Η στατιστική, θέλουμε-δε θέλουμε, είναι το μόνο εργαλείο που έχουμε για να πλησιάσουμε όσο μπορούμε την επιστημονική αλήθεια. Η κακή χρήση του εργαλείου δεν πρέπει να καταδικάζει το εργαλείο αυτό καθεαυτό. Η κακή χρήση της στατιστικής σε πολλές περιπτώσεις ευθύνεται για την κακή φήμη που έχει, ακόμα και στις τάξεις των επιστημόνων. Υπάρχει λοιπόν ανάγκη κάθε επιστήμονας να ελέγχει την ορθότητα των μετρήσεών του και των αποτελεσμάτων που εξάγει κάθε φορά, αλλά κυρίως των ερμηνειών που δίνει σε αυτά τα αποτελέσματα.
Σε αυτό το άρθρο του περιοδικού PLoS Pathogens παρουσιάζεται η κακή χρήση της στατιστικής σε δημοσιεύματα σε -ακόμα και πολύ καλά- περιοδικά παρασιτολογίας. Επίσης, προτείνονται τρόποι αποφυγής τέτοιων σκοπέλων. Το άρθρο καταπιάνεται με το πρόβλημα των επαναλαμβανόμενων μετρήσεων στο ίδιο υποκείμενο, ένα πρόβλημα που συναντάται σε όλες τις βιολογικές επιστήμες και, από προσωπική πείρα, διαπιστώνω ότι σε μερικές περιπτώσεις είναι εξαιρετικά δύσκολο να γίνει κατανοητό. Ο εγκέφαλος μερικών -κατά τα άλλα πολύ καλών- επιστημόνων αρνείται πεισματικά να το κατανοήσει.
Μερικά αποσπάσματα από το άρθρο:
In a literature search of papers published in the last three years we found that, of 76 papers using mixed effects models to analyse infection data in seven high impact parasitology journals, only 25% of publications explicitly checked and/or controlled for temporal auto-correlation. This indicates a worrying trend and potentially a major problem with the validity of reported findings.
Advances in statistical methodology should provide important and useful tools for understanding infections and disease in just the same way as do advances in genetic, molecular, and immunological methods. Investing in learning how to effectively use tools, such as mixed effects models, pays by providing robust and novel insight into the roles of hosts and parasites in shaping patterns of disease. However, as with other methodological advances, the improvements to biological understanding they provide depend crucially on them being applied and interpreted correctly. Temporal correlation in time-course data can compromise statistical analyses by increasing the likelihood of false positives, yet this problem has been largely overlooked in parasitology. We strongly support the implementation of more sophisticated statistical analyses in which the assumptions underlying models are fulfilled to safeguard against inaccurate or misleading results and provide a solid foundation from which to progress understanding of disease.