Si, o tal vez no.
La educación estadística sobre los valores p, en efecto, ha perjudicado a la ciencia y ha hecho que el pensamiento estadístico parezca anticuado y anticuado. Y es cierto que hay estadísticos que realmente necesitan seguir el programa. El hecho es que las pruebas de significación de hipótesis nulas (NHST) con valores p nunca se utilizaron de la manera en que se usan. Ver, por ejemplo, Fisher, Neyman-Pearson o NHST? Un tutorial para enseñar pruebas de datos
La obsesión con los valores p, así como el malentendido acerca de ellos, la mala interpretación de ellos, no es culpa de las estadísticas, sino de la educación estadística. A lo largo de mis días de tutoría, los estudiantes a quienes se les enseñó bien y tenían buenos textos fueron raros. Sí, el valor p no es un enunciado de probabilidad clásico, y sí, necesitamos el pensamiento bayesiano para obtener uno. Pero durante mucho tiempo no hubo los recursos computacionales para hacer nada bayesiano remotamente bien … toda la razón por la que el pensamiento frecuentador alcanzó tanta importancia. El frecuente tiene su lugar y puede ser efectivo.
- ¿Son todas las leyes y teorías científicas hipótesis?
- ¿La ciencia está controlada por los medios o la política?
- ¿Cuáles son los factores más importantes para producir una gran investigación?
- ¿Cuáles son algunos consejos para los científicos que usan Quora?
- ¿Debo tomar cursos de física teórica solo para entrenar el cerebro?
Por supuesto, con publicar o perecer, el mal uso de los valores p floreció. Quizás hay quienes realmente entendieron que estaban diciendo algo incorrecto sobre su experimento cuando usaron un valor p, pero dijeron que tenía más impacto. Y, dado el sistema, no estoy completamente seguro de culparlos.
El problema educativo está empeorando porque esto se ha sacado a la luz en lugar de mejorar. Ah, claro, a los científicos se les está enseñando mejor (o quizás no. Próximo párrafo) … pero, ¿cuántos “científicos de datos” degradan e ignoran las estadísticas sin comprender que las estadísticas son una gran fuente de sus algoritmos y una forma clave de entenderlos?
En cuanto a los de la ciencia: a los que se les enseña la visión frecuentista ahora, presumiblemente, se les dice que no usen valores p en absoluto. O Neyman-Pearson, probablemente. Pero bajo el marco frecuentista, no hay nada más que exista para hacer pruebas serias. Entonces … se está tirando algo en lugar de alterar la comprensión y el uso de él cuando realmente no hay nada que lo reemplace. ¿Qué sentido tiene eso?