دانلود ترجمه مقاله تحقیق در مورد رونوشت کاذب (PSEUDOREPLICATION)

• بخشی از ترجمه:

چکیده
این مقاله مختص کسانی است که برای بررسی فرضیه ها از تیمار (علف کش، آتش، کشت، ژنوتیپ، مادۀ ارگانیک، کود و غیره ) بهره میبرند و کسانی که بعد از نمونه گیری از جمعیت های طبیعی مختلف، فرضیۀ صفر را نادیده میگیرند. علاوه بر این، برای انتخاب های عملیاتی می توان از این مقاله استفاده کرد. این پژوهش برای کسانی که از جمعیت های طبع نمونه گیری می کنند و سپس فرضیه ها را فرمول بندی می کنند مناسب نیست(نتیجه گیری ارائه نمی شود). جنگلبانان حرفه ای به اطلاعات علمی صحیح نیاز دارند تا بتوانند تعیین کنند که چه نوع پایه و چه مقدار کود برای گیاه استفاده کنند و چه موقع به کار کم پشت سازی بپردازند. متاسفانه، برخی پژوهشگران آزمایشان بدون رونوشت و یافته های گزارشی مبنی بر رونوشت کاذب ارائه میدهند. کسانی که از رونوشت کاذب به منظور رد فرضیۀ صفر با خطر خطای آماری نوع ١ میشوند. در برخی زمینه ها، از هر چهار مقاله بیش از ١ مورد به رونوشت کاذب میپردازند(Hurlbert ١٩٨۴، Heffnerو دیگران ١٩٩۶). با وجود اینکه برخی دانشجویان تحصیلات تکمیلی با مفهوم رونوشت کاذب مواجه می شوند (Kolb و دیگران ٢٠٠١) اما سایر دانشجویان این شانس را ندارند. هدف از ان مقاله (قسمت اول این مقالعۀ دو بخشی) پرداخت به موضوع زیر است:
رونوشت کاذب زمانی رخ می دهد که تیمارها رونویس نمی شوند اما آزمون t یا ANOVA (آنالیز واریانس) در هر صورت انجام میگیرد با فرض اینکه زیرنمونه ها (sub-samples) (یا دربرخی موارد درخت های فردی) همانند رونوشت هستند. این امر منجربه استفاده از تعداد ناصحیح درجات آزادی خطا می شود. عامل عمده ایی که منجر به رونوشت کاذب میشود در تعریف واحد آزمایشی صحیح با شکست مواجه می شود. علاوه بر این، برخی ویراستارهای مجلات الزامی به استفاده از جداول ANOVA در دست نوشته ها نمی بینند. در نتیجه، بازبین گر متوجه نیست که ضریب خطا شامل ١٣ درجۀ آزادی است یا ٢٨۴١ درجۀ ازادی است. بازبین گرهایی که معمولا آزمایشات بدون رونویسی را نادیده میگیرند، غالبا به غلط تصور می کنند که آنالیز آماری (که شامل رونویسی کاذب است) معتبر است. بعداز انکه اندازه های احتمال با استفاده از رونویسی کاذب منتشرشد، مورد شک قرار میگیرند.

• بخشی از مقاله انگلیسی:

This essay is for those who apply treatments (e.g. herbicides, fire, cultivation, genotypes, fertilizer, covercrops, organic matter, etc.) in order to test hypotheses and for those who rely on this research when making operational choices. It is also directed at those who reject the null hypothesis after taking samples taken from different natural populations. It is not directed at those who sample from natural populations and then formulate hypotheses (ie. no conclusions are presented). Professional foresters need sound scientific information to determine what stock-type to plant, when to thin and how much fertilizer to apply. Unfortunately, some researchers establish non-replicated trials and report findings that are based on pseudoreplication. Those who use pseudoreplication in order to reject a null hypothesis run a risk of making a Type 1 statistical error (ie. claiming a treatment effect is real when it is not). In some fields, more than 1 out of 4 papers involve pseudoreplication (Hurlbert 1984; Heffner et al. 1996). Although some graduate students are exposed to the concept of pseudoreplication (Kolb et al. 2001), others are not so fortunate. The objective of this essay (the first part of a two-part essay) is to shine some light on this topic. Pseudoreplication occurs when treatments are not replicated but a t-test or an ANOVA (analysis of variance) is carried out anyway by assuming sub-samples (or in some cases individual trees) are the same as replication. This results in use of an incorrect number of error degrees of freedom. A major factor that leads to pseudoreplication is a failure to define the correct experimental unit. In addition, some journal editors do not require ANOVA tables be included in manuscripts. As a result, a reviewer might not know if the error term involved 13 or 2841 degrees of freedom. Reviewers who would normally reject nonreplicated trials can sometimes be fooled into thinking that a statistical analysis (that involves pseudoreplication) is valid. When probability values are published using pseudoreplication, the values are suspect since they might claim a significant difference where none really exists. Let us examine a “real world” case where five treatments were replicated 5 times (producing 25 completely random experimental units with 24 measured trees per experimental unit). In this case, the correct error term has 20 degrees of freedom and there is no significant treatment effect (P= 0.253). However, if pseudoreplication occurs (producing 50 pseudo-experimental units, each with 12 trees per mean) the error degrees of freedom increases to 45 and the treatment then becomes “magically” significant (P= 0.0426). An even lower value (P=0.0023) is obtained when 100 pseudo-experimental units are created (each with 6 trees per mean). Therefore, the experimenter can reduce the P-value simply by changing the number of trees in each pseudoreplication. According to Hurlbert (1984), there are several types of pseudoreplication: simple, sacrificial, temporal and implicit. We describe five types of pseudoreplication.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله