The latter is also evident in Fig. 1F, which presents the number of “female-end” (x axis) and “male-end” (y axis) characteristics in females (red) and males (green). The circles at the (10,0), (0,10), and (0,0) coordinates represent individuals with only “female-end”, only “male-end”, or only “intermediate” characteristics, respectively
Het was moeilijk geweest om nog meer onnauwkeurig te zijn met deze analyse. (Diederik Stapel achtige kwaliteit)
Ze hebben een nogal grove definitie voor female en male characteristics. Een grens van 33%.
Het is dan alsof je bij mannen de pik-lengte, pik-omtrek, spuitkracht, en nog eens tien andere parameters meet en dan verwacht dat er wel veel mannen zijn die bij
alle tien precies in die 33% categorie voorkomen. Voor volledige ongecorreleeerde data is die kans enorm klein, namelijk slechts 0.001523 procent zou dan in die categorie vallen. Dat ze dan maar slechts een paar mannen in die categorie treffen heeft weinig te maken met inconsistentie. De kans om dit te treffen is enorm klein. Zie ook plaatje 2I met "slechts" 0.4% consistentie maar toch overduidelijke verschillen, vrijwel geen overlap in eigenschappen, tussen man en vrouw (
http://people.socsci.tau.ac.il/mu/daphn ... mosaic.pdf ). Alsof de coordinaten (9,0) (8,0) (7,0) (6,0) etc niet meetellen.
Ook de overige plaatjes 2A t/m 2H tonen verschillen al is er wel meer overlap. Die overlap kan komen omdat de brein-parameters die ze erin stoppen uit zichzelf, ookal zijn het de grootste verschillen, helemaal niet zo verschillend hoeven te zijn. De verschillen hebben een significantie van p=0.001 maar dat is voor de gemiddelde waarde. De spreiding binnen de groepen kan nog altijd groot zijn. (Bijvoorbeeld de Nederlandse man en Keniaanse man zijn significant verschillend in lengte, maar er is nog altijd veel overlap. Als je maar genoeg van dit soort vage parameters toevoegd kun je tot de foute conclusie komen dat een Nederlander en een Keniaan er vrijwel gelijk uitzien omdat de consistentie niet goed is.) Beter geven ze een ANOVA uitkomst waarmee je kunt zien hoeveel van de spreiding werkelijk verklaard wordt door het man of vrouw zijn.
Een least discriminant analysis was veel meer interessant geweest. Je maakt dan van alle verschillende parameters de meest ideale optelsom om zoveel mogelijk onderscheid te vinden (in de uitkomst van die optelsom) tussen man en vrouw. Als het vinden van zo'n som niet goed was gelukt, pas dan kun je zeggen dat er werkelijk weinig verschil is. De optelsom geeft overigens ook aan welke parameters het meest relevant zijn.