“数据欺诈：科学研究的完整性如何影响统计“错误”？

这本书“如何保证科学数据是真实和可靠的：从数据欺诈之星扫描之星案例中学到的经验教训”，是对社会思维科学学院的社会心理学家Diderick Stapel的数据欺诈案例的回顾。荷兰蒂尔堡大学的行为科学。有系统地建立了超过15年的主要杂志文章的名人学者，其中包括在科学上发表的重要研究，肯定“肮脏的环境会加剧歧视”，他们确认实际上一切都是用稀薄的空气制成的。 “如何确保科学研究数据是真实和可靠的：从明星学者数据欺诈案中汲取的教训”作者：[朝鲜] Klaas sijtsma翻译人员：QI XIN版本：Xinxing Publisher在统计数据中“学术欺诈”意味着什么？学术欺诈行为的诚信脆弱对整个社会的信心产生了重大影响。作为统计，克拉斯教授Izma通过参与调查和得出结论，提出了几个属性和学术欺诈类别。首先，数据不是通过实验收集的，而是根据其自身假设的理论“创建的数据”。这种类型是道德和正直的问题，必须完全否认。另一个类别是，来自许多学科的研究人员不研究统计数据。收集原始实验数据后，尚不清楚他们使用的统计和分析方法是最具代表性的。换句话说，每个说话的人都认为它不能被平均，代表和总结，但是我们的研究必须吸引不同个人之间的社区。因此，该方法的技能和局限性存在一些问题，如果DAT取得了统计数据可以更好地表示该人群，并且如果个人在更多样本中可以感知这些数据的平均值。例如，为什么STAT的数据在线发布的iStics办公室会与我们的感受发生冲突吗？由于评论领域中有大多数评论，“这是36的另一个计划？”统计口径和方法似乎是一个政治和社会问题，也是一个数学问题。我们知道的人均收入的数据是每次收获无数的唾液，腐烂的西红柿和腐烂的鸡蛋，但是在提出了中等收入的概念之后，对平均水平的批评似乎远小于平均水平。但是，哪个更科学，更接近现实？统计数据相信算法公式，但普通百姓只知道他们的直觉和情感。在本书中，作者推广了“值p”的概念，也就是说，当值p之间的差异化超过0.05，或者当它超过0.01或0.005时信任危机时。这包括选择样品时必须要小心的变化，还可以处理单个极端值，例如“ jack ma a a and I average to win dozens of millions of dollars a year.” The selection of samples can only be the survival of most people, a reasonable option is that extreme values must be eliminated. At the same time, if the sample data cannot reach a “significant” conclusion according to statistical methods, that is, if the P value exceeds 0.05, it means that the results of the selected sample data cannot strongly admit the opinion of the document. At this point, if you choose to change the data source to替换有用的数据，将牢固地放置在自然环境中，只有在自然环境中却始终是“ whisistleblower”始终绘制了一个始终的研究，才能始终将数据逐渐降低，从而，“处理”的帽子将被牢固地放置。研究人员承认，“与案件一致”（用业余术语一致，意味着好消息，但不是坏消息的含义。这些操作实际上是“灵活的处理”，实际上触及了科学研究的完整性的红线。因此，在评估科学研究的模型中，对科学研究的科学研究数量c逐渐增加了科学的竞争力量，以迫使科学的研究迫使研究人员进行研究，以促进启动研究范围内的研究，以启动“启动”申请。 Wichert和其他人在2016年，心理文件中有34％的人反复调整P值的操纵，从而导致这些不可能的结果是当今的专家。一个。当然，有一些“错误”是由“初学者”不由自主地犯下的。在审查了数百个文件之后，克拉斯·史祖玛（Kras Shizuma）教授发现，有80％的研究错误是由于统计工具的阅读和滥用错误而不是恶意欺诈而导致的。但是，问题在于，这也是该研究研究的完整性的丧失，因为科学研究人员被用来考虑最坏的情况，目的是进行主观欺诈。阿姆斯特丹大学心理学学院的一项研究曾试图证明“性别与数学能力有关”。当研究人员分析了120个样本时，他们消除了12个“非典型值”。这些数据表明，女孩的数学评分比男孩更好。调整的数据实际上显示了“男性表现结果”，并在已知的杂志上发表。但是，第三方使用完整的数据恢复，发现SO被称为“非典型值”呈现样品的真实分布。排除它们纯粹是研究人员的“极值处理原则”的错误思想。统计无知引起的结论中的这种偏差称为本书的“仁慈谎言”，它可能比恶意欺诈更具误导性。数据处理中还有更多常见的错误。 Vantinkel的2010年人格心理学文件的一项调查显示，有53％的研究人员使用了“消除列表的方法”。处理丢失的数据（直接删除了包含缺失值的样本），但是如果测试了该方法的数据分布，则未对其进行测试。 Rick Database.DATA Ecopilation并发布结果是否显着重要，这提高了调查的可靠性。其次，打开数据。数据不是私有财产，而是科学界的公共资源。心理科学开始要求作者牧师EAL 2014年的原始数据，发现38％的“创新研究”退休了，因为它们无法提供完整的数据。 2016年，WICHTS团队发现，在需要数据后，文件中统计错误的校正率从12％增加到47％。最后，它实现了“必需的统计咨询系统”：科学研究项目的所有应用都必须包括审查统计专家的评论。星际双重事件发生后，在蒂尔堡大学（University of Tilburg）实施了“基本咨询系统统计数据”之后，由于统计“错误”的退休文件百分比下降了54％。数据总是相同，更简单，但是复杂而可变的人总是人。在此“数据生存手册”中，Krassizma教授介绍了学术文件背后的数据世界。毕竟，科学的伟大永远不会犯错，而是大胆地遇到错误。反复的方法当“出版物数量”压倒“研究质量”和“完整结果”时，分析“重要结果”祈祷代表了研究生态学的问题，而不是“真实过程”，而科学的本质被边缘化。作者/编辑Li Jie/Liu Yaguang Shen Lu/Yang Xuli