AbstractInteraction terms from stat

Abstract
Interaction terms from statistical tests are often used to make inferences about biological processes. For interaction terms to be biologically meaningful, it is critical that the statistical method used tests a model that corresponds to a realistic null hypothesis. A commonly used data analysis method, the analysis of variance F-test (ANOVA), is limited when examining interactions because there are a limited number of statistical models that it can test. This is further complicated by the fact that data transformations, which affect the model being tested, are sometimes required to meet ANOVA's assumptions. Thus, when using ANOVA, it can be difficult to determine whether interactions that are found in data were produced by biological mechanisms or are statistical artifacts due to an unrealistic model. A survey of the literature indicated that these shortcomings are often not recognized despite ANOVA's widespread use. In this paper, we evaluate the suitability of an alternate method, permutation tests, compared to ANOVA. We compare the range of potential statistical models that each method can test and the power of each method to detect interactions when using an appropriate model. We provide two simulated experiments on species interactions that show that ANOVA and permutation tests have similar power when testing an appropriate statistical model, but that permutation tests provide an advantage over ANOVA in their ability to test a wider range of models. We conclude that permutation tests can be used to make inferences, potentially impossible with ANOVA, concerning biological interactions.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อInteraction terms from statistical tests are often used to make inferences about biological processes. For interaction terms to be biologically meaningful, it is critical that the statistical method used tests a model that corresponds to a realistic null hypothesis. A commonly used data analysis method, the analysis of variance F-test (ANOVA), is limited when examining interactions because there are a limited number of statistical models that it can test. This is further complicated by the fact that data transformations, which affect the model being tested, are sometimes required to meet ANOVA's assumptions. Thus, when using ANOVA, it can be difficult to determine whether interactions that are found in data were produced by biological mechanisms or are statistical artifacts due to an unrealistic model. A survey of the literature indicated that these shortcomings are often not recognized despite ANOVA's widespread use. In this paper, we evaluate the suitability of an alternate method, permutation tests, compared to ANOVA. We compare the range of potential statistical models that each method can test and the power of each method to detect interactions when using an appropriate model. We provide two simulated experiments on species interactions that show that ANOVA and permutation tests have similar power when testing an appropriate statistical model, but that permutation tests provide an advantage over ANOVA in their ability to test a wider range of models. We conclude that permutation tests can be used to make inferences, potentially impossible with ANOVA, concerning biological interactions.

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
แง่ปฏิสัมพันธ์จากการทดสอบทางสถิติมักจะใช้เพื่อทำให้การหาข้อสรุปเกี่ยวกับกระบวนการทางชีวภาพ สำหรับคำปฏิสัมพันธ์จะมีความหมายทางชีวภาพเป็นสิ่งสำคัญที่วิธีการทางสถิติที่ใช้ทดสอบรูปแบบที่สอดคล้องกับสมมติฐานที่สมจริง ที่ใช้กันทั่วไปวิธีการวิเคราะห์ข้อมูลการวิเคราะห์ความแปรปรวน F-test (ANOVA) ที่มี จำกัด เมื่อตรวจสอบการโต้ตอบเพราะมีจำนวน จำกัด ของแบบจำลองทางสถิติว่ามันสามารถทดสอบ นี้มีความซับซ้อนมากขึ้นโดยความจริงที่ว่าแปลงข้อมูลที่มีผลต่อรูปแบบการทดสอบบางครั้งจำเป็นเพื่อตอบสนองสมมติฐานการวิเคราะห์ความแปรปรวนของ ดังนั้นเมื่อใช้การวิเคราะห์ความแปรปรวนก็อาจเป็นเรื่องยากที่จะตรวจสอบว่ามีปฏิสัมพันธ์ที่พบในข้อมูลที่ถูกผลิตโดยกลไกทางชีววิทยาหรือสิ่งประดิษฐ์ทางสถิติเนื่องจากรูปแบบที่ไม่สมจริง จากการสำรวจของวรรณกรรมชี้ให้เห็นว่าข้อบกพร่องเหล่านี้มักจะไม่ได้รับการยอมรับแม้จะมีการใช้อย่างแพร่หลายของการวิเคราะห์ความแปรปรวน ในบทความนี้เราประเมินความเหมาะสมของวิธีอื่นที่เปลี่ยนแปลงและการทดสอบเมื่อเทียบกับการวิเคราะห์ความแปรปรวน เราเปรียบเทียบช่วงของแบบจำลองทางสถิติศักยภาพที่แต่ละวิธีสามารถทดสอบและพลังของแต่ละวิธีในการตรวจสอบการโต้ตอบเมื่อใช้รูปแบบที่เหมาะสม เราให้บริการทั้งสองการทดลองจำลองกับสายพันธุ์การโต้ตอบที่แสดงให้เห็นว่าการวิเคราะห์ความแปรปรวนและการเปลี่ยนแปลงการทดสอบมีอำนาจที่คล้ายกันเมื่อการทดสอบแบบจำลองทางสถิติที่เหมาะสม แต่ที่ทดสอบการเปลี่ยนแปลงให้ประโยชน์มากกว่าการวิเคราะห์ความแปรปรวนในความสามารถของพวกเขาในการทดสอบช่วงกว้างของแบบจำลอง เราสรุปได้ว่าการทดสอบการเปลี่ยนแปลงสามารถนำมาใช้เพื่อให้ข้อสรุปที่อาจไปไม่ได้กับการวิเคราะห์ความแปรปรวนที่เกี่ยวข้องกับการมีปฏิสัมพันธ์ทางชีวภาพ

ผลลัพธ์ (ไทย) 3:

บทคัดย่อปฏิสัมพันธ์ระหว่างเงื่อนไข จากการทดสอบทางสถิติมักจะใช้เพื่อให้ข้อสรุปเกี่ยวกับกระบวนการทางชีววิทยา สำหรับเงื่อนไขการปฏิสัมพันธ์จะได้มีความหมาย มันเป็น อันตราย วิธีทางสถิติที่ใช้ทดสอบแบบจำลองที่สอดคล้องกับความเป็นจริงในสมมติฐาน การวิเคราะห์ข้อมูลทั่วไปใช้วิธีการ วิเคราะห์ความแปรปรวนทางเดียว F-test ( ANOVA ) , ถูก จำกัด เมื่อพิจารณาปฏิสัมพันธ์เพราะมีจำนวน จำกัด ของแบบจำลองทางสถิติที่สามารถทดสอบ นี้มีความซับซ้อนมากขึ้นโดยความจริงที่ว่า การแปลงข้อมูล ซึ่งมีผลต่อรูปแบบทดสอบ บางครั้งต้องเจอ ( เป็นสมมติฐานที่ ดังนั้น เมื่อใช้ ANOVA , มันอาจเป็นเรื่องยากที่จะตรวจสอบว่าปฏิกิริยาที่พบในข้อมูลที่ถูกผลิตโดยกลไกทางชีวภาพหรือเป็นสิ่งประดิษฐ์ทางสถิติ เนื่องจากรูปแบบสมจริง การสำรวจวรรณกรรมระบุว่าข้อบกพร่องเหล่านี้มักไม่ได้รับการยอมรับ แม้จะมีความเป็นอย่างกว้างขวางใช้ ในกระดาษนี้เราประเมินความเหมาะสมของวิธีเรียงสับเปลี่ยน สลับการทดสอบเมื่อเปรียบเทียบกับการวิเคราะห์ ความแปรปรวนทางเดียว เราเปรียบเทียบช่วงของแบบจำลองทางสถิติที่มีศักยภาพที่แต่ละวิธีสามารถทดสอบและพลังของแต่ละวิธีการตรวจสอบการโต้ตอบเมื่อใช้แบบจำลองที่เหมาะสม เรามีสองชนิดของการจำลองการทดลองที่แสดงให้เห็นว่าการวิเคราะห์ความแปรปรวน ( ANOVA ) และการทดสอบการเปลี่ยนแปลงอำนาจที่คล้ายคลึงกันเมื่อทดสอบแบบจำลองทางสถิติที่เหมาะสม แต่ที่ทดสอบการเปลี่ยนแปลงให้ประโยชน์ มากกว่าค่าเฉลี่ยของความสามารถในการทดสอบช่วงกว้างของรูปแบบ เราสรุปได้ว่า การทดสอบการเปลี่ยนแปลงสามารถใช้เพื่อให้การอ้างอิง อาจเป็นไปไม่ได้ ด้วยการวิเคราะห์ความแปรปรวน ( ANOVA ) การปฏิสัมพันธ์ทางชีวภาพ