Skip to content
กลับไปยังผลการค้นหา

มาตรฐานการรายงานผลทางสถิติ: การรายงานการวิเคราะห์อย่างโปร่งใส

ผู้เสนอ
Statistical and methodological literature; emphasized by Cumming (2013), ICMJE, and replication crisis discussions
ปี
2005
ประเภท
Guideline
กลุ่มวิธี
results-reporting

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การรายงานผลการวิเคราะห์ทางสถิติอย่างโปร่งใส—รวมถึงขนาดอิทธิพล (effect sizes), ช่วงความเชื่อมั่น (confidence intervals), ค่าพี (p-values), และข้อสมมติฐาน—เป็นสิ่งจำเป็นสำหรับความสมบูรณ์ทางวิทยาศาสตร์และความสามารถในการทำซ้ำได้ การศึกษาที่ตีพิมพ์จำนวนมากรายงานค่าพีเพียงอย่างเดียวโดยไม่มีขนาดอิทธิพลหรือช่วงความเชื่อมั่น ทำให้ผู้อ่านไม่สามารถประเมินขนาดของผลการศึกษาได้ มาตรฐานการรายงานผลทางสถิติ ซึ่งเน้นย้ำโดย Cumming (2013), American Statistical Association, และ ICMJE กำหนดให้ต้องรายงานขนาดอิทธิพล, ช่วงความเชื่อมั่น, และการอภิปรายเกี่ยวกับความไม่แน่นอน สิ่งนี้ช่วยให้ผู้อ่านสามารถตัดสินได้ว่าผลการศึกษามีความสำคัญในทางปฏิบัติหรือไม่ (ไม่ใช่แค่มีนัยสำคัญทางสถิติ) และสามารถเปรียบเทียบขนาดอิทธิพลระหว่างการศึกษาต่างๆ ในการวิเคราะห์อภิมาน (meta-analyses) ได้ การรายงานผลทางสถิติที่ไม่ดีเป็นการสิ้นเปลืองทรัพยากรการวิจัยและขัดขวางการสังเคราะห์หลักฐานอย่างเหมาะสม

แนวคิดเบื้องหลังวิธีการ

ค่าพี (p-values) มักถูกเข้าใจผิด: ค่า p<0.05 ไม่ได้หมายความว่าผลลัพธ์นั้น 'สำคัญ' หรือสมมติฐานว่าง (null hypothesis) 'เป็นเท็จ' มันเพียงแค่หมายความว่าข้อมูลที่สังเกตได้จะเกิดขึ้นน้อยกว่า 5% ของเวลา หากสมมติฐานว่างเป็นจริง ผลกระทบเล็กน้อย (เช่น ความแตกต่าง 0.1%) อาจมีค่า p<0.001 เมื่อใช้กลุ่มตัวอย่างขนาดใหญ่ ในทางกลับกัน ผลกระทบที่สำคัญทางคลินิก (เช่น การลดอาการ 50%) อาจไม่ถึงค่า p<0.05 เมื่อใช้กลุ่มตัวอย่างขนาดเล็ก ขนาดอิทธิพลและช่วงความเชื่อมั่นช่วยแก้ปัญหานี้: มันวัดขนาดของอิทธิพลและช่วงของค่าที่เป็นไปได้ ช่วงความเชื่อมั่น 95% [2.1, 2.3] หมายความว่าเรามั่นใจ 95% ว่าอิทธิพลที่แท้จริงอยู่ระหว่าง 2.1 ถึง 2.3; หากช่วงความเชื่อมั่นรวมศูนย์หรือค่าที่เป็นกลาง (null effect value) ผลลัพธ์นั้นจะไม่มีนัยสำคัญทางสถิติ ข้อมูลเพิ่มเติมนี้—ซึ่งไม่มีในค่าพีเพียงอย่างเดียว—ช่วยให้ผู้อ่านตีความผลการศึกษาได้อย่างมีความหมาย

ประวัติศาสตร์

มาตรฐานการรายงานผลทางสถิติได้พัฒนามาจากการวิพากษ์วิจารณ์การใช้ค่าพีในทางที่ผิดในวงการวิทยาศาสตร์มานานหลายทศวรรษ ในปี 1992 วารสาร Epidemiology กำหนดให้ต้องมีช่วงความเชื่อมั่นควบคู่ไปกับค่าพี; วารสารอื่นๆ ก็ปฏิบัติตาม บทความที่มีอิทธิพลของ Cumming (2013) เรื่อง 'The New Statistics' ได้นำเสนอแนวคิดเรื่องขนาดอิทธิพลและช่วงความเชื่อมั่นว่าเหนือกว่าเกณฑ์ค่าพี ในปี 2019 American Statistical Association ได้เผยแพร่แนวทางเตือนถึงการใช้ p<0.05 เป็นเกณฑ์สากลสำหรับ 'ความมีนัยสำคัญ' วารสารหลักๆ (JAMA, Lancet, etc.) ปัจจุบันกำหนดให้ต้องรายงานขนาดอิทธิพล ข้อแนะนำของ ICMJE (ปรับปรุงปี 2023) เน้นการรายงานขนาดอิทธิพลและความไม่แน่นอน การเปลี่ยนแปลงนี้สะท้อนถึงบทเรียนจากวิกฤตการทำซ้ำ (replication crisis): การค้นพบที่ตีพิมพ์จำนวนมากซึ่งมีค่า p<0.05 ไม่สามารถทำซ้ำได้เนื่องจากขนาดอิทธิพลมีขนาดเล็ก ซึ่งเป็นข้อเท็จจริงที่ถูกซ่อนไว้โดยค่าพีเพียงอย่างเดียว

ควรใช้เมื่อใด

รายงานผลทางสถิติอย่างโปร่งใสในการวิจัยเชิงประจักษ์ทั้งหมด: การศึกษาเชิงสังเกต (observational studies), การทดลอง (experiments), การสำรวจ (surveys), การทดลองทางคลินิก (clinical trials), การวิเคราะห์อภิมาน (meta-analyses) สิ่งนี้ใช้กับการวิเคราะห์หลัก (primary analyses) และการวิเคราะห์ความไว (sensitivity/subgroup analyses) สำหรับการศึกษาเชิงพรรณนาที่ไม่มีการทดสอบสมมติฐาน (เช่น การสำรวจเชิงพรรณนา) ให้รายงานสถิติเชิงพรรณนา, พิสัย, และสัดส่วนอย่างชัดเจน สำหรับการวิจัยเชิงคุณภาพ (qualitative research) การรายงานผลทางสถิติไม่เกี่ยวข้อง แต่ให้บรรยายกลุ่มตัวอย่างและวิธีการวิเคราะห์อย่างโปร่งใส สำหรับการศึกษาแบบจำลอง (modeling) หรือการจำลอง (simulation) ให้รายงานขนาดอิทธิพลและช่วงความเชื่อมั่นรอบผลลัพธ์ที่สำคัญ

ข้อจำกัดและข้อควรพิจารณา

  • ต้องใช้พื้นที่: การรายงานผลทางสถิติที่ครอบคลุม (ขนาดอิทธิพล, CI, ค่าพี, ข้อสมมติฐาน) ใช้พื้นที่มากกว่าแค่ 'p<0.001' เพียงอย่างเดียว; ข้อจำกัดของวารสารอาจบีบเนื้อหาอื่นๆ
  • ความซับซ้อน: ผู้อ่านที่ไม่คุ้นเคยกับขนาดอิทธิพลอาจพบว่าการรายงานที่ครอบคลุมตีความได้ยาก; จำเป็นต้องมีการให้ความรู้
  • ความกำกวมในการตีความ: ขนาดอิทธิพลที่ 'มีความหมาย' ขึ้นอยู่กับบริบท (d=0.2 ถือว่าเล็กในบางสาขา ใหญ่ในสาขาอื่น); ไม่มีมาตรฐานสากล
  • การเปรียบเทียบหลายครั้งเพิ่มอัตราการเกิดผลบวกลวง (false positives): แม้จะมีการแก้ไข การทดสอบสมมติฐานหลายครั้งก็เพิ่มข้อผิดพลาดประเภทที่ 1 (Type I error); การรายงานที่ครอบคลุมไม่ได้แก้ปัญหานี้ เพียงแต่บันทึกไว้เท่านั้น

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ช่วยให้ตีความขนาดของผลลัพธ์ได้: ผู้อ่านจะเห็นไม่เพียงแค่ 'ความแตกต่างที่มีนัยสำคัญ' แต่ยังเห็นว่า 'ความแตกต่างคือ d=0.47' (ขนาดอิทธิพลปานกลาง) ซึ่งสำคัญต่อการตัดสินความสำคัญในทางปฏิบัติ
  • อำนวยความสะดวกในการวิเคราะห์อภิมาน (meta-analysis): ขนาดอิทธิพลช่วยให้สามารถรวมการศึกษาต่างๆ เข้าด้วยกันได้; ค่าพีเพียงอย่างเดียวไม่เพียงพอสำหรับการวิเคราะห์อภิมาน
  • ลดความเอนเอียงจากการเลือกค่าพี (p-hacking bias): เมื่อมีการรายงานขนาดอิทธิพล ผู้อ่านจะเห็นว่าเมื่อผลลัพธ์เล็กน้อยแม้จะมีค่า p<0.05 ซึ่งช่วยลดแรงจูงใจในการใช้ 'researcher degrees of freedom'
  • ปรับปรุงความสามารถในการทำซ้ำได้ (reproducibility): ช่วงความเชื่อมั่นและการตรวจสอบข้อสมมติฐานช่วยให้ผู้อ่านสามารถประเมินความไวและความถูกต้องของผลการศึกษาได้
  • สนับสนุนการวิเคราะห์กำลังการทดสอบภายหลัง (post-hoc power analysis): ขนาดอิทธิพลที่รายงานช่วยให้สามารถคำนวณกำลังการทดสอบทางสถิติได้ ซึ่งจะเผยให้เห็นว่าการศึกษาที่มีกำลังการทดสอบต่ำ (underpowered) เป็นสาเหตุของผลการศึกษาที่เป็นกลางหรือไม่

การประยุกต์ใช้

  • การเขียนบทความวิจัย: วางแผนการรายงานผลทางสถิติก่อนการวิเคราะห์; รายงานขนาดอิทธิพลและ CI ควบคู่ไปกับค่าพี; จัดระเบียบผลลัพธ์ตามสมมติฐาน
  • การดำเนินการวิเคราะห์อภิมาน (meta-analysis): ขนาดอิทธิพลที่ดึงมาจากงานวิจัยหลักช่วยให้สามารถรวมผลได้; บทความที่รายงานเฉพาะค่าพีจะรวมได้ยากขึ้น
  • การทบทวนต้นฉบับ: ตรวจสอบว่าสถิติได้รับการรายงานอย่างครอบคลุมหรือไม่; ขอขนาดอิทธิพลและ CI หากขาดหายไป
  • การเตรียมข้อเสนอโครงการวิจัย (grant proposal): การวิเคราะห์กำลังการทดสอบทางสถิติ (ซึ่งใช้ขนาดอิทธิพล) เป็นมาตรฐานในการตรวจสอบทุน NIH และทุนอื่นๆ; แสดงให้เห็นถึงความคุ้นเคยกับการรายงานขนาดอิทธิพล

วิธีการทำงาน

วิธีการทำงาน

1

รายงานผลทางสถิติในลำดับและรูปแบบนี้: (1) สถิติเชิงพรรณนา (Descriptive statistics): ค่าเฉลี่ย ± ส่วนเบี่ยงเบนมาตรฐาน (SD) (หรือมัธยฐานและพิสัยระหว่างควอร์ไทล์สำหรับข้อมูลที่มีความเบ้) สำหรับแต่ละกลุ่ม ตัวอย่าง: 'กลุ่มทดลอง (M=45.2, SD=8.3) เทียบกับ กลุ่มควบคุม (M=42.1, SD=7.9)' (2) ชื่อและการทดสอบทางสถิติ: ระบุการทดสอบ (t-test, chi-square, ANOVA, etc.), ค่าสถิติทดสอบ, องศาความเป็นอิสระ (degrees of freedom), ค่าพี (p-value), และขนาดอิทธิพล ตัวอย่าง: 't(98)=2.34, p=.021, d=0.47' (3) ช่วงความเชื่อมั่น (Confidence interval): รวมช่วงความเชื่อมั่น 95% (95% CI) สำหรับความแตกต่างหรือขนาดอิทธิพล ตัวอย่าง: '95% CI [0.52, 3.21]' (4) ขนาดอิทธิพล (Effect size): รายงานขนาดอิทธิพลที่เหมาะสมกับการทดสอบของคุณ สำหรับผลลัพธ์แบบต่อเนื่อง (continuous outcomes): Cohen d (standardized mean difference), Pearson r (correlation), หรือ eta-squared (สัดส่วนความแปรปรวนที่อธิบายได้) สำหรับผลลัพธ์แบบทวิภาค (binary outcomes): relative risk, odds ratio, number needed to treat สำหรับการเปรียบเทียบค่าเฉลี่ย: รายงานความแตกต่างสัมบูรณ์พร้อมหน่วย (5) การทดสอบข้อสมมติฐาน: ระบุว่าข้อสมมติฐานได้รับการตรวจสอบหรือไม่ (เช่น 'ได้ประเมินความเป็นปกติด้วยการทดสอบ Shapiro-Wilk, W=0.98, p=.45, แสดงว่าข้อมูลมีความเป็นปกติโดยประมาณ') (6) การแก้ไขสำหรับการเปรียบเทียบหลายครั้ง (Corrections for multiple comparisons): หากทำการทดสอบหลายครั้ง ให้รายงานวิธีการแก้ไขที่ใช้ (Bonferroni, False Discovery Rate, etc.) และเกณฑ์ค่าพีที่ปรับแล้ว ตัวอย่าง: 'การแก้ไขแบบ Bonferroni α=0.05/3=0.017' (7) ข้อมูลที่ขาดหายไป (Missing data): อธิบายวิธีการจัดการข้อมูลที่ขาดหายไป (การลบ, วิธีการประมาณค่า) จัดระเบียบผลลัพธ์ตามสมมติฐานหรือคำถามวิจัย; จัดกลุ่มสถิติที่เกี่ยวข้อง ใช้ตารางสำหรับผลลัพธ์เชิงตัวเลขโดยละเอียด

2

การรายงานผลทางสถิติที่มีคุณภาพเป็นไปตามเกณฑ์เหล่านี้: (1) ความสมบูรณ์ (Completeness): รายงานค่าพี, ขนาดอิทธิพล, และช่วงความเชื่อมั่นทั้งหมด; ไม่มีค่าพีที่ไม่มีบริบท (naked p-values) (2) ความถูกต้อง (Accuracy): ค่าถูกต้องและสอดคล้องกับการวิเคราะห์ที่อธิบายไว้ในระเบียบวิธี (Methods); (3) ความโปร่งใส (Transparency): ระบุชื่อวิธีการทางสถิติอย่างชัดเจน (เช่น 'paired t-test' ไม่ใช่แค่ 't-test'); มีการกล่าวถึงข้อสมมติฐาน (4) ขนาดอิทธิพล (Effect size): เลือกขนาดอิทธิพลที่เหมาะสมกับการทดสอบ (d สำหรับการเปรียบเทียบสองกลุ่ม, r สำหรับสหสัมพันธ์, etc.) (5) ความแม่นยำ (Precision): รายงานค่าด้วยจำนวนทศนิยมที่เหมาะสม (ค่าพี 2-3 ตำแหน่ง เช่น p=.021, ไม่ใช่ p<.05) (6) ความสอดคล้อง (Consistency): ผลลัพธ์ที่คล้ายกันจะถูกจัดรูปแบบเหมือนกัน; การทดสอบ t-test หลายครั้งรายงานค่า t, df, p, และ d เหมือนกัน (7) ความชัดเจน (Clarity): นำเสนอผลลัพธ์ในรูปแบบร้อยแก้วหรือตารางตามลำดับคำถามวิจัยที่ระบุไว้ในบทนำ ผู้อ่านควรจะสามารถตรวจสอบผลลัพธ์ได้โดยการดูตารางและเปรียบเทียบกับข้อความ

3

ผู้ทบทวน (peer reviewers) และบรรณาธิการจะตรวจสอบการรายงานผลทางสถิติเพื่อความโปร่งใสและการปฏิบัติตามมาตรฐานของสาขาวิชา การขาดหายไปของขนาดอิทธิพล, การอ้างสิทธิ์ 'นัยสำคัญ' ที่ไม่มีหลักฐานสนับสนุน, หรือการรายงานสถิติที่ผิดพลาด จะนำไปสู่การขอแก้ไข ความเอนเอียงในการตีพิมพ์ (publication bias) จะลดลงเมื่อมีการรายงานขนาดอิทธิพลและช่วงความเชื่อมั่น: ผู้ทบทวนและผู้อ่านสามารถประเมินขนาดที่แท้จริงของผลการศึกษาได้ ไม่ใช่แค่ว่า p<0.05 หรือไม่ ในการวิเคราะห์อภิมาน (meta-analyses) ขนาดอิทธิพลจากทุกการศึกษาจะถูกนำมารวมกัน; การศึกษาที่รายงานเฉพาะค่าพีโดยไม่มีขนาดอิทธิพลจะต้องถูกยกเว้นหรือประมาณค่าภายหลังจากการวิเคราะห์ทางสถิติอื่นๆ ซึ่งก่อให้เกิดข้อผิดพลาด สำหรับผู้เขียน การรายงานผลทางสถิติอย่างโปร่งใสช่วยเพิ่มความสามารถในการทำซ้ำได้, ช่วยให้สามารถสังเคราะห์หลักฐานได้อย่างเหมาะสม, และแสดงถึงความเข้มงวด

ข้อผิดพลาดที่พบบ่อย

  • การรายงานค่าพีโดยไม่มีขนาดอิทธิพล: 'p=.021' บอกผู้อ่านว่าผลลัพธ์นั้น 'มีนัยสำคัญ' แต่ไม่ได้บอกว่าอิทธิพลนั้นเล็กน้อย (เช่น d=0.1) หรือใหญ่ (d=1.5) ควรรายงานขนาดอิทธิพลเสมอ
  • การสับสนระหว่างความสำคัญทางสถิติและความสำคัญในทางปฏิบัติ: p=.001 บ่งชี้ถึงหลักฐานที่แข็งแกร่งต่อต้านสมมติฐานว่าง แต่หากอิทธิพลนั้นไม่เกี่ยวข้องทางคลินิก (เช่น ความแตกต่าง 0.1 mmHg ในความดันโลหิต) ก็จะไม่มีความสำคัญในทางปฏิบัติ ควรกล่าวถึงทั้งสองอย่าง
  • การเลือกค่าพี (Cherry-picking p-values): รายงานเฉพาะค่าพีที่ <0.05 โดยซ่อนผลลัพธ์ที่ไม่มีนัยสำคัญ (p-hacking) ควรลงทะเบียนสมมติฐานล่วงหน้า (pre-register hypotheses) และรายงานการทดสอบทั้งหมด ไม่ว่าจะสำคัญหรือไม่
  • การรายงาน 'แนวโน้มสู่ความมีนัยสำคัญ' สำหรับ p=.10 หรือ 'ใกล้เคียงกับความมีนัยสำคัญ' สำหรับ p=.06: สิ่งเหล่านี้เป็นคำพูดที่ไม่เป็นทางการและทำให้เข้าใจผิด ผลลัพธ์นั้นผ่านเกณฑ์ของคุณหรือไม่ก็ผ่านหรือไม่; ควรกล่าวถึงผลลัพธ์ที่ไม่มีนัยสำคัญอย่างตรงไปตรงมา
  • การรายงานช่วงความเชื่อมั่นผิดพลาด: 95% CI ไม่ใช่ช่วงที่ครอบคลุมข้อมูล 95%; มันคือช่วงที่เรามั่นใจ 95% ว่าครอบคลุมพารามิเตอร์ที่แท้จริง ควรใช้อธิบายอย่างถูกต้องเพื่อหลีกเลี่ยงความสับสน
  • การละเว้นสถิติเชิงพรรณนาพื้นฐาน: ผู้อ่านจะไม่สามารถประเมินได้ว่ากลุ่มต่างๆ เปรียบเทียบกันได้หรือไม่ หรือกลุ่มตัวอย่างมีความเป็นตัวแทนหรือไม่ หากไม่มีการรายงานข้อมูลประชากร/พื้นฐาน

คำถามที่พบบ่อย

ควรรายงานขนาดอิทธิพลใด?

เลือกขนาดอิทธิพลที่เหมาะสมกับการทดสอบทางสถิติของคุณ: สำหรับ t-tests (การเปรียบเทียบสองกลุ่ม): Cohen d (standardized mean difference) หรือความแตกต่างดิบพร้อมหน่วย สำหรับ ANOVA: eta-squared (η²) หรือ partial eta-squared (η²p) สำหรับสหสัมพันธ์: Pearson r หรือ r-squared (R²) สำหรับผลลัพธ์แบบทวิภาค (เช่น การรักษาได้ผล): odds ratio (OR), relative risk (RR), หรือ absolute risk difference สำหรับข้อมูลคู่ (paired data): Cohen d หรือ Hedge's g (คล้ายกับ d ใช้ในการวิเคราะห์อภิมาน) หากไม่แน่ใจ ให้ปรึกษามาตรฐานเฉพาะสาขาหรือแนวทางการรายงาน (EQUATOR Network)

เพียงแค่รายงานค่าพีก็เพียงพอหรือไม่?

ไม่ ค่าพีเพียงอย่างเดียวไม่เพียงพอเพราะไม่ได้บอกขนาดของอิทธิพล ค่า p=.001 อาจสะท้อนถึงอิทธิพลที่เล็กน้อย (หากกลุ่มตัวอย่างมีขนาดใหญ่) หรืออิทธิพลที่ใหญ่มาก (หากกลุ่มตัวอย่างมีขนาดเล็ก) ควรรายงานขนาดอิทธิพลและ 95% CI เสมอ การรวมกันของค่าพี + ขนาดอิทธิพล + CI จะทำให้ผู้อ่านเห็นภาพรวมทั้งหมด

จะทำอย่างไรหากมีการทดสอบหลายครั้งและค่าพีหลายค่า 'ใกล้เคียงกับค่ามีนัยสำคัญ' (เช่น p=.06)?

รายงานตามความเป็นจริง ค่า p=.06 ไม่มีนัยสำคัญทางสถิติที่ α=0.05; มันไม่ได้กลายเป็นมีนัยสำคัญเพียงเพราะเรียกว่า 'แนวโน้ม' ควรกล่าวถึงว่าผลลัพธ์ที่ไม่มีนัยสำคัญหมายความว่าอย่างไรในบริบท (ขาดกำลังการทดสอบ? สมมติฐานว่างที่แท้จริง?) หากคุณทำการทดสอบหลายครั้ง ให้รายงานวิธีการควบคุมข้อผิดพลาดประเภทที่ 1 (Bonferroni, FDR, etc.) ควรลงทะเบียนสมมติฐานล่วงหน้า (pre-register hypotheses) เพื่อแยกความแตกต่างระหว่างการวิเคราะห์ที่ยืนยัน (confirmatory) และการวิเคราะห์เชิงสำรวจ (exploratory)

ควรใช้ทศนิยมกี่ตำแหน่งสำหรับค่าพี?

สองถึงสามตำแหน่งเป็นมาตรฐาน (เช่น p=.021, p<.001) อย่ารายงาน p=.050000 ควรใช้ค่าพีที่แน่นอน (exact p-values) แทนอสมการ (p=.021 แทนที่จะเป็น p<.05) เมื่อค่าที่แน่นอนนั้นได้มาจากซอฟต์แวร์ทางสถิติของคุณ ใช้ 'p<.001' เฉพาะในกรณีที่ซอฟต์แวร์ปัดเศษค่าที่น้อยกว่า หรือหากการทดสอบเป็นแบบทางเดียว (one-tailed) ที่มีเกณฑ์ต่ำมาก

ควรรายงาน 95% CI หรือระดับความเชื่อมั่นอื่นหรือไม่?

ใช้ 95% CI เว้นแต่สาขาของคุณมีธรรมเนียมปฏิบัติที่แตกต่างออกไป (วรรณกรรมทางการแพทย์เก่าบางส่วนใช้ 90% หรือ 99%) 95% CI เป็นมาตรฐานเนื่องจากสอดคล้องกับ α=0.05 หากคุณรายงาน 90% CI ให้ระบุ 'CI90%' อย่างชัดเจนเพื่อหลีกเลี่ยงความสับสน อย่าผสมระดับความเชื่อมั่นในเอกสารฉบับเดียวกัน

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Cumming, G. (2013). The new statistics: Why and how. Psychological Science, 25(1), 7–29.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Fidler, F., Thomason, N., Cumming, G., Finch, S., & Leeman, J. (2005). Editors can lead researchers to confidence intervals, but can't make them think: Statistical reform lessons from medicine. Psychological Science, 15(2), 119–126.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  3. International Committee of Medical Journal Editors (2023). Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว