Analyzing lognormal data: A nonmathematical practical guide
Notice bibliographique
Résumé
Lognormal distributions are pervasive in pharmacology and elsewhere in biomedical science, arising naturally when biological effects multiply rather than add. Despite their ubiquity in pharmacological parameters (eg, EC50, IC50, Kd, and Km), lognormal distributions are often overlooked or misunderstood, leading to flawed data analysis. This largely nonmathematical review explains why lognormal distributions are common, how to recognize them, and how to analyze them appropriately. We show that many measured variables are lognormal. So are many derived parameters, particularly those defined as ratios of lognormal variables. Through examples and simulations accessible to working scientists, we demonstrate how misidentifying lognormal distributions as normal leads to reduced statistical power, unnecessarily large sample sizes, false identification of outliers, and inappropriate reporting of effects as differences rather than ratios. We challenge the common practice of using normality tests to decide how to analyze data, showing that many data sets pass both normality and lognormality tests, especially with small sample sizes. Instead, we advocate for assuming lognormality based on the nature of the variable. This review provides practical guidance on recognizing and presenting lognormal data, and comparing data sets sampled from lognormal distributions. Based on Monte Carlo simulations, we recommend the lognormal Welch's t test or nonparametric Brunner-Munzel test for comparing 2 unpaired groups, the lognormal ratio paired t test for paired comparisons, and lognormal ANOVA for ≥3 groups. By recognizing and properly handling lognormal distributions, pharmacologists can design more efficient experiments, obtain more reliable statistical inferences, and communicate their results more effectively. SIGNIFICANCE STATEMENT: Lognormal distributions are common in pharmacology and many scientific fields, but they are often misunderstood or overlooked. This review provides a detailed guide to recognizing and analyzing lognormal data, aiming to help pharmacologists perform more appropriate and more powerful statistical analyses, draw more meaningful conclusions from their data, and communicate their results more effectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,042 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,019 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».