5 ຂໍ້ຜິດພາດທາງສະຖິຕິທີ່ເຮັດໃຫ້ບົດຄົ້ນຄວ້າຂອງທ່ານຖືກປະຕິເສດ ແລະ ວິທີແກ້ໄຂກ່ອນການສົ່ງບົດ
ບົດຄວາມນີ້ອະທິບາຍ 5 ຂໍ້ຜິດພາດທາງສະຖິຕິທົ່ວໄປທີ່ເຮັດໃຫ້ບົດຄົ້ນຄວ້າຖືກປະຕິເສດຈາກວາລະສານວິຊາການ, ພ້ອມທັງວິທີການແກ້ໄຂເພື່ອປັບປຸງໃຫ້ບົດຄົ້ນຄວ້າຂອງທ່ານມີຄຸນນະພາບສູງຂຶ້ນ. ບົດຄວາມນີ້ເໝາະສຳລັບນັກສຶກສາປະລິນຍາໂທ, ປະລິນຍາເອກ ແລະ ນັກຄົ້ນຄວ້າໃໝ່ ທີ່ຕ້ອງການພິມເຜີຍແຜ່ຜົນງານໃນວາລະສານສາກົນ.
ທ່ານໃຊ້ເວລາຫຼາຍເດືອນໃນການເກັບກຳຂໍ້ມູນ. ທ່ານໄດ້ຂຽນບົດຄົ້ນຄວ້າຢ່າງລະມັດລະວັງ. ທ່ານສົ່ງບົດໄປ — ແລະ ຫຼາຍອາທິດຕໍ່ມາ, ການປະຕິເສດເບື້ອງຕົ້ນກໍມາເຖິງພ້ອມກັບຄຳອະທິບາຍສອງແຖວທີ່ວ່າ "ມີຂໍ້ກັງວົນກ່ຽວກັບວິທີການສຶກສາ" ຫຼື "ຄວາມເຄັ່ງຄັດທາງສະຖິຕິບໍ່ພຽງພໍ". ບໍ່ມີການລະບຸລາຍລະອຽດ. ມີພຽງແຕ່ການປະຕິເສດເທົ່ານັ້ນ.
ນີ້ຄືຄວາມຈິງທີ່ອາດເຮັດໃຫ້ບໍ່ສະບາຍໃຈ: ບົດຄົ້ນຄວ້າສ່ວນໃຫຍ່ທີ່ຖືກປະຕິເສດ ບໍ່ແມ່ນຍ້ອນວ່າການຄົ້ນຄວ້ານັ້ນບໍ່ດີ. ແຕ່ພວກມັນຖືກປະຕິເສດຍ້ອນຂໍ້ຜິດພາດທາງສະຖິຕິທີ່ຜູ້ກວດສອບພົບເຫັນພາຍໃນສິບຫ້ານາທີທຳອິດຂອງການອ່ານ. ຄຳຖາມການຄົ້ນຄວ້າອາດຈະດີເລີດ, ຂໍ້ມູນອາດຈະມີຄຸນຄ່າ, ແຕ່ການວິເຄາະທີ່ຂາດຄວາມລະມັດລະວັງຈະທຳລາຍບົດຄົ້ນຄວ້າກ່ອນທີ່ຈະມີໃຜພິຈາລະນາເຖິງຄຸນຄ່າຂອງມັນຊ້ຳ.
ບົດຄົ້ນຄວ້າທີ່ຖືກປະຕິເສດສ່ວນໃຫຍ່ ບໍ່ແມ່ນຍ້ອນວ່າການຄົ້ນຄວ້ານັ້ນບໍ່ດີ. ພວກມັນຖືກປະຕິເສດຍ້ອນຂໍ້ຜິດພາດທາງສະຖິຕິທີ່ຜູ້ກວດສອບພົບເຫັນພາຍໃນສິບຫ້ານາທີທຳອິດ.
ຂ່າວດີກໍຄືຂໍ້ຜິດພາດເຫຼົ່ານີ້ເກືອບຈະສາມາດຫຼີກລ່ຽງໄດ້ສະເໝີ — ຖ້າທ່ານຮູ້ວ່າຕ້ອງສັງເກດເບິ່ງຫຍັງແດ່. ດ້ານລຸ່ມນີ້ແມ່ນ 5 ຂໍ້ຜິດພາດທາງສະຖິຕິທີ່ພົບເຫັນເລື້ອຍທີ່ສຸດໃນວິທະຍານິພົນຂອງນັກສຶກສາ ແລະ ຮ່າງບົດຄົ້ນຄວ້າຂອງນັກຄົ້ນຄວ້າໜ້າໃໝ່, ແລະ ທີ່ສຳຄັນໄປກວ່ານັ້ນຄື ວິທີການແກ້ໄຂແຕ່ລະຂໍ້ກ່ອນທີ່ທ່ານຈະສົ່ງບົດ.
ຂໍ້ຜິດພາດທີ 1: ຄວາມສັບສົນລະຫວ່າງຄວາມສຳພັນ (Correlation) ແລະ ຄວາມເປັນເຫດເປັນຜົນ (Causation)
ນີ້ແມ່ນຂໍ້ຜິດພາດທາງສະຖິຕິທີ່ພົບເຫັນໄດ້ຫຼາຍທີ່ສຸດ, ແຕ່ມັນພັດປາກົດຢູ່ໃນຫຼາຍໆບົດຫຼາຍກວ່າທີ່ທ່ານຄິດ — ລວມທັງບົດທີ່ຜ່ານການກວດສອບຮອບທຳອິດ ແຕ່ກັບມາຖືກປະຕິເສດໂດຍຜູ້ກວດສອບຄົນທີສອງ.
ໂດຍທົ່ວໄປແລ້ວມັນມັກຈະເກີດຂຶ້ນແບບນີ້: ທ່ານພົບໃນການສຳຫຼວດຄົວເຮືອນວ່າ ຄອບຄົວທີ່ມີລາຍຮັບສູງກວ່າມີລາຍງານຜົນໄດ້ຮັບດ້ານສຸຂະພາບທີ່ດີກວ່າ. ທ່ານຂຽນວ່າ: "ລາຍຮັບທີ່ສູງຂຶ້ນເຮັດໃຫ້ເກີດຜົນໄດ້ຮັບດ້ານສຸຂະພາບທີ່ດີກວ່າ". ຜູ້ກວດສອບໝາຍຈຸດນີ້ໄວ້, ແລະ ທ່ານໄດ້ຮັບການຮ້ອງຂໍໃຫ້ແກ້ໄຂຄັ້ງໃຫຍ່.
ສິ່ງທີ່ທ່ານໄດ້ສະແດງໃຫ້ເຫັນແທ້ໆນັ້ນຄື ລາຍຮັບ ແລະ ຜົນໄດ້ຮັບດ້ານສຸຂະພາບເກີດຂຶ້ນຮ່ວມກັນໃນຂໍ້ມູນຂອງທ່ານ — ພວກມັນມີຄວາມສຳພັນກັນ. ຢ່າງໃດກໍຕາມ, ຄວາມສຳພັນນັ້ນສາມາດສອດຄ່ອງກັບຫຼາຍໆສາເຫດທີ່ແຕກຕ່າງກັນໄດ້:
ລາຍຮັບທີ່ສູງຂຶ້ນເຮັດໃຫ້ສຸຂະພາບດີຂຶ້ນ (ທິດທາງທີ່ທ່ານສົມມຸດຕິຖານ)
ສຸຂະພາບທີ່ດີຂຶ້ນເຮັດໃຫ້ມີລາຍຮັບສູງຂຶ້ນ (ຄົນທີ່ມີສຸຂະພາບດີສາມາດເຮັດວຽກໄດ້ຫຼາຍຂຶ້ນ)
ປັດໄຈທີສາມເປັນສາເຫດຂອງທັງສອງຢ່າງ (ການສຶກສາ, ທີ່ຕັ້ງໃນຕົວເມືອງ, ການເຂົ້າເຖິງການບໍລິການ)
ຄວາມສຳພັນດັ່ງກ່າວເປັນເລື່ອງບັງເອີນ — ເຊິ່ງເປັນເຫດບັງເອີນໃນກຸ່ມຕົວຢ່າງສະເພາະນີ້
ວິທີແກ້ໄຂ:
ຢ່າຂຽນວ່າ "X ເຮັດໃຫ້ເກີດ Y" ຈາກຂໍ້ມູນການສັງເກດ ເວັ້ນເສຍແຕ່ວ່າທ່ານຈະມີຍຸດທະສາດການລະບຸຄວາມເປັນເຫດເປັນຜົນທີ່ເຄັ່ງຄັດ
ໃຫ້ໃຊ້ພາສາເຊັ່ນ "X ມີຄວາມກ່ຽວຂ້ອງກັບ Y" ຫຼື "X ແລະ Y ມີຄວາມສຳພັນກັນ"
ໃນພາກສົນທະນາຂອງທ່ານ, ໃຫ້ຍອມຮັບຢ່າງຊັດເຈນກ່ຽວກັບຄຳອະທິບາຍທາງເລືອກອື່ນ — ຜູ້ກວດສອບຈະອ່ານສິ່ງນີ້ໃນຖານະເປັນຄວາມເປັນຜູ້ໃຫຍ່ທາງດ້ານວິທີການສຶກສາ
ຖ້າທ່ານຕ້ອງການອ້າງເຖິງຄວາມເປັນເຫດເປັນຜົນ, ທ່ານຈຳເປັນຕ້ອງມີການອອກແບບການທົດລອງ ຫຼື ວິທີການອະນຸມານຄວາມເປັນເຫດເປັນຜົນຂັ້ນສູງ (ຕົວແປເຄື່ອງມື, ການທົດລອງທາງທຳມະຊາດ, ຄວາມແຕກຕ່າງຂອງຄວາມແຕກຕ່າງ)
ຂໍ້ຜິດພາດທີ 2: ພີແຮັກກິ້ງ (P-hacking) ແລະ ການໃຊ້ຄ່າ P-values ແບບຜິດໆ
ຄ່າ p-value ໄດ້ກາຍເປັນຕົວເລກທີ່ຄົນເຂົ້າໃຈຜິດຫຼາຍທີ່ສຸດໃນການຄົ້ນຄວ້າ. ການນຳໃຊ້ທີ່ຜິດພາດທົ່ວໄປສອງຢ່າງມັກຈະປະກົດຢູ່ໃນບົດຄົ້ນຄວ້າຂອງນັກສຶກສາ.
ການໃຊ້ຜິດຮູບແບບ A — ການໄລ່ຕາມຫາຄວາມມີໄນສຳຄັນ:
ທ່ານທົດລອງແລ່ນການວິເຄາະຖົດຖອຍ (regressions) ຊາວຄັ້ງດ້ວຍຮູບແບບທີ່ແຕກຕ່າງກັນຈົນກວ່າອັນໜຶ່ງຈະມີໄນສຳຄັນທາງສະຖິຕິ, ຈາກນັ້ນທ່ານລາຍງານສະເພາະຮູບແບບນັ້ນ. ສິ່ງນີ້ເອີ້ນວ່າ p-hacking, ແລະ ຜູ້ກວດສອບຮູ້ວິທີທີ່ຈະຈັບຜິດມັນ. ສັນຍານເຕືອນລວມມີການລວມກັນຂອງຕົວແປຄວບຄຸມທີ່ໜ້າສົງໄສ, "ການກວດສອບຄວາມໜ້າເຊື່ອຖື" (robustness checks) ທີ່ທຸກອັນລາຍງານຜົນທີ່ຄືກັນຢ່າງງຽບໆ, ຫຼື ຄ່າ p-value ທີ່ຕົກຢູ່ທີ່ 0.048 ພໍດີ.
ການໃຊ້ຜິດຮູບແບບ B — ການຕີຄວາມໝາຍ p ວ່າເປັນຄວາມສຳຄັນ:
ຄ່າ p-value ທີ່ຕໍ່າກວ່າ 0.05 ບໍ່ໄດ້ບອກທ່ານວ່າຜົນກະທົບນັ້ນມີຂະໜາດໃຫຍ່ ຫຼື ມັນສຳຄັນໃນທາງປະຕິບັດ — ມັນພຽງແຕ່ບອກທ່ານວ່າຜົນກະທົບນັ້ນບໍ່ໜ້າຈະເກີດຂຶ້ນໂດຍຄວາມບັງເອີນໃນກຸ່ມຕົວຢ່າງຂອງທ່ານ. ດ້ວຍກຸ່ມຕົວຢ່າງຂະໜາດໃຫຍ່, ຜົນກະທົບທີ່ນ້ອຍນິດຈົນບໍ່ມີຄວາມໝາຍກໍສາມາດມີໄນສຳຄັນທາງສະຖິຕິໄດ້. ດ້ວຍກຸ່ມຕົວຢ່າງຂະໜາດນ້ອຍ, ຜົນກະທົບທີ່ໃຫຍ່ແທ້ໆອາດຈະບໍ່ສາມາດບັນລຸຄວາມມີໄນສຳຄັນໄດ້. ຄວາມມີໄນສຳຄັນທາງສະຖິຕິ ແລະ ຄວາມສຳຄັນໃນທາງປະຕິບັດບໍ່ແມ່ນສິ່ງດຽວກັນ.
ວິທີແກ້ໄຂ:
ລົງທະບຽນສົມມຸດຕິຖານຂອງທ່ານລ່ວງໜ້າກ່ອນທີ່ຈະວິເຄາະຂໍ້ມູນ (ຫຼື ບັນທຶກຢ່າງຊັດເຈນວ່າທ່ານວາງແຜນທີ່ຈະທົດສອບຫຍັງກ່ອນ)
ໃຫ້ລາຍງານຂະໜາດຂອງຜົນກະທົບ (effect sizes) ຄວบคູ່ກັບຄ່າ p-values ສະເໝີ — ຄ່າ p-value ພຽງຢ່າງດຽວແທບຈະບໍ່ບອກຫຍັງແກ່ຜູ້ອ່ານເລີຍ
ປະກອບມີຊ່ວງຄວາມເຊື່ອໝັ້ນ 95% — ພວກມັນມີຂໍ້ມູນຫຼາຍກວ່າຄ່າ p-values
ລາຍງານການວິເຄາະທັງໝົດທີ່ທ່ານໄດ້ເຮັດ, ບໍ່ແມ່ນພຽງແຕ່ອັນທີ່ມີໄນສຳຄັນເທົ່ານັ້ນ (ຄວາມໂປ່ງໃສແມ່ນໝູ່ທີ່ດີຂອງທ່ານໃນຂັ້ນຕອນການກວດສອບ)
ຂໍ້ຜິດພາດທີ 3: ການໃຊ້ສະຖິຕິທົດສອບທີ່ຜິດຕໍ່ກັບປະເພດຂໍ້ມູນຂອງທ່ານ
ຂ້ອຍມັກຈະເຫັນບົດຄົ້ນຄວ້າທີ່ໃຊ້ t-tests ກັບຂໍ້ມູນປະເພດກຸ່ມ, chi-square tests ກັບຂໍ້ມູນຕໍ່ເນື່ອງ, ຫຼື Pearson correlation ກັບ Likert scales ໂດຍບໍ່ມີເຫດຜົນຮອງຮັບ. ການເລືອກການທົດສອບທີ່ຜິດຈະເຮັດໃຫ້ຜົນໄດ້ຮັບຂອງທ່ານເປັນໂມຄະ, ເຖິງແມ່ນວ່າຕົວເລກຈະເບິ່ງຄືວ່າສົມເຫດສົມຜົນ ແລະ ຊອບແວຈະແລ່ນໄດ້ໂດຍບໍ່ມີຂໍ້ຜິດພາດກໍຕາມ.
ການເລືອກການທົດສອບແມ່ນຂຶ້ນກັບສີ່ສິ່ງ: ປະເພດຂໍ້ມູນຂອງທ່ານ (ນາມມະບັນຍັດ, ຈັດອັນດັບ, ອັນຕະລະພາກ, ຫຼື ອັດຕາສ່ວນ), ຈຳນວນກຸ່ມທີ່ທ່ານກຳລັງປຽບທຽບ, ບໍ່ວ່າຄ່າສັງເກດຈະເປັນອິດສະຫຼະ ຫຼື ເປັນຄູ່ກັນ, ແລະ ຂໍ້ມູນນັ້ນຕອບສະໜອງກັບຂໍ້ສົມມຸດຖານການແຈກຢາຍເຊັ່ນ: ການແຈກຢາຍແບບປົກກະຕິຫຼືບໍ່. ຖ້າເຮັດຜິດໃນຂໍ້ໃດໜຶ່ງເຫຼົ່ານີ້ ຈະເຮັດໃຫ້ການວິເຄາະຜິດພາດໄປທັນທີ.
ການອ້າງອີງແບບໄວສຳລັບສະຖານະການທົ່ວໄປ:
ການປຽບທຽບສອງກຸ່ມໃນການວັດແທກແບບຕໍ່ເນື່ອງ: independent t-test (ຫຼື paired t-test ຖ້າການວັດແທກຖືກຈັບຄູ່ກັນ)
ການປຽບທຽບສາມກຸ່ມຂຶ້ນໄປໃນການວັດແທກແບບຕໍ່ເນື່ອງ: one-way ANOVA
ການທົດສອບຄວາມກ່ຽວຂ້ອງລະຫວ່າງສອງຕົວແປປະເພດກຸ່ມ: chi-square test
ຄວາມສຳພັນລະຫວ່າງສອງຕົວແປແບບຕໍ່ເນື່ອງ: Pearson correlation (ຖ້າເປັນເສັ້ນຊື່); Spearman ຖ້າຄວາມສຳພັນໄປໃນທິດທາງດຽວກັນແຕ່ບໍ່ເປັນເສັ້ນຊື່
ການທຳນາຍຜົນໄດ້ຮັບແບບຕໍ່ເນື່ອງຈາກຫຼາຍຕົວແປ: multiple linear regression
ການທຳນາຍຜົນໄດ້ຮັບແບບສອງທາງ (ແມ່ນ/ບໍ່ແມ່ນ): logistic regression
ວິທີແກ້ໄຂ:
ກ່ອນທີ່ທ່ານຈະແຕະຕ້ອງຂໍ້ມູນ, ໃຫ້ລະບຸປະເພດຂອງແຕ່ລະຕົວແປທີ່ທ່ານຈະວິເຄາະຢ່າງຊັດເຈນ
ຂຽນ "ຍຸດທະສາດການວິເຄາະຂໍ້ມູນ" ທີ່ຊັດເຈນໃນພາກວິທີການຂອງທ່ານ ເພື່ອອະທິບາຍວ່າທ່ານຈະໃຊ້ການທົດສອບໃດແດ່ ແລະ ຍ້ອນຫຍັງ
ປຶກສາແຜນວາດການຕັດສິນໃຈໃນການເລືອກການທົດສອບ — ມີຫຼາຍອັນທີ່ມີຄຸນນະພາບສູງທີ່ສາມາດຊອກຫາໄດ້ຟຣີທາງອອນລາຍ
ຖ້າບໍ່ແນ່ໃຈ, ໃຫ້ຖາມເພື່ອນຮ່ວມງານ ຫຼື ອາຈານສອນສະຖິຕິກ່ອນທີ່ຈະແລ່ນການວິເຄາະ — ຜູ້ກວດສອບຈະຕ້ອງຖາມແນ່ນອນ
ຂໍ້ຜິດພາດທີ 4: ການລະເລີຍຂໍ້ສົມມຸດຖານທາງສະຖິຕິ (Statistical Assumptions)
ທຸກໆການທົດສອບທາງສະຖິຕິແມ່ນອີງໃສ່ຂໍ້ສົມມຸດຖານກ່ຽວກັບຂໍ້ມູນ. ການລະເມີດຂໍ້ສົມມຸດຖານເຫຼົ່ານັ້ນສາມາດສ້າງຜົນໄດ້ຮັບທີ່ເຮັດໃຫ້ເຂົ້າໃຈຜິດໄດ້ຢ່າງງຽບໆ — ຊອບແວຍັງຄົງໃຫ້ຕົວເລກແກ່ທ່ານ, ແລະ ທ່ານກໍຍັງສາມາດຂຽນມັນລົງໃນບົດຂອງທ່ານໄດ້, ແຕ່ຕົວເລກນັ້ນອາດຈະບໍ່ມີຄວາມໝາຍຫຍັງເລີຍ.
ຕົວຢ່າງເຊັ່ນ: Linear regression ສົມມຸດວ່າມີຄວາມເປັນເສັ້ນຊື່, ຄວາມເປັນອິດສະຫຼະຂອງຄວາມຄາດເຄື່ອນ, ຄວາມຄົງທີ່ຂອງຄວາມຜັນປ່ຽນ (homoscedasticity), ການແຈກຢາຍແບບປົກກະຕິຂອງຄ່າຕົກຄ້າງ, ແລະ ບໍ່ມີຄວາມສຳພັນກັນຢ່າງແຮງລະຫວ່າງຕົວແປອິດສະຫຼະ (multicollinearity). T-tests ສົມມຸດເຖິງຄວາມເປັນປົກກະຕິໂດຍປະມານພາຍໃນກຸ່ມ ແລະ ສຳລັບ independent-samples tests ແມ່ນສົມມຸດເຖິງຄວາມຜັນປ່ຽນທີ່ເທົ່າກັນໂດຍປະມານ. ANOVA ຂະຫຍາຍຂໍ້ສົມມຸດຖານເຫຼົ່ານີ້ໄປສູ່ສາມກຸ່ມຂຶ້ນໄປ.
ບົດຄົ້ນຄວ້າຂອງນັກສຶກສາສ່ວນໃຫຍ່ລາຍງານຜົນການທົດສອບໂດຍບໍ່ເຄີຍກວດສອບວ່າຂໍ້ສົມມຸດຖານເຫຼົ່ານັ້ນເປັນຈິງຫຼືບໍ່. ຜູ້ກວດສອບທີ່ດີຈະສັງເກດເຫັນໄດ້ພາຍໃນສອງສາມວິນາທີ.
ວິທີແກ້ໄຂ:
ທົດສອບຂໍ້ສົມມຸດຖານຂອງທ່ານກ່ອນທີ່ຈະແລ່ນການວິເຄາະອະນຸມານໃດໆ
ສຳລັບການວິເຄາະຖົດຖອຍ, ໃຫ້ກວດເບິ່ງກຣາບຄ່າຕົກຄ້າງ (residual plots), ຄຳນວນຄ່າ variance inflation factors (VIF) ສຳລັບ multicollinearity, ແລະ ກວດເບິ່ງກຣາບ normal Q-Q
ສຳລັບ t-tests ແລະ ANOVA, ໃຫ້ກວດເບິ່ງຄວາມເປັນປົກກະຕິ (Shapiro-Wilk test) ແລະ ຄວາມເທົ່າທຽມກັນຂອງຄວາມຜັນປ່ຽນ (Levene's test)
ຖ້າຂໍ້ສົມມຸດຖານຖືກລະເມີດ: ໃຫ້ໃຊ້ robust standard errors, ແປງຮູບແບບຜົນໄດ້ຮັບ (log, square root), ຫຼື ປ່ຽນໄປໃຊ້ທາງເລືອກທີ່ບໍ່ອິງພາຣາມິເຕີ (non-parametric alternatives ເຊັ່ນ Mann-Whitney, Kruskal-Wallis)
ລາຍງານສິ່ງທີ່ທ່ານໄດ້ກວດສອບໃນໜຶ່ງ ຫຼື ສອງປະໂຫຍກທີ່ຊັດເຈນ — ຜູ້ກວດສອບຈະໃຫ້ຄຸນຄ່າແກ່ຄວາມໂປ່ງໃສ
ຂໍ້ຜິດພາດທີ 5: ການບໍ່ລາຍງານຂະໜາດຂອງຜົນກະທົບ (Effect Sizes) ແລະ ຊ່ວງຄວາມເຊື່ອໝັ້ນ (Confidence Intervals)
ທ່ານຂຽນວ່າ: "ຄວາມສຳພັນນັ້ນມີໄນສຳຄັນທາງສະຖິຕິ (p < 0.01)". ຜູ້ກວດສອບອ່ານແລ້ວຄິດວ່າ: "ດີແລ້ວ, ແຕ່ຜົນກະທົບນັ້ນໃຫຍ່ສໍ່າໃດ? ມັນສຳຄັນແທ້ໆຫຼືບໍ່?".
ຄວາມມີໄນສຳຄັນທາງສະຖິຕິທີ່ບໍ່ມີຂະໜາດຂອງຜົນກະທົບ ບອກຫຍັງໃຫ້ຜູ້ອ່ານໄດ້ໜ້ອຍຫຼາຍ. ມັນຄືຄວາມແຕກຕ່າງລະຫວ່າງ "ການແຊກແຊງໄດ້ຜົນ" ກັບ "ການແຊກແຊງເຮັດໃຫ້ຄະແນນເພີ່ມຂຶ້ນສະເລ່ຍ 0.4 ຄະແນນໃນລະດັບຄະແນນເຕັມ 100, ເຊິ່ງແທບຈະກວດບໍ່ພົບເລີຍ". ຜູ້ກວດສອບນັບມື້ນັບຄາດຫວັງ — ແລະ ວາລະສານກໍຮຽກຮ້ອງຫຼາຍຂຶ້ນ — ໃຫ້ມີຂະໜາດຂອງຜົນກະທົບ ແລະ ຊ່ວງຄວາມເຊື່ອໝັ້ນສຳລັບການຄົ້ນພົບຫຼັກໆ.
ວິທີແກ້ໄຂ:
ໃຫ້ລາຍງານຂະໜາດຂອງຜົນກະທົບທີ່ເໝາະສົມກັບການວິເຄາະຂອງທ່ານສະເໝີ: Cohen's d ສຳລັບ t-tests, eta-squared (ຫຼື partial eta-squared) ສຳລັບ ANOVA, R-squared ແລະ standardized beta coefficients ສຳລັບການວິເຄາະຖົດຖອຍ, odds ratios ສຳລັບ logistic regression
ລາຍງານຊ່ວງຄວາມເຊື່ອໝັ້ນ 95% ຮອບຕົວປະເມີນຫຼັກຂອງທ່ານ
ໃນພາກສົນທະນາຂອງທ່ານ, ໃຫ້ຕີຄວາມໝາຍຄວາມສຳຄັນໃນທາງປະຕິບັດແຍກອອກຈາກຄວາມມີໄນສຳຄັນທາງສະຖິຕິ — ນີ້ຄືຈຸດທີ່ທ່ານສະແດງໃຫ້ຜູ້ກວດສອບເຫັນວ່າທ່ານເຂົ້າໃຈວ່າຜົນການຄົ້ນພົບຂອງທ່ານໝາຍເຖິງຫຍັງແທ້ໆ
ການແກ້ໄຂສິ່ງເຫຼົ່ານີ້ກ່ອນທີ່ທ່ານຈະສົ່ງບົດ
5 ຂໍ້ຜິດພາດຂ້າງເທິງນີ້ເປັນສາເຫດຂອງການປະຕິເສດທາງດ້ານວິທີການສຶກສາສ່ວນໃຫຍ່ໃນຂັ້ນຕອນທຳອິດ (desk stage) ແລະ ໃນການກວດສອບຮອບທຳອິດ. ບໍ່ມີຂໍ້ຜິດພາດໃດໃນນີ້ທີ່ຮຽກຮ້ອງໃຫ້ມີຄວາມຮູ້ທາງສະຖິຕິຂັ້ນສູງເພື່ອຫຼີກລ່ຽງ — ພວກມັນພຽງແຕ່ຕ້ອງການຄວາມເຂົ້າໃຈທີ່ຊັດເຈນກ່ຽວກັບຄວາມໝາຍທີ່ແທ້ຈິງຂອງສະຖິຕິຂອງທ່ານ, ແລະ ນິໄສໃນການໃຫ້ເຫດຜົນຢ່າງລະມັດລະວັງໃນແຕ່ລະທາງເລືອກຂອງການວິເຄາະ.
ຖ້າທ່ານກຳລັງກຽມຕົວທີ່ຈະຂຽນວິທະຍານິພົນ ຫຼື ສົ່ງບົດຄວາມລົງວາລະສານເປັນຄັ້ງທຳອິດ, ການສ້າງພື້ນຖານທີ່ແໜ້ນໜາໃນສະຖິຕິປະຍຸກແມ່ນໜຶ່ງໃນການລົງທຶນທີ່ໃຫ້ຜົນຕອບແທນສູງສຸດທີ່ທ່ານສາມາດເຮັດໄດ້ໃນອາຊີບນັກຄົ້ນຄວ້າຂອງທ່ານ. ເຕັກນິກເຫຼົ່ານີ້ສາມາດຮຽນຮູ້ໄດ້ໃນເວລາຫຼາຍອາທິດ, ບໍ່ແມ່ນຫຼາຍປີ — ແລະ ພວກມັນຈະໃຫ້ຜົນຕອບແທນໃນທຸກໆບົດຄົ້ນຄວ້າທີ່ທ່ານຂຽນ.
