Диссертация: инструкция по подготовке и защите - [5]
Статистический анализ
Один из обязательных компонентов профессиональной подготовки начинающего исследователя – освоение методов статистического анализа экспериментальных данных.
Для начала надо усвоить: то, что кажется Вам очевидным, совсем необязательно является научной истиной, и упрощенное понимание «здравого смысла» часто приводит к заблуждению. Вы видите, что состояние человека, страдающего хроническим простатитом, улучшилось после курса лечения кремом Неопрост (в виде пропитки для ректальных тампонов). Очевидно? Для данного конкретного случая – несомненно, да. Можно ли на основании этого утверждать, что у большинства людей, страдающих тем же недугом, тот же препарат даст тот же эффект? Нет, до проведения статистического анализа данных Вы этого утверждать не должны, поскольку теоретически возможно, что положительный эффект был вызван индивидуальными особенностями данного конкретного больного (возраст, сексуальная активность, вредные привычки и сопутствующие заболевания), другими принимаемыми в это же время лекарствами и еще многими другими факторами. Так что пока Вы не имеете права перенести результаты данного замечательного наблюдения на всех больных хроническим простатитом.
Когда Вы завершите свое исследование, Вы ведь не скажете членам диссертационного совета: «Предлагаемый мною метод лечения помог 50-ти больным, а что будет с другими больными, я не знаю». Вы должны показать, что в пределах названных Вами ограничений Неопрост помогает в большинстве или хотя бы во многих случаях хронического простатита. Вот здесь и заключается, возможно, главное отличие научного метода от житейского, бытового подхода. Исследование должно быть проведено по определенным правилам. Рассмотрим две ситуации. В первой из них применение статистики не требуется, во второй – строго обязательно.
Ситуация первая (очень редкая): Вы исследуете уникальный объект, аналогов которого нет в природе. Все, что Вы установите путем измерений и правильно проведенных логических умозаключений, будет истиной или чем-то близким к ней. Статистика здесь не нужна. Врачи, исследовавшие состояние Гагарина во время и после первого в истории человечества космического полета, во многих случаях не обязаны были, да и не могли прибегать к статистическим методам (и то не всегда: например, среднюю частоту сердечных сокращений все равно следовало бы высчитывать как статистический показатель). Если когда-нибудь поймают снежного человека, его рост, масса тела и прочие показатели тоже войдут в науку без статистической обработки.
Ситуация вторая (обычная и ежедневная): Вы изучаете объекты, каких в природе и обществе много. Здесь применение статистических методов совершенно обязательно.
Для начала Вам придется познакомиться с самыми простыми понятиями математической статистики (наши определения приблизительны, строгие дефиниции смотрите в математических руководствах):
а) Генеральная совокупность – все объекты данного класса, например, все женщины в возрасте от 35 до 60 лет, страдающие острым циститом, или все здоровые мужчины в возрасте от 30 до 45 лет и т. д. Исследовать генеральную совокупность, как правило, невозможно из-за ее огромного объема и ограниченности Ваших сил и средств, поэтому приходится ограничиться исследованием выборки.
б) Выборка – группа объектов, взятых с соблюдением соответствующих правил (см. гл. 5) из генеральной совокупности. Объем выборки не превышает ваших возможностей, но одновременно он достаточно велик, чтобы найденные Вами закономерности можно было перенести на генеральную совокупность.
А в целом совет таков: прежде чем поверить своим глазам, спросите себя, не пытаются ли они Вас обмануть.
Для освоения статистических методов, как, наверное, и в любом другом аспекте обучения, понимание общих принципов важнее знания деталей и тонких различий между многочисленными статистическими критериями. Вряд ли кто-нибудь станет оспаривать это положение. Но почему, ответьте, курсы математической статистики, читаемые аспирантам, полны описания экзотических критериев высокой степени сложности и почему исследователь, прослушавший такой курс, не может толком объяснить разницу между областями применения критериев Стью-дента для парных и непарных выборок? Незнание правил рандомизации – еще более вопиющий симптом неблагополучия в деле подготовки молодых исследователей. Возможно, причина этого заключена в традиционной организации высшей школы. Каждую дисциплину преподает соответствующая кафедра или специализированный курс, сотрудники которых для подтверждения своего статуса преподавателей и исследователей, наконец, просто для получения ученых степеней и званий должны разрабатывать новые направления в своей отрасли науки. Поэтому создавать бесчисленные математические модели биологических процессов несравнимо почетнее, чем просто и толково объяснять бедным аспирантам основы статистики.