Konu içi testler için post-hocs?

20

Denek içi testler için post-hocs yapmak için tercih edilen yöntem nedir? Tukey'in HSD'sinin kullanıldığı yayınlanmış çalışmaları gördüm, ancak Keppel ve Maxwell & Delaney'nin bir incelemesi, bu tasarımlardaki sferikliğin olası ihlallerinin hata terimini yanlış ve bu yaklaşımı sorunlu hale getirdiğini gösteriyor. Maxwell ve Delaney, kitaplarındaki soruna bir yaklaşım sağlar, ancak herhangi bir istatistik paketinde bu şekilde yapıldığını hiç görmedim. Sundukları yaklaşım uygun mu? Birden fazla eşleştirilmiş numune t-testinde bir Bonferroni veya Sidak düzeltmesi makul olur mu? Kabul edilebilir bir cevap ezANOVA, ezpaketteki fonksiyon tarafından üretilen basit, çok yönlü ve karışık tasarımlar için post-hocs yapabilen genel R kodu ve gözden geçirenlerle toplanması muhtemel uygun alıntılar sağlayacaktır.

— russellpierce
kaynak

1

David Howell'in bu makalesi , sorunları ve çeşitli çözümleri açıklamaktadır.

— Harvey Motulsky

multcomp paketini kullanarak cevabı kabul ettiğiniz için, nihayet multcomp'ı nasıl kullandığınız hakkında biraz ayrıntı verebilir misiniz? Eğer bunu kullanıyorsunuz lmeveya lmer(Şu anda ANOVAs ile kullanmak çalışıyorum gibi) işlevi veya t-testi ve ANOVA gibi bazı daha geleneksel yöntemlerle.

— Henrik

Multcomp yanıtı öncelikle kabul ettim çünkü topluluğun "doğru" cevap olarak seçtiği p-değeri ayarlama tekniklerinden tamamen memnun değilim. Ona baktım ve umut verici görünüyordu, ama daha fazla araştırma yapmadım. Neyi denediğiniz ve neyi öğrendiğiniz hakkında daha fazla şey duymak isterim.

— russellpierce

Kullanarak tekrarlanan ölçümler ANOVA belirtmek için bir yol buldum lme, kabul edilen cevabın yorumlarına bakın: stats.stackexchange.com/q/14088/442 Sınıf içi bir nesne ile konu içi efektler için lmekullanabilirsiniz multcomp. Farklı türlerde alfa-hata ayarlaması sunar, ancak çoğunlukla özellikle sevmediğinizler (önerdiğim gibi, topluluk tarafından "doğru" olarak seçildi). Vinyetin yanı sıra, multcomptüm yöntemleri açıklayan bir kitap da var . Post-hoc'ları ayarlama yapmadan istiyorsanız fit.contrast, gmodelya da yeni contrastpaketi kullanın.

— Henrik

Hala ezANOVAfonksiyon için bir çözümle ilgileniyor musunuz ? Eğer öyleyse, Q'ya cevap verebileceğimi düşünüyorum ama A, küresellik kritik bir varsayım olan tek değişkenli modeller için testlere dayanacaktı. A'nın ezpaketin ANOVA hesaplamaları ile sınırlandırılması gerekmiyorsa , post-hoc testler için çok değişkenli modeller kullanan bir A verebilirim.

— statmerkur

7

Genel Kompleks Modellerde çoklu kompak ve vignette Eşzamanlı Çıkarım'a bir göz atın . Bence yapmaması gerekeni yapmalı ve skeç çok iyi örneklere ve kapsamlı referanslara sahip.

— Matti Pastell
kaynak

21

Şu anda, konular arasında ve içinde karşılaştırmalar yapmaktan zevk aldığım bir makale yazıyorum. Danışmanımla görüştükten sonra, t testlerini çalıştırmaya ve alfa hata birikimini düzeltmek için oldukça basit Holm-Bonferroni method( wikipedia ) kullanmaya karar verdik . Aile içi hata oranını kontrol eder, ancak sıradan Bonferroni prosedüründen daha büyük bir güce sahiptir. Prosedür:

Yapmak istediğiniz tüm karşılaştırmalar için t testlerini çalıştırırsınız .
Sen sipariş p kendi değerine göre-değerlerine.
Alfa / k'ye karşı en küçük p değerini , alfa / ( k - 1) 'e karşı en küçük ikinci değeri test edersiniz ve bu test dizisinde ilk test anlamlı olmayana kadar devam eder.

En bağlantı yoluyla indirilebilir Holm (1979) Cite wikipedia .

— Henrik
kaynak

1

belki birden fazla testten önce bir ANOVA?

— stan

2

Bence bu cevap tarafından ima edildi. Post-hoc testleri anlamlı ANOVA'dan sonra yaparsınız.

— Henrik

2

@Henrik: Umarım burada ölü bir atı yenmezim ... eski bir yazı göndererek. T testlerini nasıl yürüttüğünüz hakkında bir sorum var. Havuzlanmış varyansı kullandınız mı (ANOVA'dan) veya bağımsız çift t testleri mi yaptınız? Bunu sormamın nedeni, pairwise.t.test()ya Bonferroni yöntemini ya da Holm-Bonf yöntemini kullanarak çift karşılaştırmalar yapmak için kullanmaya çalışmamdı, ancak sonuçlar, havuzlanmış sd'yi kullanmam ya da her karşılaştırmayı ayrı, bağımsız bir t olarak ele almamıza bağlı olarak önemli ölçüde farklılık gösteriyor. -Ölçek. Teşekkürler!

— Alex

2

@Alex: t-testlerinin ancak önemli bir ANOVA'nın bir araya getirilmiş hata teriminin kullanımını ima etmesinden sonra 'korunan' bir yaklaşım kullanılması Ancak, bu istatistiksel yazılım tarafından sıkça sunulan bir seçenek olmadığından, insanlar bunu yapma eğilimindedir. Dahası, küresellik ihlal edildiğinde, ilk etapta yapılması şüpheli bir şeydir.

— russellpierce

5

Geçmişte bununla ilgili bazı tartışmaları hatırlıyorum; Maxwell & Delaney'in yaklaşımının herhangi bir uygulamasının farkında değilim, ancak bunu yapmak çok zor olmamalı. Tukey'in HSD'sindeki küresellik konusunu ele almanın bir yöntemini gösteren " R kullanarak Tekrarlanan Önlemler ANOVA " ya bir göz atın .

Ayrıca bu açıklama Friedman'ın ilgi testi de bulunabilir.

— Shane
kaynak

Teşekkürler, sanırım Friedman testi ilginç, ancak post-hoc tip I hatası için bu ayarlamayı nasıl yaptığını tam olarak anlayamıyorum. Yorumlar bunun bir "Wilcoxon-Nemenyi-McDonald-Thompson testi" olduğunu söylüyor ama bunu daha önce hiç duymamıştım açıklayabilir misiniz?

— russellpierce

@Shane İlk bağlantı öldü :-(

— Adam Ryczkowski

2

SPSS'de çıkarımsal F testleri için İKİ seçenek vardır. Çok değişkenli küresellik varsaymaz, bu nedenle her değişken çifti için farklı bir çift korelasyon kullanır. Herhangi bir post hoc test de dahil olmak üzere "deneklerin etkilerinin testleri", küresellik olduğunu varsayar ve tüm testlerde ortak bir korelasyon kullanmak için bazı düzeltmeler yapar. Bu prosedürler, hesaplamanın pahalı olduğu günlerin mirasıdır ve modern bilgi işlem olanaklarıyla zaman kaybıdır.

Benim tavsiyem tekrarlanan önlemler için omnibus MULTIVARIATE F'yi kullanmanızdır. Daha sonra, post hoc ikili t-testi veya denek faktörleri arasında da varsa, tekrarlanan her ölçüm karşılaştırmasında sadece 2 seviyeli ANOVA ile takip edin. Alfa seviyesini test sayısına bölerek basit bon ferroni düzeltmesini yapardım.

Ayrıca efekt seçeneğine de baktığınızdan emin olun [seçenek iletişim kutusunda mevcuttur]. Önemli olana 'yakın' olan büyük etki boyutları, küçük ve önemli etkilerden daha fazla dikkati çekebilir (ve gelecekteki deneyler).

Daha karmaşık bir yaklaşım, MPSED SPSS prosedüründe ve ayrıca R gibi daha az kullanıcı dostu [ancak ücretsiz] paketlerde mevcuttur.

Özet, SPSSS'de, Bon Ferroni ile çok değişkenli F ve ardından Bonferroni ile çift yönlü post hocs çoğu ihtiyaç için yeterli olmalıdır.

0

Aileden CI yapmak için R fonksiyon qtukey (1-alfa, ortalamalar, df) kullanacağım.

$tukey_{0.05,4,16}$

$MS_{Error}$ $\begin{align} & Tuke{{y}_{k,df}}=\frac{Ma{{x}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}-Mi{{n}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}}{\sqrt{\chi _{df}^{2}/df}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ \frac{{{M}_{j}}-{{\mu }_{j}}}{{{\sigma }_{M}}} \right\}}{S{{E}_{M}}/{{\sigma }_{M}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-{{\mu }_{j}} \right\}}{S{{E}_{M}}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{\mu }_{{{j}_{1}}}} \right)-\left( {{M}_{{{j}_{2}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}} \\ \end{align}$

The radius of family-wise 1-α CIs is $S{{E}_{M}}\times tuke{{y}_{\alpha ,4,16}}=\sqrt{\frac{M{{S}_{Error}}}{5}}\times tuke{{y}_{\alpha ,4,16}}$ because--

\begin{aligned} {T u k e y_{k, d f} \leq t u k e y_{0.05, 4, 16}} \\ = {\frac{M a x_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) |}}{S E_{M}} \leq t u k e y_{.05, 4, 16}} \\ = \cap_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) | \leq S E_{M} \times t u k e y_{.05, 4, 16}} \end{aligned}

$\begin{align} & \left\{ Tuke{{y}_{k,df}}\le tuke{{y}_{0.05,4,16}} \right\} \\ & =\left\{ \frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}}\le tuke{{y}_{.05,4,16}} \right\} \\ & ={{\cap }_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right|\le S{{E}_{M}}\times tuke{{y}_{.05,4,16}} \right\} \\ \end{align}$

Given a within-subject design with k=4 levels, 17 sample size e.g. (17-1)=16 df for $MS_{Error}$ , and ${{X}_{i,j}}=\left( {{\mu }_{j}}+{{v}_{i}} \right)+{{\varepsilon }_{i,j}}={{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}}$ , the radius of family-wise (1-α) CIs is $\sqrt{M{{S}_{Error}}/17}\times tuke{{y}_{\alpha ,4,16}}$ because--

\begin{aligned} T u k e y_{k, d f} = \frac{M a x_{j = 1, 2, \dots, k} {z_{j}} - M i n_{j = 1, 2, \dots, k} {z_{j}}}{\sqrt{χ_{d f}^{2} / d f}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {\frac{M e a n_{1 \leq i \leq n} {{\tilde{X}}_{i, j} + ε_{i, j}} - M e a n_{1 \leq i \leq n} {{\tilde{X}}_{i, j}}}{σ_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}}}}{{\hat{σ}}_{M e a n_{1 \leq i \leq n} {ε_{i, j}}} / σ_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {M_{j} - (μ_{j} + M e a n_{1 \leq i \leq n} {v_{i}})}}{{\hat{σ}}_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {M_{j} - μ_{j}}}{\sqrt{M S_{E r r o r} / n}} \\ = \frac{M a x_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) |}}{\sqrt{M S_{E r r o r} / n}} \end{aligned}

$\begin{align} & Tuke{{y}_{k,df}}=\frac{Ma{{x}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}-Mi{{n}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}}{\sqrt{\chi _{df}^{2}/df}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ \frac{Mea{{n}_{1\le i\le n}}\left\{ {{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}} \right\}-Mea{{n}_{1\le i\le n}}\left\{ {{\widetilde{X}}_{i,j}} \right\}}{{{\sigma }_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \right\}}{{{{\hat{\sigma }}}_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}/{{\sigma }_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-\left( {{\mu }_{j}}+Mea{{n}_{1\le i\le n}}\left\{ {{v}_{i}} \right\} \right) \right\}}{{{{\hat{\sigma }}}_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-{{\mu }_{j}} \right\}}{\sqrt{M{{S}_{Error}}/n}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{\sqrt{M{{S}_{Error}}/n}} \\ \end{align}$

— Xiaoxu LI
kaynak