Alla forskningsprojekt genererar en mängd data, varav en del är värdefulla och en del inte. Att hitta något nytt, oväntat eller förvirrande i forskningen kan snabbt bli överväldigande.

Ibland kan man komma av sig när man är pressad att hålla en deadline. Undvik att oroa dig för dessa oavsiktliga resultat när din nuvarande forskning är klar genom att utesluta dem från övervägandet.

Vid post hoc-analys analyserar du inte varje slumpmässigt utfall av ett experiment. Det är viktigt att leta efter mönster när du observerar något som motiverar en närmare titt och ytterligare studier för att hjälpa dig att bättre förstå konceptet.

Efter en post hoc-analys kan du få ytterligare information och gå djupare in i din ämnesbas. Låt oss ta en närmare titt på post hoc-analys.

Post hoc-analys: vad är det?

På latin betyder post hoc "efter detta", dvs. att man analyserar de experimentella data i efterhand.

Syftet med en post hoc-analys är att hitta mönster efter att studien har slutförts, och att hitta resultat som inte var det primära målet. Alla analyser som genomförs efter att ett experiment har avslutats och som inte var planerade i förväg betraktas därför som post hoc-analyser.

Data som redan har samlats in används i en post hoc-studie. Forskare analyserar dessa data för att utveckla nya syften, som inte fanns med i experimentets design. Post hoc-studier kan därför utföras på aggregerade data från tidigare försök. 

Processen att utföra post hoc-analyser är ofta tidskrävande, men den erbjuder ett antal fördelar. För att få fram värdefull information bör man använda en rimlig mängd försiktighet och inte överskatta oväntade resultat. Det kan vara ett tecken på något betydelsefullt, även om det är en slump.

Post hoc-analyser är användbara för att undersöka felprocent, bedöma hypotesers signifikans eller avgöra om de är statistiskt signifikanta.

Om man gör flera försök eller avviker från sin huvudsakliga forskningsinriktning ökar risken för fel och falska positiva resultat. Det är här post hoc spelar en nyckelroll. Hur fungerar det egentligen? 

Post hoc-analys: hur fungerar det?

Det är fortfarande möjligt att få värdefulla insikter från data även om det primära målet inte uppnås. Eventuellt läkemedlets efterverkningar och data om dem. Eller andra liknande läkemedel kan också vara värda att testa.

Syftet med en post hoc-analys är att besvara frågor efter att studien har slutförts, ett mål som inte har angetts i studien.

För att fastställa varifrån skillnaderna kommer används ett post hoc-test efter att man funnit ett statistiskt signifikant resultat. Post hoc-test kan användas för att bedöma skillnader mellan flera grupper samtidigt som man undviker experimentella fel. Flera post hoc-test har formulerats, och de flesta av dem ger liknande resultat. 

Det finns olika typer av post hoc-test

De data som samlas in under en forskning eller klinisk prövning kan analyseras för att upptäcka mönster och olika faktorer. De vanligaste post hoc-testerna är:

  • Bonferroni-förfarande: Det är möjligt att utföra flera statistiska tester samtidigt genom att använda denna post hoc-korrigering för multipla jämförelser.
  • Duncans nya multipla räckviddstest (MRT):  Duncans Multiple Range Test identifierar de par av medelvärden (från minst tre) som skiljer sig åt. 
  • Dunns test för multipel jämförelse: Detta är en post hoc-analys som utförs efter en ANOVA, ett icke-parametriskt test som inte förutsätter att dina data följer en viss fördelning.
  • Fishers minsta signifikanta skillnad (LSD): Avgör om två medelvärden är statistiskt olika.
  • Holm-Bonferroni-förfarande: Holms sekventiella Bonferroni-test gör multipla jämförelser mindre strikta.
  • Med hjälp av Newman-Keuls kan man identifiera stickprov som har olika medelvärden. Newman-Keuls jämför par av medelvärden med hjälp av olika kritiska värden. Som ett resultat är det mer sannolikt att signifikanta skillnader hittas.
  • Rodgers metod: Denna statistiska metod används för att utvärdera forskningsdata post hoc efter en "multivariat" analys.
  • Scheffés metod: I Scheffes metod justeras teststatistiken på olika sätt beroende på hur många jämförelser som gjorts.
  • Tukeys test: Tukeys test avgör om ditt urval består av grupper som skiljer sig från varandra. Varje medelvärde jämförs med medelvärdet för alla andra grupper med hjälp av den "ärliga signifikanta skillnaden", som anger hur långt ifrån varandra grupperna är.
  • Dunnett's korrigering: Detta post hoc-test jämför medelvärden. Till skillnad från Tukey's jämförs varje medelvärde med ett kontrollmedelvärde.
  • Benjamini-Hochberg-förfarande (BH): Ett signifikant resultat kan bara uppstå av en slump om man utför många tester. Den falska upptäcktsfrekvensen beaktas genom detta post hoc-test.

Inget kan slå en felfri visuell produkt som förmedlar ett komplext budskap

Ja, det stämmer, med hjälp av grafik är det mycket lättare att sätta de svåraste begreppen i perspektiv. I visualiseringens tidevarv är det inte konstigt att du förmodligen kan förstå kvantfysik på ett mycket enklare sätt tack vare grafikens effektivitet.

Undrar du hur du ska komma igång? Varför oroa sig när du har hela diagrammet till hands! Hos oss kan du välja bland mer än tusen illustrationer i vårt galleri och göra affischer med hjälp av den smarta affischtillverkaren som vi har utvecklat åt dig. Få ut det mesta av vårt begåvade teams expertis och få den skräddarsydd efter dina behov. För mer information, besök vår webbplats.

Relaterade artiklar
logotyp-abonnemang

Prenumerera på vårt nyhetsbrev

Exklusivt innehåll av hög kvalitet om effektiv visuell
kommunikation inom vetenskap.

- Exklusiv vägledning
- Tips för design
- Vetenskapliga nyheter och trender
- Handledningar och mallar