Mann-Whitney testi Kruskal-Wallis sonrası post-hoc karşılaştırmalar için kullanılabilir mi?

Bir hayvanın düşmanca bir ortama yerleştirildiği ve hayatta kalmak için bir yaklaşım kullanarak ne kadar süre hayatta kalabileceğini görmek için zamanlandığı bir simülasyonum var. Hayatta kalmak için kullanabileceği üç yaklaşım vardır. Her hayatta kalma yaklaşımını kullanarak hayvanın 300 simülasyonunu çalıştırdım. Tüm simülasyonlar aynı ortamda gerçekleşir, ancak bazı rasgelelikler vardır, bu yüzden her seferinde farklıdır. Ben hayvan her simülasyon kaç saniye hayatta kalır. Daha uzun yaşamak daha iyidir. Verilerim şöyle görünüyor:

Approach 1, Approach 2, Approach 2
45,79,38
48,32,24
85,108,44
... 300 rows of these

Bu noktadan sonra yaptığım her şeyden emin değilim, bu yüzden aptalca ve yanlış bir şey yapıp yapmadığımı bana bildirin. Belirli bir yaklaşım kullanarak yaşam süresinde istatistiksel bir fark olup olmadığını bulmaya çalışıyorum.

Örneklerin her birinde bir Shapiro testi yaptım ve küçük p değerleri ile geri döndüler, bu yüzden verilerin normalleşmediğine inanıyorum.

Satırlardaki verilerin birbiriyle ilişkisi yoktur. Her simülasyon için kullanılan rastgele tohum farklıydı. Sonuç olarak, verilerin eşleştirilmediğine inanıyorum.

Veriler normalleştirilmediğinden, eşleştirilmediğinden ve ikiden fazla örnek olduğundan, 0.048 p değeri ile geri gelen bir Kruskal Wallis testi yaptım. Daha sonra Mann Whitney'i seçerek bir post hoc'a geçtim. Mann Whitney'in burada kullanılması gerekip gerekmediğinden emin değilim.

Mann Whitney testi yani {(yaklaşım 1, yaklaşım 2), (yaklaşım 1, yaklaşım 3), (yaklaşım 2, yaklaşım 3)} uygulayarak her sağkalım yaklaşımını birbiriyle karşılaştırdım. İki kuyruklu bir test kullanılarak çift arasında (yaklaşım 2, yaklaşım 3) istatistiksel anlamlılık bulunamamıştır, ancak tek kuyruklu bir test kullanılarak anlamlılık farkı bulunmuştur.

sorunlar:

1. Mann Whitney'in bu şekilde kullanılmasının mantıklı olup olmadığını bilmiyorum.
2. Bir veya iki kuyruklu Mann Whitney kullanmalı mıyım bilmiyorum.

Hayır, Mann-Whitney'i kullanmamalısınız $U$ bu durumda test edin.

İşte nedeni: Dunn testi , Kruskal-Wallis testinin reddedilmesinin ardından uygun bir post hoc testidir ^* . Eğer kişi Kruskal-Wallis'in reddinden sıradan çift bilge rütbe toplamı (örneğin Wilcoxon veya Mann-Whitney) testlerine geçerek ilerlerse, iki problem elde edilir: (1) çift bilge rütbe toplamı testleri için kullanılan rütbeler Kruskal-Wallis testi tarafından kullanılan dereceler değil; ve (2) rütbe toplamı testleri Kruskal-Wallis null hipotezi tarafından ima edilen toplanmış varyansı kullanmaz. Dunn'ın testinde bu problemler yok

Birden fazla karşılaştırma için ayarlanmış bir Kruskal-Wallis testinin reddedilmesinin ardından post hoc testler, belirli bir aile açısından hata oranı veya belirli bir hataya karşılık gelen yanlış keşif oranı için tüm çift testleri reddetmeyebilir$\alpha$Omnibus testi için, tıpkı diğer çoklu karşılaştırma omnibus / post hoc test senaryosunda olduğu gibi.

Bir grubun hayatta kalma süresinin diğerinin a priori'sinden daha uzun veya daha kısa olduğuna inanmak için nedeniniz yoksa, iki taraflı testleri kullanmalısınız.

Dunn testi dunntest (tip net describe dunntest, from(https://www.alexisdinno.com/stata)) kullanılarak Stata'da ve dunn.test paketi kullanılarak R'de yapılabilir .

Ayrıca, bir hayvanın farklı koşullara göre ölüp ölmediğini ve ne zaman öleceğini değerlendirmek için bir hayatta kalma analizi yaklaşımı alıp alamayacağınızı merak ediyorum.

^* Reddedilen bir Kruskal-Wallis'i takip etmek için daha az bilinen birkaç hoc çift ​​bilge testi Conover-Iman'ı içerir (Dunn gibi, ancak conovertest paketinde Stata için uygulanan z dağılımından ziyade t dağılımına dayanarak , ve conover.test paketindeki R için ) ve Dwass-Steel-Citchlow-Fligner testlerini içerir.

Kruskal-Wallis / Wilcoxon'un birleştirici bir genellemesi, oran oranları için genel zıtlıkların noktasal veya eşzamanlı güven aralıklarıyla kabul edilen orantılı olasılık modelidir. Bu benim R rmspaket ormve contrast.rmsfonksiyonları uygulanır.

Conover'dan sonraki kritik farkı veya Schaich ve Hamerle'den sonraki kritik farkı da kullanabilirsiniz. Birincisi daha liberal, ikincisi ise kesin ama biraz gücü yok. Her iki yöntem de brightstat.com web sitemde gösterilmektedir ve brightstat'ın web uygulaması da bu kritik farklılıkları hesaplamanızı ve post-hoc testleri hemen gerçekleştirmenizi sağlar. Brightstat.com üzerinde Kruskal-Wallis

SPSS kullanıyorsanız, post-hoc Mann-Whitney'i Bonferroni düzeltmesi ile yapın (p değeri grup sayısına bölünür).