Co oznacza Prerejestracja badań?
Zastosowanie, warunki i dobre praktyki
Przy prerejestracji zapisuje się pytania, zmienne, wykluczenia, liczebność i analizę przed poznaniem wyników. Dokument nie musi przewidzieć każdej trudności, ale powinien pozwolić odróżnić decyzje wcześniejsze od późniejszych. Odstępstwo nie unieważnia badania, o ile jest jawnie opisane i uzasadnione; prerejestracja bez dostatecznie precyzyjnego planu nie ogranicza swobody analitycznej. Czytelny plan określa także, które decyzje mogą zostać podjęte warunkowo po sprawdzeniu jakości danych.
Najważniejsze zastosowanie: Stosuj, aby odróżnić testy potwierdzające od eksploracji i ujawnić elastyczność.
Jak poprawnie stosować i interpretować hasło „Prerejestracja badań”?
Zastosowanie pojęcia „Prerejestracja badań” powinno wskazywać, która część procesu badawczego staje się jawna i możliwa do sprawdzenia: hipotezy, materiały, dane, kod, decyzje analityczne albo wyniki. W analizie dotyczącej hasła „Prerejestracja badań” sama deklaracja transparentności nie wystarcza. Dla interpretacji hasła „Prerejestracja badań” trzeba zaplanować wersjonowanie, ochronę danych wrażliwych, licencję oraz sposób odróżnienia decyzji podjętych przed analizą od późniejszych eksploracji.
Ocena pojęcia „Prerejestracja badań” polega na sprawdzeniu, czy udostępnione materiały rzeczywiście pozwalają odtworzyć analizę i zrozumieć odstępstwa od planu. W odniesieniu do hasła „Prerejestracja badań” prerejestracja z niejasnymi zmiennymi i testami nie ogranicza swobody decyzyjnej. Przy ocenie hasła „Prerejestracja badań”, gdy pełne dane nie mogą być publiczne, można udostępnić metadane, kod, dane syntetyczne i procedurę kontrolowanego dostępu.
Co trzeba opisać w raporcie?
Opis pojęcia „Prerejestracja badań” powinien zawierać trwałe odnośniki, daty, wersje plików i warunki dostępu. W analizie dotyczącej hasła „Prerejestracja badań” należy wymienić wszystkie odstępstwa od protokołu oraz oznaczyć analizy eksploracyjne. Dla interpretacji hasła „Prerejestracja badań” w przypadku oprogramowania warto podać środowisko i zależności, aby reprodukcja nie opierała się na domyślnych ustawieniach innej wersji.
Zakres raportowania dla hasła „Prerejestracja badań”: Podaj identyfikator/data prerejestracji oraz jawnie opisz odstępstwa.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Plan określa główny wynik, N, wykluczenia i model przed zakończeniem zbierania danych.
Jak ją zinterpretować: Plan pozwala odróżnić decyzje podjęte przed poznaniem danych od późniejszych. Odstępstwo jest dopuszczalne, jeśli zostanie jawnie opisane i uzasadnione; nieprecyzyjna prerejestracja nie ogranicza swobody analitycznej.
Najczęstsza pułapka i granica interpretacji
Niedokładna prerejestracja nie ogranicza decyzji; odstępstwo nie jest błędem, jeśli jest ujawnione.
Praktyka związana z „Prerejestracja badań” nie gwarantuje poprawności teorii ani danych. W odniesieniu do hasła „Prerejestracja badań” zwiększa możliwość kontroli i uczenia się z błędów, ale musi być równoważona ochroną uczestników, prawem i ryzykiem ujawnienia informacji.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikWielkość efektu: jak ocenić znaczenie wyniku poza wartością p
Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.
Czytaj →PoradnikPytania badawcze i hipotezy: jak przejść od teorii do analizy
Jak formułować pytania badawcze i hipotezy? Od teorii i operacjonalizacji przez kierunek efektu po plan analizy i prerejestrację.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
- Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
- Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
- Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
- Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600–2606. https://doi.org/10.1073/pnas.1708274114
- Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
Cytowania BibTeX
@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}@article{nosek2018preregistration, author={Nosek, Brian A. and Ebersole, Charles R. and DeHaven, Alexander C. and Mellor, David T.}, title={The preregistration revolution}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={11}, pages={2600--2606}, doi={10.1073/pnas.1708274114}}@article{osc2015reproducibility, author={{Open Science Collaboration}}, title={Estimating the reproducibility of psychological science}, journal={Science}, year={2015}, volume={349}, number={6251}, pages={aac4716}, doi={10.1126/science.aac4716}}