<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                ## 17.5 進行重復性研究 在再現性危機爆發的幾年里,有一個強有力的運動來開發工具來幫助保護科學研究的再現性。 ### 17.5.1 預注冊 獲得最大吸引力的想法之一是 _ 預注冊 _,其中一個將研究的詳細描述(包括所有數據分析)提交給受信任的存儲庫(如[開放科學框架](http://osf.io)或[aspredected.org](http://aspredicted.org))。通過在分析數據之前詳細說明一個人的計劃,預注冊提供了更大的信心,即分析不會受到 P-Hacking 或其他可疑的研究實踐的影響。 預注冊的效果已經在醫學臨床試驗中看到。2000 年,國家心臟、肺和血液研究所(NHLBI)開始要求使用[clinical trials.gov](http://clinicaltrials.gov)上的系統對所有臨床試驗進行預注冊。這為觀察研究預注冊的效果提供了一個自然的實驗。當 Kaplan 和 Irvin(2015)研究了隨著時間推移的臨床試驗結果時,他們發現 2000 年后臨床試驗的陽性結果數量比以前減少了。雖然有許多可能的原因,但似乎在研究注冊之前,研究人員能夠改變他們的方法,以找到一個積極的結果,這在注冊后變得更加困難。 ### 17.5.2 可復制實踐 Simmons、Nelson 和 Simonsohn(2011)的論文提出了一套建議做法,以使研究更具可重復性,所有這些做法都應成為研究人員的標準: > * 作者必須在數據收集開始之前決定終止數據收集的規則,并在文章中報告此規則。 > * 操作者必須為每個單元收集至少 20 個觀察結果,否則將產生命令人信任服務的數據收集成成本。 > * 作者必須列出研究中收集的所有變量。 > * 操作者必須報告所有實驗條件,包括失敗的操作。 > * 如果消除了觀察結果,則操作者還必須報告統計結果(如果包括這些觀察結果)。 > * 如果分析包含協變量,則操作者必須報告分析的統計結果而不包含協變量。【htg12】【htg13】 ### 17.5.3 復制 科學的一個標志就是復制(htg0)的思想,也就是說,其他研究人員應該能夠進行相同的研究并獲得相同的結果。不幸的是,正如我們在前面討論的復制項目的結果中看到的,許多發現是不可復制的。確保研究的可復制性的最好方法是首先自己復制它;對于某些研究來說,這是不可能的,但只要有可能,就應該確保在新的樣本中可以找到它。新的樣本應該有足夠的能量來找到感興趣的效果大小;在許多情況下,這實際上需要比原始樣本更大的樣本。 在復制方面記住一些事情是很重要的。首先,復制嘗試失敗并不一定意味著原始發現是錯誤的;請記住,在 80%功率的標準水平下,仍然有五分之一的機會結果是無意義的,即使有真正的效果。出于這個原因,在我們開始相信任何重要發現之前,我們通常希望看到它的多重復制。不幸的是,包括心理學在內的許多領域在過去都未能遵循這一建議,導致“教科書”的發現很可能是錯誤的。關于 Daryl Bem 的 ESP 研究,涉及 7 項研究的大規模復制嘗試未能復制他的發現(Galak 等人 2012 年)。 第二,記住,p 值并不能為我們提供一個發現復制可能性的度量。正如我們之前討論過的,p 值是一個關于在特定的空假設下一個人的數據的可能性的陳述;它沒有告訴我們關于發現實際上是真的概率的任何事情(正如我們在貝葉斯分析一章中所了解的)。為了知道復制的可能性,我們需要知道發現是真的概率,而我們通常不知道。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看