Warsztat wprowadzający do statystyki, skierowany do osób, które postrzegają tę dziedzinę jako nieciekawą lub trudną. Głównym celem jest prezentacja statystyki jako fascynującej i dostępnej nauki, pokazując jej praktyczne znaczenie w badaniach naukowych.

Uczestnicy poznają fundamentalne podstawy statystyki i kluczowe koncepcje metodologiczne. Warsztat obejmie krytyczną analizę powszechnych błędów, ze szczególnym naciskiem na automatyczne testowanie normalności przed wyborem testu statystycznego – praktykę metodologicznie nieuzasadnioną. Omówimy genezę rytuałów statystycznych, które zastępują przemyślane podejście mechanicznym stosowaniem procedur.

Program rozpocznie się od historycznej perspektywy rozwoju statystyki, od statystyki opisowej przez nowoczesny eksperyment, aż po podejścia Neymana i Fishera. Następnie skupimy się na praktycznych aspektach: związku między pytaniem badawczym a wyborem modelu statystycznego oraz wyjaśnieniu prawdziwej natury hipotezy zerowej.

Przedstawimy również kluczowe pojęcia rzadko omawiane w podstawowych kursach: problem wielokrotnego testowania, moc testu statystycznego, odporność metod analitycznych, wielkość efektu oraz przedziały ufności.

Warsztat nie wymaga żadnej wcześniejszej wiedzy statystycznej i jest przeznaczony zarówno dla osób rozpoczynających naukę tej dyscypliny, jak i dla tych, którzy chcieliby pogłębić zrozumienie historycznych uwarunkowań, epistemologicznych podstaw i krytycznej oceny powszechnie stosowanych podejść analitycznych.

Metody Monte Carlo to stosunkowo proste narzędzia, które dzięki dzisiejszym możliwościom obliczeniowym pozwalają rozwiązywać złożone problemy statystyczne. Są szczególnie przydatne tam, gdzie brakuje wystandaryzowanych metod analitycznych (jak klasyczne testy t czy ANOVA) oraz w bardziej skomplikowanych modelach.

Cel warsztatów: przybliżenie idei modelowania zjawisk i zaprojektowanie kompleksowej analizy danych w językach R lub Python, z wykorzystaniem danych neurobiologicznych.

Uczestnicy poznają:

• Co jest potrzebne do przygotowania takiej analizy
• Jak połączyć ją z prerejestracją badania
• Jak wykorzystać Monte Carlo do wyboru odpowiednich testów statystycznych i wielkości próby
• Jak interpretować uzyskane wyniki

GRADE (Grading of Recommendations, Assessment, Development and Evaluation) to najczęściej stosowany i najbardziej zaawansowany system oceny jakości dowodów naukowych oraz formułowania zaleceń w medycynie opartej na dowodach (EBM). Stanowi kluczowe narzędzie EBM, umożliwiając uporządkowaną i przejrzystą ocenę siły rekomendacji na podstawie dostępnych badań.

System opracowany przez międzynarodową grupę ekspertów (w tym przedstawicieli Cochrane Collaboration) uznawany jest za jedno z najrzetelniejszych podejść do oceny dowodów w opiece zdrowotnej.

Cele warsztatów:

• Przybliżenie założeń EBM oraz różnic między podejściem opartym na dowodach, klasycznym podejściem bazującym na doświadczeniu i praktyką stricte naukową
• Omówienie głównych czynników oceny jakości badań oraz uzasadnień stojących za poszczególnymi zasadami

Warsztat skierowany jest do: wszystkich osób zainteresowanych Evidence Based Medicine, procesem przekładania wyników naukowych na praktykę kliniczną oraz rozwijaniem kompetencji w zakresie rozumienia tekstów naukowych i profesjonalnych wytycznych.

Metody Monte Carlo, wspierane dzisiejszymi możliwościami obliczeniowymi, to skuteczne narzędzia rozwiązywania problemów statystycznych. Szczególnie wartościowe jest ich zastosowanie w analizach mocy statystycznej.

Na warsztacie pokażemy, jak wykorzystać Monte Carlo do obliczenia mocy statystycznej dla praktycznie każdego rodzaju zebranych danych.

Warsztat nie wymaga umiejętności programowania – przeprowadzimy go na platformie Google Colaboratory, umożliwiając pisanie i używanie kodu bez instalacji języków na własnych komputerach.

Warsztaty skupią się na najczęstszych i najpoważniejszych błędach w analizie statystycznej. Literatura metanaukowa wskazuje, że niektóre z nich występują bardzo często i umykają uwadze nawet podczas recenzji w prestiżowych czasopismach. Główną przyczyną są: niski poziom edukacji statystycznej oraz utrwalone "rytuały statystyczne".

Problem pogłębiają niespójne, a czasem wręcz sprzeczne wskazówki dotyczące konkretnych metod. Przykładem może być testowanie poprawności modelu przed wyborem właściwego testu statystycznego – część literatury określa to jako błąd metodologiczny, podczas gdy inne źródła uznają takie testowanie za konieczne. Podobne kontrowersje dotyczą używania testów parametrycznych i nieparametrycznych przy niektórych skalach (np. Likerta).

Warsztat będzie przewodnikiem po często niespójnych wytycznych dotyczących analizy danych. Główny cel to praktyczne wskazówki, jak uniknąć najpoważniejszych błędów w analizie i interpretacji. Omówimy co najmniej 5 kluczowych zagadnień: overfitting, błędną interpretację braku istotności statystycznej, nieprawidłowe rozumienie wielkości efektu, testowanie na niejednorodnych próbach oraz przedwczesne testowanie wariancji.