Data, resultat och vetenskaplig granskning

En naturvetenskaplig hypotes är empirisk: den ska kunna jämföras med observationer eller mätningar. För att hypotesen ska vara prövbar behöver den därför översättas till en mätbar förutsägelse. Det måste också finnas möjliga resultat som skulle kunna tala emot den.

I den förra sammanfattningen formulerade vi en hypotes om Bt-majs och majsmott. Senare planerade vi också en kontrollerad läkemedelsstudie. Båda undersökningarna ger data som kan användas för att pröva en hypotes, men här utgår vi från läkemedelsstudien för att undersöka hur numeriska data bearbetas och jämförs statistiskt.

Från data till jämförelse

Vår hypotes

Den genomsnittliga minskningen av skattad huvudvärk efter två timmar är större hos deltagare som får läkemedlet än hos deltagare som får placebo.

Deltagarna skattade sin huvudvärk före behandlingen och två timmar senare. För varje deltagare beräknades förändringen, och därefter jämfördes läkemedelsgruppen med placebogruppen. De ursprungliga mätvärdena kallas rådata. När de sammanställs får vi exempelvis följande jämförelse:

Grupp	Antal deltagare	Genomsnitt före behandling	Genomsnitt efter två timmar	Genomsnittlig minskning
Läkemedel	60	7,1	3,8	3,3
Placebo	60	7,0	5,9	1,1

Värdena är konstruerade för att illustrera hur data kan jämföras.

Om vi bara jämför gruppernas medelvärden ser läkemedlet ut att ha minskat huvudvärken mer än placebo. Medelvärdet är ett lägesmått som sammanfattar gruppen i ett enda värde, men det visar inte hur de enskilda deltagarna reagerade. Skillnaden kan vara ett tydligt mönster i hela gruppen, men den kan också påverkas av några få deltagare eller av slumpmässig variation.

StatistikVad medelvärdet döljer

Konstruerade värden. Varje punkt motsvarar en individ och den lodräta markeringen visar gruppens medelvärde.

Medianen påverkas mindre av extremvärden än medelvärdet, men även den sammanfattar gruppen i ett enda värde och visar inte hur värdena är fördelade. Varken medelvärdet eller medianen räcker därför ensamt för att dra en naturvetenskaplig slutsats. Vi behöver också undersöka variationen inom grupperna och skillnaden mellan dem, vilket kan göras med statistiska test.

Statistiska test

Biologiska data innehåller nästan alltid variation. Ett statistiskt test hjälper oss att bedöma om ett observerat mönster är tydligt i förhållande till variationen i materialet. Bedömningen påverkas bland annat av:

hur stor skillnaden eller sambandet är
hur mycket mätvärdena varierar
hur många observationer som ingår

Nollhypotesen – något att jämföra med

För att avgöra om ett mönster är tydligt behöver vi något att jämföra med. Därför utgår statistiska test från en nollhypotes.

Nollhypotes

Nollhypotesen är testets utgångspunkt: att det inte finns någon skillnad eller något samband i det vi undersöker och att mönstret i våra data kan bero på slumpmässig variation. Den beskriver alltså inte vad forskaren tror ska hända.

Om våra data passar dåligt med nollhypotesen kan vi förkasta den. Resultatet talar då för motsatsen: att det finns en skillnad eller ett samband. Om mönstret dessutom går i den riktning som vår hypotes förutsäger ger resultatet stöd åt hypotesen.

I läkemedelsstudien är nollhypotesen att läkemedlet och placebo ger samma genomsnittliga förändring. Andra frågor kräver andra test, vilket exemplen i tabellen visar.

Statistiskt test	Vad testet jämför	Biologiskt exempel
t-test	Skillnaden mellan två medelvärden i förhållande till variationen	Skiljer sig minskningen av huvudvärk mellan läkemedel och placebo?
chi-två-test (χ²-test)	Observerade antal jämfört med en förväntad fördelning	Fördelar sig gråsuggor jämnt mellan en ljus och en mörk miljö?¹
korrelationsanalys	Hur tydligt två numeriska variabler samvarierar	Finns ett samband mellan kroppsmassa och syreförbrukning?

Vi testar läkemedelsstudien

I läkemedelsstudien jämför vi två separata grupper. Därför använder vi ett t-test för två oberoende stickprov (two-sample t-test). Vi använder Welchs variant, som inte kräver att variationen är exakt lika stor i grupperna.

StatistikVad jämför t‑testet?

Konstruerade data för 60 deltagare i varje grupp. Varje punkt motsvarar en deltagare. Medel anger medelvärdet och s anger standardavvikelsen.

Standardavvikelsen, $s$ , beskriver hur utspridda deltagarnas värden är kring medelvärdet. T-testet jämför skillnaden mellan gruppernas medelvärden med osäkerheten som skapas av variationen och gruppernas storlek:

t=\frac{\bar{x}_1-\bar{x}_2}{\sqrt{\frac{s_1^2}{n_1}+\frac{s_2^2}{n_2}}}

I våra konstruerade data är medelvärdena 3,3 och 1,1, standardavvikelserna 1,52 och 1,08 och båda grupperna innehåller 60 deltagare. Då får vi:

t=\frac{3{,}3-1{,}1}{\sqrt{\frac{1{,}52^2}{60}+\frac{1{,}08^2}{60}}} =\frac{2{,}2}{0{,}24} \approx 9{,}1

Ett stort t-värde betyder att skillnaden mellan grupperna är stor i förhållande till osäkerheten i jämförelsen. Eftersom gruppernas variation inte är exakt lika beräknar Welchs t-test också antalet frihetsgrader utifrån gruppernas storlek och standardavvikelse. I vårt exempel blir det ungefär 107. Ett statistikprogram använder sedan $t \approx 9{,}1$ och 107 frihetsgrader för att beräkna p-värdet.

P-värde och statistisk signifikans

Ett statistiskt test ger ofta ett p-värde. Det anger hur ovanligt det observerade resultatet, eller ett ännu tydligare resultat, skulle vara om nollhypotesen och testets övriga antaganden stämmer.²

Om p-värdet understiger en i förväg bestämd gräns, ofta 0,05, kallas resultatet statistiskt signifikant. Det betyder att resultatet är svårt att förena med nollhypotesen – inte att hypotesen är bevisad eller att effekten är biologiskt viktig.²

För våra konstruerade data är p-värdet under 0,001. Vi förkastar därför nollhypotesen. Skillnaden går också i den riktning som vår hypotes förutsäger, vilket ger stöd åt hypotesen att läkemedlet minskar huvudvärken mer än placebo.

Ett statistiskt test visar alltså hur starkt data talar emot nollhypotesen. Om resultatet dessutom kan tolkas kausalt beror på hur undersökningen är utformad, exempelvis om den använder slumpmässig fördelning, kontrollgrupp och dubbelblindning.

Innan vi drar en slutsats behöver vi därför även granska hur tillförlitligt undersökningen genomfördes.

Felkällor och tillförlitlighet

Ett lågt p-värde betyder inte automatiskt att undersökningen är tillförlitlig. Innan vi drar en slutsats behöver vi också granska sådant som kan påverka resultatet:

Biologisk variation: människor kan reagera olika på samma läkemedel. Det är en del av det vi undersöker och inte ett fel i sig.
Mätosäkerhet: en skattning av huvudvärk är inte helt exakt och kan variera även om huvudvärken är densamma.
Systematiska fel: om grupperna behandlas olika på något annat sätt än genom läkemedlet kan jämförelsen bli missvisande.

Slumpmässig fördelning, placebo och dubbelblindning minskar risken för systematiska fel i läkemedelsstudien. Vi behöver ändå granska exempelvis bortfall, hur mätningarna genomfördes och om metoden följdes. Ett resultat blir mer tillförlitligt när metoden passar frågan och möjliga felkällor har begränsats och redovisats.

Från resultat till slutsats

Ett resultat beskriver vad undersökningen visade. I vårt exempel minskade huvudvärken mer i läkemedelsgruppen än i placebogruppen och skillnaden var statistiskt signifikant.

En slutsats tolkar resultatet och besvarar frågeställningen. Resultatet ger stöd åt hypotesen att läkemedlet minskar huvudvärken mer än placebo. Slutsatsen gäller däremot bara under de förhållanden som undersökts och behöver ta hänsyn till studiens felkällor och begränsningar.

Vetenskaplig granskning

Forskare redovisar sin frågeställning, metod, analys och sina resultat i vetenskapliga artiklar. Innan en artikel publiceras granskas den ofta av andra forskare inom samma område, vilket kallas peer review eller sakkunniggranskning. Granskningen kan upptäcka brister och förbättra arbetet, men garanterar inte att resultatet är korrekt. Därför behöver undersökningar också kunna upprepas och resultaten jämföras med andra studier.

Från många resultat till en vetenskaplig teori

En enskild undersökning räcker sällan för att skapa en större förklaring. När resultat från många granskade undersökningar pekar åt samma håll kan de tillsammans bidra till en vetenskaplig teori. I vardagligt språk kan en teori vara en gissning, men inom vetenskapen är den en sammanhängande och välunderbyggd förklaring som fortsätter att prövas mot nya observationer.

Evolutionsteorin, som vi arbetade med i Biologi nivå 1, är ett exempel. Den bygger på belägg från bland annat fossil, jämförande anatomi, arters geografiska utbredning och DNA. Beläggen kommer från olika undersökningar men stödjer samma övergripande förklaring: att arter förändras över tid och har gemensamma förfäder.

Teorin kan också användas för förutsägelser. Om två arter är nära släkt förväntar vi oss exempelvis att deras DNA är mer likt än DNA från mer avlägset besläktade arter.

Teorier förklarar – modeller förenklar

Evolutionsteorin förklarar varför arter förändras och är släkt med varandra. Ett fylogenetiskt träd är däremot en modell över hur vissa arter antas vara släkt. Om nya DNA-data visar ett annat släktskap kan trädet ritas om utan att evolutionsteorin därför faller.

En naturvetenskaplig modell är alltså en förenklad representation som används för att beskriva, förklara eller förutsäga något i verkligheten. Modeller kan se mycket olika ut, och ordet används även utanför naturvetenskapen:

En fotomodell med mörka solglasögon framför en färgstark vägg. — **Vardaglig betydelse**En fotomodell visar upp exempelvis kläder, men är inte en naturvetenskaplig modell.

En jordglob på ett bord. — **Fysisk modell**En jordglob bevarar vissa geografiska relationer, men förminskar och förenklar jorden.

En modell som ordnar cell, vävnad, organ, organsystem och organism i biologiska organisationsnivåer. — **Begreppsmodell**Modellen från cell till organism ordnar biologisk komplexitet i tydliga nivåer.

En jämförande modell av hur olika organismer utsöndrar ammoniak, urea eller urinsyra. — **Förklaringsmodell**Modellen över kväveutsöndring lyfter fram biologiska skillnader och möjliga för- och nackdelar.

Naturvetenskapliga modeller kan alltså vara fysiska, visuella och begreppsliga eller matematiska. När en matematisk modell körs på en dator kan den användas i en simulering, exempelvis för att undersöka hur en population eller smitta kan förändras över tid.

I biologin används också modellorganismer, exempelvis bananflugor, möss och backtrav. Organismen är då inte en avbildning. Den studeras eftersom resultaten kan hjälpa oss att förstå processer som även finns hos andra organismer.

Modeller behöver värderas

En modell är användbar för ett bestämt syfte. Därför behöver vi fråga vad modellen hjälper oss att förstå, vad som har förenklats eller utelämnats och i vilket sammanhang modellen fungerar.

Kunskap utvecklas

Biologisk kunskap är inte färdig en gång för alla. Nya resultat kan stärka, förändra eller avgränsa teorier och modeller. Samtidigt ger teorier och modeller upphov till nya förutsägelser och frågor som kan undersökas. Den vetenskapliga processen börjar därför om.

I den här lektionen har vi följt vägen från data till kunskap:

Data bearbetas och jämförs med statistiska test.
Resultat behöver tolkas med hänsyn till variation, felkällor och undersökningens utformning.
En slutsats besvarar frågeställningen och avgränsas av vad undersökningen faktiskt kan visa.
Granskade resultat från många undersökningar kan bidra till vetenskapliga teorier och ny kunskap.
Modeller förenklar delar av verkligheten och används för att beskriva, förklara och göra nya förutsägelser.

Källor

NIST/SEMATECH, Chi-Square Goodness-of-Fit Test, e-Handbook of Statistical Methods, nist.gov (hämtad 25 augusti 2026). ↩
American Statistical Association, ASA Statement on Statistical Significance and P-Values, 2016, amstat.org. ↩ ↩²