DiabetologNytt Nr 6-7/2026
Senaste Nr DiabetologNytt i PDF
Arkiv alla nyheter

Missförstånd om statistik vanliga även bland erfarna forskare. Analys av 55 studier 15 000 deltagare. Uppsala Universitet

Missförstånd om statistik vanliga även bland erfarna forskare

Även forskare och personer med omfattande utbildning i statistik har ofta svårt att tolka statistiska resultat korrekt.

Det visar en ny systematisk översikt från bland annat Uppsala universitet, där forskarna sammanställt 55 studier med över 15 000 deltagare.

 

Statistik är ett viktigt verktyg inom många vetenskapliga områden. Med hjälp av statistiska metoder kan forskare inte bara beskriva det som har observerats, utan också dra mer generella slutsatser. Det kan exempelvis handla om att undersöka om ett läkemedel har en effekt eller om det finns ett samband mellan luftföroreningar och människors hälsa.

 

Att dra slutsatser från statistiska resultat kallas statistisk inferens.

Hur resultaten från statistiska analyser beskrivs och förstås påverkar vilka slutsatser som faktiskt dras.
– Vi har funnit många studier som undersökt detta på olika sätt. Det är slående att forskarna, trots att de använt olika metoder, kommit fram till så likartade slutsatser: kunskapen om vad man faktiskt kan utläsa av statistiska resultat är bristfällig och missförstånd är vanliga, säger Per Lytsy, anknuten forskare vid Institutionen för folkhälso- och vårdvetenskap på Uppsala universitet.

 

 

Missförstånd även bland statistiskt kunniga
I den systematiska översikten har forskarna undersökt 55 studier som publicerades mellan 1963 och 2024. De flesta studierna är enkätundersökningar där deltagarna fått tolka statistiska resultat eller ta ställning till om olika påståenden är korrekta eller felaktiga. Andra studier har undersökt hur statistiska resultat påverkar tilltron till vetenskapliga slutsatser. Bland deltagarna finns studenter, forskare, hälso- och sjukvårdspersonal, statistiker och personer som undervisar i statistik.

 

Ett återkommande missförstånd är att statistisk signifikans (att ett resultat från en undersökning är verkligt och inte beror på en slump) uppfattas som ett bevis för att en hypotes är sann eller att en effekt är betydelsefull. Ett läkemedel kan exempelvis ge en statistiskt signifikant förbättring utan att förbättringen har någon praktisk betydelse för patienterna.

 

Ett skäl till att missförstånd är så vanliga kan vara att statistiska begrepp ofta är svåra att förstå och inte alltid stämmer överens med hur vi intuitivt resonerar om sannolikheter och osäkerhet.
Dessutom bygger statistiska metoder på olika teoretiska utgångspunkter och används ibland tillsammans, vilket kan göra det ännu svårare att förstå vilka slutsatser som är berättigade.
– Ett vanligt exempel är att tolka p-värdet som sannolikheten för att den hypotes vi testar är sann eller falsk. Men den slutsatsen kan man inte dra utifrån ett p-värde. Sådana feltolkningar kan leda till att vi tillskriver forskningsresultaten större säkerhet än vad det finns grund för, säger Ronnie Pingel, universitetslektor vid Statistiska institutionen på Uppsala universitet.

 

 

Viktigt för utbildning och beslut
Genom att sammanställa studier från flera decennier ger den nya översikten en bredare bild av hur utbredda och återkommande missförstånden är, även bland personer med omfattande utbildning i statistik.
Forskarna hoppas att översikten ska bidra till ökad medvetenhet om statistiska feltolkningar, bättre undervisning i statistik och mer kritisk granskning av vetenskapliga resultat.
– Att kunna använda statistiska metoder är inte samma sak som att förstå vad resultaten betyder.

Vår översikt visar att missförstånd är vanliga även bland erfarna forskare.

Det riskerar att leda till felaktiga slutsatser och i förlängningen sämre beslut, säger Per Lytsy.

 

 

Vetenskaplig artikel:
Inferences of p-values, statistically significant results, and confidence intervals – a systematic review of empirical studies, PLOS One.

 

Press release Uppsala Universitet

 

Läs hela artikeln pdf, open source, fritt

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0362071

Inferences of p-values, statistically significant results, and confidence intervals – A systematic review of empirical studies
• Per Lytsy ,
• Per Johansson,
• Ronnie Pingel,
• Jenny Berg,
• Charlotta Ryk
•

• Published: November 11, 2026
• https://doi.org/10.1371/journal.pone.0362071

 

 

Abstract
This systematic review aimed to investigate how researchers, educators, students, and professionals understand and interpret statistical inference. Following PRISMA guidelines, four databases were searched through 8 August 2025 with no time restrictions for empirical studies on interpretations of p-values, statistical significance, and confidence intervals. Fifty-five studies published between 1963 and 2024 were included, encompassing over 15,000 participants from diverse regions, including Europe, North America, Australia, China, South America, and the Middle East. Studies primarily used written or online cross-sectional surveys, employing various single questions or questionnaires to assess understanding and inferential reasoning about statistical results. Participants ranged from students and PhD candidates to researchers, clinicians, statisticians, and methodology instructors with substantial statistical education and experience.

 

Results showed widespread and persistent misunderstandings across all groups. Common errors about p-values and null hypothesis testing included the inverse probability fallacy, misinterpreting p-values as probabilities of hypotheses, the replication fallacy, and conflating statistical significance with clinical or practical relevance. Confidence intervals were often misinterpreted as probabilistic ranges for true parameters or as predictors of future outcomes.

 

Presenting effect estimates with confidence intervals rather than p-values reduced some misinterpretations, but high error rates persisted. These findings highlight the need for improved statistical education, clearer communication of core concepts, and careful presentation of results in scientific literature. Misinterpretations of statistical inference are pervasive, with implications for research reproducibility, scientific literacy, and evidence-based decision-making.

 

 

 

Discussion from the article
We conducted a systematic review to identify studies examining how researchers, educators, students, and professionals understand, infer, and interpret results from null hypothesis significance testing (NHST)—such as p-values and statistically significant findings—as well as from estimation approaches, such as confidence intervals.

Our search identified 55 studies conducted over six decades, involving diverse populations such as undergraduate and postgraduate students, PhD candidates, researchers, clinical professionals, and educators in methodology and statistics.

These studies employed various approaches, including examining how NHST results influence confidence in research findings, assessing agreement with inferential statements, and evaluating expectations about the replication of p-values. Several studies used rigorous methods, asking participants to evaluate true or false statements that could be logically deduced from given assumptions.

Such approaches effectively assess common inferential misunderstandings. Inferences drawn from confidence intervals have also been studied, though less extensively than those from NHST.

Methods used include assessing whether respondents understand how confidence intervals can be used for hypothesis testing, predicting the replication of confidence intervals, and evaluating when multiple intervals indicate agreement or conflict in terms of statistical significance.

Several studies used questionnaires with true or false statements to investigate common misunderstandings.

Additionally, some approaches compared inferences drawn from NHST results with those based on confidence interval presentations.

Due to substantial variability in study populations, approaches, and questions posed to address inferences, we did not find it feasible to synthesize the results.

However, we consider the following conclusions about misunderstandings and fallacies to be valid regarding inferences of results from NHST.

 

 

__________________________

 

 

MEDICINSK KOMMENTAR

En mycket bra artikel. Läs hela artikeln via www

Grundläggande statistik består. Nu används allt mer sofistikerad statistik

 

 

Några vanliga missförstånd med basal statistik är:

• Korrelation är inte detsamma som kausalitet – två samband innebär inte att det ena orsakar det andra.

• Relativ risk och absolut risk – en riskökning med 50 % kan innebära en ökning från 2 till 3 personer per 100.

• Medelvärde och median – medelvärdet kan påverkas kraftigt av extremvärden.

 

 

Statistisk signifikans är inte klinisk betydelse.

Ingen statistiskt signifikant skillnad betyder inte att behandlingarna är likvärdiga.

Små patientgrupper ger större osäkerhet.

 

Urval och bortfall kan ge missvisande resultat.

 

Procent och procentenheter är inte samma sak.

 

• Ett förbättrat medelvärde betyder inte att alla patienter fått bättre vård
Om HbA1c sjunker i en region kan det vara en positiv utveckling. Men det betyder inte automatiskt att alla patientgrupper har förbättrats.
Vissa patientgrupper kan ha förbättrats kraftigt.
Andra kan ha försämrats.

• Skillnader mellan åldersgrupper och socioekonomiska grupper kan döljas.

Medelvärden behöver kompletteras med spridning och gruppanalyser.

 

• Ett lägre HbA1c är inte alltid ett bättre behandlingsresultat
Ett lågt HbA1c är generellt eftersträvansvärt, men måste bedömas i sitt sammanhang.
Hypoglykemier måste vägas in.
Ålder och samsjuklighet spelar roll.
Behandlingens effekt på livskvalitet och livskvalitet är viktiga.
Individuella behandlingsmål skiljer sig åt.
Kvalitet i diabetesvården kan inte reduceras till ett enda HbA1c-värde.

• Regioner med bäst resultat behöver inte ha bäst diabetesvård
Skillnader i statistik kan bero på annat än vårdens kvalitet.
Patienternas ålder.
Diabetesduration.
Socioekonomiska förutsättningar.
Samsjuklighet.
Skillnader i registrering och täckningsgrad.
Jämförelser måste göras med hänsyn till patientsammansättningen.

• En statistiskt säkerställd skillnad behöver inte vara kliniskt betydelsefull
En liten skillnad kan bli statistiskt signifikant när antalet patienter är mycket stort.
En skillnad i HbA1c på 1 mmol/mol kan vara statistiskt säkerställd men ha begränsad klinisk betydelse.
Statistisk signifikans är inte samma sak som medicinsk relevans.

 

• Ett högt antal registrerade patienter betyder hög täckningsgrad.
Antalet registrerade måste sättas i relation till det faktiska antalet personer med diabetes i populationen.

• En förbättring kan visa att vården blivit bättre.
Förändringar kan bero på ändrad patientpopulation, registreringsgrad, mätmetoder eller bortfall.
Saknade värden saknar inte betydelse.
Om vissa patientgrupper oftare saknar HbA1c, blodtryck eller LDL kan resultatet bli systematiskt missvisande.

 

• Osäkerhet, bortfall, representativitet och jämförbarhet är viktiga frågor

 

Viktigt är att skilja mellan tre saker:

• vad vi registrerar,

• vad statistiken visar och

• vad som händer i diabetesvården.

 

 

Läs hela artikeln pdf, open source, fritt

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0362071

 

Inferences of p-values, statistically significant results, and confidence intervals

– A systematic review of empirical studies

 

Nyhetsinfo

www red DiabetologNytt

Facebook
LinkedIn
Email
WhatsApp