Решение о принятии участника в ооо образец: Образец решения о принятии нового участника путем увеличения уставного капитала

Содержание

Ввод нового участника в ООО 2020: подробная пошаговая инструкция

По мере развития компании состав её участников может меняться. Если планируете привлечь в Ваш бизнес партнёра либо инвестора, Вам может потребоваться ввести в состав ООО нового участника.

Ввод нового участника в ООО 2020 можно осуществить двумя способами:
  1. Ввод участника через продажу доли в уставном капитале
  2. Ввод участника путём увеличения уставного капитала

Ввод участника через продажу доли производится путём заключения договора купли-продажи доли между новым и старым участником.

Самым быстрым и простым способом является ввод участника с помощью увеличения уставного капитала. В этом случае новый участник входит в общество за счет дополнительного вклада. Здесь мы остановимся более подробно и разберём данную процедуру пошагово.

Требуется ввод нового участника? Обращайтесь в «ЕДИНЫЙ ЦЕНТР АУТСОРСИНГА» и мы поможем Вам сделать это быстро и без лишних проблем.

Ввод нового участника в ООО 2020: пошаговая инструкция
  1. Заявление о вводе участника.

Будущий участник в свободной форме составляет заявление. Если новым участником будет являться юр. лицо заявление пишет его руководитель.

  1. Определяемся с размером доли и взноса

Сумма взноса должна быть пропорциональна размеру уставного капитала. Например, размер уставного капитала 20 000 р., новый участник хочет получить 50 % – значит его взнос должен составлять 10 000 р.

  1. Протокол либо решение о принятии нового участника в состав ООО

Если в составе ООО несколько участников, необходимо провести собрание. Его результатом должен стать протокол о принятии нового участника. Если участник один – необходимо подготовить решение участника о принятии нового участника путём увеличения уставного капитала.

В решении либо протоколе должны быть отражена сумма взноса в уставной капитал, а также размер долей каждого из участников после ввода нового участника. Данный документ оформляется нотариально.

  1. Подготовка нового устава

В уставе нужно указать новый размер уставного капитала, с учётом взноса нового участника.

  1. Заявление Р13001 на ввод участника

Для того чтобы зарегистрировать ввод участника потребуется заполнить форму 13001 на ввод нового участника. Далее руководителю компании необходимо заверить данный документ у нотариуса.

Чтобы не переживать о правильности оформления документов, обращайтесь к специалистам «ЕДИНОГО ЦЕНТРА АУТСОРСИНГА». Мы имеем большой опыт в оказании данной услуги и готовы помочь Вам.

  1. Подтверждение оплаты доли участника

Оплата доли в уставном капитале должна быть подтверждена соответствующим документом. Это может быть квитанция из банка, либо приходно-кассовый ордер, если деньги вносятся напрямую в кассу организации.

  1. Заверение документов у нотариуса

Необходимо заверить следующие документы:

  • Заявление по форме Р13001 на ввод нового участника.
  • Протокол общего собрания участников либо решение о вводе участника.

При походе к нотариусу с собой необходимо иметь все учредительные документы и паспорта.

  1. Оплата гос. пошлины

Размер гос. пошлины при вводе участника – 800 р.

  1. Подача документов в налоговую

В налоговую необходимо подать следующие документы:

  • Заявление по форме Р13001
  • Протокол общего собрания либо решение о вводе участника
  • Новая редакция устава – 2 экз.
  • Документы, подтверждающие оплату доли
  • Квитанция об оплате гос. пошлины

Подать документы можно одним из удобных способов: лично, через представителя по доверенности, либо с помощью ЭЦП.

Срок регистрации в налоговой составит 5 рабочих дней. По итогу процедуры Вы получите:

  • Лист записи ЕГРЮЛ
  • Новый устав

При обращении к нам Вы получаете услугу под ключ:
  • Проконсультируем Вас о всех нюансах ввода участника
  • Подготовим для Вас все необходимые документы от решения/протокола до заявления по форме Р13001.
  • Подадим и получим документы на регистрацию в налоговую инспекцию

Остались вопросы? С нами можно связаться по телефону: 8 (800) 333-22-04 или электронной почте [email protected], либо оставьте заявку на сайте и мы Вам перезвоним.

 

Заявление участника об увеличении уставного капитала

]]>

Подборка наиболее важных документов по запросу Заявление участника об увеличении уставного капитала (нормативно–правовые акты, формы, статьи, консультации экспертов и многое другое).

Формы документов: Заявление участника об увеличении уставного капитала

Судебная практика: Заявление участника об увеличении уставного капитала Открыть документ в вашей системе КонсультантПлюс:
Интересная цитата из судебного решения: Требование мажоритарного участника, фактически осуществлявшего докапитализацию, о возврате финансирования, не может быть уравнено с требованиями независимых кредиторов (противопоставлено им), поскольку вне зависимости от того, каким образом оформлено финансирование, оно по существу опосредует увеличение уставного капитала»…Учитывая факт заявления требования в отношении спорных средств в рамках дела о банкротстве, суды указали на нарушение прав кредиторов должника, поскольку требование мажоритарного участника, фактически осуществлявшего докапитализацию, о возврате финансирования, не может быть уравнено с требованиями независимых кредиторов (противопоставлено им), поскольку вне зависимости от того, каким образом оформлено финансирование, оно по существу опосредует увеличение уставного капитала.»
Открыть документ в вашей системе КонсультантПлюс:

Подборка судебных решений за 2019 год: Статья 127.1 «Отказ в принятии искового заявления, заявления» АПК РФ»Сопоставив заявленный иск по настоящему делу и иск, рассмотренный по делу N А39-268/2019, Арбитражный суд Республики Мордовия пришел к выводу об их тождественности (совпадении сторон, предмета и основания искового заявления): все лица, принимающие участие при рассмотрении дела N А39-268/2019 являются участниками настоящего процесса, а предмет заявленных требований направлен на достижение одного и того же результата — взыскание стоимости доли уставного капитала в связи с выходом Юдакова А.А. из состава участников ООО «Сосновский». При этом в настоящее время истец просит довзыскать действительную стоимость доли уставного капитала вышедшего участника, фактически увеличивая первоначально заявленные в деле N А39-268/2019 исковые требования. В связи с изложенным руководствуясь положениями пункта 2 части 1 статьи 127.1 Арбитражного процессуального кодекса Российской Федерации, арбитражный суд обоснованно прекратил производство по настоящему делу.»

Статьи, комментарии, ответы на вопросы: Заявление участника об увеличении уставного капитала

Нормативные акты: Заявление участника об увеличении уставного капитала Федеральный закон от 08.02.1998 N 14-ФЗ
(ред. от 31.07.2020)
«Об обществах с ограниченной ответственностью»2. Общее собрание участников общества может принять решение об увеличении его уставного капитала на основании заявления участника общества (заявлений участников общества) о внесении дополнительного вклада и (или), если это не запрещено уставом общества, заявления третьего лица (заявлений третьих лиц) о принятии его в общество и внесении вклада. Такое решение принимается всеми участниками общества единогласно.

В налоговую нужно сдавать решение ООО, заверенное нотариально

25.12.2019 г. Верховный суд выпустил «Обзор судебной практики по некоторым вопросам применения законодательства о хозяйственных обществах» (утв. Президиумом Верховного Суда РФ 25.12.2019).

Этот Обзор тут же стали использовать нотариусы, отказывая в заверении заявлений о государственной регистрации изменений в учредительные документы без наличия заверенного нотариально решения как общего собрания участников общества, так и единственного участника общества.

Регистрирующая налоговая Ленинградской области в г. Выборг при осуществлении также требует решение, заверенное нотариально. При подаче незаверенного решения, выдает отказы в гос. регистрации любых изменений в учредительные документы.

МИФНС №15 по Санкт-Петербургу пока регистрирует и незаверенные решения, но, чувствую, скоро это закончится.

Гражданский кодекс РФ о нотариальном заверении решений

Подпункт 3 пункта 3 статьи 67.1 ГК РФ говорит о том, что принятие общим собранием участников хозяйственного общества решения посредством очного голосования и состав участников общества, присутствовавших при его принятии,

подтверждаются в отношении: … общества с ограниченной ответственностью путем нотариального удостоверения, если иной способ (подписание протокола всеми участниками или частью участников; с использованием технических средств, позволяющих достоверно установить факт принятия решения; иным способом, не противоречащим закону) не предусмотрен уставом такого общества либо решением общего собрания участников общества, принятым участниками общества единогласно.

Обзор судебной практики… о необходимости нотариального заверения решений

п. 3 «Обзора судебной практики по некоторым вопросам применения законодательства о хозяйственных обществах», утвержденного Президиумом Верховного Суда РФ 25.12.2019 г., говорит о том, что

«Требование о нотариальном удостоверении, установленное подпунктом 3 пункта 3 статьи 67.1 ГК РФ, распространяется и на решение единственного участника.»

Логика такова: Подпункт 3 пункта 3 статьи 67.1 ГК РФ направлен на то, чтобы исключить фальсификацию решения, принимаемого высшим органом управления общества, и действие указанной нормы в равной мере распространяется и на решение единственного участника общества, которое также подвержено риску фальсификации.

Кроме того, закон не содержит исключения в отношении решений единственного участника в части требования о нотариальном удостоверении, установленного подпунктом 3 пункта 3 статьи 67.1 ГК РФ.

Нотариальная палата о решениях, заверенных нотариально

Решения, принятые до 26 декабря 2019 г. и подтвержденные альтернативным способом (например, подписанием решения всеми участниками общества, присутствовавшими на собрании), сохраняют свою силу.

Решения, принятые с 27.12.2019 г. можно подтверждать альтернативным способом, только если переход на его применение удостоверен нотариусом.

Разъяснения Федеральной нотариальной палаты от 2014 года, в соответствии с которыми решения единственного участника не нужно нотариально заверять, в связи с утверждением Обзора судебной практики… утратили свою юридическую силу.

Кого коснётся это новое правило о нотариальном заверении решения?

Нотариальное заверение решения коснётся тех фирм, у которых в уставе не указан выбранный способ подтверждения факта принятия решения и состава участников общества, присутствовавших при принятии решения.

Причём большинство нотариусов требует прописанного в уставе ООО альтернативного способа подтверждения факта принятия решения и состава участников общества, присутствовавших при принятии решения, отдельными пунктами для общего собрания участников общества и для единственного участника общества.

На практике получается, что решение, заверенное нотариально, потребуется фирмам, в которых единственный участник общества (учредитель), а также фирмам с двумя и более участниками, которые не вносили изменений в устав после сентября 2014 года.

Решение, заверенное нотариально не потребуется фирмам, в которых 2 или более участников общества, и которые привели свой устав в соответствие с законом после изменений от сентября 2014 года.

Вывод

Самый правильный выход из этой ситуации — если вам по новым правилам требуется заверить нотариально альтернативный способ подтверждения принятия решения и состав участников общества, присутствовавших при принятии решения, то это можно сделать при принятии первого решения после 27.12.2019 г.

Цены на юридические услуги

Сколько стоит внести в устав пункты о ненотариальном способе подтверждения принятия решений?

Комплексная услуга:

Подготовка полного комплекта документов для внесения в устав пунктов об альтернативном подтверждении — 2 500 р.

Отдельные услуги:
  • Заполнение заявления по форме Р13001 — 1 000 р.;
  • Разработка устава с альтернативным способом подтверждения — 1 500 р.;
  • Подготовка Решения о внесении изменений в устав — 500 р.;
  • Составление Протокола общего собрания участников общества об изменении в уставе способа подтверждения принятия решений — 1 000 р.

Образец пунктов устава о выборе альтернативного (ненотариального) способа подтверждения принятия решения

1) Принятие общим собранием участников общества решений и состав участников общества, присутствовавших при их принятии, подтверждаются подписанием протокола всеми участниками общества, присутствовавшими на собрании, и не требуют нотариального удостоверения, если иное не предусмотрено настоящим Уставом или действующим законодательством.

2) В обществе, состоящем из одного участника, решения по вопросам, относящимся к компетенции общего собрания участников общества, принимаются единственным участником общества единолично и оформляются письменно. Принятие решения единственным участником Общества и его присутствие при принятии решения подтверждаются подписанием решения единственным участником общества и не требуют нотариального удостоверения, если иное не предусмотрено настоящим Уставом или действующим законодательством.

Сколько вам нужно участников опроса?

Часть III: Размер выборки: сколько участников мне нужно, чтобы опрос был действительным?

В В США каждые четыре года проходят президентские выборы. В годы выборов в месяцы, предшествующие выборам, идет постоянный поток опросов объявляя, какие кандидаты выступают, а какие проигрывают в скачках популярное мнение.

Если Вы когда-нибудь задумывались, что делает эти опросы точными и как каждый опрос решает, со сколькими избирателями поговорить, тогда вы подумали, как исследователь, который стремится знать, сколько участников им нужно, чтобы получить статистически значимые результаты опроса.

Статистически значимые результаты — это те результаты, в которых исследователи уверены, что их выводы не являются случайными. Получение статистически значимых результатов зависит от размера выборки исследователей (от скольких людей они собирают данные) и общей численности населения, которого они хотят понять (например, избирателей в США).

Расчет размеры выборки могут быть трудными даже для опытных исследователей. Здесь мы покажем вам как рассчитать размер выборки для различных исследовательских проектов.

Прежде чем переходить к деталям, стоит отметить, что формальные расчеты размера выборки часто основываются на предположении, что исследователи проводят репрезентативное обследование с использованием методов вероятностной выборки. Выборка на основе вероятности гарантирует, что каждый член изучаемого населения имеет равные шансы на участие в исследовании, а респонденты выбираются случайным образом.

По ряду причин вероятностная выборка не применима для большинства поведенческих исследований, проводимых в промышленности и академических кругах.В результате мы обрисовываем в общих чертах шаги, необходимые для расчета размеров выборки для вероятностных опросов, а затем расширяем наше обсуждение до расчета размеров выборки для маловероятных опросов (то есть контролируемых выборок) и экспериментов.


Как рассчитать статистически значимый размер выборки в исследованиях

Определение размера выборки для вероятностных опросов и исследований

Может быть сложно определить, сколько людей вам нужно выбрать для исследования.Как трудно? Посмотрите на эту формулу для определения размера выборки.

Никто не хочет прорабатывать что-то подобное, просто чтобы знать, сколько людей им следует выбрать. К счастью, в Интернете есть несколько калькуляторов размера выборки, которые упрощают понимание того, у скольких людей нужно собирать данные.

Однако даже если вы используете калькулятор размера выборки, вам все равно необходимо знать некоторые важные детали вашего исследования. Конкретно нужно знать:

  • Какова численность населения в моем исследовании?

Население размер — это общее количество людей в группе, которую вы пытаетесь изучить.Если, например, вы проводили опрос избирателей США о президентских кандидатов, то вас будет интересовать население, живущее в США — около 330 миллионов человек.

Для определения численности интересующей вас популяции часто требуются некоторые предварительные исследования. Например, если ваша компания продает услуги цифрового маркетинга и вы заинтересованы в опросе потенциальных клиентов, нелегко определить размер вашего населения. Каждый, кто в настоящее время занимается цифровым маркетингом, может стать потенциальным клиентом.В подобных ситуациях вы часто можете использовать отраслевые данные или другую информацию, чтобы получить разумную оценку для вашей численности населения.

  • Какую погрешность следует использовать?

Допустимая погрешность — это процент, который показывает, насколько результаты вашей выборки могут отличаться от мнений населения в целом. Чем меньше ваша погрешность, тем точнее ваши данные отражают мнение населения при заданном уровне достоверности.

Вообще говоря, чем больше людей вы собираете данные, тем меньше ваша погрешность.Однако, поскольку собрать данные от всех в популяции практически невозможно, в большинстве исследований необходима некоторая погрешность.

  • Каков уровень значимости вашего опроса?

Уровень значимости — это процент, который показывает, насколько вы уверены в том, что истинное значение генеральной совокупности находится в пределах вашей погрешности. Так, например, если вы спрашиваете людей, поддерживают ли они кандидата в президенты, уровень значимости говорит вам, насколько вероятно, что уровень поддержки кандидата населением (т.е., люди, не входящие в вашу выборку) попадает в пределы погрешности, найденной в вашей выборке.

Обычный уровни значимости в опросных исследованиях составляют 90%, 95% и 99%.

Когда вы узнаете приведенные выше значения, вы можете вставить их в формулу размера выборки или, что более удобно, в онлайн-калькулятор, чтобы определить размер вашей выборки.

В приведенной ниже таблице показан необходимый размер выборки для различных групп населения и допустимая погрешность. Как видите, даже если популяция большая, исследователи часто могут понять всю группу, насчитывающую около 1000 респондентов.

  • Сколько людей мне следует пригласить на исследование?

Образец расчеты размера показывают, сколько людей вам нужно, чтобы заполнить анкету. Однако они не говорят вам, сколько людей вам нужно пригласить на ваш опрос. Чтобы найти это число, вам нужно учитывать процент откликов.

Для Например, если вы проводите исследование удовлетворенности клиентов и знаете исходя из предыдущего опыта, только около 30% людей, с которыми вы общаетесь, будут ответить на ваш опрос, тогда вы сможете определить, скольким людям вам следует пригласите к участию в опросе, чтобы выбрать желаемый размер выборки.

Все, что вам нужно сделать, это взять количество респондентов, которое вам нужно, разделить на ожидаемую частоту ответов и умножить на 100. Например, если вам нужно 500 клиентов, чтобы ответить на ваш опрос, и вы знаете, что процент ответов составляет 30%, вы должны пригласить на свое исследование около 1,666 человек (500/30 * 100 = 1,666).

Определение размера выборки для контролируемых обследований

Формулы размера выборки основаны на методах вероятностной выборки — методах, которые случайным образом выбирают людей из совокупности для участия в опросе.Однако для большинства обзоров рынка и академических исследований исследователи не используют методы вероятностной выборки. Вместо этого они используют сочетание удобных и целенаправленных методов выборки, которые мы называем контролируемой выборкой.

Когда опросы и описательные исследования основаны на методах контролируемой выборки, как должны ли исследователи рассчитывать размер выборки?

Если цель исследования — измерить частоту чего-либо или описать поведение людей, мы рекомендуем следовать расчетам, сделанным для вероятностной выборки.Это часто означает выборку от 1000 до 2000 человек. Однако, когда целью исследования является изучение корреляционной взаимосвязи, мы рекомендуем выборку от 500 до 1000 человек. Чем больше участников в исследовании, тем лучше, но эти числа являются полезным практическим правилом для исследователей, которые хотят выяснить, сколько участников им нужно выбрать.

Определение размера выборки для экспериментов

Если вы посмотрите в Интернете, вы найдете множество источников с информацией для расчета размер выборки при проведении опроса, но меньше ресурсов для расчета выборки размер при проведении эксперимента.Эксперименты включают случайное назначение людей в разные условия и манипулируют переменными, чтобы определить причинно-следственная связь. Причина, по которой калькуляторы размера выборки для эксперименты сложно найти просто: эксперименты сложны и размер выборки расчеты зависят от нескольких факторов.

Предлагаемое здесь руководство призвано помочь исследователям рассчитать размер выборки для некоторых из простейших и наиболее распространенных экспериментальных схем: t -тесты, A / B-тесты и тесты хи-квадрат.


Как рассчитать размер выборки для простых экспериментов

Сегодня многие компании полагаются на A / B-тесты. A / B-тесты, особенно в цифровой среде, обеспечивают эффективный способ узнать, какие функции, сообщения и дисплеи заставляют людей тратить больше время или деньги на веб-сайте или в приложении.

Например, одно из распространенных способов использования A / B-тестирования. это маркетинговые электронные письма. Менеджер по маркетингу может создать две версии электронного письма, случайным образом отправить от одного до половины клиентов компании и случайным образом отправить второго другой половине клиентов, а затем измерьте, какая электронная почта приносит больше продажи.

Во многих случаях исследователи могут знать, что хотят провести A / B-тест, но не уверены, сколько людей им нужно в их выборке для получения статистически значимых результатов. Чтобы начать расчет размера выборки, вам нужно знать три вещи.

1.

Уровень значимости .

Уровень значимости показывает, насколько вы уверены, что ваши результаты не являются случайными. Уровень значимости 0,05 является хорошей отправной точкой, но вы можете изменить это число в большую или меньшую сторону в зависимости от цели вашего исследования.

2. Желаемая мощность.

Статистические тесты полезны только тогда, когда они обладают достаточной мощностью, чтобы обнаружить эффект, если он действительно существует. Большинство исследователей стремятся к мощности 80% — это означает, что их тесты достаточно чувствительны, чтобы обнаруживать эффект в 8 случаях из 10, если он существует.

3. Минимальный интересующий вас размер эффекта.

Последняя информация, которая вам нужна, — это минимальный размер эффекта или разница между группами, которые вас интересуют. Иногда может быть разница между группами, но если разница настолько мала, что не имеет практического значения для вашего бизнеса, это, вероятно, не стоит исследовать.

Определение минимального размера эффекта, который вас интересует, требует некоторого размышления о ваших целях и возможном влиянии на ваш бизнес.

После того, как вы определились с перечисленными выше факторами, вы можете использовать калькулятор размера выборки, чтобы определить, сколько людей вам нужно в каждом из условий вашего исследования.

An Пример расчета размера выборки для A / B-теста

Let’s скажем, маркетинговая команда хочет протестировать две разные почтовые кампании. Они устанавливают уровень их значимости на.05 и их мощность на 80%. Кроме того, команда определяет, что минимальная разница в уровне ответов между группами, которые они интересуют 7,5%. Вставка этих чисел в размер эффекта калькулятор показывает, что команде нужно 693 человека в каждом состоянии их исследования, в общей сложности 1386 человек.

Отправка электронное письмо для 1386 человек, которые уже находятся в вашем списке контактов, бесплатно слишком много. Но для многих других исследований каждый набранный вами респондент будет стоить Деньги. По этой причине важно тщательно продумать, какие минимальные Размер эффекта представляет интерес при планировании исследования.

Что делать, если я не знаю, какой разницы в размерах ожидать?

Если вы не знаете, какую разницу в размерах ожидать между группами, вы можете по умолчанию воспользоваться одним из нескольких практических правил. Во-первых, используйте размер эффекта минимальной практической значимости. Решив, какая минимальная разница между группами будет иметь значение, вы сможете избежать траты ресурсов на исследования вещей, которые могут иметь незначительные последствия для вашего бизнеса.

Второе практическое правило, которое особенно актуально для исследователей в академических кругах, — это предположить, что размер эффекта составляет d =.4. Некоторые считают, что значение d = ,4 является наименьшей величиной эффекта, имеющей практическое значение. И, к счастью, с такой величиной эффекта и всего двумя условиями исследователям требуется около 100 человек на каждое состояние.


После того, как вы узнаете, сколько людей набрать для исследования, следующим шагом будет поиск участников. Используя Prime Panels или MTurk Toolkit от CloudResearch, вы можете получить доступ к более чем 50 миллионам человек по всему миру в дополнение к удобным инструментам, призванным упростить выполнение вашего исследования.Мы можем помочь вам найти образец независимо от того, что влечет за собой ваше исследование. Нужны люди из узкой демографической группы? Хотите собрать данные от тысяч людей? Вам нужны люди, которые готовы участвовать в долгом или сложном исследовании? Наша команда обладает знаниями и опытом, чтобы подобрать вам подходящую группу участников для вашего обучения. Свяжитесь с нами сегодня и узнайте, что мы можем для вас сделать.


3 вопроса, на которые нужно ответить, чтобы получить точное исследование рынка. Образец

Получение репрезентативной выборки для исследования рынка имеет решающее значение для получения необходимой информации.В противном случае данные приведут к неточным или вводящим в заблуждение тенденциям, что повредит вашей способности принимать правильные решения в ответ.

Убедитесь, что у вас есть все необходимые репрезентативные респонденты, а также достаточное количество контрольных участников, чтобы отличить сигнал от шума, задав себе эти три важных вопроса при разработке стратегии набора персонала для маркетинговых исследований:

Кто выходит на рынок, где продаются мои продукты?

Один из самых вредных подходов к разработке маркетинговых исследований или набору персонала — нацеливаться только на тех, кто, по вашему мнению, будет заинтересован в покупке вашего продукта.Во-первых, ваша гипотеза о том, кто наиболее склонен к покупке, может быть неверной. Во-вторых, если вы хотите изучить решение о покупке, вы должны включить всех, у кого есть возможность , купить ваш продукт или услугу, а не только людей, которые на самом деле это делают.

Хотя не каждая компания продает отдельный продукт и не все вопросы исследования рынка связаны с покупательским поведением, можно применить ту же схему. В конце концов, большинство исследовательских планов предназначены для измерения поведения и принятия решений, поэтому рассмотрите способы включения репрезентативной выборки тех, кто может столкнуться с решением, будь то покупка, бизнес или что-то еще.Вы можете узнать, почему они выбрали , благодаря прочной основе для сравнения.

Кого представляют мои респонденты? Самих себя? Их работодатель? Их социальная группа?

В некоторых ситуациях роль, о которой мы говорим как социальные существа, может дать очень разные ответы на один и тот же вопрос. Это явление особенно сильно проявляется в деловом мире. Спрашивая лиц, принимающих решения, и других высокопоставленных сотрудников об их мнениях, предпочтениях или действиях, дайте понять, хотите ли вы, чтобы они высказывались, исходя из своего личного мнения, или вы хотите услышать, что они выберут от имени своего работодателя.Тонкие индикаторы, такие как «как владелец бизнеса…» или «по вашему личному мнению», могут позволить субъекту занять правильную позицию.

Выступают ли участники от имени своего местного отделения или всего предприятия?

Исходя из той же идеи, что и вопрос выше, участники могут давать разные ответы, если они описывают действия своего местного офиса или подразделения, в отличие от действий более крупной организации в целом. Эта дифференциация имеет решающее значение для крупных франчайзинговых компаний, региональных отраслевых моделей и других организаций.

Опишите шкалу, которую, как вы ожидаете, будет иметь в виду ваш участник, и пусть ваши подсказки будут последовательными и четкими, чтобы получить наилучшие ответы.

Получите точную выборку для исследования рынка и получите лучшие данные по результатам

Использование этих трех вопросов может позволить вам избежать многих проблемных и неоднозначных ответов, которые возникают в неконтролируемых условиях исследования. Будьте конкретны в своих намерениях как при разработке плана исследования, так и при общении с участниками, и ваши опасения по поводу искажения фактов могут быть намного меньше.

CFR, Inc. может помочь как в разработке исследования, так и в подборе персонала, чтобы образец для исследования рынка идеально соответствовал вашим потребностям. Свяжитесь с нами с вашим запросом или любыми вопросами, которые могут у вас возникнуть.

Описание участников исследования | Возраст и старение

Аннотация

В этом документе рассматривается использование описательной статистики для описания участников, включенных в исследование. В нем кратко обсуждаются практические аспекты включения статистических данных в статьи для публикации в журнале Age and Aging , чтобы читатели могли легко их понять и интерпретировать.

Введение

В большинстве публикаций, содержащих анализ клинических данных, в какой-то момент будут использоваться статистические данные для описания социально-демографических характеристик и истории болезни участников исследования. Важная причина для этого — дать читателю некоторое представление о том, в какой степени результаты исследования могут быть обобщены для их собственной местной ситуации. Создание описательной статистики — несложное дело, большинство статистических пакетов дают все статистические данные, которые только можно пожелать, и необходимо выбирать, какие из них представлять.Затем они должны быть включены в статью таким образом, чтобы читатели могли легко их усвоить. Возможны ограничения на объем доступного пространства, и в любом случае рекомендуется сделать статистическое отображение как можно более кратким. В этой статье рассматривается статистика, которая может быть использована для описания выборки пожилых людей, и даются советы о том, как лучше всего это сделать, в документе для публикации в журнале Age and Aging . Он основан на ранее опубликованной статье [1].

Описание распределения значений

Значения, наблюдаемые в группе испытуемых при измерении количественной характеристики, называются распределением значений.Графические дисплеи можно использовать для отображения деталей распределения различными способами, но они занимают значительный объем места. Точность двух ключевых характеристик распределения, его центра и его распространения, обычно представляется с помощью описательной статистики. Центр распределения может быть описан его средним или медианным значением, а разброс — его стандартным отклонением (SD), диапазоном или межквартильным диапазоном (IQR). Определения и свойства этой статистики приведены в учебниках по статистике [2].

На рис. 1а показано идеализированное симметричное распределение количественной переменной. Среднее значение может использоваться здесь, чтобы описать, где находится центр распределения, и SD, чтобы дать представление о том, насколько разбросаны значения вокруг центра. SD особенно подходят там, где симметричное распределение приблизительно соответствует колоколообразной схеме, показанной на рисунке 1a, которая называется нормальным распределением. Для такого распределения подавляющее большинство (95%) значений, наблюдаемых в выборке, будет находиться между значениями на два стандартных отклонения выше и ниже среднего, называемых нормальным диапазоном.Представление среднего и стандартного отклонения предлагает читателю вычислить нормальный диапазон и подумать о нем как о покрытии большей части распределения значений. Другая причина для представления SD заключается в том, что она требуется при расчетах размера выборки для приблизительно нормально распределенных результатов и может использоваться читателями при планировании будущих исследований. Графическое отображение приблизительно нормально распределенных реальных данных (возраст при поступлении среди 373 участников исследования) показано на рисунке 1c: при относительно небольшом размере выборки не может быть достигнуто плавное распределение, такое как показано на рисунке 1a.Среднее значение (82,9) и стандартное отклонение (6,8) возрастного распределения приводят к нормальному диапазону 69,3–96,5 лет, что можно увидеть на рисунке 1c, охватывающее большинство возрастов в выборке: 14 субъектов находятся ниже 69,3 года, а 7 — выше. 96,5, так что диапазон фактически охватывает 352 (94,4%) из 373 участников, что близко к ожидаемым 95%. Для знакомых измерений, таких как возраст, есть дополнительная ценность в представлении диапазона, минимального и максимального достигнутых значений. Знание того, что в исследование были включены люди в возрасте от 65 до 101 года, имеет важное значение, тогда как значение SD интерпретировать труднее.

Рисунок 1.

Идеализированные и реальные распределения данных. (а) Симметричное распределение. (б) Неравномерное распределение. (c) Точечная диаграмма (каждая точка представляет одно значение) приблизительного симметричного распределения, указывающего нормальный диапазон: возраст в годах при поступлении ( n = 373). (d) Точечная диаграмма (каждая точка представляет одно значение) асимметричного распределения с выделенными выбросами и указанием среднего и медианного значений: часы в A&E ( n = 348).

Рисунок 1.

Идеализированные и реальные распределения данных. (а) Симметричное распределение. (б) Неравномерное распределение. (c) Точечная диаграмма (каждая точка представляет одно значение) приблизительного симметричного распределения, указывающего нормальный диапазон: возраст в годах при поступлении ( n = 373). (d) Точечная диаграмма (каждая точка представляет одно значение) асимметричного распределения с выделенными выбросами и указанием среднего и медианного значений: часы в A&E ( n = 348).

Когда распределение искажено (рисунок 1b), только одно или два крайних значения, «выбросы», в одном из хвостов распределения (справа на рисунке 1b) уводят среднее значение от очевидного центрального значения.Альтернативная статистика, описывающая центральное расположение, — это медиана, определяемая как точка, в которой 50% выборки находятся выше нее и 50% ниже. На рисунке 1d показано распределение реальных данных (количество часов в A&E среди 348 участников исследования) после асимметричного распределения. Несколько чрезмерно длительных пребываний A&E доводят среднее значение до более высокого значения 4,9 часа по сравнению со средним значением 4,4 часа: эффект будет больше, если у большей доли субъектов будет длительное пребывание. Медиана часто рекомендуется в качестве предпочтительной статистики для описания центра асимметричного распределения, но среднее значение может быть полезным.Если описываемый атрибут принимает только ограниченное количество значений, медианы двух групп могут принимать одно и то же значение, несмотря на существенные различия в хвостах. В этих обстоятельствах среднее значение может быть чувствительным к общему сдвигу в распределении, а медиана — нет. Когда должно быть выполнено сравнение стоимости на основе продолжительности пребывания, средство представления искаженных распределений облегчает расчет экономии затрат на субъекта путем применения удельной стоимости к разнице в средствах.На рисунке 1b показано, что значение с самой высокой частотой может быть полезным дескриптором центра распределения. На практике это может оказаться неудобным: в зависимости от точности измерения значение не может встречаться более одного раза.

Из рисунка 1b видно, что ни одно число не может адекватно описать разброс искаженного распределения, потому что разброс больше в одном направлении, чем в другом. Можно использовать диапазон (от 1,7 до 40,3 ч в A&E в нашем примере с перекосом).Другая возможность — это IQR (от 3,5 до 5,4 ч в A&E), охватывающий центральные 50% распределения. SD может быть представлен, даже если распределение искажено, и может быть полезно читателям для приблизительных расчетов мощности, но нормальный диапазон, полученный из среднего и SD, будет вводить в заблуждение. При среднем значении (SD) = 4,9 (3,2) нижний предел нормального диапазона часов в A&E является невозможным отрицательным значением –1,5 часа, в то время как верхний предел 11,3 часа находится значительно ниже крайних значений, показанных на Рисунке 1d.

Описательная статистика в тексте

Описательная статистика может быть представлена ​​в виде текста, например [3]:

Возраст участников варьировался от 50 до 87 лет ( M = 66,1, SD = 7,8), из которых 56% определились как женщины, 64% состоят в браке или имеют партнера, 23% сообщили, что вышли на пенсию или не работают, 55% имеют высшее среднее образование. и высшее образование, и <20% сообщили, что живут одни. Более 60% участников определились как новозеландцы из Европы.Среднее значение чистого личного годового дохода составило 34 615 долларов. Участники сообщили о диагнозе в среднем 2,63 (± 2,07) хронических состояний здоровья, при этом 50% сообщили о трех или более хронических состояниях здоровья.

Возможно, слишком много атрибутов (возраст, пол, семейное положение, статус занятости, уровень образования, условия проживания, национальность, личный доход и количество хронических заболеваний) описано в приведенном выше отрывке: было бы легче усвоить это информация из таблицы.

Описательная статистика в таблицах

Там, где слишком много характеристик для описания в тексте, или сравнивается несколько подгрупп участников, табличное представление становится более удобным. Пример, суммирующий распределение 11 категориальных переменных и 2 количественных переменных в 2 фазах оценки до и после внедрения метода лечения перелома бедра [4], представлен в таблице 1. Категориальные переменные (так называемые, потому что они указывают, к какой из нескольких категорий попадает участник) лучше всего описываются числом (и процентом) в каждой категории.Поскольку категориальные переменные составляют большинство в таблице 1, заголовок указывает, что представленные цифры являются «числом (%), если не указано иное». Лучше всего указывать число, а также процентное соотношение, если исследование не очень большое, чтобы подчеркнуть, что проценты оцениваются неточно. Например, 90 мужчин представляют 23% из 395 участников фазы 1998/99 г., но только этот процент не указывает на заметную неточность в оценке, которая имеет 95% доверительный интервал от 19% до 27%.Если не доступна очень большая выборка, информация, передаваемая десятичными знаками в процентах, имеет ложную точность. Например, 66 участников, чья операция была отложена по организационным причинам, из 172 по причине, указанной в 1998/99 г., отображаются с округлением до десятичных знаков как 38% в Таблице 1. Отображение с двумя десятичными знаками становится 38,37%: если бы 67 участников задержались по организационным причинам, процент был бы 38,95%. Других значений от 38 нет.00% и 39,00% возможны для процента, рассчитанного на основе выборки из 172 человек. Даже если бы была достаточно большая выборка, чтобы различать проценты 38,37% и 38,95%, здесь не было бы значимой разницы для интерпретации, но представление как 38,37% с двумя десятичными знаками загромождает дисплей и затрудняет усвоение процентов. Округление до десятичных разрядов привело к тому, что проценты по трем причинам в сумме составили <100% (35% + 38% + 26% = 99%). Этот артефакт может встречаться в последней цифре, независимо от количества десятичных знаков.Можно описать распределение бинарной характеристики числом (%) для обеих категорий, как это было сделано для пола в Таблице 1, или только для одной из них, как это было сделано для истории деменции, чтобы сэкономить место. Если имеется более двух категорий, лучше указать число (%) для всех из них, чтобы прояснить варианты.

Таблица 1.

Характеристики субъектов при поступлении и их действия до (1998/99) и после (2000/01) внедрения схемы оказания помощи [4].Цифры являются числами (% от не пропущенных значений), если не указано иное

При поступлении запутались Внутри-капсула 271) SH25O
. 1998/99 ( n = 395) . 2000/01 ( n = 373) .
Возраст при поступлении (лет)
Среднее (СО) 83 (7) 83 (7)
Минимум – максимум 65–101 65–10
Пол
Мужской 90 (23%) 90 (24%)
Женский 305 (77%) 283 (76%)
Прием.
Собственный дом 219 (55%) 202 (54%)
Жилые дома 47 (12%) 58 (16%)
Уход в доме 90 (23%) ) 83 (22%)
Дом престарелых 18 (5%) 15 (4%)
Другая палата SUHT 7 (2%) 2 (1%)
Другое доверие 14 (4%) 13 (4%)
Оценка передвижений
Прикованный к кровати / стулу 8 (2%) 5 (1%)
Присутствие 1+ 12 (3%) 7 (2%)
1 человек 25 (6%) 20 (5%)
Невозможно 50 м 145 (37%) 138 (38%)
Able 50 м 200 (51%) 197 (54%)
( n = 390) ( n = 367)
Время в A&E (ч)
Среднее (СО) 4.9 (3,2) 5,6 (2,4)
Минимум – максимум 1,7–40,3 0–21,4
( n = 348) ( n = 328)
История деменции 79 (20%) 85 (23%)
( n = 395) ( n = 371)
124 (32%) 125 (34%)
( n = 394) ( n = 371)
Тип перелома
192 (54%) 173 (52%)
Внекапсулярный 165 (46%) 161 (48%)
( n = 357) ( n = 334)
Эксплуатация более 48 часов после поступления в палату 183 (52%) 205 (64%)
( n = 354) ( n = 323)
Причина задержки операции
Медицинский 61 (35%) 74 (43%)
Организационный 66 (38%) 72 (42%)
Оба 45 (26%) 27 (16%)
( n = 172) ( n = 173)
Тип операции
Гемиартропластика Томпсона 101 ( 87 (24%)
Гемиартропластика Остина-Мура 69 (19%) 18 (5%)
Динамический винт 162 (43%) 165 (46%)
Винты Asnis 38 (11%) 38 (11%)
Биполярная гемиартропластика 3 (1%) 48 (14%)
( n = 373) ( n

4 = 35

Класс хирурга
Консультант 46 (12%) 110 (32%)
SPR 318 (86%) 220 (63%)
6 (2%) 18 (5%)
( n = 355) ( n = 348)
Уровень анестезиолога
Консультант (34%) 175 (55%)
SPR 99 (28%) 52 (16%)
SHO 133 (38%) 81 (29%)
( n = 352) ( n = 318)
При поступлении запутались Внутри-капсула 271) SH25O
. 1998/99 ( n = 395) . 2000/01 ( n = 373) .
Возраст при поступлении (лет)
Среднее (СО) 83 (7) 83 (7)
Минимум – максимум 65–101 65–10
Пол
Мужской 90 (23%) 90 (24%)
Женский 305 (77%) 283 (76%)
Прием.
Собственный дом 219 (55%) 202 (54%)
Жилые дома 47 (12%) 58 (16%)
Уход в доме 90 (23%) ) 83 (22%)
Дом престарелых 18 (5%) 15 (4%)
Другая палата SUHT 7 (2%) 2 (1%)
Другое доверие 14 (4%) 13 (4%)
Оценка передвижений
Прикованный к кровати / стулу 8 (2%) 5 (1%)
Присутствие 1+ 12 (3%) 7 (2%)
1 человек 25 (6%) 20 (5%)
Невозможно 50 м 145 (37%) 138 (38%)
Able 50 м 200 (51%) 197 (54%)
( n = 390) ( n = 367)
Время в A&E (ч)
Среднее (СО) 4.9 (3,2) 5,6 (2,4)
Минимум – максимум 1,7–40,3 0–21,4
( n = 348) ( n = 328)
История деменции 79 (20%) 85 (23%)
( n = 395) ( n = 371)
124 (32%) 125 (34%)
( n = 394) ( n = 371)
Тип перелома
192 (54%) 173 (52%)
Внекапсулярный 165 (46%) 161 (48%)
( n = 357) ( n = 334)
Эксплуатация более 48 часов после поступления в палату 183 (52%) 205 (64%)
( n = 354) ( n = 323)
Причина задержки операции
Медицинский 61 (35%) 74 (43%)
Организационный 66 (38%) 72 (42%)
Оба 45 (26%) 27 (16%)
( n = 172) ( n = 173)
Тип операции
Гемиартропластика Томпсона 101 ( 87 (24%)
Гемиартропластика Остина-Мура 69 (19%) 18 (5%)
Динамический винт 162 (43%) 165 (46%)
Винты Asnis 38 (11%) 38 (11%)
Биполярная гемиартропластика 3 (1%) 48 (14%)
( n = 373) ( n

4 = 35

Класс хирурга
Консультант 46 (12%) 110 (32%)
SPR 318 (86%) 220 (63%)
6 (2%) 18 (5%)
( n = 355) ( n = 348)
Уровень анестезиолога
Консультант (34%) 175 (55%)
SPR 99 (28%) 52 (16%)
SHO 133 (38%) 81 (29%)
( n = 352) ( n = 318)
Таблица 1.

Характеристики субъектов при поступлении и их действия до (1998/99) и после (2000/01) внедрения схемы оказания помощи [4]. Цифры являются числами (% от не пропущенных значений), если не указано иное

При поступлении запутались Внутри-капсула 271) SH25O
. 1998/99 ( n = 395) . 2000/01 ( n = 373) .
Возраст при поступлении (лет)
Среднее (СО) 83 (7) 83 (7)
Минимум – максимум 65–101 65–10
Пол
Мужской 90 (23%) 90 (24%)
Женский 305 (77%) 283 (76%)
Прием.
Собственный дом 219 (55%) 202 (54%)
Жилые дома 47 (12%) 58 (16%)
Уход в доме 90 (23%) ) 83 (22%)
Дом престарелых 18 (5%) 15 (4%)
Другая палата SUHT 7 (2%) 2 (1%)
Другое доверие 14 (4%) 13 (4%)
Оценка передвижений
Прикованный к кровати / стулу 8 (2%) 5 (1%)
Присутствие 1+ 12 (3%) 7 (2%)
1 человек 25 (6%) 20 (5%)
Невозможно 50 м 145 (37%) 138 (38%)
Able 50 м 200 (51%) 197 (54%)
( n = 390) ( n = 367)
Время в A&E (ч)
Среднее (СО) 4.9 (3,2) 5,6 (2,4)
Минимум – максимум 1,7–40,3 0–21,4
( n = 348) ( n = 328)
История деменции 79 (20%) 85 (23%)
( n = 395) ( n = 371)
124 (32%) 125 (34%)
( n = 394) ( n = 371)
Тип перелома
192 (54%) 173 (52%)
Внекапсулярный 165 (46%) 161 (48%)
( n = 357) ( n = 334)
Эксплуатация более 48 часов после поступления в палату 183 (52%) 205 (64%)
( n = 354) ( n = 323)
Причина задержки операции
Медицинский 61 (35%) 74 (43%)
Организационный 66 (38%) 72 (42%)
Оба 45 (26%) 27 (16%)
( n = 172) ( n = 173)
Тип операции
Гемиартропластика Томпсона 101 ( 87 (24%)
Гемиартропластика Остина-Мура 69 (19%) 18 (5%)
Динамический винт 162 (43%) 165 (46%)
Винты Asnis 38 (11%) 38 (11%)
Биполярная гемиартропластика 3 (1%) 48 (14%)
( n = 373) ( n

4 = 35

Класс хирурга
Консультант 46 (12%) 110 (32%)
SPR 318 (86%) 220 (63%)
6 (2%) 18 (5%)
( n = 355) ( n = 348)
Уровень анестезиолога
Консультант (34%) 175 (55%)
SPR 99 (28%) 52 (16%)
SHO 133 (38%) 81 (29%)
( n = 352) ( n = 318)
При поступлении запутались Внутри-капсула 271) SH25O
. 1998/99 ( n = 395) . 2000/01 ( n = 373) .
Возраст при поступлении (лет)
Среднее (СО) 83 (7) 83 (7)
Минимум – максимум 65–101 65–10
Пол
Мужской 90 (23%) 90 (24%)
Женский 305 (77%) 283 (76%)
Прием.
Собственный дом 219 (55%) 202 (54%)
Жилые дома 47 (12%) 58 (16%)
Уход в доме 90 (23%) ) 83 (22%)
Дом престарелых 18 (5%) 15 (4%)
Другая палата SUHT 7 (2%) 2 (1%)
Другое доверие 14 (4%) 13 (4%)
Оценка передвижений
Прикованный к кровати / стулу 8 (2%) 5 (1%)
Присутствие 1+ 12 (3%) 7 (2%)
1 человек 25 (6%) 20 (5%)
Невозможно 50 м 145 (37%) 138 (38%)
Able 50 м 200 (51%) 197 (54%)
( n = 390) ( n = 367)
Время в A&E (ч)
Среднее (СО) 4.9 (3,2) 5,6 (2,4)
Минимум – максимум 1,7–40,3 0–21,4
( n = 348) ( n = 328)
История деменции 79 (20%) 85 (23%)
( n = 395) ( n = 371)
124 (32%) 125 (34%)
( n = 394) ( n = 371)
Тип перелома
192 (54%) 173 (52%)
Внекапсулярный 165 (46%) 161 (48%)
( n = 357) ( n = 334)
Эксплуатация более 48 часов после поступления в палату 183 (52%) 205 (64%)
( n = 354) ( n = 323)
Причина задержки операции
Медицинский 61 (35%) 74 (43%)
Организационный 66 (38%) 72 (42%)
Оба 45 (26%) 27 (16%)
( n = 172) ( n = 173)
Тип операции
Гемиартропластика Томпсона 101 ( 87 (24%)
Гемиартропластика Остина-Мура 69 (19%) 18 (5%)
Динамический винт 162 (43%) 165 (46%)
Винты Asnis 38 (11%) 38 (11%)
Биполярная гемиартропластика 3 (1%) 48 (14%)
( n = 373) ( n

4 = 35

Класс хирурга
Консультант 46 (12%) 110 (32%)
SPR 318 (86%) 220 (63%)
6 (2%) 18 (5%)
( n = 355) ( n = 348)
Уровень анестезиолога
Консультант (34%) 175 (55%)
SPR 99 (28%) 52 (16%)
SHO 133 (38%) 81 (29%)
( n = 352) ( n = 318)

Распределения двух количественных переменных в таблице 1 описываются средним (стандартное отклонение) и диапазоном.Представленная статистика должна быть указана в контексте таблицы, здесь, в левом столбце, и может различаться для разных переменных. Если одинаковая статистика представлена ​​для всех переменных в таблице, они могут быть указаны в заголовках столбцов или заголовке. Из среднего (SD) и диапазона в каждой фазе мы можем видеть, что возрастное распределение является достаточно симметричным, потому что среднее значение падает близко к центру диапазона, а среднее ± 2 SD приближается к пределам диапазона. Распределение часов в A&E смещено вправо, но суммировано с той же статистикой.Мы можем видеть, что распределение искажено, потому что среднее значение намного ближе к минимуму, чем к максимуму, и, если вычислен нормальный диапазон, верхний предел не приближается к высоким значениям ни в одной из фаз. По этим причинам нормальный диапазон не следует интерпретировать как покрывающий 95% значений. Эти выводы только на основе описательной статистики можно проверить на рисунках 1c и d.

Выбор возникает при описании распределения порядковой переменной, указывающей упорядоченные категории ответов, такие как оценка передвижения в таблице 1.Если переменная принимает много различных значений, ее можно рассматривать как количественную переменную и описывать в терминах центра и разброса: порядковые переменные часто простираются от минимального до максимального возможных значений, и в этом случае указание диапазона не помогает. Значение крайних значений следует указать в контексте таблицы, чтобы облегчить интерпретацию результатов. Порядковые переменные, принимающие только несколько различных значений, лучше рассматривать как категориальные переменные и число (%), представленное для каждой категории.Последний подход был принят только для пяти категорий. Отображение как категориальной переменной можно упростить, комбинируя редко встречающиеся соседние значения.

Описание потери участников исследования

Читатели смогут лучше оценить возможность обобщения результатов, если они смогут увидеть, как участники, участвующие в анализе, относятся к базе пациентов, из которых они были взяты. Критерии отбора и подход к набору подробно описаны в разделе, посвященном методам, в документе, а их последствия для сокращения числа, доступного для анализа, показаны в начале раздела результатов.Это можно сделать в тексте, как в отрывке ниже, описывающем, как общее количество госпитализаций было сокращено до выборки, из которой были оценены показатели выздоровления от делирия после выписки [5]:

В первоначальном исследовании были проверены 3182 из 5719 госпитализаций. и 2 286 человек имели право. Шестьсот десять пациентов не были доступны в больничных отделениях, когда РА [научный сотрудник] прибыл, чтобы заполнить CAM [метод оценки путаницы]; 1582 пациента согласились заполнить САМ, и 94 пациента не согласились; CAM не был завершен для 728 пациентов, потому что информатор не был доступен для подтверждения резкого изменения или колебания психического статуса до госпитализации или включения в исследование.CAM была завершена для 854 пациентов; У 375 был делирий; Было зачислено 278 человек. Из 278 включенных в исследование пациентов 172 были выписаны до последующего наблюдения, 73 все еще были госпитализированы, 8 выбыли из исследования и 27 умерли. Из 172 выписанных пациентов статус восстановления делирия был определен у 152, 16 выбыли из исследования после выписки и 4 умерли.

Авторы начинают с 5719 заявлений и сообщают о потерянных числах на последовательных этапах, чтобы получить анализируемую выборку из 152.Возможно, будет легче усвоить детали процесса из табличного или графического представления. Руководящие принципы CONSORT [6], касающиеся отчетности о рандомизированных контролируемых испытаниях (РКИ), рекомендуют, чтобы прогресс участников в испытании был представлен в виде блок-схемы, и пример показан на Рисунке 2. Эти диаграммы однозначно полезны и теперь представлены в другие исследования, кроме РКИ.

Рисунок 2.

Показатели набора и выбытия в РКИ упражнений WiiActive среди пожилых людей, проживающих в сообществе [7].

Рисунок 2.

Показатели набора и выбытия в РКИ упражнений WiiActive среди пожилых людей, проживающих в сообществе [7].

Помимо потери участников в каждый момент времени, как показано на блок-схеме, информация о конкретных переменных может отсутствовать, даже если участник был доступен в рассматриваемой точке исследования. Если взять в качестве примера Таблицу 1, то на этапах 1998/99 и 2000/01 годов было 395 и 373 приема, соответственно, как указано в заголовках столбцов, но количество участников, предоставляющих информацию, значительно варьируется в зависимости от характеристик в таблице.Читатель должен иметь возможность установить, сколько случаев способствует получению каждого результата, и для этого, где доступное количество ниже, чем общее для фазы, оно указывается под описательной статистикой. Например, оценка передвижения была доступна только для 390 из 395 участников в фазе 1998/99. Проценты, представленные для оценки передвижений, были рассчитаны среди случаев, когда информация была доступна, и это было сделано для всех процентов в таблице, как указано в заголовке.В качестве альтернативы пропущенные значения в категориальной переменной можно рассматривать как отдельную категорию. Если имеется большой объем недостающей информации, это может быть лучший способ справиться с ситуацией, когда в качестве знаменателя рассчитываются проценты от общего размера выборки. Указание доступных чисел позволяет читателю проверить этот момент. Только участники, операция которых была отложена более чем на 48 часов, указали в таблице «причину задержки операции», и по указанным числам читатель может увидеть, что причина не была указана для всех случаев задержки.

Сравнение исходных характеристик в РКИ

В отчетах о РКИ таблица, описывающая исходные характеристики в каждой группе исследования, демонстрирует, была ли рандомизация успешной в создании аналогичных групп, а также решена проблема обобщения. Если есть различия на исходном уровне, сравнение результатов может быть затруднено. Статистические тесты значимости не должны использоваться, чтобы решить, нужно ли учитывать какие-либо различия [8, 9].Если распределение было правильно рандомизировано, мы знаем, что любые различия на исходном уровне должны быть случайными. Вопрос, стоящий перед исследователем, заключается в том, достаточно ли разницы на исходном уровне, чтобы затруднить сравнение результатов, и это зависит от силы связи между потенциальным вмешивающимся фактором и исходом, а также от базового различия. Статистический тест на различия исходных условий не решает этот вопрос; кроме того, может быть недостаточно доступных цифр для выявления довольно больших различий в исходных данных.Статистические данные, описывающие базовые характеристики, используются, чтобы судить о том, достаточно ли велики какие-либо различия, чтобы быть важными. Если да, может быть проведен дополнительный анализ результатов, контролируемых по характеристикам, которые различаются на исходном уровне. С другой стороны, в нерандомизированных исследованиях группы могут различаться, и тесты статистической значимости могут использоваться для оценки доказательств того, что процесс отбора пациентов для каждого вмешательства приводит к разным группам. В этой ситуации, вероятно, был бы запланирован первичный анализ, контролируемый для многих предикторов исхода, и его следует проводить независимо от каких-либо различий или их отсутствия между исследуемыми группами.

Выводы

Описание основных характеристик распределения важных характеристик участников, включенных в исследование, является первым шагом в большинстве статей, содержащих статистический анализ. Это важно для обеспечения возможности обобщения результатов исследований, а в контексте сравнительных исследований указывает на необходимость контролируемого анализа. Обычно нехватка места ограничивает представление многих описательных статистических данных, и в любом случае слишком большое количество статистических данных может запутать, а не улучшить понимание.Также следует описать отсев участников во время исследования, чтобы предметы исследования могли быть связаны с базой пациентов, из которых они были взяты.

  • Описательная статистика используется для описания участников исследования, чтобы читатели могли оценить применимость результатов исследования к их собственной клинической практике.

  • Они должны соответствовать переменной или характеристикам участников, которые они стремятся описать, и должны быть представлены в форме, доступной для понимания читателем.

  • Когда описываются многие характеристики пациента, детали использованной статистики и количество участников, участвующих в анализе, лучше всего включать в табличное представление.

Благодарности

Автор хотел бы поблагодарить доктора Хелен Робертс за любезное разрешение использовать данные исследования путей оказания помощи [4] для создания рисунков 1c и d.

Конфликт интересов

Не объявлено.

Список литературы

1

Пикеринг

RM

.

Описание субъектов исследования

.

Паллиат Мед

2001

;

15

:

69

75

,2

Альтман

DG

.

Практическая статистика медицинских исследований

.

Лондон

:

Chapman & Hall

,

1991

,3

Yeung

P

,

Breheny

M

.

Использование подхода, основанного на возможностях, для понимания детерминант субъективного благополучия пожилых людей, проживающих в общинах, в Новой Зеландии

.

Возраст Старение

2016

;

45

:

292

8

.4

Робертс

HC

,

Пикеринг

RM

,

Onslow

E

et al. .

Эффективность внедрения схемы лечения перелома шейки бедренной кости у пожилых людей: проспективное контролируемое исследование до и после исследования

.

Возраст

2004

;

33

:

178

84

,5

Коул

MG

,

McCusker

JM

,

Bailey

R

и др. .

Частичное или полное отсутствие выздоровления от делирия после выписки из больницы прогнозирует усиление нежелательных явлений

.

Возраст Старение

2017

;

46

:

90

5

,6

Schulz

KF

,

Altman

DG

,

Moher

D

,

для CONSORT Group

.

Заявление CONSORT 2010: обновленное руководство по составлению отчетов о рандомизированных исследованиях в параллельных группах

.

BMJ

2010

;

340

:

698

702

,7

Kwok

BC

,

Pua

YH

.

Влияние упражнений WiiActive на страх падения и функциональные результаты у пожилых людей, проживающих в сообществах: рандомизированное контрольное исследование

.

Возраст Старение

2016

;

45

:

621

28

.8

Assman

SF

,

Pocock

SJ

,

Enos

LE

,

Kasten

LE

.

Анализ подгрупп и другое (неправильное) использование исходных данных в клинических испытаниях

.

Ланцет

2000

;

355

:

1064

9

,9

Альтман

DG

.

Сопоставимость рандомизированных групп

.

Статист

1985

;

34

:

125

36

.

© Автор, 2017. Опубликовано Oxford University Press от имени Британского гериатрического общества. Все права защищены. Для получения разрешений обращайтесь по электронной почте: [email protected]

Определение, 6 типов, примеры и многое другое (обновлено)

В этом руководстве мы разберем одну из самых серьезных проблем, с которыми сталкиваются исследователи при опросе аудитории — Response Bias. Давайте нырнем.

Вам необходимо точно знать, что такое предвзятость ответов, что ее вызывает и, что особенно важно, как избежать предвзятости набора ответов в ваших опросах.

В этой статье мы расскажем обо всем:

  • Что такое смещение ответа?
  • Почему важно смещение ответа?
  • Какие существуют типы предвзятости ответа?
  • Как избавиться от предвзятости ответа?
  • Какие инструменты опроса следует использовать вашей компании?

Что такое смещение ответа?

Этот термин относится к различным условиям и предубеждениям, которые могут повлиять на ответы на опросы.Предвзятость может быть преднамеренной или случайной, но при предвзятых ответах данные опроса становятся менее полезными, поскольку они неточны.

Это может стать особой проблемой при самоотчетных опросах участников.

Предвзятый ответ занимает центральное место в любом опросе, потому что он определяет качество данных, а предотвращение предвзятости действительно важно, если вы хотите получить содержательные ответы на опрос.

Смещение опережения — один из наиболее распространенных типов. Например, если ваш вопрос касается удовлетворенности клиентов , и предлагаются варианты «Очень доволен», «Доволен» и «Не удовлетворен».В этом случае есть предвзятость, которая может повлиять на результаты.

Чтобы избежать предвзятости, вы можете сбалансировать вопросы опроса, включив по два положительных и отрицательных варианта.

Загрузить отчет о деловых коммуникациях за 2020 год
Полезные идеи от более 1000 профессионалов.

Почему имеет значение предвзятость ответа?

Опрос — это мощный инструмент для бизнеса, поскольку он дает возможность получать данные и мнения от реальных членов целевой аудитории, что дает более точную оценку положения на рынке и производительности, чем может дать любой тест методом проб и ошибок.

Когда целью обследования является сбор данных, наиболее важны правильный размер выборки и методология обследования.

Какие существуют типы предвзятости ответа?

Одна из ключевых вещей, позволяющих избежать предвзятости в ответах, — полностью понимать, как это происходит. Существует несколько типов предвзятости ответов, которые могут повлиять на ваши опросы, и способность распознать каждый из них может помочь вам избежать предвзятости в ваших опросах по мере их создания, а не обнаруживать ее позже.

Однако, даже при таком понимании, всегда разумно поручить нескольким людям пройти любой план опроса, чтобы проверить возможные причины смещения ответов, прежде чем какой-либо опрос будет отправлен респондентам.Это гарантирует, что полученные данные будут максимально точными.

Здесь мы рассмотрим основные типы смещения ответов и приведем примеры смещения ответов, чтобы показать, насколько легко внести смещение в опрос.

1) Характеристики спроса

Один из наиболее распространенных типов предвзятости ответов, предвзятость спроса, возникает из-за того, что на респондентов влияет просто участие в исследовании.

Это происходит, когда респонденты фактически меняют свое поведение и мнения в результате участия в самом исследовании.Это может произойти по нескольким причинам, но важно понимать каждую из них, чтобы иметь возможность справиться с каждой формой проблемы смещения ответа.

Участники, которые обращаются к , понимают цель опроса

Например, если опрос направлен на изучение пользовательского опыта веб-сайта, участник может увидеть, что целью является сбор данных для поддержки внесения изменений в макет или контент.

Затем участник может ответить таким образом, который поддерживает эти изменения, а не так, как он действительно думает, что приведет к неверным или неточным ответам.

Настройка опроса или исследования

Это больше применимо к опросам, проводимым лично, когда исследователи, проводящие опрос, могут влиять на респондентов, но это также может относиться и к цифровым опросам.

Взаимодействие исследователя и респондента

Это может повлиять на подход к опросу. Обратите внимание: если это цифровой опрос, взаимодействие исследователя с респондентом по-прежнему возможно, оно происходит в электронном письме или сообщении, используемом для приглашения респондента к участию.

Здесь также может иметь место систематическая ошибка

Этот тип предвзятости влияет на всю гамму ответов от одного или нескольких участников. Например, если исследователь лично знает участника, даже дружеское приветствие может оказать подсознательное влияние на ответы.

Это верно как для электронного письма, так и для личного общения, поэтому, сохраняя формальный подход ко всем участникам, независимо от того, кем они являются, вы можете гарантировать единообразный ответ всех участников.

Предварительное знание опроса

Независимо от того, являются ли сами вопросы, или общие цели опроса, или то, как он составляется, предварительное знание некоторых аспектов опроса вызывает предвзятость ответа.

Это связано с тем, что участники могут быть поглощены самим опросом, в результате чего участники будут сомневаться в своих ответах и ​​в результате давать неточные ответы.

2) Смещение социальной желательности

Этот тип предвзятости ответов возникает из-за того, что участники отвечают на деликатные вопросы социально желательными, а не правдивыми ответами.

Ключевым моментом здесь является то, как формулируются вопросы о предвзятости ответа. Чтобы лучше проиллюстрировать это, вот пример:

«Как вы думаете, можно ли часто употреблять алкоголь?» — это вопрос, которому общество заставляет нас отказываться даже от тех, кто много пьет.

На такой вопрос нельзя получить правдивый ответ.

Люди знают правильный ответ и дадут его независимо от своего реального взгляда.

На самом деле, предубеждение в отношении социальной желательности может работать в обоих направлениях.В зависимости от вопроса вы можете обнаружить как завышение, так и занижение конкретной точки зрения, и это может существенно повлиять на удобство использования полученных данных.

3) Экстремальные ответы

Название действительно дает этому способ, но оно относится к предвзятости опроса, которая характерна для респондентов, дающих крайние ответы на вопросы. Это может проявляться в виде крайне положительных или отрицательных ответов, и в обоих случаях данные становятся неэффективными.

Этот тип предвзятости чаще всего встречается в опросах, предлагающих шкалу ответов для оценки отдельных компонентов, будь то числа (например, от 1 до 5, звездные рейтинги) или даже набор утверждений (например, удовлетворен, в основном удовлетворен). , несколько неудовлетворен и недоволен).

Что происходит, так это то, что ответы обычно 1 или 5, 1 звезда или 5 звезд, удовлетворен или не удовлетворен. Мало кто выбирает средние варианты. Посредством различных исследований предвзятости ответов было показано, что есть культурные влияния на этот тип поведения.

Культура, конечно, не единственная причина такого поведения. Исследования показывают, что уровень образования также имеет значение. Чем ниже уровень образования, тем больше вероятность того, что участник проявит экстремальные черты реакции.

Наконец, причиной может быть искажение формулировок. Деликатные вопросы, в которых предлагается обвинить кого-то или что-то в сложной ситуации, также приведут к крайним ответам.

Вот пример

Подумайте над следующим вопросом:

«Являются ли семья и сверстники частично ответственными за поведение наркомана?»

Для большинства людей не существует золотой середины, и ответы будут на пределе всех возможных вариантов.Хотя иногда необходимо задавать деликатные вопросы, тщательно структурируя их, чтобы избежать мгновенной эмоциональной реакции, можно избежать экстремальных ответов, о которых мы говорим.

4) Нейтральный ответ

Этот тип предвзятости ответа является полной противоположностью крайнего ответа, поскольку здесь участник каждый раз выбирает нейтральный ответ. Обычно это происходит из-за того, что участник совсем не заинтересован в опросе и просто хочет как можно быстрее ответить на вопросы.

Эти неточные данные столь же разрушительны и подчеркивают, насколько важным может быть выбор участников для вашего исследования.

5) Смещение согласия

Предвзятость примирения — это форма предвзятости ответов, когда участники отвечают, соглашаясь со всеми вопросами в опросе. В большинстве случаев, если ваш опрос хорошо разработан, в результате участник соглашается как минимум с двумя противоречащими друг другу утверждениями. Тогда ответы, полученные таким образом, больше не будут точными или правдивыми.

Реальность такова, что у всех нас свой уникальный взгляд на мир, и маловероятно, что кто-то согласится со всем в опросе. Чтобы понять, как бороться с подобной предвзятостью, давайте сначала посмотрим, как она возникает.

Было проведено много исследований такого рода ответов. Американский педагог-психолог Ли Кронбах предположил, что это результат того, что участник смотрел на вопрос и активно искал информацию из своего собственного опыта, чтобы поддержать его.Другие считают, что это связано с необходимостью доставить удовольствие исследователям, но подход Кронбаха считается наиболее актуальным.

В качестве примера опрос может содержать два вопроса:

  • «Вы общительны и общительны?»
  • «Что вы предпочитаете: тихую ночь или шумную вечеринку?»

Респондент мог бы ответить утвердительно на первый вопрос, потому что всем нам нравится думать о себе как о симпатичных, социальных людях.

Однако, когда они сталкиваются со вторым вопросом, они могут вспомнить, как хорошо провели ночь, и ответить этим.Может показаться, что эти два ответа противоречат друг другу. Оба, однако, были бы искренними, правдивыми ответами с точки зрения участника.

6) Инакомыслие

Наконец, у нас есть предвзятость к инакомыслию. Это полная противоположность предвзятости согласия, когда участник стремится не соглашаться с каждым утверждением или вопросом, сделанным исследователем.

При тех же причинах предвзятость к инакомыслию может быть такой же проблемой для исследователей, как и предвзятость согласия, и ее необходимо устранять таким же образом.

Как избавиться от предвзятости ответа?

Избежать смещения ответа легче, если вы знаете типы смещения ответа и почему они возникают. Каждый исследователь может сделать несколько вещей, чтобы преодолеть предвзятость ответа.

1) Определите свою демографию

Как мы обсуждали ранее, некоторые демографические группы более восприимчивы к определенным типам предвзятости. Уделять внимание тому, «кого» вы спрашиваете, так же важно, как и «что» вы спрашиваете.

Вы можете поставить демографическое понимание во главу угла своего исследования, задав себе несколько простых вопросов:

  • Что общего у моей аудитории?
  • Почему они захотят ответить на мой опрос?
  • Что в них меня интересует?

Сделайте это частью своего исследования, и у вас будет больше ответов.

2) Избегайте смещения формулировок вопроса

Тщательная формулировка вопросов имеет решающее значение для получения непредвзятого опроса и ответов.Раньше мы говорили о врожденной предвзятости, но это также относится к вопросам, которые вызывают эмоциональный ответ и могут вызвать предвзятость или чрезмерную реакцию.

Следуйте этим простым рекомендациям по опросу , чтобы избежать искажения слов в ваших опросах:

  • Посмотрите на вопросы и убедитесь, что есть баланс
  • Включите столько положительных отзывов, сколько отрицательных
  • Старайтесь избегать вопросов, которые так или иначе вызовут сильный эмоциональный отклик
  • Всегда ищите фразы, дающие приемлемый положительный или отрицательный ответ

3) Разнообразьте вопросы

Чтобы участники не теряли сосредоточенности, избегайте на всех этапах использования вопросов одного типа.Вместо этого смешайте вопросы с двоичным ответом (да или нет) с вопросами, предлагающими ряд ответов. Это позволяет избежать того, чтобы участник просто каждый раз отвечал один и тот же, и, таким образом, заставляет их думать о своих ответах.

Это относится не только к стилю вопроса. Избегайте задавать вопросы на одну и ту же тему один за другим, так как это может привести к рефлекторным ответам, полученным без раздумий.

Вместо этого смешивайте темы на протяжении всего опроса, чтобы участник не просто автоматически следил за тем, на что он ответил в прошлый раз, а должен был обдумывать каждый вопрос отдельно.

4) Разрешить участникам сказать «нет»

Участники часто хотят дать максимально точный ответ, но на некоторые вопросы участник может не иметь ответа. Чувствуя, что им нужно что-то сделать, они временами дают неточный ответ, которого вы не хотите.

Наличие вариантов «не знаю» или «не определился» позволяет им ответить честно, не искажая ваши результаты. Фактически, это незначительное дополнение к вашему опросу может удалить гораздо больше неточных ответов, чем вы думаете.

Кроме того, опция «не знаю» может быть ценным набором данных сама по себе и может оказаться полезной при последующем анализе.

5) Эффективное администрирование

Как мы видели, несколько форм предвзятости ответов могут быть вызваны влиянием самих исследователей или мотивами опроса. Это делает каждый аспект проведения опроса решающим для его успеха.

Следующие важные шаги должны выполняться при каждом опросе:

Исследователи должны всегда оставаться нейтральными

Во время любой переписки поддерживайте профессиональную и непредвзятую манеру поведения, чтобы участники осознавали важность ситуации.Использование цифрового подхода может устранить некоторые из этих рисков.

Обеспечение целостности обследования

Участники повторного предположения о мотивах исследования или выяснения мотивов перед тем, как принять участие в опросе, приводят к смещению ответов. Сделайте это, сохранив целостность опроса и убедившись, что участники не имеют дополнительной информации.

Чтобы убедиться, что участники понимают мотивы опроса, можно использовать краткую анкету после опроса.

Узнайте о последних тенденциях в области коммуникации на рабочем месте в
Отчет Nextiva о состоянии деловых коммуникаций за 2020 год.

6) Избегайте эмоционально заряженных терминов

Ваши вопросы должны быть четкими, точными и легко понятными. Это означает простой, непредвзятый язык, который избегает использования слов, вызывающих эмоциональную (а не основанную на сквозной) реакцию.

Сюда входят такие слова, как:

  • Политик
  • Террорист
  • Наркоман

И так далее.Вам нужны продуманные ответы, и эти так называемые «осветляющие» слова вместо этого вызывают эмоциональную реакцию, не столь ценную для вашего исследования.

Кроме того, старайтесь избегать использования большого количества отрицательных слов, поскольку они могут повлиять на восприятие участниками опроса и исказить их ответы.

Наконец, избегайте уловок со словами. Будьте откровенны с аудиторией и позвольте им развить свои ответы.

Все это относительно простые шаги для улучшения результатов опроса.Устранение предвзятости в ответах поможет вам получить точные, беспристрастные данные и отразить реальные взгляды вашей аудитории.

Какие инструменты опроса следует использовать вашей компании?

Даже если вам известны различные типы предвзятости ответа, вам все равно необходимо отслеживать опрос на предмет проблем и неточных данных.

В Nextiva есть два инструмента, разработанные для этого за вас, обеспечивающие производительность в сочетании с простотой использования для бесшовной интеграции в ваш рабочий процесс.

Nextiva Survey Analytics

Survey Analytics обеспечивает эффективность бизнес-аналитики с помощью комплексного набора функций, который отслеживает данные ответов на опросы на протяжении всего исследования.Это обеспечивает простое, ясное и наглядное представление необходимых вам данных.

Через этот простой интерфейс вы можете развернуть, чтобы получить полную картину эффективности, анализируя результаты вплоть до отдельного респондента, если это необходимо. Все данные легко доступны, что экономит время и нервы.

Благодаря визуальному представлению совокупных ответов на любой вопрос вы можете быстро определять тенденции и аномалии по мере их появления.

Обследования Nextiva

Комплексное программное решение для всех ваших опросов, Nextiva Surveys обеспечивает идеальную платформу для всех ваших исследований.Благодаря простому и быстрому дизайнерскому решению ваши опросы будут выглядеть великолепно. А полная настройка гарантирует, что они всегда будут отражать имидж вашего бренда.

Без необходимости кодирования, вы можете собрать красивые, насыщенные опросы всего за несколько минут, сэкономив время и деньги, не жертвуя качеством или контролем.

Существуют шаблоны для всех типов вопросов, полная безопасность и функции, включая логику пропуска для персонализированного взаимодействия.

В

Nextiva Surveys есть все инструменты, необходимые для создания эффективных опросов без предвзятости ответов, дающих исключительные результаты.

Платформа бесплатная, вы можете доставлять опросы по электронной почте или через Интернет. Адаптивный дизайн обеспечивает исключительное удобство работы даже на мобильных устройствах.

Когда дело доходит до опросов без предвзятости, Nextiva поддерживает вас. С помощью нашего простого в использовании программного обеспечения для проведения опросов создание эффективных опросов, исключающих предвзятость ответов, находится всего в нескольких щелчках мыши. Попробуйте их прямо сейчас и убедитесь, насколько простыми могут быть опросы!

Кэмерон Джонсон — лидер сегмента рынка Nextiva. Помимо статей в блоге Nextiva, Кэмерон писал для различных изданий, включая Inc.и Business.com. Кэмерон недавно был признан маркетологом года в штате Юта.

11.2 Понимание принятия решений | Организационное поведение

Цели обучения

  1. Определите принятие решения.
  2. Разберитесь в различных типах решений.

Принятие решения относится к выбору альтернативных вариантов действий, которые также могут включать бездействие. Хотя можно утверждать, что управление — это принятие решений, половина решений, принимаемых менеджерами в организациях, в конечном итоге терпит неудачу.Следовательно, повышение эффективности принятия решений — важная часть повышения эффективности вашей работы. Эта глава поможет вам понять, как принимать решения в одиночку или в группе, избегая распространенных ошибок при принятии решений.

Сотрудники организаций используют собранную ими информацию для принятия самых разных решений. Эти решения могут повлиять на жизнь других и изменить курс организации. Например, решения, принятые руководителями и консалтинговыми фирмами для Enron, в конечном итоге привели к потере 60 миллиардов долларов для инвесторов, тысячам сотрудников без работы и потере всех пенсионных фондов сотрудников.Но Шеррон Уоткинс, бывший сотрудник Enron, а ныне известный осведомитель, обнаружил проблемы бухгалтерского учета и попытался внести изменения. Точно так же решение фирм торговать ценными бумагами, обеспеченными ипотекой, имеет негативные последствия для всей экономики Соединенных Штатов. Все стороны, вовлеченные в такие исходы, приняли решение, и теперь все живут с последствиями этих решений.

Типы решений

«Большинство обсуждений принятия решений предполагают, что только высшие руководители принимают решения или что только решения высшего руководства имеют значение.Это опасная ошибка ». Питер Друкер

Несмотря на далеко идущий характер решений в предыдущем примере, не все решения имеют серьезные последствия или даже требуют тщательного обдумывания. Например, перед тем, как прийти в класс, вы принимаете простые и привычные решения, например, что надеть, что поесть и по какому маршруту идти домой и в школу. Вы, вероятно, не тратите много времени на эти обыденные решения. Эти типы простых решений называются запрограммированными решениями или решениями, которые происходят достаточно часто, чтобы мы могли на них автоматически реагировать.Автоматический ответ, который мы используем для принятия этих решений, называется правилом принятия решения. Например, многие рестораны сталкиваются с жалобами клиентов как на обычную часть ведения бизнеса. Поскольку жалобы являются повторяющейся проблемой, реагирование на них может стать запрограммированным решением. Ресторан может принять политику, согласно которой каждый раз, когда он получает действительную жалобу клиента, клиент должен получать бесплатный десерт, что представляет собой правило принятия решения.

Рисунок 11.3 Для обеспечения единообразия во всем мире, например, на этом St.Санкт-Петербург, Россия, местонахождение, McDonald’s Corporation обучает всех менеджеров ресторанов в Университете Гамбургера, где они проходят курсы, эквивалентные 2 годам обучения в колледже, и учатся принимать решения на работе. Учебная программа ведется на 28 языках. Источник: http://upload.wikimedia.org/wikipedia/commons/a/a2/McDonalds_in_St_Petersburg_2004.JPG.

С другой стороны, уникальные и важные решения требуют осознанного мышления, сбора информации и внимательного рассмотрения альтернатив.Это так называемые незапрограммированные решения. Например, в 2005 году корпорация McDonald’s осознала необходимость реагирования на растущие опасения клиентов относительно вредных для здоровья аспектов (с высоким содержанием жиров и калорий) продуктов, которые они продают. Это непрограммированное решение, потому что в течение нескольких десятилетий клиентов ресторанов быстрого питания больше беспокоили вкус и цена еды, чем ее полезность. В ответ на эту проблему McDonald’s решила предложить более здоровые альтернативы, такие как выбор заменить картофель фри в Happy Meals ломтиками яблока, а в 2007 году они запретили использование трансжиров в своих ресторанах.

Кризисная ситуация также является непрограммным решением для компаний. Например, перед руководством Нутрорима стояло непростое решение. Недавно они представили новый продукт, ChargeUp с липитреном, улучшенную версию их популярного порошка для спортивных напитков ChargeUp. В какой-то момент поступил телефонный звонок из департамента здравоохранения штата, чтобы сообщить им об 11 случаях желудочно-кишечного расстройства, которые могли быть связаны с их продуктом, что привело к решению отозвать ChargeUp. Решение было принято без расследования информации.Хотя это решение было консервативным, оно было принято без процесса взвешивания информации. Две недели спустя стало ясно, что заявленные проблемы со здоровьем не связаны с продуктом Nutrorim. Фактически, все случаи были связаны с зараженным сок-баром в оздоровительном клубе. Однако ущерб бренду и балансу уже был нанесен. Это неудачное решение заставило Нутрорим переосмыслить способ принятия решений в условиях давления. Теперь компания собирает информацию, чтобы делать осознанный выбор, даже когда время имеет значение.

Решения можно разделить на три категории в зависимости от уровня, на котором они принимаются. Стратегические решения определяют курс организации. Тактические решения — это решения о том, как дела будут реализованы. Наконец, операционные решения относятся к решениям, которые сотрудники принимают каждый день, чтобы организация работала. Например, подумайте о ресторане, который обычно предлагает бесплатный десерт, когда поступает жалоба клиента. Владелец ресторана принял стратегическое решение, чтобы обеспечить отличное обслуживание клиентов.Менеджер ресторана ввел политику бесплатных десертов как способ работы с жалобами клиентов, что является тактическим решением. Наконец, серверы ресторана каждый день принимают индивидуальные решения, оценивая, является ли каждая полученная жалоба клиента законной и гарантирует ли получение бесплатного десерта.

Рисунок 11.4 Примеры решений, обычно принимаемых в организациях

В этой главе мы собираемся обсудить различные модели принятия решений, предназначенные для понимания и оценки эффективности незапрограммированных решений.Мы рассмотрим четыре подхода к принятию решений, начиная с модели рационального принятия решений, переходя к модели принятия решений с ограниченной рациональностью, интуитивной модели принятия решений и заканчивая творческой моделью принятия решений.

Принятие рациональных решений

Модель рационального принятия решений описывает серию шагов, которые должны учитывать лица, принимающие решения, если их цель — максимизировать качество своих результатов. Другими словами, если вы хотите убедиться, что делаете лучший выбор, может иметь смысл пройти формальные этапы модели рационального принятия решений.

Давайте представим, что ваш старый неуклюжий автомобиль сломался, и у вас накоплено достаточно денег, чтобы внести значительный первоначальный взнос за новый автомобиль. Это будет первая крупная покупка в вашей жизни, и вы захотите сделать правильный выбор. Таким образом, первый шаг уже сделан — мы знаем, что вы хотите купить новую машину. Затем, на шаге 2, вам нужно будет решить, какие факторы важны для вас. Сколько пассажиров вы хотите разместить? Насколько важна для вас экономия топлива? Насколько важна безопасность? Вы сэкономили только определенную сумму денег, и вы не хотите брать на себя слишком много долгов, поэтому ценовой диапазон также является важным фактором.Если вы знаете, что хотите иметь место как минимум для пяти взрослых, получить не менее 20 миль за галлон, водить машину с высоким рейтингом безопасности, не тратить на покупку более 22000 долларов и вам нравится, как она выглядит, вы определили критерии принятия решения. Все возможные варианты приобретения автомобиля будут оцениваться по этим критериям. Прежде чем мы двинемся слишком далеко, вам нужно решить, насколько важен каждый фактор для вашего решения на шаге 3. Если каждый из них одинаково важен, то взвешивать их нет необходимости, но если вы знаете, что цена и миль на галлон являются ключевыми факторами. , вы можете серьезно взвесить их, а остальные критерии оставить со средней важностью.Шаг 4 требует, чтобы вы сгенерировали все альтернативы вашим вариантам. Затем, на шаге 5, вам необходимо использовать эту информацию для оценки каждой альтернативы по установленным вами критериям. Вы выбираете лучшую альтернативу (шаг 6), а затем идете покупать новую машину (шаг 7).

Конечно, исход этого решения повлияет на следующее решение. Вот где вступает в действие шаг 8. Например, если вы покупаете автомобиль и у вас с ним только проблемы, вы с меньшей вероятностью будете учитывать ту же марку и модель при покупке автомобиля в следующий раз.

Рисунок 11.5 Этапы модели принятия рациональных решений

Хотя лица, принимающие решения, могут сбиться с пути на любом из этих этапов, исследования показывают, что поиск альтернатив на четвертом этапе может быть наиболее сложной задачей и часто приводит к неудаче. Фактически, один исследователь обнаружил, что в 85% рассмотренных им решений не было альтернативной генерации. И наоборот, успешные менеджеры знают, чего они хотят в самом начале процесса принятия решений, ставят цели, на которые должны реагировать другие, проводят неограниченный поиск решений, привлекают к участию ключевых людей и избегают использования своей власти для продвижения своей точки зрения

Модель рационального принятия решений дает важные уроки для лиц, принимающих решения.Во-первых, при принятии решения вы можете убедиться, что вы установили критерии решения, прежде чем искать альтернативы. Это помешает вам слишком сильно полюбить один вариант и установить соответствующие критерии. Например, предположим, что вы начали просматривать автомобили в Интернете до того, как сформировали критерии принятия решения. Вы можете столкнуться с автомобилем, который, по вашему мнению, отражает ваше чувство стиля, и у вас разовьется эмоциональная связь с автомобилем. Затем, из-за вашей любви к конкретному автомобилю, вы можете сказать себе, что экономия топлива автомобиля и инновационная тормозная система являются наиболее важными критериями.После покупки вы можете понять, что машина слишком мала для ваших друзей, чтобы ехать на заднем сиденье, о чем вы должны были подумать. Установка критериев перед поиском альтернатив может предотвратить такие ошибки. Еще одно преимущество рациональной модели состоит в том, что она побуждает лиц, принимающих решения, генерировать все альтернативы, а не только несколько. Создавая большое количество альтернатив, охватывающих широкий диапазон возможностей, вы вряд ли примете более эффективное решение, которое не потребовало бы жертвовать одним критерием ради другого.

Несмотря на все преимущества, вы могли заметить, что эта модель принятия решений также включает в себя ряд нереалистичных предположений. Он предполагает, что люди полностью понимают решение, которое необходимо принять, что они знают все возможные варианты выбора, что у них нет предубеждений в восприятии и что они хотят принимать оптимальные решения. Лауреат Нобелевской премии экономист Герберт Саймон заметил, что, хотя модель рационального принятия решений может быть полезным инструментом, помогающим лицам, принимающим решения, работать с проблемами, она не отражает того, как решения часто принимаются в организациях.Фактически, Саймон утверждал, что это даже близко не подходило.

Подумайте о том, как вы принимаете важные решения в своей жизни. Вполне вероятно, что вы редко садитесь и выполняете все 8 шагов в модели рационального принятия решений. Например, эта модель предполагала, что мы должны искать все возможные альтернативы, прежде чем принимать решение, но этот процесс занимает много времени, и люди часто испытывают нехватку времени для принятия решений. Более того, даже если бы у нас был доступ ко всей доступной информации, было бы сложно сравнивать плюсы и минусы каждой альтернативы и ранжировать их в соответствии с нашими предпочтениями.Любой, кто недавно приобрел новый портативный компьютер или мобильный телефон, может подтвердить, что ему сложно разобраться в различных сильных сторонах и ограничениях каждой марки и модели и прийти к решению, которое наилучшим образом соответствует конкретным потребностям. Фактически, доступность слишком большого количества информации может привести к аналитическому параличу, при котором все больше и больше времени тратится на сбор информации и размышления о ней, но на самом деле никакие решения не принимаются. Старший руководитель Hewlett-Packard Development Company LP признает, что его компания страдала от этой спирали слишком долгого анализа вещей до такой степени, что сбор данных привел к тому, что «мы не принимали решения, а принимали решения мы.«Более того, вы не всегда можете быть заинтересованы в принятии оптимального решения. Например, если вы хотите купить дом, вы можете быть готовы и способны вложить много времени и энергии, чтобы найти дом своей мечты, но если вы ищете квартиру только для аренды на учебный год, вы могут быть готовы выбрать первый, который соответствует вашим критериям чистоты, близости к университетскому городку и в пределах вашего ценового диапазона.

Принятие «достаточно хороших» решений

Модель ограниченной рациональности принятия решений признает ограничения наших процессов принятия решений.Согласно этой модели, люди сознательно ограничивают свои возможности управляемым набором и выбирают первую приемлемую альтернативу, не проводя исчерпывающего поиска альтернатив. Важной частью подхода ограниченной рациональности является тенденция к удовлетворению (термин, введенный Гербертом Саймоном из , удовлетворяет и достаточно ), которая относится к принятию первой альтернативы, которая соответствует вашим минимальным критериям. Например, многие выпускники колледжей не ищут потенциальных вакансий в стране или за рубежом.Вместо этого они сосредотачивают свой поиск на ограниченной географической области и склонны принимать первое предложение в выбранной ими области, даже если это может быть не идеальная ситуация с работой. Удовлетворение похоже на рациональное принятие решений. Основное отличие состоит в том, что вместо того, чтобы выбирать лучший вариант и максимизировать потенциальный результат, лицо, принимающее решение, экономит когнитивное время и усилия, принимая первую альтернативу, которая соответствует минимальному порогу.

Принятие интуитивных решений

Интуитивная модель принятия решений появилась как альтернатива другим процессам принятия решений.Эта модель относится к принятию решений без осознанного обоснования. В общей сложности 89% опрошенных менеджеров признались, что хотя бы иногда использовали интуицию для принятия решений, а 59% заявили, что они использовали интуицию часто. Менеджеры принимают решения в сложных обстоятельствах, включая нехватку времени, ограничения, большую неопределенность, меняющиеся условия, а также очевидные и важные результаты. Таким образом, логично, что у них не будет времени использовать рациональную модель принятия решений.Тем не менее, когда генеральных директоров, финансовых аналитиков и медицинских работников спрашивают о важнейших решениях, которые они принимают, они редко связывают успех с удачей. Стороннему наблюдателю может показаться, что они делают предположения относительно того, какие действия следует предпринять, но оказывается, что эксперты систематически принимают решения, используя модель, отличную от предполагавшейся ранее. Исследования решений о жизни или смерти, принимаемых начальниками пожарных, пилотами и медсестрами, показывают, что эксперты не выбирают из списка хорошо продуманных альтернатив.Они не выбирают между двумя или тремя вариантами и выбирают лучший. Вместо этого они рассматривают только один вариант за раз. Интуитивная модель принятия решений утверждает, что в данной ситуации эксперты, принимающие решения, просматривают окружающую среду в поисках сигналов, чтобы распознать закономерности. После того, как шаблон распознан, они могут воспроизвести потенциальный план действий до его результата, основываясь на своем предыдущем опыте. Благодаря обучению, опыту и знаниям эти лица, принимающие решения, имеют представление о том, насколько хорошо может работать данное решение.Если они просматривают ментальную модель и обнаруживают, что решение не сработает, они изменяют решение, прежде чем привести его в действие. Если это все еще не считается работоспособным решением, оно отклоняется как вариант, и новая идея проверяется до тех пор, пока не будет найдено работоспособное решение. Как только жизнеспособный план действий определен, лицо, принимающее решение, приводит решение в действие. Ключевым моментом является то, что одновременно рассматривается только один вариант. Новички не могут таким образом принимать эффективные решения, потому что у них недостаточно предыдущего опыта, на который можно было бы опираться.

Принятие творческих решений

В дополнение к рациональному принятию решений, ограниченной рациональности и интуитивно понятным моделям принятия решений, творческое принятие решений является жизненно важной частью эффективного лица, принимающего решения. Творчество — это порождение новых творческих идей. В условиях сглаживания организаций и острой конкуренции между компаниями отдельные лица и организации вынуждены творчески подходить к решениям, начиная от сокращения затрат и заканчивая созданием новых способов ведения бизнеса.Обратите внимание: хотя творчество — это первый шаг в инновационном процессе, творчество и инновации — это не одно и то же. Инновации начинаются с творческих идей, но также подразумевают реалистичное планирование и доведение до конца. Такие инновации, как тонирование окон Clearview Window Tinting от 3M, являются результатом творческого процесса принятия решений о том, что может или не может работать для решения реальных проблем.

Пять шагов к творческому принятию решений во многом схожи с предыдущими моделями принятия решений.Все модели включают идентификацию проблемы, что является этапом, на котором становится очевидной необходимость решения проблемы. Если вы не осознаете, что у вас есть проблема, решить ее невозможно. Погружение — это этап, на котором лицо, принимающее решение, осознанно думает о проблеме и собирает информацию. Ключом к успеху в принятии творческих решений является наличие или приобретение опыта в изучаемой области. Затем происходит инкубация. Во время инкубации особь откладывает проблему в сторону и некоторое время не думает о ней.В это время мозг фактически бессознательно работает над проблемой. Затем наступает озарение или момент озарения, когда решение проблемы становится очевидным для человека, иногда тогда, когда этого меньше всего ожидают. Это внезапное озарение — момент «эврики», подобный тому, что случилось с древнегреческим изобретателем Архимедом, который нашел решение проблемы, над которой он работал, принимая ванну. Наконец, этап проверки и применения происходит, когда лицо, принимающее решение, сознательно проверяет осуществимость решения и реализует решение.

Рисунок 11.6 Процесс принятия творческих решений

Ученый НАСА описывает процесс принятия решений, приводящий к творческому результату, следующим образом: он пытался придумать лучший способ удаления льда с самолетов, чтобы сделать этот процесс более быстрым и безопасным. Осознав проблему, он погрузился в литературу, чтобы понять все варианты, и месяцами работал над проблемой, пытаясь найти решение. И только когда он сидел возле ресторана McDonald’s со своими внуками, его осенило.Золотые арки буквы М на логотипе McDonald’s вдохновили его на решение — он разработал антиобледенитель в виде серии «Мисс. Это», представляющей сцену освещения. После того, как он проверил и проверил свое творческое решение, он решил эту проблему, за исключением размышлений о результате и процессе.

Как узнать, креативен ли ваш процесс принятия решений?

Исследователи сосредотачиваются на трех факторах, чтобы оценить уровень творчества в процессе принятия решений. Под беглостью подразумевается количество идей, которые может генерировать человек.Гибкость означает, насколько идеи отличаются друг от друга. Если вы можете найти несколько различных решений проблемы, ваш процесс принятия решений отличается высокой гибкостью. Оригинальность означает, насколько уникальны идеи человека. Можно сказать, что Рид Хастингс, основатель и генеральный директор Netflix Inc., довольно творческий человек. В его процессе принятия решений проявляются как минимум два элемента творчества. Мы не знаем точно, сколько идей у ​​него было на протяжении своей карьеры, но его идеи довольно сильно отличаются друг от друга.После преподавания математики в Африке в Корпусе мира Гастингс был принят в Стэнфорд, где получил степень магистра компьютерных наук. Вскоре после начала работы в компании-разработчике программного обеспечения он изобрел успешный инструмент для отладки, что привело к его основанию в 1991 году компании Pure Software LLC, занимающейся поиском и устранением неисправностей компьютеров. После слияния и последующей продажи образовавшейся компании в 1997 году Хастингс основал Netflix, которая произвела революцию в сфере проката DVD, поскольку онлайн-прокат доставляется по почте без штрафных санкций.В 2007 году Гастингс был избран в совет директоров Microsoft. Как видите, его идеи отличаются оригинальностью и гибкостью.

Рисунок 11.7 Размеры творчества

Некоторые эксперты предположили, что творчество происходит как взаимодействие между тремя факторами: личностными чертами людей (открытость опыту, принятие риска), их атрибутами (опыт, воображение, мотивация) и ситуационным контекстом (поощрение со стороны других, нехватка времени, физическая нагрузка). конструкции).Например, исследования показывают, что люди, открытые к опыту, менее сознательные, более самоуверенные и импульсивные, как правило, более творческие.

OB Toolbox: идеи для повышения организационного творчества

  • Состав команды
    • Диверсифицируйте свою команду , чтобы дать им больше возможностей для развития и больше возможностей для создания функционального конфликта, избегая при этом личного конфликта.
    • Измените членство в группе , чтобы стимулировать новые идеи и новые модели взаимодействия.
    • Команды без лидера могут дать командам свободу творчества, не пытаясь угодить кому-либо заранее.
  • Командный процесс
    • Участвуйте в мозговом штурме , чтобы генерировать идеи. Не забудьте установить высокую цель по количеству идей, которые должна придумать группа, поощряйте безумные идеи и делайте перерывы для мозгового письма.
    • Используйте номинальную групповую технику (см. Инструменты и методы для принятия лучших решений ниже) лично или в электронном виде , чтобы избежать некоторых распространенных ошибок группового процесса.Рассмотрите также анонимную обратную связь.
    • Используйте аналогии , чтобы представить себе проблемы и решения.
  • Лидерство
    • Бросьте вызов командам , чтобы они были вовлечены, но не перегружены.
    • Позвольте людям решать, как достичь целей , а не говорить им, какие цели нужно достичь.
    • Поддержите и отметьте творчество , даже если оно приводит к ошибке. Обязательно настройте процессы, чтобы учиться на ошибках.
    • Образец для подражания творческое поведение.
  • Культура
    • Внедрите организационную память , чтобы люди не тратили время на рутинные задачи.
    • Создайте физическое пространство, способствующее творчеству , которое будет веселым и юмористическим — это место, где могут процветать идеи.
    • Включить творческое поведение в процесс служебной аттестации.

Источники: адаптировано из идей Amabile, T.М. (1998). Как убить творчество. Harvard Business Review , 76 , 76–87; Гандри, Л. К., Киккул, Дж. Р., и Пратер, К. В. (1994). Построение творческой организации. Организационная динамика , 22 , 22–37; Кейт Н. и Фрезе М. (2008). Эффективность обучения управлению ошибками: метаанализ. Журнал прикладной психологии , 93 , 59–69. Пирсолл, М. Дж., Эллис, А. П. Дж., И Эванс, Дж. М. (2008). Раскрытие влияния гендерных различий на творчество команды: активация — ключ к успеху? Журнал прикладной психологии , 93 , 225–234.Томпсон, Л. (2003). Повышение креативности организационных рабочих групп. Академия Управления Руководителя , 17 , 96–109.

Есть много доступных методов, которые улучшают творческие способности. Линус Полинг, лауреат Нобелевской премии, который популяризировал идею о том, что витамин С может помочь укрепить иммунную систему, сказал: «Лучший способ иметь хорошую идею — это иметь много идей». Один из популярных методов генерации идей — мозговой штурм. Мозговой штурм — это групповой процесс генерации идей, которые следуют набору руководящих принципов, включая отказ от критики идей в процессе мозгового штурма, идею о том, что никакое предложение не является слишком сумасшедшим, и построение на других идеях (совмещение).Исследования показывают, что количество идей на самом деле приводит к лучшему их качеству в конечном итоге, поэтому рекомендуется установить высокие квоты идей, при которых группа должна достичь определенного количества идей, прежде чем они будут реализованы, чтобы избежать потери процесса и максимизировать эффективность мозговой штурм. Еще один уникальный аспект мозгового штурма заключается в том, что, поскольку разнообразие фонов и подходов дает группе больше возможностей, чем больше людей будет вовлечено в процесс, тем лучше будет результат решения. Разновидностью мозгового штурма является дикий штурм, в котором группа сосредотачивается на идеях, которые невозможны, а затем представляет, что должно произойти, чтобы они стали возможными.

Рисунок 11.8 Какую модель принятия решений мне следует использовать?

Ключевые вынос

Принятие решения — это выбор одного из альтернативных вариантов действий, включая бездействие. Существуют разные типы решений, от автоматических, запрограммированных решений до более сложных непрограммированных решений. Структурированные процессы принятия решений включают рациональное, ограниченное рациональное, интуитивное и творческое принятие решений. Каждый из них может быть полезен в зависимости от обстоятельств и проблемы, которую необходимо решить.

Упражнения

  1. В чем вы видите главное отличие удачного решения от неудачного? Насколько здесь удача или умение? Сколько времени нужно пройти, чтобы узнать, было ли решение успешным или нет?
  2. Исследования показали, что более половины решений, принимаемых в организациях, терпят неудачу. Вас это удивляет? Почему или почему нет?
  3. Использовали ли вы модель рационального принятия решений для принятия решения? В каком контексте? Насколько хорошо работала модель?
  4. Поделитесь примером решения, в котором вы использовали удовлетворение.Вы были довольны результатом? Почему или почему нет? Когда вы, скорее всего, будете заниматься сатисфитом?
  5. Считаете ли вы, что интуиция считается стилем принятия решений? Как вы думаете, так и должно быть? Почему или почему нет?

Научный форум: Десять распространенных статистических ошибок, на которые следует обратить внимание при написании или рецензировании рукописи

Резюме:

Рецензент № 1:

В целом, мне понравилось читать эту рукопись. В этом, безусловно, есть свои достоинства.

Однако временами я обнаруживал, что совершенно не согласен с некоторыми рекомендациями. Ниже я привожу список некоторых из моих наиболее серьезных претензий. Я думаю, что эта рукопись может быть подходящей для публикации, но для ее создания требуется значительный объем дополнительной работы.

Во-первых, я не знаю предысторию авторов (извиняюсь, если я оскорбляю), но некоторые формулировки, примеры и описания предполагают, что они сами не являются опытными специалистами в области прикладной статистики.Эта рукопись чрезвычайно выиграет от вклада такого человека, просто чтобы переформулировать некоторые из типичных ошибок и увязать их с хорошо известными проблемами, которые статистики обычно наблюдают при обучении статистиков, консультировании коллег и рецензировании рукописей. Я согласен с тем, что в этой рукописи важен тон и голос ученого (а не статистика), но важно, чтобы рукопись была такой, чтобы она имела гораздо более сильную статистическую основу, чтобы придать ей больший вес.

Большая часть текста здесь довольно многословна, а объяснения проблем часто сбивают с толку (например, вопросы 3 и 4). Я уверен, что авторы могли бы сделать их намного проще и понятнее. Бэкграунд авторов явно связан с неврологией. Иногда это видно на их выборочных примерах (например, вопрос 1). Эта рукопись будет работать также с более нейтральными примерами, которые будут понятны любому человеку, работающему в различных научных дисциплинах. Итак, предлагаю авторам так переписать.

Рукописи, подобные этой, имеют важное значение и могут оказать существенное влияние не только на научное освещение, но и на то, как это делается. Итак, я надеюсь, что авторы решат внести в рукопись соответствующие изменения, чтобы сделать ее более приемлемой для публикации.

Мы благодарим рецензента за этот комментарий, поскольку он подчеркивает необходимость того, чтобы мы с самого начала более четко указывали наши намерения и целевую аудиторию в отношении нашего комментария. Этот комментарий написан нейробиологами своим коллегам-нейробиологам и их стажерам (обратите внимание, что мы предусмотрели его размещение в разделе «нейробиология»).Теперь уточним, что мы нейробиологи, а не статистики. Фактически, проблемы, которые мы выделяем, требуют минимальной статистической подготовки, поэтому мы считаем, что этот комментарий может оказать реальное влияние. Принимая во внимание нашу подготовку и перспективы, мы не чувствуем себя хорошо подготовленными, чтобы составить общий список проблем, которые являются общими для разных областей науки, поэтому мы считаем, что нацеливание на нейробиологию будет наиболее подходящим и эффективным подходом. Поэтому мы хотим, чтобы примеры и общее обсуждение были доступными и актуальными для нашей целевой аудитории, хотя мы учли этот комментарий и, когда это возможно, мы упростили примеры или сократили некоторые из реальных деталей.

Abstract: «Вдохновленные более широкими усилиями по повышению строгости различных этапов научных исследований, здесь мы составляем список некоторых из наиболее распространенных ошибок вывода, связанных с неэффективным дизайном эксперимента, несоответствующим статистическим анализом и / или ошибочными рассуждениями, появляющимися в опубликованных статьях по нейробиологии ».

Введение: «Здесь мы выделяем некоторые из наиболее распространенных и уместных ошибок в научной интерпретации, которые следует устранять в процессе экспертной оценки.[…] Мы надеемся, что этот список поможет лучше понять, почему эти проблемы являются проблематичными, как обнаружить их в рукописи и как решить их в процессе рецензирования ».

Существенных изменений:

0) Введение

Рецензент № 1:

— Во Введении стоит отметить, что многие журналы проводят внутренние статистические обзоры и / или рассылают рукописи для более детального статистического обзора, если у обозревателей основного содержания есть сомнения.

Принимая во внимание акцент на общей нейробиологии, по нашему опыту, это довольно необычно для общих исследовательских работ (может быть, это более обычная практика в некоторых клинических журналах?). Это может быть причиной того, что сообщество нейробиологов страдает от этих ошибок вывода.

1) Отсутствие контрольного условия / группа

Рецензент № 1:

— Эта рукопись иногда очень ориентирована на нейробиологию. Я понимаю, что это главный интерес авторов, но иногда мне кажется, что это просто отвлекает от сообщения, и гораздо более простые примеры (которые будут универсальными для всех ученых) сработали бы намного лучше.Это особенно верно в отношении этой первой распространенной «ошибки».

Согласен. Мы адаптировали текст для более широкого соответствия различным дисциплинам нейробиологии:

«Например, при изучении эффекта тренировки обычно исследуют изменения в поведении или физиологические показатели. Тем не менее, изменения в показателях результатов могут возникнуть из-за других элементов исследования, которые не имеют прямого отношения к манипуляции (например, обучению) как таковой. Повторение одной и той же задачи в отсутствие вмешательства может вызвать изменение результатов между измерениями до и после вмешательства, например.грамм. из-за того, что участник или экспериментатор просто привыкает к условиям эксперимента, или из-за других изменений, связанных с течением времени ».

Рецензент № 2:

— «завышение вероятности наблюдения ложных изменений» — но все статистические тесты проводятся с использованием вероятностей ложных срабатываний, которые зависят от изменчивости данных. Каковы доказательства того, что низкая надежность результатов повторного тестирования приводит к увеличению числа ложноположительных результатов? Как отмечается в этом разделе, будет «наблюдаться» только абсолютный размер разницы — статистика покажет нам, является ли это различие надежным или нет, и именно здесь применяется (фиксированный) уровень ложных срабатываний.

Согласен. Мы удалили из рукописи следующее предложение: «Если надежность повторного тестирования низкая, то естественные колебания переменной с течением времени будут большими, тем самым увеличивая вероятность наблюдения ложных изменений с течением времени».

— Я часто сталкиваюсь с контрольными группами, которые отбираются после того, как известны результаты экспериментальной группы (например, множество исследований ТМС). Я бы добавил, что контрольную и экспериментальную группы необходимо отбирать одновременно и с рандомизированным распределением.

Согласен, это действительно очень актуально, мы упомянули об этой халатности в тексте следующим образом:

«Также важно, чтобы контрольная и экспериментальная группы отбирались одновременно и с рандомизированным распределением, чтобы минимизировать любые ошибки».

— Это не только «продольное», это относится и к данным поперечного сечения.

Согласен. Мы убрали «лонгитюдный» из следующего предложения: «Выводы сделаны на основе продольных данных по одной группе, без адекватных условий контроля.”

2) Интерпретация сравнений двух эффектов без прямого сравнения их

Рецензент № 1:

— Рисунок 1 — Это странно выбранный пример. Очевидно, что дисперсия в группе B намного больше, чем дисперсия в группе A. Это объясняет (по крайней мере частично), почему тест групповых различий не является значимым. Но, безусловно, объединение здесь проблематично: для предлагаемых методов мы предполагаем, что дисперсия одинакова в каждой группе, тогда как для большинства кажется, что она очень разная.

Авторам нужно выбрать лучший пример, чтобы проиллюстрировать типичную ошибку 2, и соответствующим образом изменить рисунок 1.

Очко взято. Мы изменили этот рисунок, чтобы представить два очень распространенных примера. Мы намеренно взяли крайние примеры (которые на самом деле основаны на реальной публикации), чтобы сразу оценить наш ключевой момент.

Рецензент № 2:

— Это относится также не только к «оценкам разницы», но и к любому эффекту (например, наклон, аппроксимация кривой и т. Д.)а не просто «различия»). Я предлагаю авторам сделать его здесь более общим (как они делают в разделе «Как обнаружить»), а затем привести конкретный и полезный пример простого различия двух различий. Здесь также стоит отметить, что в анализе часто используется термин «взаимодействие».

Согласен. Это предложение было соответствующим образом изменено, и рисунок, иллюстрирующий эту проблему, был изменен, чтобы включить два разных случая.

«Исследователи часто основывают свои выводы на влиянии вмешательства (например, предварительного илиразличие после вмешательства, корреляция между двумя переменными и т. д.), отмечая, что вмешательство дает значительный эффект, тогда как соответствующий эффект в контрольном состоянии или группе не является значимым (Nieuwenhuis et al., 2011). Основываясь на этих доказательствах, исследователи иногда предполагают, что эффект больше в экспериментальных условиях, чем в контрольных. Этот тип ошибочного вывода очень распространен, но неверен ».

— «дифференциальная статистическая значимость» — я бы сказал что-то вроде: «разные двоичные результаты при применении статистического порога».

Согласен. Теперь это было перефразировано следующим образом:

«Например, как показано на рисунке 1A, две переменные X и Y, каждая из которых измеряется в двух разных группах по 20 участников, могут иметь очень похожую корреляцию (группа A: R = 0,47; группа B: R = 0,41), но разные результаты. с точки зрения статистической значимости: две переменные для группы A соответствуют статистическому порогу p ≤0,05 для достижения значимости, но не для группы B. […] Однако это не означает, что эффект вмешательства различается между двумя группы; действительно, в этом случае две группы существенно не различаются.”

3) Завышение степеней свободы путем нарушения независимости мер

Рецензент № 1:

— Это очень сложное объяснение того, что большинство статистиков описывают совершенно по-другому. Это излишне сложно. Это то, что большинство статистиков назвали бы проблемой «единицы анализа» — многое описано в литературе, см., Например, Парсонс, Тир и Ситч (2018, eLife).

Здесь описывается некоторая неэффективная практика, когда, например, выполняется несколько измерений одного и того же объекта для окончательного сравнения объектов.Если исследование направлено на понимание влияния вмешательства на субъектов, то это «единица анализа», и для того, чтобы сделать выводы, воспроизведение должно происходить на уровне субъекта (единица анализа), а не внутри субъекта. (в пределах единицы). Множественные измерения на предметах улучшают точность оценки среднего испытуемого (например), но ничего не говорят нам о различиях между предметами.

Это часто наблюдается как искусственное раздувание степеней свободы, объединение слоев в анализе, но в конечном итоге проблема заключается в отсутствии четкого определения цели анализа и подходящей единицы измерения для оценки вариации, которая используется для количественной оценки воздействия вмешательства.Лично я не думаю, что привнесение корреляции в обсуждение очень помогает. Все, о чем нам действительно нужно знать, это то, что измерения внутри (например) объекта, скорее всего, будут коррелированы, тогда как по определению данные от субъектов не коррелированы.

Мы благодарим рецензента за очень полезный отчет о проблеме. Теперь мы ускользаем от полезной ссылки, предложенной рецензентом, и переписали раздел, чтобы отразить это как проблему «единицы анализа». Пример корреляции — это реальный пример (собственно говоря, из публикации eLife !).Это невероятно распространенная проблема в нашей области, и мы почувствовали, что нужен пример, чтобы дать людям более интуитивное представление о проблеме (и о том, почему люди могут стать ее жертвами — это улучшает их статистические результаты).

— Анализ смешанных эффектов — это канонический анализ, рекомендуемый большинством статистиков. Когда мы это делаем, мы естественным образом оцениваем соответствующие внутрипредметные (кластерные) корреляции. Эту методологию следует гораздо шире использовать во многих областях науки; только в медицине, где исследования сообщают данные о пациентах, а в психологии это общепризнано как важное.Хотя его корни уходят в генезис статистики в сельскохозяйственной науке, где поля были разделены на блоки, участки и вложенные участки, растения и т. Д.

Согласен. Мы выделили это решение в нашей исходной рукописи и расширили его в исправлениях. Хотя это, вероятно, лучшее статистическое решение этой проблемы, оно также требует некоторого углубленного статистического понимания для реализации и поэтому должно применяться с осторожностью. Таким образом, он, вероятно, недоступен для нашей целевой аудитории.

«Возможно, наилучшим доступным решением этой проблемы является использование линейной модели со смешанными эффектами, где исследователи могут определять изменчивость внутри субъектов как фиксированный эффект, а изменчивость между субъектами как случайный эффект. Этот все более популярный подход (Boisgontier and Cheval, 2016) позволяет поместить все данные в модель, не нарушая предположения о независимости. Однако его можно легко неправильно использовать (Matuschek et al., 2017), и он требует глубокого статистического понимания, поэтому его следует применять и интерпретировать с некоторой осторожностью.”

— Априорный статистический анализ мощности всегда является хорошей идеей, но я действительно не думаю, что это добавляет много к обсуждению здесь.

Согласен. Мы удалили это предложение из этого раздела.

Рецензент № 2:

— Это верно для некоторых статистических процедур (например, когда вы моделируете один параметр на одном уровне для каждого участника), но не для всех. Например, я считаю, что линейные смешанные модели (например, в R) будут иметь много dfs больше, чем N-x, но они остаются в силе.Я помню, как видел большие dfs в (например) выводах FMRI Brain Voyager. Я не понимаю эти многоуровневые линейные смешанные модели, но я подверг сомнению и исправлял эту точку df статистиками, использующими R (например, см. Df в Meteyard and Holmes, 2018; я не проводил анализ). Рекомендации в разделе «Как обнаружить» следует уточнить и / или исправить по мере необходимости.

Мы выяснили, что в этом конкретном примере исследователи проводят простой регрессионный анализ.Мы также переформулировали эту проблему в соответствии с предложением рецензента №1 относительно «единиц анализа», тем самым сведя к минимуму наше обсуждение df .

— ‘усредните полученные значения r (не забудьте сначала нормализовать распределение!)’ — Возможно, дайте здесь конкретный совет: например, используйте преобразование Фишера r-to-Z, Z = 0.5log [(1 + r) / (1-r)].

Мы перефразировали это предложение, но не включили формулу, поскольку она кажется слишком подробной для целей этого раздела.

— «случайный фактор» — «случайный» эффект «было бы лучше.

Изменено.

4) Ложные корреляции

Рецензент № 1:

— Рисунок 2A, B, C — Несомненно, проблема здесь в том, что «выбросы» имеют большое влияние (рычаг) на многие статистические данные; средние, дисперсии, ковариации, регрессионный анализ, дисперсионный анализ и да, корреляции. Но это проблема не только при оценке корреляций. Конечно, проблема здесь в том, чтобы представить данные визуально и рассмотреть значение (достоверность) любых точек данных, которые находятся далеко от остальной части распределения.Мне не нравится здесь (неявный) аргумент о том, что корреляции Пирсона в некотором смысле «неправильны». Это зависит от того, верна ли модель (прямая линия) и верны ли предположения о приблизительной нормальности. Совершенно правдоподобно полагать, что рисунок 2C правильный, и что только одна точка данных была доступна при X = 5, но есть веские основания полагать, что данные распределены нормально. Я хотел бы здесь подчеркнуть важность измерения ошибок при составлении отчетов. Доверительные интервалы корреляции Пирсона нам здесь очень помогли бы.Точечные оценки корреляций сами по себе не так полезны, если данные не отображаются визуально.

Согласен, и в этом разделе мы подчеркиваем преимущества надежных корреляций, которые учитывают дисперсию данного распределения. Но для среднего нейробиолога CI сам по себе не будет иметь большого значения (на самом деле, большинство журналов, помимо психологических, не требуют / не поощряют авторов сообщать описательную статистику). Более того, как указывает рецензент, CI корреляции (которую мы теперь добавили к рисунку) не позволит вам определить, является ли данная корреляция ложной или нет — это более глубокая проблема, как мы подробно рассмотрим ниже.

«Ложные корреляции чаще всего возникают, если для одной из двух переменных присутствует один или несколько выбросов. Как показано в верхнем ряду рисунка 2, одно значение, отличное от остальной части распределения, может увеличить коэффициент корреляции. Ложные корреляции также могут возникать из-за кластеров, например если данные из двух групп объединяются вместе, когда две группы различаются этими двумя переменными (как показано в нижней строке рисунка 2) ».

— Еще одна вещь, с которой я здесь не согласен, это то, что ранговая корреляция Спирмена имеет больше смысла в настройках, показанных на рис. 2B и 2C.В общем, решения о том, считать ли нормальным, лучше принимать по принципиальным, а не эмпирическим причинам. Использование непараметрических коэффициентов корреляции здесь не имело бы для меня особого смысла — они, как правило, очень неэффективны, поскольку мы сначала преобразуем их в ранги, что является причиной того, что значение не меняется с рисунка 2B на рисунок 2C. Если бы данные были достаточно плотно распределены симметрично относительно среднего значения, кроме одного значения, находящегося на большом расстоянии, моей первой рекомендацией было бы проверить достоверность экстремальной точки данных, а не переходить к непараметрической корреляции.

Мы полностью согласны с тем, что любые решения о статистическом анализе и удалении выбросов должны приниматься априори и по принципиальным причинам (см. Наш раздел о p-hacking). По этим причинам мы не думаем, что точки данных следует отбрасывать на основе апостериорной визуализации данных, мы полагаем, что это будет точкой консенсуса между нами и рецензентами. Итак, проблема заключается в следующем — как справиться с ситуацией, когда кажется, что результаты обусловлены выбросом / кластером, не открывая ящик Пандоры для p-hacking? Эту проблему усугубляет тот факт, что во многих областях нейробиологии размеры выборки очень ограничены, что затрудняет определение того, нарушают ли данные допущения параметрической статистики, включая «истинную» идентификацию выбросов.Таким образом, параметрическая статистика затрудняет решение этой проблемы. Ранговые корреляции помогают нам в некоторой степени смягчить эту проблему, потому что они не требуют от нас проверки каких-либо предположений и, как было показано, более устойчивы для небольших размеров выборки (Mundry and Fischer, 1998) (хотя мы отмечаем, что Спирман также чувствительны к выбросам (Rousselet and Pernet, 2012)). По этой причине мы выделяем здесь надежные корреляции как лучшее решение (см. Также наш ответ рецензенту №2

ниже, который поднял некоторые важные соображения).Теперь мы понимаем, что включение значений Спирмена в рисунок создало неверное впечатление, что это лучшая альтернатива. Чтобы избежать этого, мы удалили значения rho с рисунка.

«Надежные методы корреляции (например, бутстрэппинг, выигрыш по данным, пропущенные корреляции) должны быть предпочтительнее в большинстве случаев, потому что они менее чувствительны к выбросам (Salibian-Barrera and Zamar, 2002). Это связано с тем, что эти тесты учитывают структуру данных (Wilcox, 2016).”

Рецензент № 2:

— «Тем не менее, использование параметрических корреляций, таких как r Пирсона, требует, чтобы обе переменные были нормально распределены».

Нет, это не так! Все параметрические линейные модели (насколько я понимаю) требуют, чтобы ошибка имела нормальное распределение. В случае t-теста для одной выборки против одного среднего, это идентично требованию, чтобы сами переменные были нормально распределены. Но, что касается всего остального, это различия или ошибки или остатки после того, как модель подобрана, которые должны быть нормально распределены, а не необработанные данные.Авторы повторяют в своем руководстве то, что, как я понимаю, является очень распространенной ошибочной интерпретацией, и было бы хорошо, если бы они были абсолютно уверены в том, что то, что они здесь говорят, правильно, чтобы избежать повторения этих ошибок.

Благодарим рецензента за это обучение! Мы отредактировали текст следующим образом:

«Корреляции — важный инструмент в науке, позволяющий оценить величину связи между двумя переменными. Тем не менее, использование параметрических корреляций, таких как r Пирсона, основывается на ряде предположений, которые важно учитывать, поскольку нарушение этих предположений может привести к ложным корреляциям.”

Вот руководство от команды R: https://rcompanion.org/handbook/I_01.html, в частности: «В частности, тесты, обсуждаемые в этом разделе, предполагают, что распределение данных является условно нормальным в распределении. Это То есть, данные обычно распределяются после учета влияния переменных в модели. С практической точки зрения это означает, что остатки анализа должны быть нормально распределены. Обычно это оценивается с помощью гистограммы остатков, плотности график, как показано ниже, или с графиком квантиль-квантиль… Будьте осторожны, чтобы не запутаться в этом предположении.Вы можете увидеть обсуждение того, как обычно должны распределяться «данные» для параметрических тестов. Обычно это заблуждение «.

Авторы правы в том, что (настоящие) выбросы могут привести к ложным корреляциям, но лекарство от этого, как они заявляют, состоит в следующем: стандартные ошибки и с должной осторожностью.

Одна реальная проблема заключается в том, как определить «подлинные» выбросы? Может быть, большой размер выборки — это одно из решений, позволяющее лучше охватить население? Тем не менее, по-прежнему будут случаи, когда явные «выбросы» являются подлинными наблюдениями, которые подчиняются закону, который вы пытаетесь обнаружить.Например, измерение массы и длины тела в животном мире: очень много мелких животных будет внизу шкалы (например, насекомые), некоторые посередине (например, птицы и большинство млекопитающих) и меньше все еще в крайности (например, киты или слоны). Я готов поспорить, что синий кит следует тому же статистическому закону зависимости массы от длины, что и комар (с отклонением от этой модели из-за формы). «Ложная» корреляция может возникнуть из-за неполной выборки из проблемного пространства — если мы отбираем только насекомых и китов, мы можем сделать неправильный вывод и назвать корреляцию между массой и длиной «ложной».Или, может быть, данные сначала нужно преобразовать в журнал?

Моя трудная задача здесь: если у вас нет какой-либо независимой причины для исключения определенной точки данных (например, участник не выполнил задачу должным образом, не носил очки, нездоров, нетипичен; слон вытягивал ноги), то я думаю, что опасно делать вывод, что корреляция ложная только из-за одного «выброса». Скорее: авторам необходимо представить данные, проверить свои предположения и предположить, что систематическая ошибка выборки или ошибка экспериментатора привели к появлению этого «выброса».В целом авторы правы: ограниченная выборка из предполагаемой совокупности может сделать такие выбросы более вероятными, и тогда корреляции могут быть более проблематичными. Но это все относительно, и ошибка может возникать в обоих направлениях (Тип I, Тип II). Единственное решение — быть очень осторожными как при включении, так и при исключении данных.

Мы полностью понимаем этот момент и изменили раздел, чтобы лучше отразить его.

— «когда две переменные не являются независимыми» — планы с повторными измерениями часто имеют сильно коррелированные баллы между различными условиями или временными точками у одних и тех же участников.Опять же, является ли реальная проблема здесь «независимой ошибкой» (остатками), а не «независимыми данными»?

Эта проблема теперь обрабатывается в новом элементе «циклический анализ». Мы постарались избежать этого статистического заблуждения.

— Это ошибка «регресса к среднему», которую я обсуждал в Holmes (2007, 2009), но эта тема здесь только «почетное упоминание»! Я бы предложил, чтобы все эти «круговые анализы» и «двойные провалы» (т. Е. Оба являются зависимостями в данных, созданными экспериментатором) могли быть в отдельном разделе (после рассмотрения приведенных ниже комментариев, в которых я предлагаю полностью удалить пункт 6. ).

Мы последовали этому предложению и добавили новый раздел (Раздел 6).

— Рисунок 2A — Я готов поспорить, что красная точка здесь не является исключением.

Мы изменили легенду рисунка, чтобы лучше отразить применяемую здесь процедуру.

«От A до C расстояние между основной популяцией ( N = 20, черные кружки) и красным кружком систематически менялось, пока не превратилось в формальный выброс (C)».

— «они могут запускать некоторые базовые симуляции» — я согласен на 100% (Holmes 2007, 2009), но в этом предложении, на мой взгляд, около 95% вашей целевой аудитории будут прятаться под одеялами из страха перед программированием.Каким образом тот, кто не достаточно хорошо обучен, чтобы обнаружить эти проблемы в первую очередь, может «запустить несколько симуляций»? Могут ли авторы указать на онлайн-инструмент или учебное пособие, которые могут помочь?

Это предложение было перенесено в циклический анализ и перефразировано следующим образом:

«Если возможно, рецензент может попросить авторов запустить моделирование, чтобы продемонстрировать, что интересующий результат не привязан к распределению шума и критериям выбора».

5) Использование маломощных групп

Рецензент № 1:

— Эксперименты с небольшими размерами выборок довольно часто оказываются маленькими по очень веским причинам, не всегда, но часто.Мы не должны рекомендовать ученым не проводить небольшие эксперименты — иногда это просто невозможно — но мы должны сказать им, чтобы они не сообщали статистические данные. Особенно, если в исследовании нет априорного расчета мощности. Не уверен, что рисунок 3 здесь многое добавляет.

Спасибо, что подняли этот важный вопрос. Безусловно, верно, что в некоторых случаях (например, в исследованиях на животных и, в частности, приматах, кроме человека) есть очень веская причина ограничить сбор данных, и в пересмотренную рукопись мы включили некоторые решения для этих случаев.Но это скорее исключение, чем правило. В частности, в нашей области когнитивной нейробиологии литература ясно показывает, что мы часто не обладаем достаточными возможностями по плохим причинам (Хиггинсон и Мунафо, 2016). Как исследователь, работающий с редкими группами пациентов и использующий дорогостоящие методы нейровизуализации, TRM предполагает, что во многих случаях это становится вопросом первоочередной важности (тратя гораздо больше времени и ресурсов на сбор немного большего количества данных). Как исследователь, который работает со здоровыми участниками с использованием недорогих методов, JJOdX считает, что существует мало причин, по которым люди предпочитают публиковать исследования очень малых размеров выборки (n <15).Поэтому мы считаем, что как сообщество мы должны поднять планку. Поэтому мы по-прежнему уделяли большое внимание анализу статистической мощности.

«В ситуациях, когда размер выборки может быть ограничен по своей природе (например, исследования с редкими клиническими популяциями или приматами, не относящимися к человеку), следует предпринять усилия для обеспечения повторений (как внутри, так и между случаями) и включения достаточного контроля (например, для установления доверительных интервалов). ). Предлагаются некоторые статистические решения для оценки тематических исследований (например,г., Crawford t -тест; (Corballis, 2009)) ».

Рисунок 3 был удален по просьбе рецензента и редактора.

Рецензент № 2:

— «В частотной статистике, в которой используется порог значимости α = 0,05, 5% всех статистических тестов дадут значимый результат даже в отсутствие фактического эффекта (ложные срабатывания; ошибка типа I)» — я думаю авторам необходимо пояснить это немного подробнее, например: «Предполагая, что нуль является истинным, тогда случайно выбранные и независимо выбранные данные из нормального распределения со средним нулевым значением дадут выборку, которая при проверке по среднему значению нуля, имеет p-значение ниже или равное.05 примерно в 5% случаев ». Слово« даже »в их заявлении здесь бесполезно — в статистике явно предполагается, что значение null истинно (на самом деле это никогда не бывает!)

Поскольку мы удалили этот рисунок, текст здесь был упрощен:

«Очень важно, что большая корреляция не является результатом более сильной связи между двумя переменными, это просто потому, что завышение фактического коэффициента корреляции (здесь r = 0) всегда будет больше с небольшой выборкой. размер.Например, при выборке двух некоррелированных переменных с N = 15 смоделированные ложноположительные корреляции примерно находятся в диапазоне | 0,5-0,75 | тогда как при выборке тех же некоррелированных переменных с N = 100 дает ложноположительные корреляции в диапазоне | 0,2-0,25 | (Код доступен по адресу https://github.com/jjodx/InferentialMistakes) «.

— «Учитывая, что эти две переменные случайны, существенных корреляций быть не должно» — см. Предыдущий пункт. Будет 5% «значимых» корреляций.

См. Выше.

— «ложно значимый» — мне не нравится это словосочетание. Это кажется противоречивым. Я знаю, что они имеют в виду (что-то вроде: «используя стандартный критерий α, большинство исследователей пришли бы к выводу, что существует положительная корреляция в популяции, хотя на самом деле ее нет»).

См. Выше.

— «эксперимент недостаточно мощный» — Но в моделируемой популяции нет никакого эффекта. Следовательно, не может быть достаточного размера выборки, чтобы обнаружить этот эффект.Следовательно, это нельзя «недооценивать». Исправлять.

См. Выше.

— «<» действительно ли это должно быть «≤»? То же самое во всей рукописи.

Текст был изменен в соответствии с предложением.

— «Конструкции с небольшим размером выборки также более подвержены ошибкам типа II» — Почему? Ошибка типа II является нелинейной функцией размера выборки и размера реального эффекта. Знание ошибки типа II требует, чтобы вы знали распределение населения, что почти никогда не бывает (и не требуется) в тех видах параметрических тестов нулевой гипотезы, которые авторы обсуждают здесь.

С небольшими выборками становится просто сложнее обнаружить эффект из-за низкой мощности. Теперь это поясняется в тексте следующим образом:

«Проекты с небольшим размером выборки также более подвержены пропуску эффекта, который существует в данных (ошибка типа II). Для данного размера эффекта (например, разницы между двумя группами) шансы обнаружить эффект больше с большим размером выборки (эта вероятность называется статистической мощностью).Следовательно, с большими выборками вы уменьшаете вероятность не обнаружить эффект, когда он действительно присутствует ».

— «на основе ограниченного числа участников» — я бы удалил это, поскольку не считаю это оправданным. Я думаю, что все эффекты (особенно неожиданные) из одного эксперимента следует воспринимать с одинаковой степенью осторожности, независимо от размера их выборки (кто устанавливает критерий в любом случае?). Статистика решает проблему размера выборки. Статистические данные, конечно, могут быть смещены в зависимости от размера выборки, и в некоторые из них вносятся поправки (например,g., Hedges G вместо Cohen d), но если вы ожидаете большого эффекта (например, удаление полосатой коры головного мозга ухудшит зрение), то я не вижу ничего плохого в проведении абсолютного минимума тестов на ваших объектах, чтобы установить этот эффект. Было бы неэтично удалять 30 зрительных корок головного мозга обезьян, когда 2 достаточно для проверки гипотезы.

Мы согласны с тем, что это относится к конкретному эксперименту, и поэтому мы должны уточнить наши рекомендации.

«В ситуациях, когда размер выборки может быть ограничен по своей природе (например,грамм. исследования с редкими клиническими популяциями или приматами, кроме человека), следует прилагать усилия для обеспечения повторений (как внутри, так и между случаями) и включения достаточных средств контроля (например, для установления доверительных интервалов). Предлагаются некоторые статистические решения для оценки тематических исследований (например, тест Crawford t ; (Corballis, 2009)) ».

— «которые не были воспроизведены» — Да, мы должны быть особенно скептически настроены, если второй эксперимент с хорошей мощностью не может повторить первый, но я бы обычно скептически относился к результатам одного эксперимента, независимо от размера его выборки.Я думаю, что основная мысль авторов состоит в том, что небольшие исследования достигают значимости только с большими эффектами. Истинный. Но некоторые большие эффекты реальны, поэтому, учитывая один конкретный результат, как вы можете узнать? Нам должно быть позволено искать большие статистические эффекты. Сбор сходных и независимых доказательств следует искать во всех исследованиях, а не только у тех исследователей, которые ищут большие эффекты: Смит и Литтл (2018).

Мы полностью принимаем этот момент (который также относится к комментариям рецензента №1 выше).Теперь мы отредактировали текст, чтобы более тщательно отразить эти соображения:

«Как это обнаружить: рецензенты должны критически изучить размер выборки, использованной в статье, и оценить, достаточен ли размер выборки. Особо следует отметить чрезвычайные претензии, основанные на ограниченном количестве участников.

Решения для исследователей: единичная величина эффекта или единичное значение p из небольшой выборки имеет ограниченную ценность, и рецензенты могут направить исследователей к Button et al., 2013, чтобы подчеркнуть эту точку зрения. Исследователи должны либо представить доказательства того, что они обладают достаточной мощностью, чтобы обнаружить эффект с самого начала, например, путем представления априорного статистического анализа мощности, либо выполнить повторение своего исследования. Проблема с расчетами мощности заключается в том, что они должны основываться на априорном расчете величины эффекта из независимого набора данных, и их трудно оценить в обзоре. Байесовская статистика дает возможность определить мощность для определения эффекта постфактум (Kruschke, 2011).”

6) Использование параметрической статистики с небольшими размерами выборки

— Извините, но я не могу согласиться с большей частью этого раздела. См. Мои предыдущие комментарии о предположениях о нормальности. В большинстве случаев тесты на нормальность действительно не очень полезны. В небольших выборках, согласен с авторами, они бесполезны. Однако в больших выборках они всегда будут отклонять с вероятностью очень близкой к единице.

— В целом решения о нормальности и использовании параметрических или непараметрических методов должны основываться в основном на научных принципах.Например, если я собираю данные о росте 10 человек, я указываю медианное значение и IQR, но если я собираю данные о 50 человек, среднее значение и стандартное отклонение? Нет, это явно неверно. Я считаю, что высоты приблизительно распределяются в зависимости от способа измерения, моего собственного опыта и опыта других (независимо от того, что мне говорит тест на нормальность!), Поэтому я должен суммировать данные на этой основе соответствующим образом: значит и ШД.

— Такой механический / автоматизированный подход к реализации статистических методов категорически не одобряется большинством статистиков.Это аналогично широко распространенной приверженности (неправильной) интерпретации p-значений, которая так широко критиковалась, в частности, Американской статистической ассоциацией. В своем руководстве по использованию статистических тестов для таких решений и роли p-значений он ясно дает понять, что «научные выводы и деловые или политические решения не должны основываться только на том, превышает ли p-значение определенный порог» и «нет. единый индекс [значение p] должен заменять научное обоснование «.

— Для принятия решений о том, как правильно анализировать данные, следует использовать научное обоснование и прецедент, а не произвольные специальные (зависящие от данных) статистические тесты.

Рецензент № 2:

— Раздел 6 неверен и должен быть удален. Частично из-за той же проблемы, что и в пункте 4 (нормальное распределение ошибок), но авторы, кажется, аргументируют (невольно) отказ от параметрических тестов, а не для их использования только с « большими » выборками, поскольку объяснено ниже:

Параметрическая статистика была разработана для небольших выборок.Если у вас есть какие-либо сомнения по этому поводу, пожалуйста, ознакомьтесь с Fisher (1925), полностью доступным здесь: https://psychclassics.yorku.ca/Fisher/Methods/index.htm

В параметрической статистике из выборки данных мы извлекаем параметры, например среднее значение и стандартное отклонение (например, разницы между средними значениями двух условий). В нашей статистической модели мы сравниваем эти параметры с нормальным распределением, чтобы сделать вероятностные выводы с использованием теоретического распределения.

Когда размер выборки невелик (скажем, <30), мы не относим наши параметры напрямую к нормальному распределению.Скорее, мы относим их к t, F, хи-квадрат, Пуассону, биномиальному или любому другому подходящему статистическому распределению. Эти распределения были первоначально созданы путем выборки небольшого количества точек данных и наблюдения за их поведением. Все эти распределения искажены интересным образом, но по мере увеличения N они имеют тенденцию приближаться к нормальному распределению.

(На мой взгляд) часто ошибочное «эмпирическое правило», согласно которому для параметрической статистики нужно не менее 30 участников, неверно. Это в моем понимании наоборот.По мере увеличения N распределения t-, F, биномиальное, хи-квадрат и Пуассона сходятся все ближе и ближе к нормальному распределению. Итак, когда N = 30, вместо использования t-теста вы можете просто использовать Z-тест (т.е. по существу игнорируя размер выборки). Критическое значение t для 1 степени свободы (N = 2) при α = 0,05 составляет 6,31 (т. Е. 6,31 стандартная ошибка разности среднего значения вашей выборки от нуля). Когда N увеличивается до бесконечности, критическое значение сходится к 1,645. При N = 30 критическое значение t составляет 1,7, что, возможно, достаточно близко к Z-баллу населения (1.645), что от t-распределения можно отказаться (т. Е. Для расчета SE имеет значение только размер выборки, df не требуется) и что вместо этого можно использовать Z-распределение. Маленькие выборки уже «наказываются» через df, требуя гораздо большего размера эффекта для прохождения произвольных статистических порогов.

Насколько я понимаю, большинство статистических тестов предназначены для небольших выборок. Непараметрические тесты предназначены для данных без интервалов и без отношения (категориальные, порядковые) или для данных с интервалом / соотношением с совокупностями, для которых невозможно сделать разумные предположения (например,г., с большими необъяснимыми выбросами). Загрузка или другие непараметрические статистические методы могут быть полезны для проверки того, действительно ли небольшие выборки достаточно нормальны для использования параметрических тестов (например, из Makin et al., 2009, где Ns = 6-11: «В каждом случае эта процедура начальной загрузки поддержали выводы, полученные на основе t-тестов, поэтому в этой рукописи мы приводим только стандартные параметрические тесты. «).

Как правильно отмечают авторы, небольшие выборки имеют смещения (например, размер эффекта больше для значительных эффектов), но это не отменяет использование параметрических тестов.Авторы цитируют Кар и Рамалингам (2013) в поддержку своего утверждения, но из заключения этой статьи: «Следовательно, не существует такой вещи, как магическое число, когда дело доходит до расчетов размера выборки, и произвольные числа, такие как 30, не должны рассматриваться. как адекватно «.

— «хотя все согласны с тем, что вы не должны использовать параметрический тест с N <10 (Fagerland, 2012)» - авторы не представляют никаких доказательств этого «хорошо согласованного» правила. Я, например, не согласен с этим, как и полагаю, что это сделали бы статистики, которые изобрели параметрические тесты.В статье, процитированной Фагерлундом (2012), конкретно рассматривались асимметричные распределения (гамма и логарифмически нормальные) основных параметров совокупности, и была сделана та же самая распространенная ошибка в отношении нормального распределения данных (должно быть: ошибка / остатки). Да, с данными, дающими искаженное распределение ошибок, требуются трансформационные или непараметрические тесты или более крупная выборка, и на центральную предельную теорему можно положиться. Абсолютно нормально использовать параметрические тесты при разумных допущениях и с разумной осторожностью с N равным 2 (Fisher, 1925).

— «Непараметрические тесты… менее чувствительны к выбросам» — Бутстрапирование — это своего рода непараметрический тест. Такие тесты могут выявить выбросы, выявив многомодальное распределение сводной статистики, но они столь же «чувствительны» к выбросам. Проверка распределений и проверка предположений — правильный подход.

Этот раздел был удален, и поэтому мы не будем предоставлять подробные ответы на комментарии рецензентов.

7) Гибкость анализа: p-hacking

Рецензент № 1:

— Советы авторов о том, как обнаружить p-hacking, благонамеренны, но наивны.

По правде говоря, только предварительно зарегистрировавшись и предоставив подробные планы анализа, как это делается в клинических испытаниях, мы можем когда-либо надеяться остановить p-hacking. Для рецензента практически невозможно дать полную оценку этому, если у него нет доступного протокола исследования, по которому можно было бы оценить приверженность отчетности.

Мы согласны — вот почему мы начали раздел «Как это обнаружить» со следующего отказа от ответственности: «Гибкость анализа трудно обнаружить, потому что исследователи редко раскрывают всю необходимую информацию».Тем не менее, чтобы быть активными, мы считаем, что рецензенты должны оспаривать авторов, когда предлагаемый анализ не является прямым / хорошо обоснованным / не согласуется с предыдущими публикациями. В отредактированной рукописи мы подчеркиваем полезность предварительно зарегистрированных протоколов для помощи в обнаружении p-ханкинга и вновь подчеркиваем сложность его обнаружения в разделе «Как это обнаружить».

8) Невозможность исправить множественные сравнения

Рецензент № 1:

— Это непростой вопрос.Правда в том, что среди статистиков нет единого мнения относительно наилучшего метода коррекции. Это очень сильно зависит от области применения, и есть много людей, которые просто не согласятся в принципе с тем, что исправление для множественного тестирования имеет какой-либо смысл (например, Rothman, 1990, Epidemiology).

Я бы провел различие между исследовательским и подтверждающим анализами и дал бы разные рекомендации в зависимости от целей исследования. Мы можем более или менее беспокоиться о ложноотрицательных и ложных срабатываниях в этих настройках.

Это сложная тема, которая, вероятно, выходит за рамки знаний большинства (не являющихся экспертами) рецензентов и выходит за рамки данной статьи.

Согласен. Теперь мы подчеркиваем это важное различие и необходимость более внимательно относиться к обстоятельствам, приводящим к исправлению множественных сравнений (или их отсутствия).

«Когда исследователи изучают эффекты задачи, они часто исследуют влияние нескольких условий задачи на несколько переменных (поведенческие результаты, вопросы анкеты и т. Д.)), иногда с недоопределенной априорной гипотезой. Эта практика называется исследовательским анализом, в отличие от подтверждающего анализа, который по определению является более ограничительным. При выполнении с частотной статистикой проведение множественных сравнений во время исследовательского анализа может иметь серьезные последствия для интерпретации важных результатов ».

А:

«Следовательно, при проведении исследовательских анализов с большим набором переменных (гены, воксели фМРТ, временные точки ЭЭГ) для исследователей просто неприемлемо интерпретировать результаты, не прошедшие коррекцию для множественных сравнений, без четкого обоснования.Даже если исследователи предлагают приблизительный прогноз (например, что эффект должен наблюдаться в определенной области мозга или с приблизительной задержкой), если этот прогноз можно проверить с помощью нескольких независимых сравнений, он требует корректировки для нескольких сравнений ».

Рецензент № 2:

— «для исследователей просто неприемлемо интерпретировать результаты, не прошедшие поправку на множественные сравнения» — Даже если это выдвинуто гипотезой? Возможно, сюда следует добавить «исследовательский».Я не согласен с тем, что если эффект «можно» протестировать с использованием различных сравнений, то требуются поправки для множественных сравнений. Рецензент мог бы просто сказать: «Ну, вы могли бы сделать это для всех отдельных блоков данных, а не для средних по предмету, поэтому вам нужно исправить…» Это будет r-hacking (взлом рецензента), и его следует не одобрять. . Следует поощрять явную, ограниченную, предварительно зарегистрированную проверку гипотез. Исследовательское тестирование — это хорошо, но его следует признать и исправить.

Согласен. Было добавлено отличие от подтверждающего анализа (см. Выше), а предложение изменено, как было предложено. Мы также подчеркиваем, что исследовательское тестирование абсолютно уместно, но оно должно быть подтверждено и исправлено.

9) Чрезмерная интерпретация несущественных результатов

Рецензент № 1:

— Это распространенная ошибка — настолько распространенная на самом деле, что трудно поверить, что что-либо, что мы предлагаем, будет иметь большое значение! Предложения авторов разумны, но несколько невнятны.

Согласен — это очень распространенная проблема, и мы твердо уверены, что ее можно успешно диагностировать и устранить в рамках процесса экспертной оценки. Таким образом, мы стремимся выделить его. Мы думаем, что наше предложение либо оправдать нулевой эффект с помощью специальной статистики, либо скорректировать интерпретацию теста, является конкретным. Но если у рецензента есть дополнительные предложения, мы, конечно, будем рады их добавить.

Рецензент № 2:

— «Незначительные эффекты могут означать буквально все, что угодно» — Значимые эффекты тоже могут быть.Все перечисленные проблемы в равной степени применимы к значительным эффектам: истинным положительным результатам, чрезмерно малым эффектам (например, гораздо меньшим, чем значимый эффект, предсказываемый теорией) или неоднозначным эффектам. Как отмечают авторы, в значении α нет ничего особенного.

Да, мы признаем, что существует более общая проблема. Здесь мы имеем в виду более конкретную проблему, когда несущественное значение p не различает отсутствие эффекта из-за его отсутствия (противоречащие доказательства гипотезе) или из-за нечувствительности данных к гипотезе. (е.грамм. из-за отсутствия статистической мощности или несоответствующего дизайна эксперимента). Таким образом, он не интерпретируется в любой текущей структуре и, следовательно, ошибочен, как было подчеркнуто рецензентом №1 выше. Мы согласны с тем, что важно указать на (большего) слона в комнате — отсутствие интерпретируемости значения p, которому мы посвящаем заключительную часть рукописи. Мы надеемся, что это обеспечивает баланс между непосредственной проблемой интерпретации нулевого результата и ограниченной интерпретируемостью значения p в более широком смысле.Мы изменили название раздела, чтобы сделать это различие более ясным, и немного перефразировали наш текст, чтобы лучше отразить наш смысл:

«Много было написано о произвольности этого порога (Wasserstein et al., 2019), и были предложены альтернативы (например, .005; (Benjamin et al., 2018; Colquhoun, 2014; Lakens et al., 2018) . […] Простыми словами — незначительные эффекты могут буквально означать очень разные вещи — истинный нулевой результат, слабый подлинный эффект или неоднозначный эффект (см., Например, (Altman and Bland, 1995)).”

— «В противном случае исследователи не должны переоценивать несущественные результаты и описывать их только как несущественные». — Итак, p = .049 является «значимым» и может быть интерпретировано, а p = .051 «несущественным» и «не должно интерпретироваться чрезмерно». Я думаю, мы можем добиться большего успеха, чем это. Какие эмпирические правила предлагают авторы, чтобы обойти этот лингвистический порог? Я считаю, что если есть какие-либо сомнения в конкретном результате, то постройте данные, проверьте предположения, запустите моделирование, воспроизведите эксперимент с большей мощностью, найдите сходящиеся доказательства, проведите систематический обзор и метаанализ, представьте работу на конференции, спросите рецензентов … Если вам говорят строго придерживаться дихотомии «значимое / незначительное», это не улучшит статистических выводов читателей.

Мы полностью согласны с этим тезисом и постарались отразить его в нашем комментарии. Во-первых, в конкретном разделе мы поощряем обсуждение величины эффекта и характера свидетельств. Мы также подчеркиваем проблематичное представление о том, что значение p, связанное с данным статистическим тестом, представляет собой его фактическую частоту ошибок (см. Раздел «Обсуждение»). Наконец, мы просим не переоценивать незначительные результаты, это не означает, что тенденции к значимости игнорируются!

«Это заблуждение также означает, что иногда исследователи могут игнорировать результат, который не соответствует p ≤0.05, предполагая, что он бессмысленен, хотя на самом деле он предоставляет достаточные доказательства против гипотезы или, по крайней мере, предварительные доказательства, требующие дальнейшего внимания ».

10) Корреляция и причинно-следственная связь

Рецензент № 1:

— Мне кажется, что ученые обычно хорошо разбираются в этом вопросе. Не совсем статистическая проблема как таковая, больше об использовании осторожных формулировок при составлении отчетов.

Согласен. Это не статистическая проблема, а, скорее, логическая ошибка.Вот почему мы подчеркиваем в нашем Заголовке / Введении, что мы не ограничиваем список чисто статистическими вопросами.

— На рисунке 4 показана не «корреляция», а данные двух временных рядов; правая ось Y выглядит как отрицательные числа из-за делений оси; синий набор данных имеет автокорреляцию (в основном одни и те же люди, употребляющие маргарин в разные годы), а красный нет (в основном разводятся разные люди). Поскольку авторы не создавали этот рисунок, я предлагаю удалить его из своего учебника.Я также предлагаю им цитировать данные первичных исследований, а не вторичные веб-сайты (особенно когда этот веб-сайт обозначает корреляцию r [без степеней свободы] =. 9926 как корреляцию «99,26%». Это не так).

Этот рисунок был удален.

Почетные грамоты

Рецензент № 1:

— Я действительно не думаю, что раздел добавляет много, просто список терминов с небольшими пояснениями или без них. Я бы посоветовал удалить.

Мы принимаем точку зрения рецензента.С включением кругового анализа многие из этих вопросов были подробно обсуждены. Остальные вопросы включены, если это актуально, в рукопись.

Рецензент № 2:

— «Невозможно высокая корреляция» — заменить на «размер эффекта»?

Пересмотрено (перенесено в раздел 6).

Выводы

Рецензент № 2:

— Как бы интересно это ни было, я не понимаю, зачем нам нужно обсуждение NHST и p-значений в качестве заключения.Кажется немного не по теме. Краткое изложение основных проблем и совпадение общих ошибок и важности было бы гораздо более полезным. И некоторое признание важности общения со своими коллегами-статистиками. Большинство обсуждаемых здесь вопросов — это очень распространенные проблемы, с которыми могут помочь все (любые) статистики. Будь то на этапах разработки, написания или обзора исследования.

Мы согласны с обоими пунктами. Мы изменили название этого последнего раздела на «Заключительные замечания», чтобы лучше отразить передаваемое содержание.Что касается статистических рекомендаций, то, хотя мы полностью согласны с тем, что это могло бы помочь смягчить все проблемы, поднятые здесь, мы не уверены, что это конструктивный совет. В нашем сообществе советы по статистике не являются стандартной практикой. Таким образом, нет хороших доступных ресурсов, чтобы получить такой совет. Вместо этого, предлагая интуитивно понятное объяснение имеющихся проблем и способов их решения, мы предоставляем нашему сообществу новый ресурс. В самом деле, мы не думаем, что углубленная статистическая подготовка необходима, чтобы избежать этих основных проблем.

[Примечание редакции: до принятия были запрошены дополнительные исправления, как описано ниже.]

Благодарим вас за отправку исправленной версии «Десяти распространенных ошибок вывода, которых следует избегать при написании или рецензировании рукописи» на рассмотрение eLife. Эта версия была просмотрена двумя рецензентами, которые рецензировали исходную версию (Ник Парсонс; Ник Холмс), и их комментарии ниже. Ответить на эти комментарии должно быть просто, поэтому я хотел бы предложить вам представить вторую исправленную версию, в которой рассматриваются эти комментарии.

Рецензент № 1:

Резюме:

Авторы явно приложили огромные усилия, чтобы внести изменения в рукопись. Сейчас его довольно трудно читать, учитывая все добавления и удаления, поэтому потребуется хорошая корректура, чтобы убедиться, что он по-прежнему имеет смысл и правильно сканируется. Я даю несколько ответов на эти изменения:

Мы можем заверить рецензента (и редактора), что рукопись была вычитана коллегой, который также является носителем английского языка перед отправкой.

Существенных изменений:

Я по-прежнему считаю странным аргументом изначально утверждать, что эта статья мотивирована «… неэффективным экспериментальным планом, несоответствующим статистическим анализом и / или ошибочными рассуждениями, появляющимися в опубликованных статьях по нейробиологии…», а затем сказать немного позже, что все выделенные вопросы «… применимы в целом ряде научных дисциплин, которые используют статистику для оценки результатов…». Последнее верно — освещенные вопросы хорошо знакомы большинству прикладных статистиков, работающих в науке.Если есть особые вопросы, связанные с нейробиологией — которые, как я полагаю, вполне могут быть, — то в этой рукописи об этом вообще не говорится. На мой взгляд, эта рукопись работала бы намного лучше, если бы к названию было добавлено слово «нейробиология», а примеры и вопросы, относящиеся к нейробиологии, использовались повсюду. В целом, я не думаю, что эта рукопись действительно выполняет свою задачу — отвечать и разговаривать напрямую с читателями нейробиологии. Поднятые проблемы — обычные подозреваемые; вопросы, с которыми статистические обозреватели и прикладные статистики хорошо знакомы.В этом нет ничего плохого, но, возможно, это была упущенная возможность сделать что-то более эффективное. Например, обзор опубликованной литературы и описание типичных ошибок отчетности и анализа были бы отличным способом мотивировать эту рукопись. Не предлагаю всерьез сделать это сейчас. Но это оказалось очень эффективным способом внести реальные изменения в исследовательскую культуру и способы проведения исследований и отчетности в других дисциплинах.

Настоящее Введение является результатом компромисса между нашими собственными намерениями (как указано в нашем первоначальном проекте) и рекомендациями рецензента в предыдущем раунде исправлений.Как сказано во введении, наш анализ этих 10 распространенных ошибок основан на нашем личном опыте читателей рукописей, который основан на множестве дисциплин, связанных с нейробиологией. Из обширного чтения, которое мы выполнили при написании этого комментария (как показано в нашем списке литературы), мы с тех пор узнали, что неудивительно, что это очень распространенные ошибки в научных дисциплинах. Следовательно, мы никоим образом не хотим утверждать, что это специфические проблемы нейробиологии, мы просто утверждаем, что они действительно общие для нейробиологии.Это мнение выражено во втором абзаце Введения.

Чтобы проиллюстрировать некоторые ошибки, мы попытались использовать общие примеры, учитывая огромное разнообразие практик в нейробиологии. Но я могу заверить рецензента, что мы сосредоточили рукопись вокруг нашей области — за исключением нобелевских лауреатов (что довольно поразительно!), Все примеры относятся к нейробиологии. У нас нет возражений против добавления «нейробиологии» к названию, хотя, как было подчеркнуто рецензентом, было бы хорошо избежать этих ошибок при написании любой научной рукописи , поэтому мы не уверены, что это измененное название имеет смысл.Оставляю решение редактору.

Что касается комментария рецензента о том, что эти проблемы являются «обычными подозреваемыми», мы полностью согласны! Поскольку это такие распространенные проблемы, было сделано много предыдущих попыток их решения. Но мы хотим выделить два аспекта, которые отделяют наши усилия от предыдущих попыток улучшить исследовательскую культуру. Во-первых, предыдущие комментарии / анализы (особенно те, которые включают обзоры опубликованной литературы), как правило, сосредоточены на одной ключевой проблеме или нескольких связанных вопросах.Кратко суммируя ряд общих проблем в одном списке, мы надеемся, что относительная широта нашего комментария предоставит еще не существующий удобный инструмент, который поможет нашему сообществу и, в частности, исследователям на начальном этапе своей карьеры, которые ищут руководство, изучая, как анализировать рукописи. Во-вторых, мы хотим выделить онлайн-инструмент, который мы разработали для сопровождения этого комментария. Этот инструмент предназначен не только для того, чтобы выяснить, какие проблемы являются наиболее важными, но и для того, чтобы предложить сообществу предложить альтернативные решения нашим, тем самым способствуя конструктивному обсуждению того, как изменить нашу исследовательскую культуру.В отредактированной рукописи мы дополнительно подчеркиваем эти два важных аспекта во Введении:

«Наш список ни в коем случае не является исчерпывающим. […] Мы также надеемся, что, критически рассматривая эти проблемы и наши потенциальные решения, исследователи станут более бдительными в отношении повторения этих ошибок в своих собственных рукописях ».

0) Введение

ОК. Это явно вопрос перспективы. Меня часто просят просмотреть статьи с конкретным запросом, в котором меня просят проанализировать статистические вопросы.Они часто приходят по просьбе рецензентов, не занимающихся статистикой, которые предлагают, чтобы редактор попросил статистика взглянуть на рукопись.

Согласен — это действительно вопрос перспективы.

2) Интерпретация сравнений двух эффектов без прямого сравнения их

Не совсем уверен, что это тип «… ошибочного вывода.…» — «… очень распространенный…» в опубликованных статьях. Практически первое, чему мы учим в статистике, — это сравнивать группу A с группой B, используя соответствующий статистический тест.Ошибка, которую авторы здесь выделяют, кажется намного более сложной, чем эта; Чтобы сравнить средний ответ в двух группах, действительно ли я проверю каждую на соответствие нулевой гипотезе о том, что среднее значение равно 0, а затем сделаю вывод, если я отклоняю для одной группы, тогда я могу сделать вывод, что эта группа «статистически значимо» отличается от другой группа? Если это сделано, то это сделано для того, чтобы намеренно (злонамеренно) ввести читателя в заблуждение.

Это настолько распространенная проблема, что была опубликована предыдущая (обзорная) статья, посвященная ее освещению (Nieuwenhuis et al., 2011; с тех пор цитируется более 550 раз). Авторы часто идентифицируют интересующий эффект (скажем, в группе A), затем они исследуют эффект в контрольной группе (группа B) и сообщают, что эффект не был значительным для группы B. результат является значительным после «исключения» или учета смешения, относящегося к контрольной группе B. Этот документ цитировался более 570 раз. Как ни странно, мы попросили Криса Бейкера прокомментировать нашу рукопись (предыдущий редактор The Journal of Neuroscience — нашего основного общественного журнала и старший автор знаменитой статьи с двойным окунанием — цитировался 1870 раз).Он выделил эту проблему как наиболее часто встречающуюся, по его мнению. Мы изменили формулировку этого раздела, чтобы лучше объяснить, в чем проблема, и надеемся, что теперь она стала яснее.

4) Ложные корреляции

То, что я пытался сказать о добавлении доверительных интервалов, похоже, было неправильно понято. Я бы сделал общее замечание, что, если возможно (что обычно бывает), все точечные оценки количеств должны быть представлены с ошибками; например CI, диапазон, стандартная ошибка, интервалы начальной загрузки и т. Д.Дело в том, что если бы это было сделано для корреляций, то влияние выброса на выводы было бы гораздо более очевидным, чем на графике, который просто представляет точечную оценку корреляции в виде прямой линии. Утверждение о том, что точки, выделенные красным, являются явными «выбросами» — предположительно потому, что они находятся далеко от подобранной линии — было бы гораздо менее обоснованным в качестве аргумента, если бы линия на самом деле была областью правдоподобных значений, учитывая наблюдаемые данные.

Приносим извинения за неправильное понимание комментария рецензента.Теперь мы добавили CI отдельных образцов.

Я абсолютно не предлагаю отбрасывать точки данных просто на основе апостериорной визуализации данных. Критическим моментом является то, что ученым всегда нужно подвергать сомнению свои собственные данные — и не только в конце исследования, когда все данные собраны и они больше не помнят, почему одно значение далеко от всех остальных. Совершенно приемлемо отбрасывать значения, если есть веские основания полагать, что что-то пошло не так или было записано неправильно.Это происходит постоянно — например, числа, случайно записанные в неправильных единицах измерения, калибровка не выполнена, дни и месяцы перепутаны с датами — существует почти бесконечное количество причин, по которым данные могут быть «неправильными». Совершенно приемлемо изменять такие значения, как это — я бы посоветовал, чтобы необработанные данные оставались неизменными, а изменения вносились в исправленный набор данных, с изменениями, задокументированными и согласованными всеми участниками исследования, и сделанными доступными для проверки другими. Если мы сделаем это, то что мы будем делать с точками данных, которые авторы выделяют как «выбросы»? Это либо истинные ошибки (что-то пошло не так, но мы не можем найти причину), либо истинные точки данных.На мой взгляд, ни один из этих случаев не является хорошей причиной для предложения использовать устойчивые корреляции, если остальные данные выглядят нормально распределенными. Это необходимо, если вы считаете, что последнее верно для изменения используемой модели, или в первом случае, возможно, вы можете ограничить выводы (подгонку модели) регионом, в котором у вас есть хорошие данные, и не включать крайние значения.

Неправильно полагать, что, например, использование непараметрического метода является решением (хорошей альтернативой) параметрическому методу в описанной здесь настройке.Как я сказал в своем первоначальном комментарии, поскольку значения преобразуются в ранги, вы просто перемещаете крайнее значение на рис. 2C ближе к другим значениям. Итак, на самом деле вы говорите, что не верите, что записанные данные верны в том смысле, что с ними можно обращаться так, как это подразумевается графиками; то есть, что они являются непрерывными мерами, где расстояние между ними имеет некоторый смысл измерения «близости» (например, евклидово расстояние). Таким образом, если вы используете непараметрическую корреляцию, вы на самом деле говорите, что не считаете, что значение «правильное».В конечном итоге это восходит к основам планирования эксперимента и написанию плана статистического анализа (SAP) в начале исследования до начала сбора данных. В этом случае вам необходимо прояснить, что вы думаете о метрических свойствах каждого результата исследования — вы не можете просто выбрать использование непараметрического анализа после сбора данных, потому что это облегчает жизнь. Извините за труд, но это важно, так как оно затрагивает суть многих статистических проблем в научной отчетности.

При нормальном распределении данных устойчивые корреляции дают тот же ответ, что и корреляция Пирсона. Когда данные не распределяются нормально, корреляция Пирсона может вводить в заблуждение. Важно отметить, что надежные корреляции гарантируют, что сообщаемая корреляция не обусловлена ​​несколькими точками или выбросами (как мы упоминали в нашем первоначальном ответе). Даже если эти выбросы действительны, они делают недействительным статистический метод, с помощью которого оценивается взаимосвязь. Этот момент передан в тексте следующим образом:

«Но если это истинное наблюдение рискует нарушить предположения вашего статистического теста, оно де-факто станет ложным и, следовательно, потребует другого статистического инструмента.”

По нашему мнению и подтвержденным ссылками, которые мы предлагаем, надежные корреляции являются хорошим решением, которое легко доступно для минимизации ложных корреляций (обратите внимание, что рецензент №2, которому мы также выделили это предлагаемое решение, был удовлетворен этим предложением) . Но, как мы заявили во Введении, наша цель не в том, чтобы диктовать новый золотой стандарт в области передовой статистической практики. Вместо этого мы надеемся облегчить обсуждение того, как наилучшим образом решить эти проблемы в различных обстоятельствах, которые предоставляет наш онлайн-инструмент.Мы подчеркиваем, что часто существует множество альтернативных решений для решения описываемых нами проблем. Если рецензент желает предложить ключевую ссылку, передающую его точку зрения, мы будем очень рады добавить его в качестве «дополнительного чтения».

https://doi.org/10.7554/eLife.48175.005

Составление заявления об отказе от ответственности по результатам опроса — TermsFeed

Опросы — полезные инструменты исследования. Однако вам будет сложно найти желающих принять участие в опросе, если вы не защитите их конфиденциальность.

Вот почему вы должны включить отказ от ответственности при проведении опросов .Заявление об отказе от ответственности за участие в опросе предлагает дополнительный уровень правовой защиты, который усиливает обещания, которые вы даете в соглашениях о Политике конфиденциальности и Условиях использования.

В этой статье обсуждается содержание заявлений об отказе от ответственности и почему вы должны прикреплять их к своим опросам.


Что такое отказ от ответственности при опросе

Опросы охватывают широкий круг тем. Потребительские предпочтения, повседневные привычки и медицинские исследования — это лишь несколько тем, рассматриваемых в опросах.

Независимо от содержания, каждый опрос должен начинаться с Заявление об отказе от ответственности .

Заявление об отказе от ответственности также известно как Согласие на проведение опроса или Введение в опрос . Заявление об отказе от ответственности описывает, что участник опроса может ожидать от добровольного предоставления своей информации для участия в опросе.

Он также может содержать предупреждения, например, когда данные передаются третьему лицу или если конфиденциальные данные не могут быть защищены.

Заявление об отказе от ответственности в рамках исследования служит четырем целям, указанным в его положениях:

  • Опишите собранную информацию и способы ее использования,
  • Укажите меры конфиденциальности,
  • Поощрять участие, не делая его обязательным, и
  • Предложите участникам заверить, что их информация не будет использована ненадлежащим образом или предана гласности.

Защита конфиденциальности — самый важный элемент заявления об отказе от ответственности.Даже если ваше соглашение о политике конфиденциальности охватывает ваши требования соответствия, отказ от ответственности в рамках опроса усиливает это соответствие, делая ваши условия очевидными для участников .

Наличие такого заявления об отказе от ответственности также способствует участию . Независимо от темы участники могут чувствовать себя неловко, особенно если опрос включает в себя что-то глубоко личное, например психологическое лечение.

Если люди не поймут, что их ответы защищены, маловероятно, что вы обеспечите достаточное количество исследований для своих целей.

Закон об отказе от ответственности при проведении обследований

Нет никаких законов или директив, прямо отражающих политику конфиденциальности в отношении опросов .

Заявления об отказе от ответственности в ходе опроса часто разрабатываются в соответствии с действующим законодательством, в основном в качестве предостережения, но также потому, что они успокаивают участников. . Это создает пересечение между Заявлением об отказе от ответственности в рамках опроса и соответствующими законами о конфиденциальности.

Закон HIPAA (США)

Даже если опросы, связанные с лечением и заболеваниями, являются анонимными, У.S. исследовательские учреждения, университеты и компании по-прежнему обрабатывают данные в соответствии с обязанностями, изложенными в Законе о переносимости и подотчетности медицинской информации (HIPAA).

В США нет общего закона о конфиденциальности, но они серьезно относятся к безопасности медицинской информации. Правило HIPAA Privacy Rule , в частности, может повлиять на опросы о состоянии здоровья и требует особого внимания к отказу от ответственности при проведении опроса.

Правило конфиденциальности HIPAA направлено на обеспечение защиты данных о состоянии здоровья, в то же время позволяя информации быть доступной для оценки лечения, защиты общественного здоровья и поддержки исследований.

В любом из этих случаев поставщик медицинских услуг или исследователь должен сначала предоставить уведомление и получить согласие пациента.

Опрос

Отказ от ответственности в отношении физического или психического здоровья часто включает положение о том, что данные не связаны с ответами, предоставленными в ходе опроса.

Обычно, поскольку опросы проводятся онлайн и автоматизированы, ответы не связаны с адресом электронной почты, а получают случайный идентификационный номер.

Это защищает конфиденциальность, потому что есть данные, относящиеся к исследованиям, но не связанная с ними личная идентифицирующая информация.

Закон CalOPPA (США)

Как уже упоминалось, в США нет общего закона о защите конфиденциальности. Калифорния приняла в 2004 году закон под названием Калифорнийский закон о защите конфиденциальности в Интернете (CalOPPA). Этот закон предъявляет особые требования к уведомлению организаций, которые собирают персональные данные от своих пользователей.

Калифорния — один из самых густонаселенных штатов США, поэтому, если вы хотите вести бизнес или проводить там опросы, вам необходимо соблюдать закон Калифорнии .

Практически невозможно ограничить бизнес или собрать информацию из одного штата в рамках онлайн-опроса, , поэтому соблюдение CalOPPA — хорошая мера предосторожности .

CalOPPA требует наличия заметной ссылки на Политику конфиденциальности на каждом веб-сайте . Также требуется конкретное содержание Политики конфиденциальности. К исследованиям относятся следующие требования:

  • Положения, описывающие тип собираемой личной информации,
  • Использование этой информации и
  • Личность третьих лиц, которые могут видеть это

Многие опросы не связывают данные с информацией, позволяющей установить личность.Однако любая информация, собранная конкретно о человеке, подчиняется этим требованиям.

Даже если у вас есть полная Политика конфиденциальности, ваш отказ от ответственности за участие в опросе может обеспечить повышенное соответствие требованиям CalOPPA и успокоить участников.

Закон PIPEDA (Канада)

Канада имеет Управление уполномоченного по вопросам конфиденциальности Канады и приняла два закона о защите конфиденциальности. Один закон, «Закон о конфиденциальности» , содержит положения, требующие от федеральных правительственных агентств защиты и разглашения ответственности за личные данные.

Закон, который влияет на информацию, собранную в опросах, спонсируемых коммерческими организациями, — это Закон о защите личной информации и электронных документах (PIPEDA).

PIPEDA требует от компаний получения согласия перед сбором, использованием или раскрытием личной информации. Данные могут быть использованы только для тех целей, для которых они были собраны.

PIPEDA ограничивается коммерческой деятельностью. Однако предприятия, которые подпадают непосредственно под законодательную власть парламента, также должны соблюдать эти правила.Аэропорты, авиакомпании, банки, органы общественного транспорта, телекоммуникационные компании, теле- и радиовещательные компании, а также буровые работы на море должны соблюдать этот закон.

Например, если вы проводите опрос от имени радиостанции, вы должны получить согласие перед сбором информации. Вы можете сделать это с помощью заявления об отказе от ответственности в начале опроса и использовать методы проектирования с переходом по щелчку мыши, чтобы гарантировать принятие .

Медицинская информация в первую очередь охраняется законами провинции.В Онтарио, Нью-Брансуике, Ньюфаундленде и Лабрадоре действуют акты, смоделированные в рамках PIPEDA, но конкретно касающиеся информации о здоровье.

Как и в США, невозможно провести опрос в Канаде и охватить только несколько провинций. Следовательно, вам также необходимы отказ от ответственности за участие в опросе и методы краткого обзора, чтобы гарантировать получение вашего согласия на сбор информации.

Директивы о конфиденциальности (ЕС)

E.U. начал принимать правила защиты данных в январе 2012 года.Последняя директива о конфиденциальности, принятая 4 мая 2016 года, показывает, что законы о конфиденциальности продолжают развиваться.

Как и другие законы, директивы ЕС конкретно не касаются обследований .

Частью директив, наиболее актуальной для опросов, является требование о том, что данные должны собираться для конкретных, законных и явных целей .

Заявление об отказе от ответственности, в котором объясняется причина сбора и способы его использования, вероятно, соответствует этому стандарту, особенно если вы используете методы перехода по щелчку мышки, чтобы убедиться, что участник принимает условия.

Закон о конфиденциальности 1993 г. (Новая Зеландия)

В Новой Зеландии есть яркий пример, когда Кентерберийский университет в Крайстчерче очень серьезно относится к конфиденциальности и дает согласие на свои исследования.

Он посвящает целую страницу усилиям и, не теряя времени, объясняет важность этих соображений во введении к этой странице:

Такой подход имеет смысл с учетом Закона Новой Зеландии о конфиденциальности 1993 года. Закон не предусматривает общего права на неприкосновенность частной жизни, но защищает информацию, включая электронные данные. Это относится к опросам, так как большинство из них проводятся онлайн. .

Если человек считает, что его права в соответствии с Законом Новой Зеландии о конфиденциальности были нарушены, он может подать жалобу Уполномоченному по вопросам конфиденциальности.

Таким образом, понятно, почему Университет Кентербери и другие организации хотят проявлять осторожность, имея отказ от ответственности при проведении опроса.

Как составить заявление об отказе от ответственности

Ниже приведены несколько примеров, показывающих, как можно составить заявление об отказе от ответственности за участие в опросе.

Если вы собираете мнения по менее личным вопросам, таким как потребительские товары, восприятие в новостях или что-либо еще, чем человек охотно поделится с незнакомцем за чашкой кофе, то, вероятно, вам потребуется заявление об отказе от ответственности General Survey .

Это включает некоторые заверения, потому что участники могут не хотеть спама, нежелательной почты или нежелательных рекламных акций. Если в опросе участвует больше личных продуктов, они также могут захотеть, чтобы результаты не были связаны с их именем и не публиковались.

Survey Monkey, лидер в области предоставления платформы для проведения опросов, может включать Заявление об отказе от ответственности, также называемое «Форма согласия» , в котором подчеркивается анонимность:

GE использует аналогичную структуру, которая показывает, как это реализовано на практике. Его портал опросов, похоже, ограничен сотрудниками и независимыми подрядчиками в его организации.

Заявление об отказе от ответственности в отношении опроса

GE является всеобъемлющим для данных, хотя и не поощряет разглашение конфиденциальных данных:

Оба примера являются общими, но исчерпывающими:

Отказ от ответственности за участие в опросе

также работает путем интеграции с ними других соглашений, например соглашения о политике конфиденциальности.Это можно сделать, если каждый документ будет содержать частично совпадающие положения.

Википедия предлагает положение об опросах в своей Политике конфиденциальности:

В разделе

Википедии об опросах в Политике конфиденциальности в целом говорится, что отзывы и личная информация, полученная в результате опроса, используется Википедией.

Несмотря на то, что Политика конфиденциальности охватывает эту тему, Википедия по-прежнему предлагает отдельный отказ от ответственности за участие в опросе. Это конкретное положение расширяет пункт Политики конфиденциальности и объясняет, что информация остается в Википедии и что нет общественной связи с учетной записью участника:

Интеграция Политики конфиденциальности и Заявления об отказе от ответственности в Википедии является тонкой, поскольку она включает только аналогичные условия.Другие организации используют более прямой подход.

The Birth Survey со штаб-квартирой в Северной Каролине собирает данные об опыте родов у женщин. Прежде чем кто-либо примет участие в опросе, он начинается с диалогового окна, в котором требуется принять Условия использования, Политику конфиденциальности и Заявление об отказе от ответственности за участие в опросе с помощью метода clickwrap:

Если вы прокрутите диалоговое окно вниз и просмотрите все три соглашения, вы найдете это положение в Заявлении об отказе от ответственности в отношении личной информации.В нем упоминается, что участник передает данные в рамках положений всех трех соглашений:

Похоже, что отказ от ответственности в рамках опроса может сойти с рук простой ссылкой на Политику конфиденциальности или Положения и условия .

Однако не рекомендуется . Ссылки на длительные юридические соглашения как способ убедить их в безопасности — не лучший способ стимулировать участие.

Даже если в вашем заявлении об отказе от ответственности содержатся положения Политики конфиденциальности, повторите эти положения простым языком при составлении заявления об отказе от ответственности.Это дает уверенность участникам, что они понимают использование своих данных и чувствуют себя в безопасности, зная, что их ответы не связаны с ними лично.

Опросы, проводимые для оценки качества медицинского обслуживания или проведения исследований подпадают под строгие правила конфиденциальности в таких законах, как HIPAA США.

Клиника Кливленда проводит опросы для оценки качества обслуживания. Он рассылает опрос удовлетворенности пациентов и поддерживает отказ от ответственности в стиле часто задаваемых вопросов и вводную страницу для этого опроса.

Заявление об ограничении ответственности начинается с заявления о цели:

Затем в заявлении об отказе от ответственности описывается собранная информация и кто имеет к ней доступ. В этом случае данные хранятся внутри:

Тем не менее, отзывы также будут способствовать повышению звездного рейтинга врачей, и отзывы пациентов также могут публиковаться. Хотя эта публикация является анонимной, пациенты могут попросить удалить свои комментарии:

В Канаде проводится Национальное обследование врачей .Заявление об отказе от ответственности указывает на то, что ответы не связаны с данными, позволяющими идентифицировать пациента.

Он также содержит положения о том, что данные обрабатываются в соответствии с требованиями врача о конфиденциальности и защите личной информации:

Рекомендуется отделить результаты опроса от личности участника. Это означает отсутствие ссылок на адреса электронной почты, имена пользователей или даже IP-адрес. Хотя в целом это хорошая практика, имеет решающее значение , если вы хотите провести медицинское обследование или медицинское обследование.

Опросы, проведенные для закрытой группы , сами по себе могут показаться обнадеживающими. Однако рекомендуется никогда не предполагать, что участники об этом знают.

Опрос Отказ от ответственности существует больше для подтверждения . Даже если данные не являются личными, четкое указание на то, что данные ограничены одним конкретным учреждением или группой, только поможет вашему опросу. Это также показывает, что вы соблюдаете законы о конфиденциальности, даже если у вас уже есть надежная Политика конфиденциальности.

Считайте это шагом к совершенствованию этих практик.Это заявление об отказе от ответственности, используемое Мичиганским университетом, работает как с опросами, связанными со здоровьем, так и с общими опросами, поскольку оно указывает на четкие ограничения доступа к данным и сохраняет анонимность результатов:

Каждый раз, когда вы немедленно удаляете личные данные или ограничиваете их анонимной передачей закрытой группе исследователей, опишите эти методы в своем Заявлении об отказе от ответственности. Как видно на примере Мичиганского университета, это не должно быть долгим или сложным.

Заявление об отказе от ответственности за участие в опросе усиливает соблюдение законов о конфиденциальности, но также содержит дополнительные материалы для поощрения участия и обеспечения конфиденциальности.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *