Memanggil diri eksperimen N = 1 tidak benar
Tabel di bawah ini menunjukkan dataset yang dibahas dalam video YouTube ini pada HealthCorrelator untuk Excel (HCE). Baca juga cara Belajar Ilmu Pelet)* Hal ini mengacu pada satu individu. Hampir semua dataset yang berhubungan dengan kesehatan akan terlihat agak seperti ini, dengan kolom mengacu variabel kesehatan dan baris merujuk ke beberapa pengukuran untuk variabel kesehatan. (Ini benar-benar berlaku untuk dataset secara umum, termasuk dataset tentang fenomena non-kesehatan yang terkait.)
Seringkali setiap pengukuran individu, atau baris, akan terkait dengan titik waktu tertentu, seperti tanggal. Ini akan mencirikan pendekatan pengukuran yang digunakan sebagai longitudinal, sebagai lawan cross-sectional. Salah satu contoh yang terakhir akan menjadi dataset di mana setiap baris disebut individu yang berbeda, dengan data pada semua baris yang dikumpulkan pada titik yang sama dalam waktu. Pengukuran yang berhubungan dengan kesehatan longitudinal sering dianggap unggul pengukuran penampang segi wawasan yang dapat memberikan.
Seperti yang Anda lihat, dataset memiliki 10 baris, dengan baris atas berisi nama-nama variabel. Jadi dataset ini berisi sembilan baris data, yang berarti bahwa dalam dataset ini N = 9, meskipun data tersebut untuk satu individu. Untuk menyebutnya N = 1 percobaan tidak benar.
Sebagai catatan, sel kosong, seperti itu pada baris atas untuk kolesterol HDL, pada dasarnya berarti bahwa pengukuran untuk variabel yang tidak diambil pada tanggal tersebut, atau bahwa itu ditinggalkan karena kesalahan pengukuran yang jelas (misalnya, nilai diterima dari laboratorium-10, yang akan menjadi kesalahan karena tidak ada yang memiliki tingkat kolesterol HDL negatif). N dari dataset secara keseluruhan masih akan teknis 9 dalam situasi seperti ini, dengan hanya satu hilang sel pada baris yang bersangkutan. Tetapi perangkat lunak biasanya akan menghitung asosiasi untuk itu variabel (kolesterol HDL) berdasarkan sampel dari 8.
Memanggil diri eksperimen N = 1 menyesatkan
Memanggil diri eksperimen N = 1, yang berarti bahwa hasil self-eksperimen bukan dasar yang baik bagi generalisasi, sangat menyesatkan. Tapi ada twist. Hasil tersebut mungkin memang tidak menjadi dasar yang baik untuk generalisasi kepada orang lain, tetapi mereka memberikan dasar yang sangat baik untuk generalisasi untuk Anda. Hal ini sering lebih aman untuk menggeneralisasi berdasarkan diri eksperimen, bahkan dengan sampel kecil (misalnya, N = 9).
Alasannya, seperti yang saya tunjukkan dalam wawancara ini dengan Jimmy Moore, adalah bahwa data tentang diri hanya cenderung jauh lebih seragam daripada data tentang sampel individu. Ketika beberapa orang termasuk dalam analisis, jumlah sumber kesalahan (misalnya, membingungkan variabel, masalah pengukuran) jauh lebih tinggi daripada ketika analisis didasarkan pada satu individu. Dengan demikian analisis berdasarkan data dari satu satu hasil hasil individu yang lebih seragam dan stabil di seluruh sampel.
Selain itu, analisis data tentang sampel individu biasanya diringkas melalui rata-rata, dan mereka rata-rata cenderung bias oleh outlier. Selalu ada outlier dalam dataset apapun; Anda mungkin saja salah satu dari mereka jika Anda adalah bagian dari dataset, yang akan membuat hasil rata-rata terbaik menyesatkan, dan paling buruk berarti, kepada Anda. Ini adalah titik yang juga telah dibuat oleh Richard Nikoley, yang telah membahas diri eksperimen untuk beberapa waktu, dalam video yang sangat menarik ini.
Orang lain yang telah berbicara tentang diri-eksperimen, dan menunjukkan bagaimana hal itu dapat berguna dalam manajemen kesehatan pribadi, adalah Seth Roberts. Dia dan gagasan tentang diri-eksperimen yang jelas digambarkan dalam artikel ini di New York Times. Periksa video ini di mana Dr Roberts berbicara tentang bagaimana dia menemukan melalui self-eksperimen itu, antara lain, mengkonsumsi mentega mengurangi timbunan plak arteri nya. Pengurangan Plak adalah sesuatu yang jarang terjadi, setidaknya dalam orang-orang yang mengikuti diet tradisional Amerika.
HCE menghasilkan koefisien dasar dan grafik di klik tombol, sehingga relatif mudah bagi siapa pun untuk memahami bagaimana atau variabel kesehatannya berhubungan dengan satu sama lain, dan dengan demikian apa faktor kesehatan dimodifikasi (misalnya, konsumsi makanan tertentu) bisa menyebabkan efek kesehatan (misalnya, akumulasi fakta tubuh). Hal ini juga dapat membantu Anda mengidentifikasi lain yang lebih kontra-intuitif, link; seperti antara pikiran dan pola perilaku tertentu (misalnya, pikiran akumulasi kekayaan, melihat cermin beberapa kali sehari) dan kondisi mental yang tidak diinginkan (misalnya, depresi, serangan panik).
Hanya perlu diingat bahwa Anda harus memiliki setidaknya beberapa variasi dalam semua variabel yang terlibat. Tanpa variasi tidak ada korelasi, dan dengan demikian sebab-akibat mungkin tetap tersembunyi dari pandangan.
Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya