Bonferroni ayarlaması nasıl ve ne zaman kullanılır?


21

Bonferroni ayarının ne zaman kullanılacağıyla ilgili iki sorum var:

  • Tüm çoklu test durumlarında Bonferroni ayarlarının kullanılması uygun mudur?
  • Eğer biri bir veri setinde bir test yaparsa, o zaman bu veri setini daha ince seviyelere böler (örn. Verileri cinsiyete göre ayırır) ve aynı testleri gerçekleştirir, bu algılanan bireysel testlerin sayısını nasıl etkileyebilir? Diğer bir deyişle, X hipotezleri hem erkek hem de kadınlardan veri içeren bir veri kümesi üzerinde test edilmişse ve o zaman veri seti erkek ve kadın verilerini ayrı ayrı vermek için bölünmüşse ve aynı hipotezler test edilmişse, bireysel hipotezlerin sayısı X olarak kalır veya bundan dolayı artar. Ek test?

Yorumlarınız için teşekkür ederim.

Yanıtlar:


14

Bonferroni ayarı her zaman ailelere yönelik hata oranının güçlü bir şekilde kontrol edilmesini sağlayacaktır. Bunun anlamı, testlerin niteliği ve sayısı veya aralarındaki ilişkiler ne olursa olsun, varsayımları karşılanırsa, tüm testler arasında hatalı bir sonuç bile almanın olasılığını en fazla α , orijinal hata seviyenizde olmasını sağlayacaktır. . Bu nedenle her zaman kullanılabilir .

Kullanmanın uygun olup olmadığı (başka bir yöntemin aksine veya belki de hiç ayarlanmayan), hedeflerinize, disiplininizin standartlarına ve kendi durumunuz için daha iyi yöntemlerin mevcudiyetine bağlıdır. En azından, muhtemelen genel ama daha az muhafazakar olan Holm-Bonferroni yöntemini düşünmelisiniz.

Örneğinizle ilgili olarak, birkaç test yaptığınız için , aile bazında hata oranını arttırıyorsunuz (en az bir boş hipotezi hatalı bir şekilde reddetme olasılığı). Her iki yarıda sadece bir test yaparsanız, Hommel'in yöntem veya yanlış keşif oranını kontrol eden yöntemler (aile-bilge hata oranından farklı olan) dahil olmak üzere birçok ayar yapmak mümkün olacaktır. Tüm veri seti ve ardından birkaç alt test üzerinden bir test yaparsanız, testler artık bağımsız değildir, bu nedenle bazı yöntemler artık uygun değildir. Daha önce de söylediğim gibi, Bonferroni her zaman kullanılabilir durumda ve reklamı yapıldığı gibi çalışabileceğini garanti ediyor (aynı zamanda çok muhafazakar olması da…).

Ayrıca tüm sorunu görmezden gelebilirsiniz. Resmen, aile düzeyinde hata oranı daha yüksektir, ancak sadece iki test ile hala çok kötü değil. Ayrıca, ana sonuç olarak kabul edilen tüm veri seti üzerinde bir test ile başlayabilir, ardından ikincil sonuçlar veya yardımcı hipotezler olarak anlaşıldığı için düzeltilmemiş farklı gruplar için alt testler yapılabilir.

Birçok demografik değişkeni bu şekilde düşünürseniz (sadece başından itibaren cinsiyet farklarını veya belki de daha sistematik bir modelleme yaklaşımını test etmeyi planlamanın tersine), “veri tarama” riskiyle bir sorun daha ciddi hale gelir (bir fark) önyükleme yapmak için demografik değişkenle ilgili güzel bir hikaye ile sonuçsuz bir deneyi kurtarmanıza izin verirken, aslında gerçekte hiçbir şey olmadığında, tesadüfen ortaya çıkar. Mantık, X farklı hipotez ile aynı kalmaktadır (X hipotezini iki kez test etmek - veri setinin her iki yarısında bir tane olmak üzere - X hipotezlerini yalnızca bir kez test etmekten daha yüksek bir aileye özgü hata oranı gerektirir ve muhtemelen bunun için ayarlama yapmalısınız).


1
Kesikli değişkenler için Holm'tan daha az konservatif yöntem olduğuna dikkat edin (örn. Min-P).

2

Aynı konuya bakıyordum ve kitapta bir metin buldum:

İlgili bölümün bir kopyası burada serbestçe mevcuttur:

http://www.utdallas.edu/~herve/Abdi-Bonferroni2007-pretty.pdf

Bonferonni düzeltmesinin farklı durumlarda (örneğin bağımsız ve bağımsız olmayan testler) nasıl uygulanabileceğini ve kısaca bazı alternatiflerden bahsetti. Ayrıca, test ettiğiniz karşılaştırmaların sayısı arttığında, testin çok muhafazakar hale gelebileceğini ve artık önemli bir şey bulmanıza izin vermeyeceğini (10 karşılaştırma yapacak olursanız yapmanız gerektiğini belirtmektedir. , 0.002 vb. 20 test için)α[PT]=1-(1-0.05)(1/10)=0.0051

Adil olmak gerekirse, şu anki araştırma projem için birçok farklı ekonomik / ekonometrik makaleye baktım ve bu sınırlı deneyimle, 2-5 testi karşılaştırırken bu düzeltmeleri uygulayan birçok makaleye rastlamadım.


Gelecekteki okurların takip etmek isteyip istemediklerine karar vermelerine yardımcı olmak için buradaki bağlantıdaki bilgilerin bir özetini verebilir misiniz?
gung - Reinstate Monica

0

Tıbbi verilerin ve bilimsel verilerin, heterossedastik tıbbi verilerin homoscedastik biyolojik verilerden farklı olarak hiçbir zaman deneysel olmadığı için uzlaşmaz bir şekilde farklı olduğunu hatırlamalısınız. Güç testinin rolü ve Bonferroni tipi düzeltmeler üzerine yapılan birçok tartışmanın yalnızca bilinmeyen alternatif dağılımların doğası üzerine spekülasyonlar içerdiğini de hatırlayın. Güç hesaplamasında beta ayarı isteğe bağlı bir işlemdir. Tıbbi istatistikçilerin hiçbiri bunun reklamını yapmıyor. İkincisi, (iç) veri örneklerinin kendiliğinden korelasyonu varsa, Merkezi Limit Teoremi ihlal edilmiştir ve Normal tabanlı Gauss testi geçerli değildir. Üçüncü, Normal Dağılımın, birçok tıbbi fenomenin, hiçbir sonlu araç ve / veya sonlu varyansa (Cauchy-tipi dağılımlar) sahip olmayan ve fraktal dirençli istatistiksel analizler gerektiren fraktal bazlı dağılımlar olmadığı anlamında dışlandığını hatırlatır. Erken analiz sırasında bulduklarınıza dayanan herhangi bir geçici analizin yapılması uygun değildir. Son olarak, denekler arasında bibektivite mutlaka geçerli değildir ve Bonferroni düzeltmeleri için koşullar sadece önceden yapılan bir Deneysel Tasarım sırasında benzersiz şekilde ele alınması gereken önemli unsurlardır. Nigel T. James. MB BChir, (İngiltere Tıp Dereceleri), MSc (Uygulamalı İstatistik). Konuyla ilgili bibüzellik mutlaka geçerli değildir ve Bonferroni düzeltmelerinin koşulları yalnızca önceden deneysel bir Deneysel Tasarım sırasında benzersiz şekilde açıklanması gereken önemli unsurlardır. Nigel T. James. MB BChir, (İngiltere Tıp Dereceleri), MSc (Uygulamalı İstatistik). Konuyla ilgili bibüzellik mutlaka geçerli değildir ve Bonferroni düzeltmelerinin koşulları yalnızca önceden deneysel bir Deneysel Tasarım sırasında benzersiz şekilde açıklanması gereken önemli unsurlardır. Nigel T. James. MB BChir, (İngiltere Tıp Dereceleri), MSc (Uygulamalı İstatistik).

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.