การแก้ไข Bonferroni ด้วยความสัมพันธ์ของ Pearson และการถดถอยเชิงเส้น

ฉันกำลังใช้งานสถิติใน 5 IVs (5 ลักษณะบุคลิกภาพ, การพาหิรวัฒน์, ความสอดคล้อง, ความมีสติ, ความมั่นคงทางอารมณ์, การเปิดกว้าง) กับ 3 DVs ทัศนคติต่อ PCT, ทัศนคติต่อ CBT, ทัศนคติต่อ PCT เทียบกับ CBT ฉันยังเพิ่มอายุและเพศเพื่อดูว่ามีเอฟเฟกต์อะไรอีกบ้าง

ฉันกำลังทดสอบเพื่อดูว่าลักษณะบุคลิกภาพสามารถทำนายทัศนคติของ DV ได้หรือไม่

ฉันเริ่มใช้เพียร์สันสหสัมพันธ์สำหรับตัวแปรทั้งหมด (45 การทดสอบ)

การค้นพบที่สำคัญคือการพาหิรวัฒน์สัมพันธ์กับทัศนคติของ PCT ที่ p = 0.05 แต่เมื่อฉันทำการทดสอบ 45 ครั้งฉันได้ทำการแก้ไข Bonferroni ที่ alpha = 0.05 / 45 = 0.001 ดังนั้นการค้นพบนี้จึงไม่มีนัยสำคัญ

จากนั้นฉันก็ทำการถดถอยเชิงเส้นอย่างง่าย ๆ ในตัวแปรทั้งหมดอีกครั้งการพาหิรวัฒน์อีกครั้งสำคัญกับทัศนคติต่อ PCT ถ้าฉันแก้ไข Bonferroni สิ่งนี้จะออกมาอีกเล็กน้อย

คำถาม:

1. ฉันจำเป็นต้องแก้ไข Bonferroni ตามความสัมพันธ์ของ Pearson หรือไม่
2. ถ้าฉันทำดังนั้นการแสดงความเห็นด้วยกับทัศนคติต่อ PCT ที่ไม่มีนัยสำคัญยังมีประเด็นในการถดถอยเชิงเส้นหรือไม่?
3. ถ้าฉันทำการถดถอยเชิงเส้นฉันต้องทำการแก้ไข Bonferroni ด้วยหรือไม่?
4. ฉันจะรายงานเฉพาะมูลค่าที่แก้ไขหรือทั้งค่าที่ไม่ได้แก้ไขและแก้ไขหรือไม่

ฉันคิดว่า Chl ได้ชี้ให้คุณเห็นเนื้อหาและการอ้างอิงที่ดีมากมายโดยไม่ต้องตอบคำถามโดยตรง คำตอบที่ฉันให้อาจขัดแย้งกันเล็กน้อยเพราะฉันรู้ว่านักสถิติบางคนไม่เชื่อในการปรับหลายหลากและ Bayesian หลายคนไม่เชื่อเรื่องค่า p ในความเป็นจริงฉันเคยได้ยิน Don Berry กล่าวว่าการใช้วิธี Bayesian โดยเฉพาะอย่างยิ่งในการออกแบบที่ปรับได้ควบคุมข้อผิดพลาดประเภทที่ 1 ไม่ใช่ข้อกังวล เขานำสิ่งนั้นกลับมาในภายหลังหลังจากได้เห็นความสำคัญของ FDA ในทางปฏิบัติเพื่อให้แน่ใจว่ายาไม่ดีจะไม่ออกสู่ตลาด

คำตอบของฉันคือใช่และไม่ใช่ หากคุณทำการทดสอบ 45 ครั้งคุณจะต้องปรับให้เข้ากับหลายหลากอย่างแน่นอน แต่ไม่ควรทำกับ Bonferroni เพราะมันอาจจะอนุรักษ์เกินไป อัตราเงินเฟ้อของความผิดพลาดประเภทที่ 1 เมื่อข้อมูลของคุณมีความสัมพันธ์กันชัดเจนว่าเป็นปัญหาที่ได้รับความสนใจจากข้อความที่อ้างถึง "รูปลักษณ์และคุณจะพบความสัมพันธ์" ลิงค์ทั้งสามนี้ให้ข้อมูลที่ดีเยี่ยม สิ่งที่ฉันคิดว่าขาดหายไปคือแนวทางการปรับค่า p-value ที่พัฒนาขึ้นใหม่โดย Westfall และ Young คุณสามารถหาตัวอย่างในหนังสือ bootstrap ของฉันหรือรายละเอียดที่สมบูรณ์ในหนังสือ resampling ของพวกเขา recommednation ของฉันจะพิจารณา bootstrap หรือวิธีการเปลี่ยนแปลงสำหรับการปรับค่า p และอาจพิจารณาอัตราการค้นพบที่ผิดพลาดมากกว่าอัตราข้อผิดพลาดครอบครัวฉลาด

เชื่อมโยงไปยัง Westfall and Young: http://www.amazon.com/Resampling-Based-Multiple-Testing-Adjustment-Probability/dp/0471557617/ref=sr_1_1?s=books&ie=UTF8&qid=1343398751&sr=1-1&keywords=peter+ เวสท์

หนังสือเล่มล่าสุดโดย Bretz et al เกี่ยวกับการเปรียบเทียบหลายรายการ: http://www.amazon.com/Multiple-Comparisons-Using-Frank-Bretz/dp/1584885742/ref=sr_1_2?s=books&ie=UTF8&qid=1343398796&sr=1-2&keywords== ปีเตอร์เวสท์ +

หนังสือของฉันที่มีเนื้อหาในมาตรา 8.5 และตันของการอ้างอิง bootstrap: http://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_2?s=books&ie=UTF8&qid=1343398953&sr=1 -2 และคำหลัก = ไมเคิล + chernick

ฟังดูแล้วสำหรับฉันนี่คือการวิจัยเชิงสำรวจ / การวิเคราะห์ข้อมูลไม่ใช่การยืนยัน นั่นคือมันไม่ได้ดูเหมือนว่าคุณเริ่มต้นด้วยทฤษฎีที่กล่าวว่าการพาหิรวัฒน์อย่างเดียวควรเกี่ยวข้องกับ PCT ด้วยเหตุผลบางอย่าง ดังนั้นฉันจะไม่กังวลมากเกินไปเกี่ยวกับการปรับค่าอัลฟาเนื่องจากฉันคิดว่ามันเกี่ยวข้องกับ CDA มากขึ้นและฉันจะไม่คิดว่าการค้นพบของคุณจำเป็นต้องเป็นจริง แต่ฉันคิดว่ามันเป็นสิ่งที่อาจเป็นจริงและเล่นกับความคิด / ความเป็นไปได้เหล่านี้ในสิ่งที่ฉันรู้เกี่ยวกับหัวข้อที่อยู่ในมือ เมื่อได้เห็นสิ่งที่ค้นพบนี้มันดังขึ้นจริงหรือคุณสงสัย? มันจะหมายความว่าอย่างไรสำหรับทฤษฎีปัจจุบันถ้ามันเป็นจริง มันจะน่าสนใจไหม? มันจะสำคัญหรือไม่ มันคุ้มค่าหรือไม่ที่จะทำการศึกษาใหม่ (ยืนยัน) เพื่อตรวจสอบว่าเป็นเรื่องจริงหรือไม่โดยคำนึงถึงเวลาความพยายามและค่าใช้จ่ายที่อาจเกิดขึ้น โปรดจำไว้ว่าเหตุผลในการแก้ไข Bonferroni คือเราคาดหวังว่าจะมีบางสิ่งปรากฏขึ้นเมื่อมีตัวแปรมากมาย ดังนั้นฉันคิดว่าฮิวริสติกสามารถเป็น 'การศึกษานี้จะให้ข้อมูลอย่างเพียงพอแม้ว่าความจริงจะกลายเป็นไม่'? หากคุณตัดสินใจว่าไม่คุ้มค่าความสัมพันธ์นี้จะยังคงอยู่ในหมวดหมู่ 'อาจ' และคุณจะดำเนินการต่อ แต่ถ้าคุ้มค่าลองทดสอบดู

ตามดังต่อไปนี้: http://birnlab.psychiatry.wisc.edu/resources/fMRI_TestRetest_Documentation.pdf

เมื่อพิจารณาถึงความสำคัญให้แก้ไขค่า p สำหรับการเปรียบเทียบหลายรายการ ตัวอย่างเช่นค่า p-value ที่แก้ไขแล้วของ Bonferroni คือค่า p หารด้วยจำนวนการเปรียบเทียบทั้งหมดซึ่งในกรณีนี้คือการเชื่อมต่อที่ไม่ซ้ำกัน m (m - 1) / 2

ตัวอย่างเช่นค่า p cutoff ของคุณสำหรับความสัมพันธ์คือ 0.05 และสมมติว่าตารางความสัมพันธ์ของคุณคือ 100 * 100 จากนั้นค่า p ของคุณควรปรับเป็น 0.05 / (100 * 99/2)

การถดถอยเชิงเส้นใช้การแก้ไข Bonferroni ในทำนองเดียวกันกับข้างต้น

ฉันรู้ว่าคำตอบนั้นไม่เกี่ยวข้องกับสิ่งที่คุณถาม ในกรณีนั้นโปรดแจ้งให้เราทราบและฉันจะพยายามอย่างดีที่สุดเพื่อชี้แจง หวังว่ามันจะช่วย