擬了解統計數據
- 5.9 Z 分數
- 6 數據可視化
- 6.1 數據可視化如何拯救生命
- 6.2 繪圖解剖
- 6.3 使用 ggplot 在 R 中繪制
- 6.4 良好可視化原則
- 6.5 最大化數據/墨水比
- 6.6 避免圖表垃圾
- 6.7 避免數據失真
- 6.8 謊言因素
- 6.9 記住人的局限性
- 6.10 其他因素的修正
- 6.11 建議閱讀和視頻
- 7 取樣
- 7.1 我們如何取樣?
- 7.2 采樣誤差
- 7.3 平均值的標準誤差
- 7.4 中心極限定理
- 7.5 置信區間
- 7.6 閱讀建議
- 8 重新采樣和模擬
- 8.1 蒙特卡羅模擬
- 8.2 統計的隨機性
- 8.3 生成隨機數
- 8.4 使用蒙特卡羅模擬
- 8.5 使用模擬統計:引導程序
- 8.6 閱讀建議
- 9 假設檢驗
- 9.1 無效假設統計檢驗(NHST)
- 9.2 無效假設統計檢驗:一個例子
- 9.3 無效假設檢驗過程
- 9.4 現代環境下的 NHST:多重測試
- 9.5 閱讀建議
- 10 置信區間、效應大小和統計功率
- 10.1 置信區間
- 10.2 效果大小
- 10.3 統計能力
- 10.4 閱讀建議
- 11 貝葉斯統計
- 11.1 生成模型
- 11.2 貝葉斯定理與逆推理
- 11.3 進行貝葉斯估計
- 11.4 估計后驗分布
- 11.5 選擇優先權
- 11.6 貝葉斯假設檢驗
- 11.7 閱讀建議
- 12 分類關系建模
- 12.1 示例:糖果顏色
- 12.2 皮爾遜卡方檢驗
- 12.3 應急表及雙向試驗
- 12.4 標準化殘差
- 12.5 優勢比
- 12.6 貝葉斯系數
- 12.7 超出 2 x 2 表的分類分析
- 12.8 注意辛普森悖論
- 13 建模持續關系
- 13.1 一個例子:仇恨犯罪和收入不平等
- 13.2 收入不平等是否與仇恨犯罪有關?
- 13.3 協方差和相關性
- 13.4 相關性和因果關系
- 13.5 閱讀建議
- 14 一般線性模型
- 14.1 線性回歸
- 14.2 安裝更復雜的模型
- 14.3 變量之間的相互作用
- 14.4“預測”的真正含義是什么?
- 14.5 閱讀建議
- 15 比較方法
- 15.1 學生 T 考試
- 15.2 t 檢驗作為線性模型
- 15.3 平均差的貝葉斯因子
- 15.4 配對 t 檢驗
- 15.5 比較兩種以上的方法
- 16 統計建模過程:一個實例
- 16.1 統計建模過程
- 17 做重復性研究
- 17.1 我們認為科學應該如何運作
- 17.2 科學(有時)是如何工作的
- 17.3 科學中的再現性危機
- 17.4 有問題的研究實踐
- 17.5 進行重復性研究
- 17.6 進行重復性數據分析
- 17.7 結論:提高科學水平
- 17.8 閱讀建議
- References