Eğer çalıştırırsanız bağımsız istatistik kullanılarak testler sizin anlamlılık seviyesi olarak ve null edinir her sen 'önemini' bulacaksınız olsun veya olmasın, dava sadece rastgele değişken bir beraberlik. Özellikle, ve ile bir binom dağılımından alınır . Örneğin, ve (sizden habersiz) kullanarak 3 test çalıştırmayı planlıyorsanız , aslında her durumda bir fark yoktur, o zaman her testte% 5 önemli bir sonuç bulma şansı vardır. Bu şekilde tip I hata oranı olarak tutulurkαp=αn=kα=.05αtestler için ayrı ayrı, ancak 3 test seti boyunca uzun dönem I tipi hata oranı daha yüksek olacaktır. Bu 3 testi birlikte gruplandırmanın / düşünmenin anlamlı olduğuna inanıyorsanız, tip I hata oranını küme için tek başına değil, bir bütün olarak değerinde tutmak isteyebilirsiniz . Bunu nasıl yapmalısın? Orijinal (yani, ) yeni bir değere (yani, ) iki yaklaşım vardır :αααoαnew
Bonferroni: ayarlamak böyle 'önemini' değerlendirmek için kullanılanα
αnew=αok
Dunn-Sidak: ayarını kullanarakα
αnew=1−(1−αo)1/k
(Dunn-Sidak'ın set içindeki tüm testlerin birbirinden bağımsız olduğunu varsaydığını ve bu varsayım geçerli değilse aile tarafından tip I hata enflasyonu verebileceğini unutmayın.)
Testler sırasında, olduğu not etmek önemlidir hatalardan iki çeşit I (yani orada söyleyerek tipi, sen kaçınmak istediğiniz olduğunu orada bir değilken bir fark) ve II tipi (yani söz vardır değil gerçekte bir fark). Tipik olarak, insanlar bu konuyu tartıştıklarında, tip I hatalarını sadece tartışırlar ve sadece farkında olurlar / sadece bunlarla ilgilenirler. Buna ek olarak, insanlar genellikle hesaplanan hata oranının yalnızca tüm boş değerler geçerli olduğunda geçerli olacağını belirtmeyi ihmal ederler . Eğer sıfır hipotezi yanlışsa tip I hatası yapamayacağınız açıktır, ancak bu konuyu tartışırken bu gerçeği açıkça akılda tutmak önemlidir.
Bunu gündeme getiriyorum, çünkü bu gerçeklerin çoğu zaman dikkate alınmayan etkileri var. İlk olarak, ise, Dunn-Sidak yaklaşımı daha yüksek güç sunacaktır (fark küçük ile oldukça küçük olsa da ) ve bu yüzden her zaman (uygulanabilir olduğunda) tercih edilmelidir. İkincisi, bir 'adım azaltma' yaklaşımı kullanılmalıdır. Yani, önce en büyük etkiyi test edin; Bu durumda null değerinin elde edilmediğine ikna olduysanız, mümkün olan maksimum tip I hata sayısı , bu nedenle bir sonraki test buna göre ayarlanmalıdır. (Bu genellikle insanları rahatsız eder ve balık tutmaya benziyor, ancak değilk>1kk−1balık avı, testler bağımsız olduğundan ve verileri görmeden önce yapmayı amaçladınız. Bu, en iyi şekilde ayarlamanın bir yoludur .) α
Yukarıdaki, tip II hatalara göre tip I değerini nasıl değerlendirdiğinize bakılmaksızın geçerlidir. Bununla birlikte, a-priori , tip I hataların tip II'den daha kötü olduğuna inanmak için hiçbir neden yoktur (herkesin bunu varsaydığı görülmesine rağmen). Bunun yerine, bu, araştırmacı tarafından verilmesi gereken ve bu duruma özgü olması gereken bir karardır. Şahsen, teorik olarak önerilen a-priori , ortogonal kontrastları çalıştırıyorsam, genellikle .α
(Ve bunu tekrar belirtmek gerekirse, önemli olduğu için, yukarıdakilerin tümü testlerin bağımsız olduğunu varsayar. Kontrastlar bağımsız değilse, örneğin birkaç tedavinin aynı kontrolle karşılaştırılması gibi, adjustment'dan farklı bir yaklaşım Dunnett testi gibi kullanılmalıdır.) α