อย่างไรและเมื่อใดที่จะใช้การปรับ Bonferroni


21

ฉันมีคำถามสองข้อเกี่ยวกับเวลาที่จะใช้การปรับ Bonferroni:

  • เหมาะสมที่จะใช้การปรับ Bonferroni ในทุกกรณีของการทดสอบหลายครั้งหรือไม่?
  • หากมีการทดสอบกับชุดข้อมูลหนึ่งชุดจะแยกชุดข้อมูลออกเป็นระดับปลีกย่อย (เช่นแยกข้อมูลตามเพศ) และทำการทดสอบเดียวกันสิ่งนี้จะมีผลต่อจำนวนการทดสอบแต่ละรายการที่รับรู้อย่างไร นั่นคือถ้ามีการทดสอบสมมติฐาน X บนชุดข้อมูลที่มีข้อมูลจากทั้งชายและหญิงจากนั้นชุดข้อมูลจะถูกแบ่งออกเพื่อให้ข้อมูลเพศชายและเพศหญิงแยกกันและสมมติฐานเดียวกันที่ทดสอบจำนวนของสมมติฐานแต่ละรายการจะยังคงเป็น X หรือเพิ่มขึ้นเนื่องจาก การทดสอบเพิ่มเติม?

ขอบคุณสำหรับความคิดเห็นของคุณ

คำตอบ:


14

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


1
โปรดทราบว่าสำหรับตัวแปรที่ไม่ต่อเนื่องนั้นมีวิธีการอนุรักษ์ที่น้อยกว่า Holm's (เช่น min-P)

2

ฉันกำลังดูปัญหาเดียวกันและพบข้อความในหนังสือ:

สำเนาของบทที่เกี่ยวข้องได้อย่างอิสระที่นี่:

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

α[PT]=1-(1-0.05)(1/10)=0.0051

เพื่อความเป็นธรรมฉันได้ดูบทความทางเศรษฐศาสตร์ / เศรษฐมิติที่แตกต่างกันสำหรับโครงการวิจัยปัจจุบันของฉันและจากประสบการณ์ที่ จำกัด นั้นฉันไม่ได้เจอบทความมากมายที่ใช้การแก้ไขดังกล่าวเมื่อเปรียบเทียบการทดสอบ 2-5 ครั้ง


คุณสามารถให้ข้อมูลสรุปในลิงก์ที่นี่เพื่อช่วยให้ผู้อ่านในอนาคตตัดสินใจได้ว่าพวกเขาต้องการติดตามมันหรือไม่ในกรณีที่ลิงก์นั้นเสียชีวิต
gung - Reinstate Monica

0

คุณต้องจำไว้ว่าข้อมูลทางการแพทย์และข้อมูลทางวิทยาศาสตร์นั้นแตกต่างกันอย่างไม่มีการเปลี่ยนแปลงในข้อมูลทางการแพทย์ที่แตกต่างกันนั้นไม่เคยทดลองซึ่งแตกต่างจากข้อมูลทางชีววิทยาแบบ homoscedastic ยังจำได้ว่าการอภิปรายจำนวนมากเกี่ยวกับบทบาทของการทดสอบพลังงานและการแก้ไขประเภท Bonferroni นั้นเกี่ยวข้องกับการคาดเดาเฉพาะในลักษณะของการบิดเบือนทางเลือกที่ไม่สามารถเข้าใจได้ การตั้งค่าเบต้าในการคำนวณพลังงานเป็นขั้นตอนโดยพลการ นักสถิติการแพทย์ไม่ได้โฆษณาสิ่งนี้ ประการที่สองหากมีความสัมพันธ์อัตโนมัติของตัวอย่างข้อมูล (ภายใน) ทฤษฎีบทขีด จำกัด กลางถูกละเมิดและการทดสอบแบบเกาส์ตามปกติไม่ถูกต้อง ประการที่สาม โปรดจำไว้ว่าการแจกแจงแบบปกติกำลังกลายเป็นสิ่งที่ล้าสมัยในแง่ที่ว่าปรากฏการณ์ทางการแพทย์จำนวนมากคือการแจกแจงแบบเศษส่วนที่ไม่มีวิธีการ จำกัด และ / หรือความแปรปรวนอัน จำกัด (การแจกแจงแบบ Cauchy) และต้องการการวิเคราะห์เชิงสถิติ การทำ anslysis แบบ post-hoc ใด ๆ ที่เจาะลึกสิ่งที่คุณพบในระหว่างการวิเคราะห์ก่อนหน้านั้นไม่เหมาะสม ในที่สุดความไม่แน่นอนทางชีวภาพระหว่างเรื่องไม่ถูกต้องและเงื่อนไขสำหรับการแก้ไข Bonferroni นั้นเป็นองค์ประกอบสำคัญที่จะต้องมีการล้อเล่นที่ไม่ซ้ำกันในระหว่างการออกแบบการทดลองเบื้องต้นเท่านั้น ไนเจลตันเจมส์ MB BChir, (องศาทางการแพทย์ของสหราชอาณาจักร), MSc (ในสถิติประยุกต์) bijectivity ระหว่างเรื่องไม่จำเป็นต้องถูกต้องและเงื่อนไขสำหรับการแก้ไข Bonferroni เป็นองค์ประกอบสำคัญที่จะมีการล้อเล่นที่ไม่ซ้ำกันในระหว่างการออกแบบการทดลองเบื้องต้นเท่านั้น ไนเจลตันเจมส์ MB BChir, (องศาทางการแพทย์ของสหราชอาณาจักร), MSc (ในสถิติประยุกต์) bijectivity ระหว่างเรื่องไม่จำเป็นต้องถูกต้องและเงื่อนไขสำหรับการแก้ไข Bonferroni เป็นองค์ประกอบสำคัญที่จะมีการล้อเล่นที่ไม่ซ้ำกันในระหว่างการออกแบบการทดลองเบื้องต้นเท่านั้น ไนเจลตันเจมส์ MB BChir, (องศาทางการแพทย์ของสหราชอาณาจักร), MSc (ในสถิติประยุกต์)

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.