科学实验涉及变量、控制、假设和许多其他可能令人困惑的概念和术语。

科学术语表

以下是重要科学实验术语和定义的词汇表：

• 中心极限定理：说明有足够大的样本，样本平均值将服从正态分布。正态分布的样本均值是应用t检验所必需的，因此，如果您计划对实验数据进行统计分析，那么拥有足够大的样本是很重要的。
• 结论：决定是否接受或拒绝该假设。
• 对照组：随机分配不接受实验治疗的受试者。
• 控制变量：在实验过程中不变的任何变量。也称为常量变量。
• 数据（单数：数据）：在实验中获得的事实、数字或数值。
• 因变量：与自变量对应的变量。因变量是实验中测量的变量。也称为因变量或响应变量。
• 双盲：研究者和受试者都不知道受试者是接受治疗还是安慰剂。”“盲目”有助于减少有偏见的结果。
• 空白对照组：不接受任何治疗的对照组，包括安慰剂。
• 实验组：随机分配接受实验治疗的受试者。
• 无关变量：可能影响实验但未被解释、测量或无法控制的额外变量（非独立变量、因变量或控制变量）。例子可能包括在实验时你认为不重要的因素，比如玻璃器皿在反应中的制造商或纸飞机的颜色。
• 假设：预测自变量是否会对因变量产生影响，或预测影响的性质。
• 独立或独立：当一个因素不影响另一个因素时。例如，一名研究参与者的行为不应影响另一名参与者的行为。他们独立做决定。独立性对于有意义的统计分析至关重要。
• 独立随机分配：随机选择受试者是属于治疗组还是对照组。
• 自变量：研究者操纵或改变的变量。
• 自变量水平：将自变量从一个值更改为另一个值（例如，不同的药物剂量、不同的时间量）。不同的值称为“级别”
• 推断统计学：应用统计学（数学）从人口中的代表性样本推断人口特征。
• 内部效度：当一个实验能够准确地确定自变量是否产生影响时。
• 平均值：将所有分数相加，然后除以分数数计算得出的平均值。
• 无效假设：“无差异”或“无效”假设，预测治疗不会对受试者产生影响。无效假设是有用的，因为它比其他形式的假设更容易通过统计分析进行评估。
• 无效结果（非重要结果）：不推翻无效假设的结果。无效结果不能证明无效假设，因为结果可能是由于缺乏力量造成的。一些空结果是类型2错误。
• p<0.05：表明单凭偶然性可以解释实验治疗效果的频率。值p<0.05意味着百分之五，两组之间的差异纯属偶然。由于偶然发生效应的可能性很小，研究人员可能会得出结论，实验治疗确实有效果。其他p或概率值也是可能的。0.05%或5%的限值仅仅是统计显著性的共同基准。
• 安慰剂（安慰剂治疗）：一种虚假的治疗，除了暗示的力量之外，应该没有任何效果。例如：在药物试验中，受试者可能会服用含有该药物的药片或安慰剂，类似于药物（药片、注射剂、液体），但不含活性成分。
• 人口：研究人员正在研究的整个群体。如果研究人员无法从人群中收集数据，则可以通过研究从人群中随机抽取的大样本来估计人群的反应。
• 能力：观察差异或避免犯第2类错误的能力。
• 随机性或随机性：选择或执行时不遵循任何模式或方法。为了避免无意的偏见，研究人员经常使用随机数发生器或硬币来进行选择。
• 结果：实验数据的解释或解释。
• 简单实验：旨在评估因果关系或检验预测的基本实验。一个基本的简单实验可能只有一个测试对象，而对照实验至少有两组。
• 单盲：当实验者或受试者不知道受试者正在接受治疗还是安慰剂时。在分析结果时，使研究者失明有助于防止偏见。蒙蔽受试者可防止受试者产生偏见反应。
• 统计学意义：基于统计检验的观察结果表明，一段关系可能并非纯粹出于偶然。说明了概率（例如，p<0.05），并认为结果具有统计学意义。
• T检验：对实验数据进行常用统计数据分析，以检验假设。t检验计算组平均值之间的差异与差异的标准误差之间的比率，这是组平均值完全偶然差异的可能性的度量。经验法则是，如果观察到两个值之间的差异比差异的标准误差大三倍，则结果在统计上具有显著性，但最好在t表上查找显著性所需的比率。
• 类型I错误（类型1错误）：当您拒绝无效假设时发生，但它实际上是真的。如果进行t检验并设置p<0.05，则通过拒绝基于数据随机波动的假设而产生I型错误的可能性小于5%。
• 第二类错误（第二类错误）：当您接受无效假设，但它实际上是错误的时发生。实验条件有一定的影响，但研究人员没有发现有统计学意义。