2. Tyrimų eiga

2.2.1 Mokslinės teorijos falsifikuojamumas

Jei teorija yra mokslinė, turi būti galima patikrinti, ar ji yra klaidinga. O kodėl „klaidinga“, o ne „teisinga“?

Hipotezės (teiginiai apie teoriją) turi būti formuluojamos taip, kad jų teisingumą ar klaidingumą būtų galima patikrinti objektyviomis priemonėmis. Įprastai mes negalime 100% įrodyti, kad kažkoks reiškinys neegzistuoja, nes neturime galimybių tyrimą atlikti visomis įmanomomis sąlygomis. Tačiau galime surinkti pakankamai mokslinių tyrimų rezultatų, pagrindžiančių mūsų teorijos teisingumą (kartais tai žargonu vadinama „moksliniais įrodymais“, bet apie tai plačiau – kitame skyriuje). Tačiau gavus prieštaraujančių rezultatų mes galime lengvai paneigti teoriją (aišku, jei tyrimas atliktas tinkamai, t.y., tie rezultatai yra pagrįsti). Dažnai ši savybė yra vadinama „falsifikuojamumu“ („paneigiamumu“, galimybe parodyti, kad jis yra klaidingas), kurį taip pat galime suprasti, kaip galimybę objektyviomis priemonėmis apeliuoti į teiginio teisingumą. Jei teiginio neįmanoma falsifikuoti (t.y., patikrinti, ar jis yra klaidingas), tai šis teiginys nėra mokslinis.

Pvz., teiginys „Tu esi mylimiausia pasaulyje“ nėra mokslinis, nes negalima patikrinti, ar jis teisingas arba klaidingas: neaišku, kas tiksliai yra tas „buvimas mylima“ bei kokiomis objektyviomis priemonėmis būtų galima išmatuoti šio reiškinio stiprumą. Tuo tarpu teiginys „2020 kovo 8 dieną tu gavai daugiausiai gėlių“ jau yra mokslinis, nes jo teisingumą galima patikrinti. Tikriausiai ištirti visų žmonių, kurie nurodytą dieną gavo gėles, neįmanoma (t.y., parodyti, kad tas teiginys yra absoliučiai teisingas), bet galime paimti, sakykime, atsitiktinę 1000 žmonių imtį ir paklausti, kiek gėlių jie gavo tą dieną: jei visi apklaustieji teigia, kad gavo mažiau gėlių nei teiginyje minimas žmogus, tai kuo daugiau žmonių apklausiame, tuo daugiau turime pagrindo manyti, kad teiginys yra teisingas. Šiuo atveju jau sudaroma galimybė apeliuoti į teiginio teisingumą. Teiginio „Iš visų tavo seserų 2020 kovo 8 dieną tu gavai daugiausiai gėlių“ teisingumą būtų dar lengviau patikrinti (apibrėžta konkreti data, nurodyta, kas yra visi tiriamieji – „visos seserys“, kurių skaičių galima tiksliai nustatyti – ir pagal kokią objektyvią savybę – gautų gėlių skaičius – vertiname). Tačiau, jei rastume bent vieną žmogų, kuris gavo daugiau gėlių, teiginio negalėtume laikyti teisingu.

2.2.2 „Moksliškai pagrįsti“ ar „įrodyti“?

Keli su tyrimais susiję angliški terminai – „proof“ ir „evidence“ – neretai į lietuvių kalbą verčiami panašiai ar net identiškai. Pirmasis – „įrodyti“/„įrodymas“ („proof“): mokslinių tyrimų kontekste reikia vengti posakių, tokių kaip „mokslininkai įrodė“ ar „moksliniai įrodymai“ (nors jie labai mėgstami žurnalistų), nebent kalbate apie matematinius įrodymus (angl. mathematical proof). Matematika – vienintelė mokslo šaka, kur galima įrodyti. Visur kitur reiktų teigti „moksliškai pagrįsta“, „turi mokslinio pagrindo“. Tad „evidence“ ar „scientific evidence“ turėtų būti verčiama kaip „mokslinis pagrindimas“, „mokslinių tyrimų rezultatai“, „has evidence“ ar „evidence-based“ – „moksliškai pagrįsta“, „moksliniais tyrimais pagrįsta“, „(mokslinių) tyrimų rezultatais pagrįsta“ ar „turi mokslinio pagrindo“ (ne „įrodymais pagrįsta“), o „we found evidence that“ – „mūsų (mokslinio) tyrimo rezultatai atskleidė, jog“, „gavome mokslinių rezultatų, kurie“ ar „turime (mokslinio) pagrindo teigti, kad“.

Yra mokslininkų, kurie žargonu ne matematikos kontekste vartoja terminą „moksliškai įrodyti“. Pastebėjau, kad ši terminija ypač gaji medikų tarpe. Tačiau kalbant su auditorija, kuri apie mokslinių tyrimų vykdymą, jų privalumus ir ribotumus mažai tenusimano, šis terminas mažų mažiausiai yra nepakankamai tikslus (savo vertimo variantus pateikiau aukščiau). Tad mano siūlymas yra jo vengti. O jeigu girdite, kad kas nors yra (žargonu kalbant) „moksliškai įrodyta“, tai prisiminkite, kad mokslininkai išvadas daro su tam tikra paklaida ir tai nėra 100% garantuojama. Be to, prisiminkite, kad yra teiginio falsifikuojamumas (žr. skyriuje 2.2.1).

Beje, šitame skyriuje neapeliuoju į absoliučią teisybę, kaip vartoti terminus. Tačiau išreiškiu požiūrį, su kuriuo pats buvau supažindintas per mokymus mokslininkams 2016 metais, ir akcentuoju skirtumus tarp kelių skirtingų idėjų, kurios kartais išreiškiamos tuo pačiu terminu. Taip pat pasiūlau tikslesnius (labiau mokslinį suvokimą atspindinčius) vertinius.

2.2.3 Koreliacija neparodo priežastingumo

Tai, kad du reiškiniai yra susiję (ar koreliuoja), dar nereiškia, kad juos sieja priežastinis ryšys (t.y., kad vienas sukėlė kitą). Pvz., pastebėta, kad miestuose, kuriuose yra daugiau bažnyčių, yra ir daugiau barų. Ar tai reiškia, kad bažnyčių skaičiaus didėjimas (religingumo didėjimas?) mieste nulemia ir barų skaičių (didina polinkį vartoti alkoholį?). O gal yra atvirkščiai – padidėjęs polinkis vartoti daugiau alkoholio lemia didesnį religingumą? (Jei apskritai apie „religingumą“ ar „alkoholio suvartojimą“ galima spręsti vien tik pagal barų ir bažnyčių skaičių.) Na, tikriausiai suprantate, kad ne – šie du reiškiniai yra susiję su kitu dalyku – miesto dydžiu: kuo miestas didesnis, tuo jame daugiau žmonių, kurie nori eiti į bažnyčią, ir tuo daugiau tų, kurie nori eiti į barą. Ir tai nebūtinai tie patys žmonės, kurie nori daryti ir vieną, ir kitą. Tad miesto dydis daro įtaką barų ir bažnyčių skaičiui.

Plačiau apie koreliaciją ir priežastingumą bus rašoma skyriuje „12.1.1 Sąsaja neparodo priežastingumo“.

2.2.4 Venkite selektyvaus rezultatų pristatymo

Tam, kad būtume korektiški, turėtume būti nešališki. T.y., pristatyti „abi medalio puses“ net tada, kai randate mums nebūtinai patinkančių rezultatų ar rezultatų, prieštaraujančių mūsų teorijai.

Nors tai tiesiogiai nesusiję su statistikos kursu, bet turėtumėte žinoti, kad egzistuoja įvairūs psichologiniai reiškiniai (pvz., taip vadinama „save išpildanti pranašystė“, angl. „self-fulfilling prophecy“ ), dėl kurių galime matyti tik dalį tiesos (tik vieną „medalio pusę“).

2.3.1 Klausimas

Pagrindinis analizės tikslas – spręsti tam tikrą mokslinę, medicininę, gamtinę, socialinę, verslo, buitinę ar kitokią problemą. Tam, kad galėtume išspręsti, pirmiausia turime ją apsibrėžti. Kuo konkrečiau susiformuluosime klausimą, tuo aiškiau žinosime, ką norime padaryti, ištirti, sužinoti, išspręsti. Ir tuo bus lengviau suprasti, ar įvykdėme savo tikslą: kuo klausimas konkretesnis, tuo konkretesnio atsakymo galima tikėtis. Jei klausimas yra ganėtinai neapibrėžtas, tai ir atsakymas, tikėtina, bus toks pats, o tai mūsų įprastai netenkina. Tyrimas ar analizė, kurie neturi konkretaus klausimo, yra neefektyvūs.

Kokie tie klausimai gali būti? Ogi labai įvairūs, pvz., kuris šokoladas Lietuvos žmonėms labiau patinka (juodasis, pieniškas ar baltasis); kokią įtaką vienas papildomas euras, išleistas ledų reklamai, darytų įmonės pelnui; ar GMC studentai greičiau įsisavina kurso medžiagą, jei prie įprastos rašytinės medžiagos papildomai pateikiama video medžiaga; kurioje terpėje dumbliai auga greičiausiai; ar naujai kuriamas vaistas gali pailginti miego trukmę; ar pagal fenotipinius požymius galima atpažinti bakterijos genotipinius Gardnerella vaginalis pogrupius; ar kovų baidymas padeda reikšmingai sumažinti paukščių keliamą triukšmą Panevėžio mieste?

Tad tyrimas prasideda nuo klausimo ir visi kiti etapai vykdomi tam, kad į tą klausimą būtų atsakyta pagrįstai ir korektiškai. Todėl tinkamas aiškiai ir konkrečiai suformuluotas klausimas – pati svarbiausia visos analizės dalis. Pastaba: šiame kontekste terminai „klausimas“ ir „problema“ vartojami kaip sinonimai.

Apie duomenų analizės klausimų tipus plačiau galite skaityti (Leek ir Peng 2015).

2.3.2 Planas

Kai jau žinome klausimą, privalome kruopščiai susiplanuoti, kaip į jį atsakysime. Vėlesni tyrimo etapai negali atsverti ir ištaisyti prastai suplanuoto bei nekorektiškai atlikto tyrimo pasekmių. Apie įvairius su statistika susijusius tyrimo planavimo aspektus bus kalbama skyriuje „3 Tyrimų planavimas“.

2.3.3 Duomenys

Įvykdome tyrimą ir surenkame duomenis, kurie yra tinkami atsakyti į išsikeltą klausimą. Po to duomenis parengiame analizei. Tam, kad duomenys būtų pateikti tinkama analizei forma, svarbu suprasti bent kelias pagrindines duomenų struktūras (žr. 1.5 Duomenų struktūros statistikoje).

2.3.4 Analizė

Padarome duomenų suvestines, braižome grafikus ir taip išsiaiškiname pagrindines duomenų savybes. Pagal klausimą ir duomenų savybes pasirenkame tinkamą tolimesnės analizės metodą. Atliekame pagrindinę analizę, kuri padeda atsakyti į išsikeltą klausimą.

Parenkant tinkamą analizės metodą svarbu mokėti atpažinti statistinius duomenų tipus (žr. 1.4 Duomenų tipai statistikoje) ir daugelį idėjų, aprašomų skyriuje „3 Tyrimų planavimas“.

2.3.5 Išvados

Grįsdami analizės rezultatais padarome išvadas – atsakome į iškeltą klausimą. Įprastai gavus vieną atsakymą, kyla dar keletas naujų klausimų. Tad toliau bandant atsakyti į naujuosius, susidaro ciklas: vėl planuojam, vykdom, analizuojam, darom išvadas ir vėl keliam klausimus.