LIVRO DesenhoExperimental Rouxton

Prévia do material em texto

LIVRO: DESENHO EXPERIMENTAL PARA AS CIÊNCIAS DA VIDA
Rouxton 2006
CAPITULO 1 - POR QUE VOCÊ PRECISA SE IMPORTAR SOBRE DESIGN
Por que os experimentos precisam ser planejados quando os alunos de ciências da vida vêem a expressão "projeto experimental", isso pode facilitá-los gentilmente a um sono profundo ou fazê-los fugir assustados. Para muitos, o design experimental evoca memórias infelizes de aulas de matemática ou de estática, e geralmente é considerado algo difícil que deve ser deixado para o estatístico. Errado em ambas as contas! Projetar experiências simples, mas boas, não exige matematicas difíceis. Em vez disso, o design experimental é mais sobre insetos comuns, insights biológicos e planejamento cuidadoso. Tendo dito chapéu, exige certo tipo de bom senso, e existem algumas regras básicas. Neste livro, esperamos orientá-lo a pensar de forma mais eficaz sobre o planejamento de experimentos.
Projetar experimentos efetivos requer pensar mais sobre biologia do que sobre cálculos matemáticos.
Então, por que muitos (os cientistas são tão avessos a pensar sobre o design? Parte da teoria provavelmente seria mais fácil pensar que o tempo gasto em ignorar os experimentos seria melhor gasto realmente fazendo experimentos. Depois de todo o argumento vamos nos concentrar na biologia e deixar que o estatístico se preocupe com o desajuste e a análise. Essa atitude deu origem a vários mitos que você pode sustentar com o aluno mais verde ou com o professor.
Mito 1: Não importa como você coleta seus dados, haverá um / ways ser uma 'correção' estatística que permitirá analisá-los.
Seria maravilhoso se isso fosse verdade, mas não é. Há um grande número de testes estarísticos lá, e isso pode levar à falsa impressão de que deve haver um para cada situação. No entanto, todos os testes estatísticos fazem suposições sobre seus dados que devem ser atendidos antes que o teste possa ser aplicado de forma significativa. Algumas dessas suposições são muito específicas para o teste em particular. Se você não puder atendê-los, poderá haver um teste substituto que pressupõe características diferentes de seus dados. Mas você pode achar que este teste alternativo só permite que você use seus dados para responder a uma pergunta científica diferente da que você pediu originalmente. Esta pergunta alternativa será quase certamente menos interessante do que a sua pergunta original (de outra forma, por que você não estava pedindo isso em primeiro lugar?). Também é verdade que experimentos bem planejados exigem métodos estatísticos mais simples para analisá-los do que experimentos menos bem planejados. Além disso, existem algumas suposições básicas que se aplicam aos testes estatísticos da U, e você as ignora por sua conta e risco. Por exemplo, o teste estatístico geralmente pressupõe que os seus dados sejam do que os estatísticos se referem como dados independentes (mais sobre isso no capítulo 3). Se seus dados não atendem a esse critério, não há nada que a tatística possa fazer para ajudá-lo e seus dados sejam inúteis. O design cuidadoso permitirá que você evite esse destino. 
Um desenho experimental cuidadoso no início pode poupar muito suor e lágrimas quando se trata de analisar seus dados.
O grupo de sujeitos experimentais que usamos em nosso experimento (chamado de amostra) precisa ser representativo do conjunto mais amplo de indivíduos em que estamos interessados (chamado população). Uma maneira fundamental de obter o trus é garantir que cada indivíduo selecionado não esteja vinculado de alguma forma a outro indivíduo na amostra, ou seja, eles são independentes. Por exemplo, se estivéssemos pesquisando as preferências alimentares humanas, a coleta de dados de cinco membros da mesma família não produziria cinco pontos de dados indepen- dentes. Esperamos que os membros da mesma família sejam mais prováveis para compartilhar preferências alimentares do que dois indivíduos não conectados, já que os membros da família geralmente têm uma longa história juntos. Da mesma forma, a coleta de dados da mesma pessoa em cinco ocasiões diferentes certamente não fornece cinco pontos de dados independentes, já que a preferência de uma pessoa em uma ocasião provavelmente será um bom guia para suas preferências um pouco mais tarde.
Mito 2: Se você coletar muitos dados, algo interessante sairá, e você poderá detectar efeitos muito sutis.
É sempre reconfortante ter um caderno cheio de dados. Se nada mais, convencerá seu supervisor de que você tem trabalhado duro. No entanto, a quantidade de dados não é realmente um substituto para a qualidade. Uma pequena quantidade de dados cuidadosamente coletados, que podem ser facilmente analisados com estatísticas poderosas, tem uma boa chance de detectar efeitos biológicos interessantes. Em contraste, não importa quantos dados você tenha coletado, se for de baixa qualidade, é improvável que ele lance muita luz sobre qualquer coisa. Mais dolorosamente, provavelmente terá levado mais tempo e mais recursos para coletar do que uma amostra menor de bons dados.
Na ciência, o trabalho duro nunca substitui o pensamento claro.
1. 2 Os custos do design pobre
1 .2. 1 tempo e dinheiro
Qualquer experimento que não seja planejado de maneira eficaz oferecerá, na melhor das hipóteses, retorno limitado sobre o esforço e as receitas investidas e, em guerra, não proporcionará retorno algum. É óbvio que, se você não conseguir encontrar uma maneira de analisar seus dados, os dados que coletou não permitem que você responda à sua pergunta, então você desperdiçou seu tempo e também qualquer material. No entanto, mesmo que você não cometa erros dessa magnitude, existem outras maneiras pelas quais um experimento mal projetado pode ser eficiente. É comum considerar que um experimento deve ser o maior possível, mas se você tiver mais dados do que você realmente precisa para resolver sua questão de forma eficaz, você perderá tempo e dinheiro. No outro extremo, se o seu experimento requer o uso de consumíveis caros, ou é extremamente demorado, há a tentação de torná-lo o mais fácil possível. No entanto, se o seu experimento for pequeno o suficiente para não detectar o efeito que você está interessado, você não economizou tempo nem dinheiro, e provavelmente terá que repetir o experimento, desta vez fazendo isso corretamente. Problemas como esses podem ser evitados com um pouco de cuidado, e em capítulos posteriores discutiremos maneiras de fazê-lo.
Da mesma forma, não é incomum que as pessoas colecionem tantas medições diferentes em suas amostras quanto possível, sem realmente pensar no motivo pelo qual estão fazendo isso. Na melhor das hipóteses, isso pode significar que você gasta bastante tempo coletando coisas para as quais não tem utilidade, e na pior das hipóteses pode significar que você não coleta a informação que é crítica para responder à sua pergunta, ou que você faz não dá tempo ou concentração suficientes para coletar as informações realmente importantes.
Não seja exagerado: é melhor que você tenha uma resposta clara a uma questão que adivinhe as respostas a três perguntas.
Assim, embora seja sempre tentador participar de um experimento o mais rápido possível, o tempo gasto planejando e planejando um experimento no início economizará tempo e dinheiro (para não mencionar possível constrangimento) a longo prazo.
Na ciência, como na vida: mais pressa; menos velocidade.
1 .2.2 Questões éticas
Se a única coisa que estivesse em jogo em experimentos mal concebidos fosse o desperdício de esforços e recursos que seriam ruins o suficiente. No entanto, os experimentos da ciência da vida têm a complicação adicional de que eles freqüentemente envolverão o uso de procedimentos experimentais em animais que provavelmente serão trágicos para os animais; até mesmo mantê-los no laboratório ou observá-los no campo pode ser o suficiente para deixá-los à vontade. Qui, é nosso dever certificar-se de que o nosso experimento é planejado com o maior cuidado possível, de modo que causemos aabolição mínima de esforços e sofrimento a qualquer animal envolvido. Conseguir isso muitas vezes significará usar o mínimo de animais possível, mas, novamente, precisamos ter certeza de que nossa experiência é grande o suficiente para ter alguma chance de produzir um resultado significativo.
	Muitas vezes há muitas maneiras diferentes que um experimento particular pode ser realizado. Uma questão comum é se aplicamos vários tratamentos para os indivíduos, ou se aplicamos tratamentos diferentes para indivíduos diferentes. No primeiro caso, provavelmente poderíamos usar menos indivíduos, mas eles precisariam ser mantidos por mais tempo e tratados com mais frequência. É melhor ou mais do que usar animais marinhos, mas mantê-los por mais tempo e manuseá-los com frequência? Os prós e contras devem ser ponderados antes do experimento que fiz para garantir que o sofrimento seja minimizado. Questões como Isso será explorado com mais detalhes no Capítulo 4.
As preocupações éticas não se aplicam apenas a cientistas que realizam experimentos em animais no laboratório. Experimentos de campo também podem ter um efeito prejudicial em organismos no ambiente em que os experimentadores humanos estão se intrometendo. Não há nenhuma razão para que tal efeito seja confinado ao organismo em estudo. Por exemplo, uma amostra científica de líquenes de colinas pode perturbar as aves nidificantes ou transportar um patógeno de uma pessoa para outra em suas ferramentas de coleta.
Não podemos enfatizar demasiadamente que, enquanto desperdiçar tempo e energia em experimentos mal planejados é tolo, causar mais sofrimento humano ou animal ou mais perturbação a um ecossistema do que o absolutamente necessário é indesculpável.
1.3 As relações entre o desenho experimental e as estatísticas
Pode ser uma surpresa que não vamos falar sobre análise estatística de dados em detalhes neste livro. Isso significa que achamos que testes tatísticos não são importantes para o planejamento experimental e que não precisamos pensar sobre eles? Absolutamente não ! Por fim, o design experimental e as estatísticas estão intimamente ligados, e é essencial que você pense nas estatísticas que usará para analisar seus dados antes de lê-los. Como já dissemos, todo teste estatístico terá suposições ligeiramente diferentes sobre o tipo de dados que ele requer ou o tipo de hipótese que pode testar, portanto, é essencial ter certeza de que os dados que você está coletando podem ser analisados ​​por um teste que examinará a hipótese de que você está interessado. A única maneira de ter certeza sobre isso é decidir antecipadamente como você analisará os dados do yow depois de coletá-los. Assim, embora não nos demoremos em detalhar as estatísticas, tentaremos destacar ao longo do livro os pontos em seu design em que a análise das estatísticas de ataque é mais crítica.
Existem duas razões pelas quais não nos concentraremos nas estatísticas deste livro. A primeira é simplesmente que já existem alguns livros de estatísticas muito bons disponíveis, para os quais você pode recorrer quando estiver na fase de decidir qual teste está planejando fazer (veja a Bibliografia para um guia de alguns que usamos). No entanto, a segunda razão mais importante é que acreditamos fortemente que o design experimental é muito mais do que os testes estatísticos que você usa. Este é um ponto que muitas vezes pode ser perdido entre os detalhes e as estatísticas da estatística. Projetar experimentos é tanto aprender a pensar cientificamente quanto a mecânica das estatísticas que usamos para analisar os dados assim que os tivermos. É uma questão ter confiança em seus dados e saber que está mudando o que você acha que está medindo. Trata-se de saber o que se concluiu de um tipo particular de experimento e do que não pode.
O design experimental é sobre a biologia do sistema. e é por isso que as melhores pessoas para conceber experimentos biológicos são os próprios biólogos.
1.4 Por que um bom desenho experimental é particularmente importante para os cientistas da vida
Dois conceitos-chave que surgem continuamente quando se pensa em experimentos (e consequentemente ao longo deste livro) são a variação aleatória e os fatores de confusão. De fato, pode-se dizer que os dois principais objetivos de se delinear experimentos são (0 minimizar a variação aleatória e explicar os fatores subjacentes. Ambos os assuntos serão cobertos independentemente das questões 3 e 4). eles aqui em ordem (por exemplo, dar um ar de por que o design minimalista é particularmente importante para os cientistas da vida.
1.4.1 Variação aleatória
Variação aleatória também é chamada de variação entre indivíduos, variação intra individual, variação do tratamento ou ruído. Isto simplesmente equivale à extensão em que indivíduos em uma amostra (que podem ser animais, plantas, sujeitos, parcelas de estudo ou amostras de teste, para dar apenas alguns exemplos) diferem de cada um deles. de outros. Nós discutiremos as conseqüências disso completamente no Capítulo 3. Por exemplo, todos os meninos de 1 ano de idade não têm a mesma altura. Se o nosso estudo for útil para estudar diferenças nati-natais na altura de meninos de dez anos, devemos esperar que todos os meninos em nosso estudo não tenham a mesma altura, e que essa variação na altura seja maior. Dividido por um grande número de fatores (por exemplo, dieta, grupo sócio-econômico), bem como o possível efeito do fator que nos interessa (nacionalidade).
A variação aleatória é toda em biologia. Todas as ovelhas de um rebanho não são exatamente as minhas. Se assim for, poderemos descrever o peso característico de uma ovelha de um determinado bando, geralmente não podemos simplesmente pesar uma ovelha e um peso que também é válido para toda e qualquer ovelha no rebanho. Seria melhor medir os pesos de um reúso adequado do rebanho, permitindo-nos descrever tanto o peso médio das ovelhas neste rebanho quanto a extensão da variação em torno dessa média. As diferenças podem ser difundidas em outros ramos da ciência: um físico só calcula a massa de um elétron, porque, como ovelhas, todos os elétrons são o peso. Os físicos, muitas vezes, não precisam se preocupar com a variação, mas, para os cientistas da vida, é uma preocupação muito atual, e nós provavelmente a consideraremos quando fizermos experimentos.
Bons experimentos minimizam a variação aleatória, de forma que qualquer variação os fatores de interesse podem ser detectados mais facilmente.
1.4.2 Fatores de confusão
Muitas vezes queremos entender o efeito de um fator (o Jet chama a variável A) em outro fator (B). No entanto, nossa capacidade de fazer isso pode ser prejudicada se B também for influenciado por outro fator (Cl. Em tais circunstâncias, C é chamado de fator de encontro (às vezes referido como uma variável ou terceiros). Por exemplo, se observarmos salmão juvenil em um riacho para ver se há um efeito do número de horas de luz solar no dia (variável A) nas taxas de forrageamento (variável B), na temperatura da água (variável C) pode ser um fator de confusão.Podemos aumentar a falta de luz para aumentar a atividade de forrageamento, mas poderíamos também esperar que o aumento da temperatura da água tenha o mesmo efeito.Disponibilizando as influências de temperatura e temperatura Por ser particularmente problemático, como poderíamos esperar que a temperatura do sol e a temperatura da água estivessem diretamente ligadas, será difícil entender o efeito de um isoladamente do outro. <br /> <br /> Assim, fatos confusos representam um desafio, mas não em um número incontável, nós discutiremos completamente no Capítulo 4.
Outra vantagem que o físico tem é que ele ou ela pode lidar com sistemas muito simples. Por exemplo, eles podem isolar o elétron que eles querem medir em uma câmara de vácuo que não contém outras partículas que possam interagir com sua partícula de interesse. O cientista da vida geralmente estuda sistemas complexos, com muitos fatores de interação. O peso de uma ovelha individualpode mudar consideravelmente ao longo do dia através da digestão e ingestão, ou através da chuva. Portanto, algo tão simples quanto tomar o peso do animal não é tão simples quanto parece. Imagine que hoje você mede o peso médio das ovelhas em um rebanho e amanhã você faz o mesmo para outro rebanho. Vamos imaginar ainda que você descobre que o peso médio é maior para o segundo lote. Os animais do segundo rebanho são, na verdade, intrinsecamente mais pesados? Porque da maneira que você projetou seu experimento, é difícil saber. O problema é que você introduziu um fator de confusão: o tempo de medição. As ovelhas nos dois rebanhos diferem de maneira não intencional; eles foram medidos no dia diferente '. Se chovesse durante a noite, então não haveria diferença real entre as ovelhas nos dois rebanhos; pode apenas seja que todas as ovelhas (em ambos os rebanhos) são mais pesadas no segundo dia porque são mais molhadas. Precisamos encontrar maneiras de realizar experimentos que evitem os fatores de confusão, para que possamos compreender os efeitos dos fatores em que estamos interessados. As técnicas para isso serão abordadas no Capítulo 4. No entanto, antes de podermos fazer isso, temos que ser claros sobre a questão científica que queremos que um experimento específico aborde. Projetar o experimento certo para responder a uma pergunta específica é o que o próximo tópico se refere.
	Fatores confusos dificultam nossa interpretação dos resultados, mas seu efeito pode ser eliminado ou o controle é conduzido por um bom planejamento.
Resumo
Você não pode ser um bom cientista da vida sem entender os fundamentos do design experimental.
Os fundamentos do design experimental equivalem a um pequeno número de regras simples; você não precisa se envolver em matemática complexa para projetar, mas sim, boas experiências.
Se você projetar experimentos ruins, você pagará em tempo e recursos desperdiçados.
As preocupações com o tempo e os recursos são triviais em comparação com o imperativo de projetar boas experiências de modo a reduzir (ou eliminar) os custos para sua experiência em termos de sofrimento para animais ou seres humanos ou perturbação para um ecossistema.
CAPITULO 2 - COMEÇANDO COM UMA HIPÓTESE BEM DEFINIDA
Seu objetivo ao realizar um experimento é testar uma ou mais hipóteses científicas específicas.
Não há como projetar um bom experimento a menos que você tenha uma hipótese bem definida (ver seção 2.1)
Um aspecto do bom design é produzir o teste mais forte da hipótese (seção 2.2.1)
Você deve estar com o objetivo de produzir resultados que convencer até mesmo os céticos (seção 2.3).
 Um estudo piloto permitirá que você concentre seus objetivos e aperfeiçoe suas técnicas de coleta de dados (seção 2.4).
Uma decisão importante em seu design provavelmente será se manipulação experimental ou simplesmente registrar variação natural. Ambos técnicas têm suas vantagens e desvantagens, e uma combinação de os dois geralmente são eficazes (seção 2.5).
Você pode então ter que resolver se deve estudar seus assuntos em sua natureza ambiente ou nas condições mais controladas do laboratório (seção 2.6) ou se deve realizar experimentos in vitro ou in vivo (seção 2.7).
 Todas estas decisões envolvem um elemento de compromisso e, embora existam experimentos bons e ruins (e todas as sombras no meio), não há perfeitos (seção 2.8).
2.1 Por que seu experimento deve ser focado: perguntas, hipóteses e previsões
Uma hipótese é uma afirmação clara articulando uma explicação candidata plausível para observações. Ele deve ser executado de tal forma que todos os dados que podem ser usados ​​para refutar ou apoiar essa explicação do candidato.
Pode haver várias hipóteses para a mesma observação. Por exemplo, tome a observação de que os pacientes nos leitos que se encontram na entrada de uma enfermaria do hospital respondem mais efetivamente ao tratamento do que os que estão no outro extremo da enfermaria. Hipóteses candidatas podem incluir o seguinte;
1. Os pacientes não são distribuídos aleatoriamente para leitos, com a irmã da ala tendo uma tendência), para colocar casos mais graves na extremidade mais silenciosa da sala, longe da entrada.
2. Os pacientes mais próximos da porta são vistos primeiro no consultório e acabam recebendo mais tempo e atenção do médico.
3. Os pacientes respondem positivamente ao aumento dos níveis de atividade e contato humano associados a estarem mais próximos da entrada da enfermaria. Não se coloque em uma posição onde você pensa algo como
 "Chimpanzés são animais realmente interessantes, então eu vou até o zoológico, vejo os chimpanzés e há muitos dados interessantes em 00 horas de filmagem"
Nós concordamos que o chimpanzé pode ser muito interessante de assistir, então, por todos os meios, observe-os por um tempo. No entanto, use o que você vê neste estudo piloto para gerar perguntas claras. Depois de ter sua pergunta em mente, você deve tentar formar hipóteses que possam responder à pergunta. Você então precisa fazer previsões sobre coisas que você esperaria observar se sua hipótese é verdadeira e / ou coisas que você não esperaria ver se as hipóteses são verdadeiras. Você então precisa decidir quais dados você precisa coletar para confirmar ou refutar suas previsões. Só então você pode projetar sua experiência e coletar seus dados. Essa abordagem de ter perguntas, hipóteses e previsões específicas é muito mais provável de produzir conclusões sólidas do que os dados coletados sem um plano específico para seu uso. Isso não deveria ser surpresa; Se você não souber como usar os dados, a chance de coletar uma quantidade considerável do tipo certo de dados é muito pequena para ter uma chance.
Dada a importância de uma questão de pesquisa focalizada, você pode estar pensando que gastar alguns minutos fazendo observações fora de foco dos chimpanzés é simplesmente um desperdício de tempo que poderia ser melhor gasto coletando dados para responder a questões científicas. Nós discordamos. Você deve se esforçar para abordar as questões científicas mais interessantes que puder, não tantas perguntas quanto você puder. Darwin, Einstein, Watson e Crick não são famosos porque resolveram mais problemas que um outro, mas porque resolveram problemas importantes. Então aproveite o tempo para pensar sobre o que as perguntas interessantes são. Não estamos prometendo que você se tornará tão famoso quanto Einstein se seguir este conselho, mas as chances aumentam.
•	Como regra geral, seu experimento deve ser projetado para testar pelo menos uma hipótese clara sobre seu sistema de pesquisa. Um período de observação desfocada pode ajudá-lo a identificar questões de pesquisa interessantes, mas um estudo baseado inteiramente em observação desfocada raramente responderá a essas questões.
2.1.1 Um exemplo de passar de uma questão para hipóteses e depois para um desenho experimental
A última seção pode ter parecido um pouco abstrata, então vamos tentar uma exemplo. Imagine que você passa algum tempo no zoológico fazendo um estudo piloto, observando o chimpanzé. Durante esse tempo você percebe que os chimpanzés mostram forte variação diária nos padrões de atividade. Isso leva naturalmente a pergunta:
Por que a atividade do chimpanzé varia durante o dia? Nossas observações permitiram que nos tornássemos uma questão clara, e com uma pergunta clara, temos pelo menos uma chance de lutar uma resposta clara. O próximo passo é omitir as hipóteses que podem potencialmente explicar nossa observação. 
Uma dessas hipóteses pode ser: Padrão de atividade do chimpanzé é afetado pelo regime de alimentação.
Agora, como poderíamos testar essa hipótese? A chave é chegar a uma série de previsões de observações que esperamos fazer se nossa hipótese 1 ou re. Portanto, a previsão tem de se afastar logicamente da hipótese e ser algo que podemos testar. No carro e desta hipótese nós poderíamos fazer a previsão:
A fração de tempo que um chimpanzé gasta se movimentando será maior na hora em torno do tempo dealimentação do que em outros momentos do dia.
 	Ao fazer uma predição assim, fica óbvio que dados precisamos coletar para testar nossa previsão. Se a nossa previsão é apoiada por esses dados, então isso fornece um suporte para a hipótese (um sumario de que chegamos a uma predição que testa nossa hipótese). Em textos estatísticos, você encontrará hipóteses vinculadas a pares, sendo cada um composto de uma hipótese nula e uma alternativa hipotética é: O Statitics Box 2.1 explica esse conceito ainda mais.
	Para que sua hipótese seja útil, ela deve gerar previsões testáveis.
2.1.2 Um exemplo de hipóteses múltiplas
Não há nada a dizer que você está limitado a uma única hipótese em qualquer estudo particular. Vamos considerar um segundo exemplo. Você está andando ao longo de uma costa rochosa e percebe que os búzios nas rochas geralmente parecem ocorrer em grupos. Você está com a questão sensata:
Por que os búzios se agrupam?
Seu primeiro pensamento é que isso pode ter a ver com a busca de abrigo contra as tensões mecânicas impostas por ondas quebradas, de modo que você gera hipóteses:
Os búzios agrupam-se para o abrigo da ação de onda.
Então, depois de um litígio mais questionado, você se pergunta se talvez o agrupamento tenha algo a ver com aglomeração em áreas de alta alimentação, e isso leva você a uma segunda hipótese.
Grupo de búzios para alimentação.
Como no exemplo anterior, agora precisamos de previsões que possamos aplicar. Idealmente, gostaríamos de previsões que nos permitissem diferenciar entre as duas formas. Se a hipótese inicial for verdadeira, poderíamos prever:
É mais provável que os búzios sejam encontrados em grupos em áreas protegidas da ação das ondas.
enquanto que, se o segundo é verdadeiro, nossa previsão seria:
Os búzios são mais propensos a serem encontrados em grupos em áreas de maior densidade alimentar.
Com essas previsões em mãos, poderíamos então elaborar um estudo para testar os dois. É claro que, mesmo se acharmos que uma de nossas previsões é apoiada, por exemplo, se os búzios são mais propensos a serem encontrados em grupos em áreas protegidas, isso não significa necessariamente que a hipótese que levou à predição ("búzios") grupo para abrigo da ação das ondas '). Alguém pode chegar a outra hipótese, que pode levar a essa previsão. ou exemplo, a hipótese:
Os búzios são mais vulneráveis ​​aos predadores: 
 Em áreas protegidas, mas o agrupamento fornece proteção contra predadores também poderia levar à previsão:
É mais provável que os búzios sejam encontrados em grupos em áreas protegidas contra a ação das ondas.
Sua tarefa será então apresentar outra previsão que possa discriminar a nova hipótese da original. Agora, isso não quer dizer que ambas as hipóteses não possam ser verdadeiras. Talvez parte da razão pela qual encontramos agregações de búzios em áreas abrigadas é evitar a ação das ondas, e parte dela é evitar predadores nas áreas abrigadas. De fato, é comum nas ciências da vida descobrir que várias hipóteses podem ser combinadas para explicar completamente as observações. A principal coisa é que, se apenas um hipóteo estiver incorreto, deveríamos ser capazes de determinar isso a partir do nosso rudy. Para larificar o que queremos dizer, vamos chamar esses dois tipos de predação e abrigo hipotético.
Temos então quatro possibilidades de como o sistema realmente funciona.
Possibilidade 1 Nenhuma das hipóteses é verdadeira e os padrões observados são devidos a algo completamente diferente.
Possibilidade 2 Predação é verdadeira e abriga falsa.
Possibilidade 3 Abrigo i true e predation.i false.
Possibilidade 4 Tanto a predação quanto o abrigo são verdadeiros.
CAIXA DE ESTATÍSTICA 2.1 Hipóteses nula e alternativa
Os estatistianos falam sobre dois tipos diferentes de hipóteses, uma hipótese nula e uma hipótese alternativa. Nós mencionamos isso porque você vai encontrá-los na literatura estatística. A hipótese nula pode ser pensada como a hipótese de que nada está acontecendo. No exemplo da seção 2.1.1, uma possível hipótese nula seria:
	A atividade do chimpanzé não é afetada pelo regime de alimentação.
Com efeito, o que a hipótese nula está dizendo é que qualquer relação aparente entre a atividade do chimpanzé e o regime alimentar é devida apenas ao acaso. uch uma hipótese nula levaria à predição:
Não há diferença na fração de tempo que os chimpanzés passam se movendo na hora em torno da alimentação, em comparação com o resto do dia.
A hipótese que originalmente demos é um exemplo de uma hipótese alternativa,
ou seja, uma hipótese em que o padrão que vemos é devido a algo biologicamente interessante, em vez de apenas ser devido ao acaso. A razão pela qual precisamos de uma hipótese nula está bem no centro da maneira como o trabalho estatístico funciona. mas os detalhes não precisam nos incomodar muito aqui. No entanto, tudo se resume ao fato de que os testes estatísticos funcionam testando a hipótese nula. Se nossas observações nos permitem rejeitar a hipótese nula (porque os dados que coletamos concordam com uma previsão baseada na hipótese original), então isso nos dá suporte para nossa hipótese alternativa. Portanto, se podemos rejeitar a hipótese nula de que a atividade do chimpanzé não é afetada pelo regime de alimentação, logicamente devemos aceitar que a atividade do chimpanzé é afetada pelo regime de alimentação.
Isso pode parecer uma maneira distorcida de abordar problemas, mas há uma boa razão por trás dessa abordagem. Filosoficamente, a ciência funciona de maneira conservadora. Assumimos que nada de interessante está acontecendo, a menos que tenhamos evidências definitivas para o ontrary. Isso nos impede de nos deixar levar por especulações selvagens e construir castelos no ar. Essa filosofia leva à concentração na hipótese nula e não na hipótese alternativa. No entanto, embora essa filosofia seja o alicerce da estatística, ela não precisa nos deter mais aqui. Apenas lembre-se de que para cada hipótese que você sugere, isso sugere que algo interessante está acontecendo. Haverá uma hipótese nula correspondente (que nada de interessante está acontecendo), e que ao descansar essa hipótese nula você pode obter informações sobre a hipótese de que você está interessado.
Um estudo que nos permitiu discriminar a possibilidade .1 de 2,3 e 4, mas não permitiu a discriminação entre 2, 3 e 4, seria útil, mas não ideal. O estudo ideal nos permitiria não apenas discriminar a possibilidade 1 dos outros, mas também discriminar entre essas outras possibilidades. Ou seja, no final do estudo, poderíamos identificar qual das quatro combinações possíveis das duas hipóteses está realmente correta. Tal estudo pode incluir uma série de tratamentos experimentais em que predatórios ou ação de ondas ou ambos foram removidos e o agrupamento foi observado entre os búzios, ou pode envolver observações em praias com diferentes combinações de predação e ação de ondas. Não importa como o estudo é organizado, o importante é que o melhor estudo será aquele que nos permite provocar uma parte da influência das diferentes influências hipotéticas do comportamento de agrupamento.
•	Gerar previsões sensatas é uma das "artes" do design experimental. Boas previsões seguirão logicamente a partir da hipótese que desejamos testar, e esperemos que não de outras hipóteses rivais. Boas previsões também levarão a experimentos óbvios que permitem que a previsão seja testada. Passando pelo procedimento da pergunta ...., hipóteses ...., a previsão é uma coisa extremamente útil, pois torna a lógica posterior ao nosso estudo explícita. Isso nos permite pensar muito claramente sobre quais dados precisamos testar nossas previsões e, assim, avaliar nossa hipótese. Isso também torna logico o experimento muito claro para outras pessoas. Recomendamos enfaticamente que você adquira o hábito de pensar sobre seus estudos científicos dessa maneira.
2.2 Produzir a evidência mais forte com a qual desafiar uma hipótese
Tente encontrar o teste mais forte de uma hipótese científicaque você pode.
Considere a hipótese: os alunos apreciam o curso da anatomia humana mais do que o curso de design experimental.
Você pode argumentar que uma maneira de testar essa hipótese seria examinar os resultados do exame nos dois cursos: se os alunos obtivessem notas mais altas em um curso específico em comparação com o outro, provavelmente eles teriam gostado mais, e assim foram mais motivados a estudar para o ex am. nossa previsão, baseada em nossa hipotese i, é:
Os alunos receberão notas mais altas (o exame de anatomia humana do que no exame de desenho experimental.
Descreveríamos isso como um teste fraco da hipótese do hipotálamo. Imagine que os alunos pontuem de maneira mais alta em anatomia humana. Isso é consistente com a hipótese. No entanto, isso também pode ser explicado por muitos outros efeitos: pode ser que o exame de anatomia humana tenha sido mais fácil, ou que tenha caído no início do exame quando os alunos estavam frescos, enquanto o design experimental veio no final quando eles foram ex-hausted. Este problema de explicações alternativas é mais explorado na seção 2.5.3.
•	Dados que são consistentes com uma hipótese são menos poderosos se esses dados também forem consistentes com outras hipóteses plausíveis.
2.2.1 Medidas indiretas
O problema em usar os resultados dos exames para inferir algo sobre o nível de satisfação do aluno é que você está usando uma medida indireta. Isso envolve medir uma variável como substituto para outra variável (geralmente mais difícil de medir). Por exemplo, se estivermos interessados ​​em comparar a quantidade de leite fornecida aos filhotes de selas por mães de diferentes idades, podemos considerar que a quantidade de tempo que os filhotes passam mamando é um substituto razoável para a quantidade de leite transferida. Embora isso torne a coleta de dados muito mais fácil, você deve estar usando uma boa urologia. [f taxa de entrega de leite durante a amamentação varia com a idade da mãe, então o tempo gasto na sucção pode ser uma medida pobre da quantidade real de leite transferido.
Medidas indiretas geralmente produzem resultados pouco claros, no caso do desempenho do exame acima. Se pudermos, devemos sempre tentar medir a coisa em que estamos interessados ​​diretamente. No gozo do curso, deveríamos entrevistar os alunos (separadamente; veja a seção 3.3 sobre a indpendência dos pontos de dados) e os mesmos que preferimos. No entanto, se eu fosse o entrevistador da anatomia humana, então nos preocuparíamos com a honestidade da resposta. Seria melhor ter a questão perguntada por alguém que os alunos percebem que não se interessa pelo homem.
Não use medidas indiretas, a menos que você precise.
2.2.2 Considerando todos os resultados possíveis de um experimento
Uma moral da última página que, antes de um experimento, você deve sempre se perguntar, para cada resultado possível, como tal e o resultado poderiam ser interpretados em termos das hipóteses que estão sendo tratadas. Tente evitar experimentos. que pode produzir potenciais resultados que você não pode interpretar. Isso não faz você parecer muito impressionante como um cientista se tiver que relatar isso:
Eu coletei dados dessa maneira, os dados parecem com isso, e eu não tenho ideia do que devo fazer, concluir sobre o meu sistema de estudo a partir disso.
Às vezes, pode ser difícil pensar em todos os resultados possíveis de um experimento antecipadamente e, novamente, os estudos-piloto podem ser uma maneira eficaz de descobri-los.
Outro aspecto deste alerta é ser cauteloso em fazer experimentos em que um resultado útil do trabalho depende da obtenção de um resultado específico.
Não há nada de errado em pensar: "Vamos fazer o experimento, porque se a nossa hipótese for apoiada pelo experimento, então realmente causaremos uma sensação". No entanto, certifique-se de que seus resultados ainda sejam interessantes e úteis se o resultado não for o esperado.
Imagine que seu experimento procura explorar o efeito de um fator em outro. E se você não encontrar nenhum efeito? Você deve se perguntar se outra pessoa ainda julgaria seu experimento como cientificamente válido e uma maneira útil de gastar tempo e recursos mesmo se você obtiver esse resultado negativo. Por exemplo, imagine que você realizou uma investigação eficaz para testar a hipótese:
O uso de cannabis tem um efeito na capacidade de dirigir.
Se você não encontrar nenhuma relação entre os dois, então isso seria um resultado interessante. É interessante porque entra em conflito com a nossa compreensão atual dos efeitos dessa substância. Seria relevante tanto para nossa compreensão fundamental do efeito da droga no cérebro quanto para a fundamentação científica da lei automobilística relacionada ao uso de drogas. Se no momento você encontrar um efeito, e pode quantificar o efeito, então isso deve ser um resultado interessante também, novamente com implicações para nossa compreensão da função cerebral e para a legislação.
Agora imagine que você realizou uma investigação eficaz para testar a hipótese: A preferência por manteiga ou margarina está ligada à capacidade de dirigir.
Se você encontrar evidências que corroborem essa hipótese, isso seria surpreendente e interessante, pois entra em conflito com a nossa atual compreensão do fator, afetando a capacidade de dirigir. No entanto, se você não encontrar uma relação entre se as pessoas preferem manteiga ou margarina e sua capacidade de dirigir, então este é um resultado menos interessante.
As pessoas poderiam simplesmente achar que você nunca encontraria um efeito entre dois fatores tão diferentes e que você deveria ter gasto seu tempo em linhas de pesquisa mais produtivas. Não estamos afirmando que "nunca faça um experimento em que um resultado potencial do experimento seja ininterrupto". Se você tivesse demonstrado que a preferência pela manteiga é uma prática de dirigir melhor, isso poderia ser realmente muito interessante. Você pode considerar que a fama e a fortuna associadas à descoberta de tais resultados valem o risco de gerar muitos resultados aborrecidos. A decisão é tua; nosso trabalho para lhe mostrar que há riscos.
Pense em como você interpretaria todos os resultados possíveis do seu experimento. antes de decidir fazer o experimento.
2.3 Céticos satisfeitos: o advogado do diabo
Um tema que atravessa este livro é que seu projeto experimental e coleta de dados devem alertar alguém que descrevemos como "o advogado do Diabo". Com isso, queremos dizer que você deve certificar-se de que seu experimento é projetado para que as conclusões que você tira sejam as mais fortes possíveis. Vamos imaginar que você esteja em uma situação onde um grupo de observações poderia ser explicado por um dos dois mecanismos contraditórios (A ou 8), e seu objetivo é tentar iluminar o que de fato é o mecanismo real subjacente aos reflexos. Não se atenha a um experimento que permitirá concluir:
Os resultados deste experimento sugerem fortemente que o mecanismo A está operando. Embora seja verdade que os resultados sejam igualmente compatíveis com o mecanismo B, achamos que A 15 é muito mais provável.
É uma questão de opinião onde o mecanismo A ou B é mais lícito. portanto, não posso concluir nada do seu experimento.
Você tem que esperar que a pessoa na arbitragem do seu manuscrito ou no relatório do seu projeto seja um 'advogado do Diabo que constantemente diz:' Não estou preparado para lhe dar o benefício da dúvida, prove isso '. Para o caso acima, sua conclusão é:
Seria muito melhor criar um experimento que permitisse que você concluir algo mais forte, como:Estes resultados são inteiramente consistentes com a hipótese de que o mecanismo A está em operação, no entanto, eles são totalmente inconsistentes com o mecanismo B. Portanto, concluímos que o mecanismo A é aquele que está atuando
	O defensor do diabo é intencionalmente o rei a fazer um buraco em seu argumento, e você deve reavivar sua munição. O advogado do Diabo não pode argumentar que o mecanismo B está operandose você provou que não é.
•	Você deve pensar no advogado do diabo como uma pessoa altamente intelectual, mas cética. Se houver uma fraqueza em seu instrumento, então eles o encontrarão. No entanto, eles podem ser feitos para acreditar em você, mas apenas quando não têm uma alternativa razoável. Eles não lhe darão o benefício de qualquer dúvida razoável.
2.4 A importância de um estudo piloto e dados preliminares
Parece inevitável que, tão logo você comece como estudo científico, você se encontre sob pressão do tempo. Projetos de graduação geralmente são breves, um PhD nunca parece ser suficiente e o fim de um programa de pós-doutoramento começa a aparecer no dia em que ele começa. As pressões de slich podem levar à tentação de pular direto e fazer algumas experiências rapidamente. Ter resmas de dados pode ser muito interessante. no entanto, o velho ditado de 'mais pressa; menos velocidade se aplica a estudos biológicos em muitos lugares, e um passo importante na biologia experimental que é frequentemente usado é gastar um pouco de tempo no início de um estudo colecionando algumas observações puras. Um estudo piloto pode variar de ir ao local do estudo e observar por algumas horas ou dias, até tentar uma corrida em sua escala limitada. Exatamente o que isso acarreta dependerá da situação part icular, fazer um estudo completo sem levar a cabo esse trabalho piloto significará muitas vezes que você obtém menos do estudo do que poderia ter feito se o estudo piloto tivesse ocorrido. sugeriu algum ajuste fino. ou com freqüência, seu estudo completo de 3 meses de duração será rotineiramente inútil por causa de uma conclusão que um estudo piloto de 3 anos teria alertado. 10 seção 2. 1 nós sugerimos que um estudo piloto pode ser inestimável para ajudar você a desenvolver perguntas interessantes e focadas. Nas próximas páginas, descreveremos várias outras vantagens dos estudos-piloto.
2 4 1 Certificando-se de que você está fazendo uma pergunta sensata
Um dos objetivos de um estudo piloto é permitir que você se familiarize com o sistema em que VOCÊ estará trabalhando. Durante esta base de um projeto, você estará tentando obter informações que ajudarão você a projetar melhor seus principais experimentos. Mas o que você deveria ser, Hilling a fazer neste tempo?
Provavelmente, o objetivo mais importante de um estudo piloto é validar a questão biológica que você espera abordar. Você pode ter lido sobre o comportamento de roubo de pedras em pinguins-de-barbicha, um fenômeno em que pinguins roubam tons dos ninhos uns dos outros e os incorporam em seu próprio ninho. Digamos que você decida que isso tornaria interessante a investigação. Felizmente, há uma colônia de escanchas no zoológico que você será capaz de trabalhar. Então você formular hipóteses sobre aspectos de tingimento de tom e projetar um elaborado experimental programa para avaliar as hipóteses.
Isso envolve colocar todo tipo de manipulação nos ninhos dos pingüins, adicionar e remover pedras de diferentes tamanhos e cores. Configurando o experimento é um trabalho árduo e os pingüins sofrem pode causar distúrbios. No entanto, eventualmente, isso é feito e você se senta em sua cadeira para começar a coletar os dados. Por um dia, você não viu nenhum comportamento de roubo de pedras, mas não se incomoda: o roubo de tom é um fenômeno bem documentado, e há muitos artigos escritos sobre o assunto. Infelizmente, seus pinguins em particular não viram esses papéis e, depois de um mês observando e não vendo uma única caixinha de chá de pedra, você desistiu.
Se você tivesse tido tempo para ir e assistir os pinguins por um par de dias antes de colocar em seu trabalho duro. Você teria percebido que esse tom tealing seria uma ocorrência rara nesta colônia, e que talvez você não tenha que repensar seu projeto. Você também pode ter visto algum outro comportamento de interferência que poderia ter formado a base de um estudo qualitativo valioso. Alternativamente, você pode ter observado dois tipos muito diferentes de comportamento de furto, permitindo que você planeje seu projeto de tal forma que possa olhar para os dois tipos diferentes, criando um projeto ainda melhor.
Vale a pena mencionar neste momento os perigos de confiar nos outros para lhe dar essa informação, não importa o quão augustos eles sejam, a menos que você absolutamente precise fazê-lo. Seu supervisor pode dizer-lhe que o roubo de pedras ocorrerá em sua vida pessoal. Talvez eles estejam baseando isso em ler os mesmos artigos que você leu, ou em uma discussão com um zelador, que com base em há cerca de 2 anos, orgulhosamente afirma que o roubo de roubos continua em sua colônia. . No mínimo, você deve entrar em contato quando o comportamento foi visto e com que frequência. No final, é o seu projeto; você será o único a colocar o trabalho duro e a rodear, se der errado, você deve fazer as observações preliminares que o convencem de que o seu estudo principal é possível. Algumas coisas que você tem que confiar, mas não acredite em você, se você pode facilmente checá-las por você.
Pode ser que você considere nosso infeliz observador de pinguins como um homem de palha, e que não há nenhuma maneira de você ser um fálico. Só podemos ver que encontramos um grande número de experimentos análogos e que temos sido os culpados por nós em ocasiões suficientes para nos ajudar.
Os estudos-piloto revelam o constrangimento considerável, o desperdício de despesas e talvez o meu sofrimento por esses incidentes.
Não acredite que você pode facilmente verificar por si mesmo
2 .4. 2 Certificando-se de que suas técnicas funcionam
Um segundo papel crucial para um estudo piloto é que ele oferece a chance de praticar e validar as técnicas que você usará no estudo completo. Isso pode envolver algo tão simples como garantir que você será capaz de fazer todos os vôos nos pinguins que você precisa no conforto da sua cadeira de praia, ou que você não vai incomodar os animais também. uch_ Você Bught também decide verificar se você pode usar o código de controle que você criou para permitir que você siga o comportamento das aves, e que você tenha um código para todos os comportamentos que você precisa_ Ou você pode precisar verificar que Pode tomar todos os desejos que você precisa no tempo que você tem disponível. Claro, isso não é uma boa ideia para projetos. Você pode ter planejado um experimento que exige que você conte bactérias com um microscópio, mas você pode passar o tempo olhando para um microscópio antes que sua precisão se reflita? A única maneira de saber é usá-lo, e o trus afetará em última análise o tamanho máximo do experimento que você pode planejar e executar.
Há muito a ser dito para preparar todas as técnicas e métodos que você usará em seu trabalho antes de usá-los para identificar o seu principal experimento. Se o seu experimento não estiver usando mosquitos, você deve certificar-se de que você pode fazer isso de forma eficiente, de modo a evitar que você destrua os pontos de dados e use um anel necessário.
As execuções experimentais de diferentes tipos de ensaios também podem ajudá-lo a ajustá-las para que elas forneçam resultados úteis. Você pode estar planejando um teste de gelo para butiques femininas em que> Ol dará a uma fêmea um grupo de várias plantas hospedeiras e verá quais são seus ovos. Se você a quer por ovos muito próximos, ela pode deitar os peões sobre os hospedeiros, e preferências difíceis serão difíceis de detectar. Por outro lado, se você deixá-la por muito pouco tempo, ela pode não ter tempo suficiente para explorar todos os hospedeiros, então pode botar ovos ao acaso. Ao realizar experimentos em lote com fêmeas deixadas por diferentes períodos de tempo, você pode trabalhar em qual intervalo de tempo usar no experimento principal.
Os estudos piloto também fornecem uma oportunidade para que as técnicas sejam padronizadas em estudos que envolvem vários servidores. Talvez você precise verificar que o que uma pessoa considera um comportamento agressivo é o mesmo para todosos observadores, ou que todos estão medindo as coisas da mesma maneira ou das mesmas posições. Veja o Capítulo 5 para mais sobre isso. Outra vantagem de um estudo piloto é que ele pode fornecer um conjunto de dados de pequena escala, da mesma forma que sua experiência principal produzida produzirá. Isso lhe dá a chance de testar sua análise estatística consolidada; veja Statistical Statics Box 2.2 para mais detalhes sobre isso.
STATISTICS BOX 2.2 Obtendo dados básicos para ajustar o design e as estatísticas
Uma vantagem de realizar um estudo piloto na forma de uma versão em pequena escala da experiência real que você planejou é que, se suas técnicas funcionarem bem, você terá alguns dados experimentais preliminares do tipo que você coletará no estudo completo. Isso pode ser extremamente valioso de duas maneiras.
Em primeiro lugar, esses dados podem fornecer as informações necessárias para verificar se o tamanho planejado do experimento é apropriado. Isso será discutido com mais detalhes quando descrevermos o poder estatístico no Capítulo 3.
Em segundo lugar, esses dados podem dar a você algo para testar seus testes estatísticos planejados. Sempre que você realizar um estudo, planeje como analisará os dados coletados e a melhor maneira de decidir se sua análise funcionará é testá-la em um subconjunto de dados de uma experiência piloto. Todo teste estatístico requer dados de um tipo específico que deve atender a uma série de suposições, e não há nada pior do que encontrar no final de um estudo que você tenha coletado seus dados de uma forma que impossibilite a análise (ou muito mais difícil do que era necessário). Tais problemas se tornarão imediatamente aparentes se você tentar analisar seus dados pil.ot, permitindo que você modifique o modo como você estuda antes que seja tarde demais. Esta análise piloto também tem outra vantagem. Como a maioria das coisas, manipular dados e realizar testes estatísticos fica mais fácil com a prática. Depois de aprender como fazer a análise específica apropriada em seus dados piloto, será fácil fazer a mesma análise no conjunto de dados completo. É quase inevitável que sua coleta de dados demore um pouco mais do que você planejou, deixando menos tempo no final do estudo para analisar os dados e gravar os resultados. Se este é o ponto em que você se preocupa com as estatísticas, é provável que isso coloque você ainda mais pressionado. Se, por outro lado, você já tiver lidado com todos os detalhes das estatísticas no início do estudo, a análise levará muito menos esforço no final, permitindo que você gaste mais tempo escrevendo e pensando sobre o que seus resultados significam. De fato, mesmo naquelas situações em que você não pode realmente obter os dados do piloto, nós encorajamos você a emprestar alguns dados de outra pessoa, ou criar um conjunto de dados fictícios do tipo que você espera coletar, a fim de tentar sua análise para fora. Com as estatísticas, assim como todas as outras técnicas que você usa, a melhor maneira de garantir que elas funcionarão quando precisarem é experimentá-las quando a pressão estiver baixa.
Q 2.4 A tarefa de pesquisa que lhe foi atribuída é ir a um certo pedestre
passeie por uma rodovia e conte o número de carros passando por baixo de você, para testar a hipótese de que mais carros viajam de leste a oeste do que de oeste a leste nesse trecho da rodovia entre as 8h e as 9h nos dias de semana. Que aspectos deste estudo você procuraria avaliar em um estudo piloto antes de começar?
Em resumo, muitos dos problemas que podem ocorrer no experimento principal podem ser resolvidos com um pensamento cuidadoso de antemão. No entanto, nada realmente traz à tona todas as falhas e problemas possíveis com um experimento como testar as técnicas sob as condições que você irá usá-las. Nós encorajamos você a fazer isso sempre que possível.
2.5 Manipulação experimental versus variação natural
Depois de ter escolhido sua ampla questão de pesquisa, você enfrenta o problema de como vai testar suas hipóteses específicas. Este é o ponto crucial do design experimental. Uma das principais decisões que você terá que tomar é se o seu estudo será manipulativo ou correlacional. Um estudo manipulativo, como o nome sugere, é onde o investigador realmente faz alguma coisa para o sistema de estudo e então mede os efeitos que essas manipulações têm nas coisas em que estão interessados. Em contraste, um estudo correlacional faz uso de variação natural do que artificialmente criando variação para procurar o efeito de um fator em outro. Um estudo correlacional também pode ser chamado de experimento mensurativo ou estudo observacional.
Em um estudo manipulativo, o experimentador muda alguma coisa sobre o sistema experimental e então estuda os efeitos dessa mudança, enquanto os estudos correlacionais (observacionais) não alteram o sistema experimental.
2.5.1 Um exemplo de uma hipótese que poderia ser abordada por manipulação ou correlação
Imagine que nós tivemos uma hipótese:
Flâmulas de cauda longa, observadas em muitas espécies de aves, evoluíram para tornar os machos mais atraentes para as fêmeas.
A partir disso, poderíamos fazer a previsão direta de que os machos de cauda longa deveriam receber mais acasalamentos do que os machos de cauda curta, mas como poderíamos testar isso?
Abordagem de correlação
Uma maneira de testar a previsão seria nos encontrarmos em um local de estudo e capturar um número de machos. Para cada macho que capturamos, medimos o comprimento de sua cauda, adicionamos bandas de perna ao pássaro para permitir o reconhecimento individual e depois o soltamos novamente. Poderíamos então observar os pássaros pelo resto da estação e ver quantas fêmeas acasalam com cada macho. Se, depois de fazer a análise estatística apropriada, descobríssemos que os machos com caudas mais longas obtinham mais acasalamentos, isso apoiaria nossa hipótese. Um estudo como este é um estudo correlacional; na verdade, não manipulamos nada, mas utilizamos a variação natural no comprimento da cauda para procurar uma relação entre o comprimento da cauda e o número de parceiros.
Abordagem Manipulativa
Uma abordagem alternativa seria manipular o comprimento da cauda. Então, novamente, nós pegávamos os pássaros machos, mas ao invés de apenas medi-los e deixá-los ir, nós manipulávamos o comprimento da cauda deles. Por exemplo, podemos atribuir os pássaros em três grupos. Aves no primeiro grupo têm as extremidades de suas flechas traseiras cortadas e coladas novamente; eles formariam o grupo de controle (veja o Capítulo 4 para mais informações sobre controles). As aves do grupo 2 teriam as extremidades de suas extremidades cortadas, reduzindo seu comprimento. Aves no grupo 3 teriam suas caudas aumentadas em comprimento, cortando as extremidades de suas serpentinas e, em seguida, colando-as novamente, junto com os pedaços de serpentinas que foram removidos das aves no grupo 2. Nós então temos três grupos, todos dos quais têm experimentado procedimentos semelhantes, mas um resultou em nenhuma mudança no comprimento do streamer, o próximo envolve o encurtamento das flâmulas e o último envolve alongá-los (ver Figura 2. 1). Nós então adicionamos as bandas de perna, deixamos as aves irem e monitoramos o número de acasalamentos. Se as aves do grupo com as caudas estendidas obtivessem mais acasalamentos do que as aves dos outros grupos, isso corroboraria nossa hipótese. Se as aves que tiveram suas serpentes reduzidas também obtivessem menos acasalamentos do que os controles, isso também acrescentaria apoio à nossa hipótese.
Neste exemplo, as técnicas manipulativas e correlacionais parecem eficazes. Abaixo, consideramos os fatores que devem ser considerados para decidir qual seria a mais eficaz.
Ambos os estudos manipulativos e correlacionais podem ser eficazes, e a melhor abordagem dependerá da especificidade da sua situação.
2.5.2 Argumentos para fazer um estudo correlacional
Estudos correlacionais têm várias vantagens. Eles são muitas vezesmais fáceis de realizar do que estudos manipulativos. Mesmo a partir do número de palavras que usamos para descrever essas duas formas diferentes de testar nossa hipótese sobre flechas de cauda, fica claro que o estudo correlacional geralmente envolverá menos trabalho. Isso pode não ser uma vantagem através do tempo e esforço poupados, mas também pode significar que você precisa lidar ou confinar os organismos por muito menos tempo, se é que o faz. Se estamos lidando com organismos que podem ser estressados ou danificados pelo manuseio, ou amostras que podem ser contaminadas, isso é obviamente uma coisa boa.
Uma grande preocupação de fazer estudos manipulativos é que a manipulação que você realizou terá efeitos indesejados. Organismos biológicos são unidades integradas e qualquer alteração em uma parte pode ter efeitos profundos em outras funções. Se cortarmos parte da cauda de um macho, isso pode afetar sua habilidade de voar e sua atratividade, e qualquer resultado que vejamos como conseqüência pode ser devido a mudanças em sua habilidade de voo, e não devido ao comprimento da cauda dele diretamente. . Mesmo em campos onde técnicas modernas de engenharia genética permitem que genes únicos sejam modificados ou eliminados, é impossível ter certeza de que nossa manipulação não altera outras coisas além dos caracteres que nos interessam. Se projetarmos nossas experiências cuidadosamente, com controles adequados e apropriados, devemos ser capazes de detectar tais efeitos espúrios, se ocorrerem, mas devemos sempre ser cautelosos. Tal problema não surgirá em um estudo correlacional.
Grupo 3
Experimenta a manipulação experimental terminando com um comprimento de fita alongada.
Grupo 2
Experiências a manipulação experimental terminando com um comprimento de streamer encurtado.
Grupo 1
Experimenta a manipulação experimental, mas acaba com um comprimento de streamer inalterado.
Pássaro não manipulado
Figura 2.1 Ilustração dos comprimentos das aves nos três grupos, para o teste do experimento para uma relação entre comprimento da linhagem e sucesso de acasalamento.
Um benefício final dos estudos correlacionais é que podemos ter certeza de que estamos lidando com variações biologicamente relevantes, porque não as alteramos. Suponha que estendamos ou reduzamos as flechas de cauda em 20 cm, mas na natureza as flâmulas de rabo nunca variam em mais de 2 cm em toda a população. Já que modificamos as aves de tal modo que elas têm características que estão muito além do alcance natural, é duvidoso que nossa experiência possa nos dizer algo biologicamente relevante sobre o sistema. Novamente, isso não precisa ser um problema fatal de estudos manipulativos. Enquanto as manipulações forem cuidadosamente planejadas e baseadas em conhecimento biológico adequado e dados piloto do sistema, esse problema pode ser evitado. Dito isto, pedimos que você pense cuidadosamente sobre a relevância biológica de qualquer manipulação que você planeje antes de executá-la.
Estudos correlacionais são geralmente mais fáceis de realizar e têm menos chance do que os estudos manipulativos de ir mal.
2.5.3 Argumentos para fazer um estudo manipulativo
Tendo em conta todas as vantagens listadas na seção anterior, você pode estar se perguntando por que alguém se incomoda em fazer um estudo manipulativo. Apesar das vantagens oferecidas pelos estudos correlacionais, eles sofrem de dois problemas: terceiras variáveis ​​e causalidade reversa. Como os problemas vão, estes podem ser grandes.
Terceiras variáveis
Vamos ver primeiro as terceiras variáveis. Podemos às vezes deduzir por engano um vínculo entre o fator A e o fator B quando não há um vínculo direto entre eles. Isso pode ocorrer se outro fator C afetar independentemente ambos A e B. C é a terceira variável que pode nos levar a ver uma relação entre A e B, apesar de não haver mecanismo que forneça uma ligação direta entre eles. Você deve reconhecer que as terceiras variáveis ​​são um exemplo daquilo a que nos referimos no Capítulo 1 como variáveis ​​confundidoras. Como exemplo, imagine que pesquisamos pacientes na sala de espera de um médico de clínica geral e que aqueles que viajaram de ônibus para o GP tiveram sintomas mais graves do que aqueles que viajaram de carro. Seria precipitado concluir que viajar de ônibus é ruim para sua saúde. A causa da correlação provavelmente reside em uma terceira variável: por exemplo, grupo socioeconômico. Pode ser que não exista uma ligação direta entre viagens de ônibus e problemas de saúde, mas aqueles de grupos socioeconômicos mais baixos provavelmente estarão com menos saúde e mais propensos a usar os ônibus do que os mais abastados.
Vamos voltar ao estudo correlacional acima, onde encontramos uma relação entre o comprimento da cauda e o número de acasalamentos que um macho obteve. Isso mostra que o comprimento da cauda de um macho afeta o número de cruzamentos que ele recebe? E se as fêmeas realmente basearem sua escolha na qualidade do território de um macho, e não no comprimento da cauda, ​​mas os machos em bons territórios são capazes de produzir caudas mais longas (talvez consigam mais comida nos melhores territórios). Pensamos que observamos uma causa causal relação entre o número de acasalamentos que um macho obtém e o comprimento da sua cauda, ​​mas o que realmente ocorre são relações separadas entre a qualidade do território e o número de acasalamentos que o macho obtém e o comprimento da sua cauda. A qualidade do território é uma terceira variável que afeta tanto o comprimento da cauda macho quanto o número de machos que o macho recebe, e porque afeta ambos, nos leva a ver uma relação entre o número de acasalamentos que um macho recebe e o comprimento de sua cauda. , embora o comprimento da cauda não afeta as escolhas das mulheres. Em quase todos os estudos correlacionais, haverá um grande número de terceiras variáveis ​​que não foram medidas e que poderiam estar produzindo a relação que observamos. É importante que você entenda claramente o conceito de terceiras variáveis, então vamos ver alguns outros exemplos.
Ronald Fisher, um famoso (e excêntrico) biólogo evolucionista e estatístico, tem a reputação de ter usado terceiras variáveis ​​para desconsiderar a relação observada entre tabagismo e doença. Fumar, argumentou ele, não causa doenças; É justo que os tipos de pessoas que fumam também sejam os tipos de pessoas que contraem doenças por outras razões. Talvez estas sejam doenças causadas pelo estresse, e as pessoas estressadas também são mais propensas a fumar.
Mais mulheres formadas nunca se casam do que seria esperado para a população como um todo. Isso não significa que ir à universidade torne menos provável que uma mulher se case como tal (ou que ninguém queira se casar com o tipo de homem que você encontra na universidade). Isso talvez signifique que traços de personalidade ou circunstâncias sociais associados a uma chance ligeiramente maior de ir para a universidade também estão associados a uma chance ligeiramente menor de se casar.
Existe uma correlação entre a quantidade de sorvete vendida na Inglaterra em uma determinada semana e o número de acidentes por afogamento. É improvável que isso seja um efeito direto: que, por exemplo, o consumo pesado de sorvete leve a cãibras musculares ou perda de consciência. É mais provável que uma terceira variável esteja em ação: quando o clima está quente, mais sorvetes são vendidos, mas também (e separadamente) marinheiros inexperientes alugam barcos, e pessoas que não são nadadoras experientes mergulham em rios e lagos.
Em resumo, as terceiras variáveis significam que nunca podemos ter certeza de que o padrão que observamos em um sistema não manipulado é realmente devido aos fatores que medimos e não devido à correlação com alguma outra variável não medida. A única maneira de ter certeza de remover problemas com terceiras variáveis é realizar manipulações experimentais.
Causalidade reversa
O segundo problema dos estudos correlacionais é a causação reversa. Issopode ocorrer quando vemos uma relação entre os fatores A e B. Isso significa assumir erroneamente que o fator A influencia o fator B, quando na verdade é a mudança em B que leva à mudança em A.
Por exemplo, imagine que uma pesquisa mostre que aqueles que se consideram usar regularmente drogas recreativas também se consideram preocupados financeiramente. Pode ser tentador concluir que um vício em drogas provavelmente causa problemas financeiros. A explicação da causalidade reversa é que as pessoas que têm problemas financeiros têm mais probabilidade do que a média de recorrer às drogas (talvez como uma maneira de escapar temporariamente de suas preocupações financeiras). Nesse caso, consideraríamos a primeira explicação mais provável, mas a explicação da causalidade reversa é pelo menos plausível. De fato, ambos os mecanismos podem estar operando simultaneamente.
Para testar nossa hipótese sobre o comprimento da cauda, ​​estamos prevendo que o comprimento da cauda de um macho afetará se ele recebe uma grande quantidade de acasalamentos. Mas e se o número de acasalamentos que um macho obtém afetar seu comprimento de cauda? isso seria um problema de causalidade reversa. A causação reversa significaria que, embora pensemos que a relação entre número de acasalamento e comprimento da cauda mostra que o comprimento da cauda afeta o sucesso de acasalamento, não podemos descartar a possibilidade de que o inverso seja verdadeiro e o acasalamento afeta o comprimento da cauda (talvez porque o acasalamento induza liberação de hormônios afetam o crescimento da pena).
Vamos considerar outro exemplo de causação reversa. Existe uma correlação entre o número de cegonhas aninhadas nas chaminés de uma fazenda holandesa e o número de crianças na família que moram na casa. Isso parece bizarro até você perceber que famílias maiores tendem a viver em casas maiores, com mais chaminés disponíveis como locais de nidificação para as cegonhas. Famílias numerosas levam a mais oportunidades para aninhar cegonhas; cegonhas não levam a grandes famílias!
A causa reversa não é um problema universal de todos os estudos correlacionais. Às vezes, a causa reversa pode ser descartada como uma explicação plausível. Seria extremamente difícil imaginar como o número de acasalamentos que um macho recebe mais tarde em uma temporada pode afetar sua longitude de cauda quando o pegamos no início da temporada. No entanto, imagine que, em vez disso, capturamos e medimos os machos no final da temporada. Nesse caso, pode ser bastante plausível que o número de acasalamentos que um macho recebe afeta seus níveis hormonais. A mudança nos níveis hormonais pode então afetar a maneira como a cauda do macho se desenvolve durante a estação, de tal forma que o tamanho da cauda depende do número de acasalamentos que ele recebe. Nesse caso, observaríamos a relação entre o comprimento da cauda e os acasalamentos que esperamos, mas não haveria nada a ver com a razão pela qual acreditamos (fêmeas preferindo longas caudas). Tal caminho pode parecer improvável para você e você pode saber de nenhum exemplo de tal coisa acontecendo. No entanto, você pode ter certeza de que o advogado do Diabo encontrará tais argumentos altamente convincentes, a menos que você possa fornecer boas evidências em contrário. A manipulação experimental contorna os problemas da causação reversa, porque manipulamos a variável experimental.
Esses dois problemas de estudos não manipulativos são capturados no alerta, "correlação não implica causalidade" e estão resumidos na Figura 2.2. Muitas das hipóteses que nos encontraremos testando como cientistas da vida serão da forma geral "algum fator A é afetado por algum fator B", e nossa tarefa será descobrir se isso é realmente verdade. Se fizermos um estudo correlacional e encontrarmos uma relação entre A e B, isso fornecerá algum suporte para nossa hipótese. No entanto, o apoio não é em si conclusivo. Talvez a realidade seja que A afeta B através de causalidade reversa, ou que algum outro fator (C) afeta tanto A quanto B, mesmo que A e B não tenham efeito direto um sobre o outro. Tais problemas significam que, na melhor das hipóteses, nosso estudo pode fornecer dados consistentes com nossa hipótese. Se quisermos fornecer evidências inequívocas de que A afeta B, então devemos realizar um estudo manipulativo. Assim, nós encorajamos você a pensar cuidadosamente antes de embarcar em um estudo exclusivamente correlacional.
Efeitos de terceira variável (e, em menor extensão), causalidade reversa são grandes inconvenientes de estudos correlacionais que provavelmente tornarão o estudo manipulativo mais atraente.
2.5.4 Situações em que a manipulação é impossível
Na última seção, fomos bastante duros com os estudos correlacionais. No entanto, muitos estudos correlacionais são realizados todos os dias, e os periódicos científicos estão repletos de exemplos. Há várias situações em que os estudos correlacionais podem fornecer informações muito valiosas.
Às vezes simplesmente não é possível manipular. Isso pode ser por razões práticas ou éticas. Você pode imaginar o clamor (bastante razoável) se, em uma tentativa de determinar os riscos do tabagismo passivo para crianças, os cientistas colocaram um número de bebês em incubadoras nas quais a fumaça do cigarro era bombeada por 8 horas por dia.
Também pode não ser tecnicamente viável realizar a manipulação necessária para testar nossa hipótese específica. Modificar o comprimento do streamer foi uma manipulação bastante difícil; Modificar experimentalmente o comprimento do bico ou a cor dos olhos de uma forma que não afete negativamente o funcionamento normal das aves sujeitas seria quase impossível.
Figura 2.2 Diagramas esquemáticos dos problemas de causação reversa e terceiras variáveis.
Um segundo papel valioso para estudos correlacionais é como um primeiro passo em um estudo mais detalhado. Imagine que você queira saber que tipos de fatores afetam a diversidade de plantas em uma determinada área. Uma abordagem possível seria elaborar uma lista de tudo o que achamos que seria importante - todos os químicos e fatores climáticos do solo - e depois projetar um programa de experimentos para examiná-los sistematicamente, alternadamente e depois em combinação. Tal estudo seria perfeito se você tivesse fundos de pesquisa ilimitados (para não mencionar entusiasmo ilimitado e assistentes de pesquisa). No entanto, uma abordagem mais eficiente poderia ser começar com um grande estudo correlacional para ver quais fatores parecem ser mais importantes. Uma vez selecionados os fatores potencialmente influentes, os estudos manipulativos poderiam ser usados ​​de maneira mais objetiva para confirmar e refinar esses resultados.
Então, afinal, não há nada de errado com os estudos correlacionais; eles desempenham um papel importante nas ciências da vida. Muitas vezes, um estudo correlacional seguido por estudos manipulativos cuidadosamente direcionados fornecerá argumentos mais convincentes do que os que seriam fornecidos isoladamente. Estudos correlacionais têm pontos fracos, e as conclusões que podemos extrair acabarão sendo limitadas por essas fraquezas. No entanto, enquanto estivermos cientes dessas fraquezas e não exagerarmos nossos resultados, os estudos correlacionais podem ser muito úteis.
Estudos correlacionais podem ser uma maneira útil e prática de abordar questões biológicas, mas suas limitações devem sempre ser levadas em conta.
2.6 Decidir se trabalhar no campo ou no laboratório
Outra decisão que você muitas vezes enfrentará em muitos estudos sobre ciências da vida é se ela será baseada em laboratório ou baseada em laboratório. Aqui a resposta dependerá da pergunta que você está fazendo e da biologia do sistema em questão. Existem prós e contras de ambas as abordagens. Suponha que estamos interessados ​​em saber se o fornecimento de uma ninhada maior de jovens reduz a sobrevivência de uma fêmea de zebra. Decidimos que vamos manipular o tamanho da ninhada, removendo ou adicionando ovos aosninhos de zebra e, em seguida, monitorando a sobrevivência da mãe depois que os filhotes tiverem nascido.
Poderíamos potencialmente realizar uma experiência desse tipo no laboratório ou no campo. Como devemos escolher? Vamos começar com o laboratório. Talvez a pergunta mais óbvia a ser feita seja se o seu organismo de estudo ficará confortável no laboratório. Neste caso, é improvável que tenhamos um problema, pois as criações de zebras se reproduzirão prontamente em cativeiro, mas se estivéssemos olhando para a mesma pergunta em um pássaro que é mais difícil manter em cativeiro (como um albatroz), poderíamos teve problemas. A adequação de um organismo para estudos de laboratório é extremamente variável, e deve ser dada uma reflexão cuidadosa. Se um animal não está bem disposto para o cativeiro, então há implicações óbvias para o bem-estar, assim como o risco de que seus resultados tenham relevância limitada para a situação na natureza.
Agora, supondo que seu organismo seja feliz no laboratório, há várias vantagens de um estudo de laboratório. Em geral, será muito mais fácil controlar as condições em um ambiente de laboratório, permitindo que você se concentre na variável de interesse sem muita variação devido a outros fatores não controlados. Coisas como temperatura, luz do dia e clima podem ter efeitos profundos nos organismos, e a variação devido a esses fatores pode mascarar os efeitos nos quais estamos interessados. Também podemos garantir que todos os nossos animais sejam bem alimentados ou que nossas plantas sejam bem regadas, remover a variação entre indivíduos que pode ser causada por esses fatores em um ambiente natural. Observação geralmente também será muito mais fácil no laboratório. Embora a idéia de observar as pegadas de zebra no ensolarado interior australiano pareça idílica, a realidade de passar semanas tentando encontrar seus pássaros de estudo é muito menos atraente. Quase sempre será mais fácil fazer medições detalhadas na maioria dos organismos do laboratório.
Por outro lado, a natureza controlada do ambiente de laboratório também é sua principal desvantagem. Indivíduos de laboratório não experimentarão muitos dos estresses e tensões da vida cotidiana no campo, e isso pode dificultar a extrapolação dos resultados de laboratório. Suponha que não tenhamos absolutamente nenhum efeito de nossas manipulações laboratoriais na vida útil dos tentilhões-zebra fêmeas. O que podemos concluir? Podemos concluir que a manipulação não teve efeito mensurável sob as condições particulares de laboratório que
nós costumavamos. Isso é muito diferente de dizer que isso não teria nenhum efeito no campo, o que é presumivelmente o que realmente nos interessa. É bastante concebível que nossos pássaros de laboratório bem alimentados, em suas salas controladas pela temperatura e livres de parasitas, possam lidar facilmente com pintos extras, mas que no ambiente mais severo do campo teriam sofrido um grande custo. É claro que, se não encontrarmos nenhum efeito no campo, esse resultado só se aplica às condições específicas de campo que ocorreram durante nosso estudo, mas essas condições ainda são provavelmente mais representativas do que as condições em um laboratório. Assim, geralmente é mais seguro generalizar a partir de um estudo de campo do que um estudo de laboratório. A generalização é um assunto que está no centro da metodologia estatística, por isso vamos explorá-la um pouco mais na Caixa de Estatísticas 2.3.
Às vezes, nossa pergunta de pesquisa significa que um estudo de laboratório é impraticável. Se estivermos interessados em diferenças entre os sexos no cuidado parental usando as pegadas de zebra, então seria muito difícil criar condições em um aviário que fossem próximas o bastante daquelas naturalmente experimentadas por aves selvagens. O perigo é que qualquer experimento de aviário que você conduzisse sobre isso seria desconsiderado pelos defensores do diabo como sendo inteiramente artificial, devido ao fato de você pedir às aves que operem em uma situação muito distante daquelas para as quais elas foram evolutivamente adaptadas para lidar. No entanto, se sua pergunta de pesquisa é sobre como a postura de ovos afeta as reservas corporais de cálcio nas fêmeas, seria mais fácil argumentar que isso é menos provável de ser influenciado pelas condições de criação e, portanto, um experimento de laboratório pode ser razoável. Então, como sempre, a abordagem mais apropriada depende da sua pergunta de pesquisa.
CAIXA DE ESTATÍSTICA 2.3 Generalização de um estudo
Uma questão importante na interpretação de um estudo é a ampla aplicabilidade dos resultados do estudo. Isto é, com que segurança você pode generalizar a partir do conjunto particular de assuntos usados ​​em seu estudo para o mundo em geral? Imagine que medimos amostras representativas de machos e fêmeas adultos do Reino Unido e descobrimos que os machos em nossa amostra eram em média 5 cm mais altos. Nem nós nem ninguém está particularmente interessado em nossos indivíduos específicos; em vez disso, estamos interessados ​​no que podemos concluir mais amplamente a partir do estudo da amostra. Isso se torna fácil se pensarmos na população da qual nossa amostra foi retirada. Nosso objetivo foi criar uma amostra representativa de adultos do Reino Unido. Se fizemos isso bem, devemos nos sentir confiantes em generalizar nossos resultados para essa população mais ampla. Podemos generalizar ainda mais do que isso: dizer para adultos europeus ou adultos humanos em geral? Nós pedimos uma grande cautela aqui. Se o seu interesse foi em adultos europeus, então você deve ter projetado seu estudo em primeiro lugar para obter uma amostra representativa de europeus, e não apenas adultos do Reino Unido. No entanto, desde que você adicione uma quantidade apropriada de cautela à sua interpretação, pode ser apropriado usar seu conhecimento de biologia para explorar como os seus resultados podem ser extrapolados mais amplamente do que a população-alvo original. Nesse caso específico, a diferença específica de 5 cm provavelmente teria pouca relevância além da sua população-alvo específica de adultos do Reino Unido, já que outros países diferirão significativamente em fatores (por exemplo, mistura racial, dieta) com alta probabilidade de afetar a altura.
2.7 Estudos in vivo versus in vitro
Em muitos aspectos, a questão do laboratório ou do campo tem analogias nas ciências biomédicas com a possibilidade de realizar estudos in vivo ou in vitro. Se quisermos saber se um remédio contra a malária altera a estratégia reprodutiva de um parasita da malária, medimos isso usando parasitas em placas de Petri ou dentro de organismos? In vitro geralmente será mais fácil de fazer (embora isso nem sempre seja o caso), mais fácil de controlar e mais fácil de medir. Mas os resultados têm alguma influência sobre o que aconteceria no sistema natural? A abordagem mais eficaz dependerá dos detalhes do seu estudo, e há vantagens e desvantagens de cada um. De fato, o melhor estudo provavelmente conteria evidências de ambas as fontes para dar uma visão mais completa.
2.8 Não há estudo perfeito
Espero que agora você tenha a impressão de que não há um design perfeito que se aplique a todos os experimentos. Em vez disso, a melhor maneira de realizar um estudo será muito diferente da melhor maneira de realizar outro, e escolher a melhor abordagem experimental para testar sua hipótese escolhida, exigirá uma apreciação da biologia do sistema e dos prós e contras. contras de diferentes tipos de estudos. É por isso que a percepção biológica é uma parte vital do design experimental. Vamos ilustrar esses pontos considerando outro exemplo: a relação entre tabagismo e câncer.
De certo modo, todos os dados que coletamos nos dizem algo, mas se algo útil e interessante pode variar drasticamente entre conjuntos de dados. Alguns dados serão consistentes com uma determinada hipótese, mas também serão consistentes com muitas outras hipóteses. Isso é típico de estudos puramente correlacionais,