ఎలా పరిశోధకులు కాజ్ అండ్ ఎఫెక్ట్ రిలేషన్షిప్స్ డిస్కవర్
ఒక సాధారణ ప్రయోగం ఒక పరిశోధకుడు తరచుగా ఒక వేరియబుల్లో మార్పులను మరొక వేరియబుల్ మార్పులకు దారితీస్తుందో లేదో గుర్తించడానికి ఉపయోగిస్తారు-ఇతర పదాలు, కారణం-మరియు-ప్రభావాన్ని స్థాపించడానికి. ఉదాహరణకు, ఒక కొత్త ఔషధం యొక్క ప్రభావాన్ని చూస్తున్న ఒక సాధారణ ప్రయోగంలో, అధ్యయనం పాల్గొనేవారు రెండు గ్రూపులలో ఒకదానిని యాదృచ్ఛికంగా కేటాయించవచ్చు : వీటిలో ఒకటి నియంత్రణ బృందం మరియు చికిత్స చేయకుండా ఉంటుంది, అయితే ఇతర బృందం ప్రయోగాత్మక సమూహంగా ఉంటుంది ఇది అధ్యయనం చేయబడిన చికిత్సను పొందుతుంది.
ఎ సింపుల్స్ ఆఫ్ ఎ సింపుల్ ఎక్స్పెరిమెంట్
ఒక సాధారణ ప్రయోగం తీవ్రమైన తీవ్ర అంశాలతో ఉంటుంది:
- ప్రయోగాత్మక పరికల్పన. ఈ చికిత్స ఒక ప్రభావాన్ని కలిగించగలదని ఊహించిన ఒక ప్రకటన మరియు అందువల్ల ఎల్లప్పుడూ కారణం-మరియు-ప్రభావ ప్రకటనగా చెప్పవచ్చు. ఉదాహరణకు, పరిశోధకులు ఈ విధంగా ఒక పరికల్పనగా ఉండవచ్చు: "మెడిసిన్ అడ్మినిస్ట్రేషన్ ఎ డిసీజ్ B. యొక్క లక్షణాలు తగ్గిపోతుంది."
- శూన్య పరికల్పన. ఇది ప్రయోగాత్మక చికిత్స పాల్గొనేవారు లేదా ఆధారపడి వేరియబుల్స్పై ఎటువంటి ప్రభావాన్ని కలిగి ఉండదు అనే ఒక పరికల్పన . చికిత్స ప్రభావాన్ని గుర్తించడంలో విఫలం కావడం గమనించదగ్గ అంశమేమీ లేదని అర్థం కాదు. చికిత్స ప్రస్తుత ప్రయోగంలో పరిశోధకులు కొలిచే మరొక వేరియబుల్ను ప్రభావితం చేయవచ్చు.
- స్వతంత్ర చరరాశి . చికిత్స వేరియబుల్ ప్రయోగాత్మక వ్యక్తి ద్వారా అవకతవకలు.
- ఆధారపడి వేరియబుల్ . పరిశోధకులు కొలిచే ప్రతిస్పందనను ఇది సూచిస్తుంది.
- నియంత్రణ సమూహం. ఇవి యాదృచ్చికంగా ఒక బృందానికి కేటాయించిన వ్యక్తులు కాని చికిత్స పొందలేవు. నియంత్రణ సమూహం నుండి తీసిన కొలతలు ప్రయోగాత్మక సమూహంలో ఉన్నవారికి చికిత్స ప్రభావాన్ని కలిగి ఉన్నాయని గుర్తించడానికి సరిపోతాయి.
- ప్రయోగాత్మక సమూహం. ఈ పరిశోధనా బృందం పాల్గొనేవారు యాదృచ్చికంగా ఎంచుకున్న వ్యక్తులు తయారు చేస్తారు, వీరు చికిత్స పొందుతున్న చికిత్సను అందుకుంటారు.
సింపుల్ ఎక్స్పెరిమెంట్ యొక్క ఫలితాలను నిర్ణయించడం
సాధారణ ప్రయోగాన్ని సేకరించిన సమాచారం సేకరించిన తరువాత, పరిశోధకులు ప్రభావశీల ప్రభావాన్ని కలిగి ఉన్నారా లేదా అనేదానిని గుర్తించేందుకు నియంత్రణ సమూహం యొక్క ఫలితాలను పరిశీలిస్తుంది. లోపాల యొక్క ప్రస్తుత అవకాశము వలన, రెండు వేరియబుల్స్ మధ్య సంబంధము 100 శాతం ఖచ్చితంగా ఉండటం సాధ్యం కాదు. ఉదాహరణకు ప్రయోగం ఫలితాన్ని ప్రభావితం చేసే నాటకంలో తెలియని వేరియబుల్స్ ఉండవచ్చు, ఉదాహరణకు.
ఈ సవాలును ఎదుర్కొన్నప్పటికీ, అర్ధవంతమైన సంబంధం చాలా ఎక్కువగా ఉంటే నిర్ణయించటానికి మార్గాలు ఉన్నాయి. దీనిని చేయటానికి, శాస్త్రవేత్తలు అనుమితి సంఖ్యా శాస్త్రాన్ని ఉపయోగిస్తున్నారు - ఆ జనాభా యొక్క ప్రతినిధి నమూనా నుండి తీసుకున్న చర్యల ఆధారంగా జనాభా గురించి సమాచారాన్ని గూర్చిన వివరణలను వివరిస్తుంది .
ఒక చికిత్స ప్రభావం చూపినట్లయితే, గణాంక ప్రాముఖ్యతను అంచనా వేయడానికి కీలకమైనది. గణాంక ప్రాముఖ్యత ఏమిటంటే, వేరియబుల్స్ మధ్య సంబంధాలు బహుశా కేవలం అవకాశమే కావు మరియు రెండు వేరియబుల్స్ మధ్య నిజమైన సంబంధం చాలా మటుకు ఉందని తేలింది.
గణాంక ప్రాముఖ్యత తరచూ ఇలా ఉంటుంది:
p <0.05
.05 కంటే తక్కువగా ఉండే P- విలువ ఫలితాలు అవకాశం తగని కారణంగా మరియు ఈ ఫలితాలను సంపాదించడానికి సంభావ్యత ఐదు శాతం కంటే తక్కువగా ఉంటుంది అని సూచిస్తుంది.
గణాంక ప్రాముఖ్యతను కొలిచే వివిధ పద్ధతులు ఉన్నాయి. ఉపయోగించబడినది ప్రయోగానికి ఉపయోగించిన పరిశోధన రూపకల్పనపై ఆధారపడి ఉంటుంది.