Wissenschaft

Wissenschaftliche Begriffe und Definitionen, die Sie kennen sollten

Wissenschaftliche Experimente beinhalten Variablen. Kontrollen, Hypothesen und eine Vielzahl anderer Konzepte und Begriffe, die verwirrend sein können.

 

Glossar der wissenschaftlichen Begriffe

Hier ist ein Glossar wichtiger wissenschaftlicher Experimentbegriffe und Definitionen:

    • Zentraler Grenzwertsatz: Gibt an, dass bei einer ausreichend großen Stichprobe der Stichprobenmittelwert normal verteilt ist. Für die Anwendung des t- Tests ist ein normalverteilter Stichprobenmittelwert erforderlich. Wenn Sie also eine statistische Analyse der experimentellen Daten durchführen möchten, ist es wichtig, eine ausreichend große Stichprobe zu haben.
    • Schlussfolgerung: Festlegung, ob die Hypothese akzeptiert oder abgelehnt werden soll.
    • Kontrollgruppe: Testpersonen, die nach dem Zufallsprinzip ausgewählt wurden, um die experimentelle Behandlung nicht zu erhalten.
    • Steuervariable: Jede Variable, die sich während eines Experiments nicht ändert. Wird auch als konstante Variable bezeichnet.
    • Daten  (Singular: Datum) : Fakten, Zahlen oder Werte, die in einem Experiment erhalten wurden.
    • Abhängige Variable: Die Variable, die auf die unabhängige Variable reagiert. Die abhängige Variable ist diejenige, die im Experiment gemessen wird. Wird auch als abhängiges Maß oder Antwortvariable bezeichnet.
    • Doppelblind : Wenn weder der Forscher noch das Subjekt wissen, ob das Subjekt die Behandlung oder ein Placebo erhält. „Blenden“ hilft, voreingenommene Ergebnisse zu reduzieren.

 

    • Leere Kontrollgruppe: Eine Art Kontrollgruppe, die keine Behandlung erhält, einschließlich eines Placebos.
    • Versuchsgruppe: Testpersonen, die nach dem Zufallsprinzip ausgewählt wurden, um die experimentelle Behandlung zu erhalten.
    • Fremdvariable: Zusätzliche Variablen (nicht unabhängige, abhängige oder Kontrollvariablen), die ein Experiment beeinflussen können, aber nicht berücksichtigt oder gemessen werden oder außerhalb der Kontrolle liegen. Beispiele hierfür sind Faktoren, die Sie zum Zeitpunkt eines Experiments als unwichtig erachten, z. B. der Hersteller der Glaswaren in einer Reaktion oder die Farbe des Papiers, aus dem ein Papierflugzeug hergestellt wird.
    • Hypothese: Eine Vorhersage, ob die unabhängige Variable einen Einfluss auf die abhängige Variable hat, oder eine Vorhersage der Art des Effekts.
    • Unabhängigkeit  oder  Unabhängigkeit:  Wenn ein Faktor keinen Einfluss auf einen anderen ausübt. Zum Beispiel sollte das, was ein Studienteilnehmer tut, keinen Einfluss darauf haben, was ein anderer Teilnehmer tut. Sie treffen Entscheidungen unabhängig. Die Unabhängigkeit ist entscheidend für eine aussagekräftige statistische Analyse.

 

    • Unabhängige zufällige Zuordnung: Zufällige Auswahl, ob sich eine Testperson in einer Behandlungs- oder Kontrollgruppe befindet.
    • Unabhängige Variable : Die Variable, die vom Forscher manipuliert oder geändert wird.
    • Unabhängige Variablenebenen: Ändern der unabhängigen Variablen von einem Wert in einen anderen (z. B. unterschiedliche Medikamentendosen, unterschiedliche Zeiträume). Die verschiedenen Werte werden als „Ebenen“ bezeichnet.
    • Inferenzstatistik: Statistik (Mathematik), die angewendet wird, um Merkmale einer Population basierend auf einer repräsentativen Stichprobe aus der Population abzuleiten.
    • Interne Gültigkeit: Wenn ein Experiment genau bestimmen kann, ob die unabhängige Variable einen Effekt erzeugt.
    • Mittelwert: Der Durchschnitt, der berechnet wird, indem alle Punkte addiert und dann durch die Anzahl der Punkte dividiert werden.
    • Nullhypothese : Die Hypothese „kein Unterschied“ oder „keine Wirkung“, die vorhersagt, dass die Behandlung keine Auswirkung auf das Subjekt hat. Die Nullhypothese ist nützlich, da sie mit einer statistischen Analyse einfacher zu bewerten ist als andere Formen einer Hypothese.
    • Null-Ergebnisse (nicht signifikante Ergebnisse): Ergebnisse, die die Null-Hypothese nicht widerlegen. Nullergebnisse beweisen nicht die Nullhypothese, da die Ergebnisse möglicherweise auf einen Mangel an Leistung zurückzuführen sind. Einige Nullergebnisse sind Fehler vom Typ 2.

 

    • p <0,05: Ein Hinweis darauf, wie oft der Zufall allein für die Wirkung der experimentellen Behandlung verantwortlich sein könnte. Ein Wert p <0,05 bedeutet, dass Sie fünfmal von hundert diesen Unterschied zwischen den beiden Gruppen rein zufällig erwarten können. Da die Möglichkeit, dass der Effekt zufällig auftritt, so gering ist, kann der Forscher zu dem Schluss kommen, dass die experimentelle Behandlung tatsächlich einen Effekt hatte. Andere p- oder Wahrscheinlichkeitswerte sind möglich. Die Grenze von 0,05 oder 5% ist einfach ein gängiger Maßstab von statistischer Signifikanz.
    • Placebo (Placebo-Behandlung):  Eine gefälschte Behandlung, die außerhalb der Suggestionskraft keine Wirkung haben sollte. Beispiel: In Arzneimittelstudien können Testpatienten eine Pille erhalten, die das Arzneimittel enthält, oder ein Placebo, das dem Arzneimittel ähnelt (Pille, Injektion, Flüssigkeit), jedoch den Wirkstoff nicht enthält.
    • Bevölkerung: Die gesamte Gruppe, die der Forscher untersucht. Wenn der Forscher keine Daten aus der Bevölkerung sammeln kann, kann die Untersuchung großer Zufallsstichproben aus der Bevölkerung verwendet werden, um abzuschätzen, wie die Bevölkerung reagieren würde.

 

    • Leistung: Die Fähigkeit, Unterschiede zu beobachten oder Fehler vom Typ 2 zu vermeiden.
    • Zufällig oder Zufälligkeit : Ausgewählt oder ausgeführt, ohne einem Muster oder einer Methode zu folgen. Um unbeabsichtigte Verzerrungen zu vermeiden, verwenden Forscher häufig Zufallszahlengeneratoren oder werfen Münzen, um eine Auswahl zu treffen.
    • Ergebnisse: Die Erklärung oder Interpretation experimenteller Daten.
    • Einfaches Experiment : Ein grundlegendes Experiment, mit dem beurteilt werden soll, ob eine Ursache-Wirkungs-Beziehung besteht, oder um eine Vorhersage zu testen. Ein grundlegendes einfaches Experiment kann nur eine Testperson haben, verglichen mit einem kontrollierten Experiment. das mindestens zwei Gruppen hat.
    • Single-Blind: Wenn entweder der Experimentator oder das Subjekt nicht weiß, ob das Subjekt die Behandlung oder ein Placebo erhält. Das Blenden des Forschers hilft, Verzerrungen zu vermeiden, wenn die Ergebnisse analysiert werden. Das Blenden des Subjekts verhindert, dass der Teilnehmer eine voreingenommene Reaktion hat.
    • Statistische Signifikanz: Beobachtung, basierend auf der Anwendung eines statistischen Tests, dass eine Beziehung wahrscheinlich nicht auf reinem Zufall beruht. Die Wahrscheinlichkeit wird angegeben (z. B. p <0,05) und die Ergebnisse sollen statistisch signifikant sein.

 

    • T-Test: Gemeinsame statistische Datenanalyse, die auf experimentelle Daten angewendet wird, um eine Hypothese zu testen. Der t- Test berechnet das Verhältnis zwischen der Differenz zwischen den Gruppenmitteln und dem Standardfehler der Differenz, ein Maß für die Wahrscheinlichkeit, dass sich die Gruppenmittel rein zufällig unterscheiden könnten. Als Faustregel gilt, dass die Ergebnisse statistisch signifikant sind, wenn Sie einen Unterschied zwischen den Werten beobachten, der dreimal größer als der Standardfehler des Unterschieds ist. Es ist jedoch am besten, das für die Signifikanz erforderliche Verhältnis in einer t-Tabelle nachzuschlagen .
    • Typ I-Fehler (Typ 1-Fehler): Tritt auf, wenn Sie die Nullhypothese ablehnen, diese jedoch tatsächlich wahr ist. Wenn Sie den t- Test durchführen und p <0,05 setzen, besteht eine Wahrscheinlichkeit von weniger als 5%, dass Sie einen Fehler vom Typ I machen, indem Sie die Hypothese aufgrund zufälliger Schwankungen der Daten ablehnen.
    • Typ II-Fehler (Typ 2-Fehler): Tritt auf, wenn Sie die Nullhypothese akzeptieren, diese jedoch tatsächlich falsch war. Die experimentellen Bedingungen hatten einen Effekt, aber der Forscher fand es nicht statistisch signifikant.

 

Similar Posts

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.