A kutatók is szoktak flamelni, jóllehet ők nem webes fórumok mögül puffogtatnak, hanem Nature cikkek hasábjain. Ahogy a Linux vs Windows vagy Konzol vs PC viták sem jutnak dűlőre, valószínűleg itt is sokára lesz konszenzus.
De miről is van szó? Természetesen arról, hogy mellőzzük-e a p-értéket a statisztikai eredmények közlésénél vagy ne? Mert mi a p-érték? Egy szám, semmi több. Felejtsük el a definíciót egy picit, hiszen a kutatók legtöbbje szintén elfelejti azt. Ők csak egy számot látnak belőle, amiről be kell mutatni (szándékosan nem írtam, hogy bizonyítani), hogy kisebb 0.05-nél. Ha valami miatt ez 0.0500001, akkor mindenki depressziós, de ha átcsap 0.0499999-be, akkor az Univerzum értelmet nyer. Ha pedig az egészből csak ennyit látunk, akkor ennek a számnak tényleg semmi értelme.
Például egy korábbi munkám során növényi hormonszintek és a hideg tolerancia közötti kapcsolatot kerestük. A vezető kutató a cikkekből tudta, hogy a prolinnak ebben pozitív szerepe van. A statisztikai tesztek viszont nem adták vissza ezt. A p-érték valami 0.6 volt. Volt is vita, hogy a létező asszociáció miért nem "szignifikáns". Nos, azért nem volt, mert minden hormon esetén megvolt a három ismétlés, de egy malőr miatt prolin esetén csak két ismétlés volt. Ebben az esetben a magas p-érték nem azt jelentette, hogy nincs meg a hőn áhított kapcsolat, csak azt, hogy pocsék volt a kísérleti elrendezés. A p-érték nem jós, nem "látja" az igazságot.
Vegyünk egy másik példát. Ritka betegségeket vizsgáltam és mivel kevés minta volt, nem is bajlódtam statisztikai tesztekkel. Leszűrtek a genotípusokat különböző szempontok szerint, és végül kb. 21 maradt, amiből a klinikusok megtalálták azt, amit a legvalószínűbb oknak gondoltak. Ezek után, puszta kíváncsiságból lefuttattam a plink asszociáció keresőjét. A kézi szűréssel kapott variációt nem találtam sehol, de cserébe kaptam egy nagyon szignifikáns, de teljesen más eredményt. Tüzetesen megvizsgálva kiderült, hogy az eredmény egy hülyeség. Egy olyan variációról volt szó, ami két betegben is homozigóta volt, miközben az összes többi rokonból hiányzott az allél!
Nyilván a statisztikai teszt kihozta, mert betegekben feldúsul, egészségesekből hiányzik. Csakhogy a genetika nem így működik. Arról sem szabad megfeledkezni, hogy igazából egy hibát is elkövettem: Az asszociáció teszt akkor működik, ha a minták függetlenek. Márpedig családtagok nem függetlenek. (Hacsak a postás nem csenget kétszer, de ebbe ne menjünk bele.) A p-érték nem bíró, nem dönti el, hogy volt-e értelme a tesztnek.
A harmadik esetről már írtam korábban. Ebben az esetben jók voltak az adatok, jó volt a teszt, csak nem azt mértem, amit szerettem volna. A p-érték nem gondolat olvasó.
Most joggal gondolhatja valaki, hogy a p-érték teljesen felesleges, írmagját is ki kellene gyomlálni a tudományos közéletből. Igaza van annak a rengeteg kutatónak, aki kardoskodnak ellene.
Nos, nem, és a fenti cikk sem állítja ezt.
A p-érték előnye, hogy segítségével könnyen összegezhető az eredmény. Egy szám azért mégis könnyebben értelmezhető, mint egy több dimenziós mátrix. Csak azért, mert összegzi az eredményt, nem jelenti azt, hogy helyettesíti az egész analízis áttekintését és megértését. A fenti példákban sem a p-értékkel volt a gond, hanem a kísérletekkel. Ha hülyeséget csinálunk, attól nem ment meg minket sem a Bayes-statisztika, sem a konfidencia intervallum, sem Ronald Fisher dohánytól bűzlő, megigézett szelleme.
A p-értéket szerintem úgy lehet a legjobban szemléltetni, mint a futóversenynél a célszalagot. A versenynek sem az a célja, hogy átszakítsuk a szalagot. Az a célja, hogy megtegyük a távolságot, megelőzzünk mindenkit és átszakítsuk a szalagot.
