การปรับ Bonferroni จะให้การควบคุมอัตราข้อผิดพลาดที่เหมาะสำหรับครอบครัวเสมอ ซึ่งหมายความว่าไม่ว่าลักษณะและจำนวนของการทดสอบหรือความสัมพันธ์ระหว่างพวกเขาถ้าตรงตามข้อสันนิษฐานของพวกเขามันจะทำให้มั่นใจได้ว่าความน่าจะเป็นที่จะได้ผลลัพธ์ที่สำคัญผิดพลาดแม้แต่ครั้งเดียวในการทดสอบทั้งหมดคือระดับข้อผิดพลาดดั้งเดิมของคุณ . ดังนั้นจึงเป็นเสมอใช้ได้α
ไม่ว่าจะเหมาะสมที่จะใช้ (ตรงกันข้ามกับวิธีอื่นหรืออาจไม่มีการปรับเปลี่ยนเลย) ขึ้นอยู่กับวัตถุประสงค์ของคุณมาตรฐานของวินัยและความพร้อมใช้งานของวิธีที่ดีกว่าสำหรับสถานการณ์เฉพาะของคุณ อย่างน้อยที่สุดคุณควรพิจารณาวิธีการของ Holm-Bonferroni ซึ่งเป็นวิธีทั่วไป แต่มีความระมัดระวังน้อยกว่า
เกี่ยวกับตัวอย่างของคุณเนื่องจากคุณทำการทดสอบหลายครั้งคุณกำลังเพิ่มอัตราข้อผิดพลาดที่เหมาะสำหรับครอบครัว (ความน่าจะเป็นที่จะปฏิเสธสมมติฐานว่างอย่างน้อยหนึ่งข้อผิดพลาด) หากคุณทำการทดสอบเพียงครั้งเดียวในแต่ละครึ่งการปรับจำนวนมากอาจเป็นไปได้รวมถึงวิธีการของ Hommel หรือวิธีการควบคุมอัตราการค้นพบที่ผิดพลาด (ซึ่งแตกต่างจากอัตราข้อผิดพลาดที่เหมาะสำหรับครอบครัว) หากคุณทำการทดสอบกับชุดข้อมูลทั้งหมดแล้วตามด้วยการทดสอบย่อยหลาย ๆ ครั้งการทดสอบนั้นจะไม่เป็นอิสระอีกต่อไปดังนั้นวิธีการบางอย่างอาจไม่เหมาะสมอีกต่อไป อย่างที่ฉันเคยพูดไว้ก่อนหน้านี้ Bonferroni มีอยู่เสมอไม่ว่าในกรณีใด ๆ และรับประกันว่าจะทำงานตามที่โฆษณาไว้ (แต่ก็ต้องอนุรักษ์มาก ... )
คุณสามารถเพิกเฉยต่อปัญหาทั้งหมดได้เช่นกัน อย่างเป็นทางการอัตราความผิดพลาดที่เหมาะสำหรับครอบครัวนั้นสูงขึ้น แต่ด้วยการทดสอบเพียงสองครั้งก็ยังไม่เลว คุณสามารถเริ่มต้นด้วยการทดสอบชุดข้อมูลทั้งหมดซึ่งถือว่าเป็นผลลัพธ์หลักตามด้วยการทดสอบย่อยสำหรับกลุ่มต่าง ๆ ไม่ถูกแก้ไขเพราะพวกเขาเข้าใจว่าเป็นผลลัพธ์รองหรือสมมติฐานเสริม
หากคุณพิจารณาตัวแปรทางประชากรจำนวนมากในลักษณะนั้น (ซึ่งต่างจากการวางแผนเพื่อทดสอบความแตกต่างระหว่างเพศจากการเริ่มต้นหรือวิธีการสร้างแบบจำลองที่เป็นระบบมากขึ้น) ปัญหาจะรุนแรงขึ้นโดยมีความเสี่ยงที่สำคัญของ“ การขุดลอกข้อมูล” ออกมาอย่างมีนัยสำคัญโดยบังเอิญช่วยให้คุณสามารถช่วยการทดสอบสรุปไม่ได้กับเรื่องราวที่ดีเกี่ยวกับตัวแปรทางประชากรในการบูตในขณะที่ไม่มีอะไรเกิดขึ้นจริง ๆ ) และคุณควรพิจารณาการปรับรูปแบบสำหรับการทดสอบ ตรรกะยังคงเหมือนเดิมกับสมมติฐานที่แตกต่างกันของ X (การทดสอบสมมติฐาน X สองครั้ง - หนึ่งในแต่ละครึ่งของชุดข้อมูล - นำไปสู่อัตราข้อผิดพลาดที่เหมาะสำหรับครอบครัวที่สูงกว่าการทดสอบสมมติฐาน X เพียงครั้งเดียวและคุณควรปรับ