In der Forschung wollen Sie nicht beweisen , dass etwas wahr ist. Sie wollten herausfinden, ob es wahr ist oder nicht. Das wäre Wissen. Das andere ist nur Propaganda.

Negative Ergebnisse sind kein Fehler. Sie geben Ihnen ebenso Beweise wie positive Ergebnisse. Wenn Sie Ergebnisse ignorieren oder verschleiern, belügen Sie sich selbst und andere. Wenn Sie ein "Experiment" so gestalten, dass es a priori garantiert positive Ergebnisse liefert, handelt es sich nicht um Forschung.

Zu hoffen, dass etwas wahr ist, ist kein Beweis. Viele Forscher beginnen mit dieser Idee. Ich denke das ist wahr. Ich möchte wirklich, dass es wahr ist. Aber wenn es falsch ist, ist es genauso wertvoll (möglicherweise noch wertvoller), das zu wissen und untersuchen zu können, warum.

Alle Ihre Ergebnisse melden. Versuchen Sie zu erklären, warum verschiedene Aspekte Sie in verschiedene Richtungen führen. Nur dann kann Ihr Lernen beginnen.

Das Weglassen negativer Ergebnisse und die selektive Meldung nur der positiven Ergebnisse wäre ein Verstoß gegen die Forschungsethik. Als Forscher sollen Sie Wissen aufdecken, * es nicht verschleiern. Die Ergebnisse sind oft widersprüchlich und interpretationsbedürftig. Indem Sie erklären, wie Sie diese widersprüchlichen Ergebnisse (dh Ihre Methoden) erhalten haben, helfen Sie anderen, Sackgassen in der Zukunft zu vermeiden und einen Sinn für das zu finden, was heute verwirrend aussieht.

_{* Interessanterweise das Wissen, dass Forschung schafft oft eher die Form von Verwirrung auf höherer Ebene als die endgültige Gewissheit. sub>}

Wie ehrlich sollte ich sein, wenn ich nicht so aufregende Ergebnisse offenlege?

Sie sollten immer ganz ehrlich sein: Zeigen Sie die Ergebnisse von beiden Datensätze und lassen Sie die Schlussfolgerung aus den Daten folgen. Kommentieren Sie die Qualität der beiden Datensätze und ihre Stichprobengröße objektiv, schließen Sie Daten jedoch nicht nur aus, weil sie unerwünschte oder nicht aufregende Ergebnisse liefern. Wenn Sie in Bezug auf die Unterschiede zwischen den Datensätzen wissen, warum sie unterschiedlich sind, erklären Sie dies, und wenn Sie nicht wissen, warum sie unterschiedlich sind, sagen Sie dies - präsentieren Sie Ihre Spekulationen nicht als wissenschaftliche Schlussfolgerungen.

Fügen Sie für Option (3) 'hinzu, oder es gibt etwas, das ich noch nicht verstehe ".

Dies ist viel interessanter .

In Ihrem Grundstudium lernen Sie, wie man Fragen beantwortet.

Bei der Forschung in allen Disziplinen ist es wichtig, nicht die richtigen Antworten zu erhalten, sondern die richtigen Fragen zu stellen.

Also, Präsentieren Sie beide Datensätze, rufen Sie die Diskrepanz auf und versuchen Sie zu erklären, warum dies interessant ist und warum es sich lohnt, sie weiterzuverfolgen.

Wenn Sie ein solches Mini-Forschungsproblem aufzeigen, können Sie viel mehr als nur auffallen ein Ergebnis.

Ich bin auch nur ein Student (Abschluss), aber hier sind ein paar weitere Gründe, sich für Option 3 zu entscheiden, um beide Datensätze anzuzeigen:

• Wie in Hennings erwähnt Kommentar, vielleicht können Sie Ihre ungewöhnlichen Ergebnisse als Sprungbrett für die weitere Forschung verwenden und dies in Ihre Bewerbung aufnehmen. Wenn Sie unbefriedigende Ergebnisse so behandeln, kann dies zeigen, dass Sie motiviert und belastbar sind.

• Wenn Sie gute Arbeit geleistet und gezeigt haben, auch ohne "gute Ergebnisse" zu erzielen, kann dies zeigen dass Sie zumindest Potenzial haben.

• Darüber hinaus kann Ihre Ehrlichkeit im Zusammenhang mit Bewerbungen, bei denen die Leute normalerweise nur ihr Bestes geben, vom Zulassungsausschuss tatsächlich geschätzt und respektiert werden . Es kann zeigen, dass Sie die Wissenschaft an die erste Stelle setzen.

Sind Ihre signifikanten Ergebnisse eine große Effektgröße oder nur eine winzige Änderung, die aufgrund der großen Stichprobengröße signifikant ist?

Sind Ihre nicht signifikanten Ergebnisse in Richtung und Größe den signifikanten Ergebnissen von ähnlich? der andere Datensatz?

Überlegen Sie, wie stark sich die Größe des Datensatzes auf das auswirkt, was Sie sehen. Möglicherweise können Sie eine Studie so gestalten, dass sie die Ergebnisse der anderen bestätigt, wenn sie nicht mit der Signifikanz übereinstimmen. Betrachten Sie mehr als nur die p-Werte, insbesondere wenn sie aus einem sehr großen Datensatz stammen.

Denken Sie für einen Moment daran, dass Sie Datensätze (und deren Ergebnisse) möglicherweise falsch vergleichen. "Bedeutung" oder vielmehr die Kraft ist nicht unabhängig vom Design. Wenn Studie A an 1.000 Personen durchgeführt wird, Studie B jedoch identisch ist, aber nur 100 Freiwillige umfasst, ist Studie A viel leistungsfähiger, sodass (statistisch) signifikante Ergebnisse von A und (statistisch) nicht signifikante Ergebnisse von B nicht überraschend sind. Es gibt bessere Methoden zum Vergleichen zweier Studien, z. B. eines Waldgrundstücks.

Ich erwähne dies nur, weil alles von dem "Sie" abhängt, das Sie für diese Anwendung verkaufen möchten. Ein Soziologe auf Bachelor-Niveau muss keine statistische Ausbildung auf Bachelor-Niveau haben. Wenn Sie sich jedoch als Stärke rühmen, sollten Sie sicher sein, dass Sie eine Reihe von Ergebnissen richtig interpretieren.

Das Wort " negativ "(Ergebnis oder Studie) ist ein Missbrauch der statistischen Terminologie. Es gibt Fragen zu Macht, Kontext und Präzision. Aber versierte Forscher werfen das Baby bereitwillig mit dem Badewasser hinaus. Halten Sie für einen Moment inne und denken Sie: "H_0 nicht ablehnen" bedeutet, dass die Konfidenzgrenzen die hypothetischen Nullwerte enthalten: 0 für Differenzen oder 1 für Verhältnisse. Na und?

1) War diese Studie ausreichend leistungsfähig oder handelt es sich um eine vollständige Aufnahme im Dunkeln? Große, unhaltbare Konfidenzintervalle können eine beschissene Studie darstellen oder eine erhebliche Heterogenität in der Bevölkerung widerspiegeln. Gab es Probleme bei der Einstellung oder Einhaltung von Vorschriften? Mussten Sie die Menschen besser entschädigen? Haben Sie ein vorhandenes Instrument verabreicht und wenn ja, haben Sie sich selbst oder die Patienten beurteilt, um sicherzustellen, dass der Wortlaut klar ist? Wenn es sich um eine Zugunglücksstudie handelt, können Sie sich auf die gewonnenen Erkenntnisse konzentrieren. Z.B.

Wir haben 30 Personen aufgrund einer falschen Leistungsberechnung rekrutiert. Unsere Effektschätzung war viel kleiner als in der vorherigen Literatur angegeben. Dies gibt Anlass zur Sorge, da unsere Berechnung auf früheren Untersuchungen beruhte, in denen behauptet wurde, dass ...

2) Ist der CI knapp auf 0 oder 1 und schließt alle anderen Untersuchungen aus? Dies ist ein bedeutender Befund, da er nicht mit anderer Literatur übereinstimmt. Es gibt ein ganzes Forschungsfeld, das sich mit der Bestimmung der Auswirkungen von Publikationsbias befasst. Trichterdiagramme zeigen die erwartete Verteilung der Effekte aus Metaanalysen. Wenn die Verteilung mit einer Lücke bei H0 verschoben wird, gibt es eine Pause, ob der Evidenzzustand durch Herausfiltern von Nullbefunden übertrieben ist. Wichtige wegweisende Forschungen konnten abschließend sagen: "Nein. Eine bestimmte Behandlung verursacht keinen Unterschied.

3) Ist das CI breit, konzentriert es sich jedoch auf ein Ergebnis, das frühere Forschungen bestätigt. Zum Beispiel:

Eine 5.000-Personen-Studie zur Salzreduktion ergab, dass die HR für MI 0,95 95% CI 0,92, 0,99 (p < 0,05) betrug. Eine Bestätigungsstudie von 100 ergab eine HR für MI von 0,95 95 % CI 0,5, 1,45 (p> 0,05).

Wichtig ist, dass diese Studien zu 100% übereinstimmen.

Das klingt so super interessant. Es gibt sicher statistische Probleme, ich möchte Sie nicht davon abhalten, aber Sie müssen sicherstellen, dass Sie die Mathematik durchgeführt haben (einschließlich Datenerfassung und Methodik sind korrekt), aber Sie können eine sehr leistungsfähige Arbeit schreiben, indem Sie zwei Methoden vergleichen . Etwas wie:

Ich würde wetten, dass Sie eine Zeitschrift erhalten könnten, um ein so geschriebenes Papier zu veröffentlichen, wenn man alles bedenkt der Analyse, Datenerfassung usw. war über Bord, geschweige denn eine gute Note in der Klasse zu bekommen.