Bài kiểm tra hoc trong ANCOVA

Câu hỏi: một phương pháp tốt để thực hiện các bài kiểm tra hậu hoc về sự khác biệt giữa các nhóm có nghĩa là gì sau khi điều chỉnh hiệu quả của hiệp phương sai?

Ví dụ mẫu:

• Bốn nhóm, 30 người tham gia mỗi nhóm (ví dụ: bốn nhóm dân số tâm lý lâm sàng khác nhau)
• Biến phụ thuộc là số (ví dụ: điểm thông minh)
• Covariate là số (ví dụ: chỉ số về tình trạng kinh tế xã hội)
• Các câu hỏi nghiên cứu liên quan đến việc liệu có bất kỳ cặp nhóm nào khác nhau đáng kể về biến phụ thuộc hay không sau khi kiểm soát hiệp phương sai

Câu hỏi liên quan :

• Phương pháp ưa thích là gì?
• Những gì thực hiện có sẵn trong R?
• Có bất kỳ tài liệu tham khảo chung nào về cách một hiệp phương thay đổi thủ tục để tiến hành các bài kiểm tra sau hoc không?

Nhiều thử nghiệm theo ANCOVA, hoặc nói chung là bất kỳ GLM nào, nhưng các so sánh hiện tập trung vào nhóm / phương pháp điều trị hoặc phương tiện cận biên được điều chỉnh (nghĩa là điểm số sẽ là gì nếu các nhóm không khác nhau về mối quan tâm). Theo hiểu biết của tôi, các bài kiểm tra Tukey HSD và Scheffé được sử dụng. Cả hai đều khá bảo thủ và sẽ có xu hướng ràng buộc tỷ lệ lỗi loại I. Loại thứ hai được ưu tiên trong trường hợp cỡ mẫu không bằng nhau trong mỗi nhóm. Tôi dường như nhớ rằng một số người cũng sử dụng hiệu chỉnh Sidak trên các độ tương phản cụ thể (tất nhiên là điều đáng quan tâm) vì nó ít bảo thủ hơn so với hiệu chỉnh Bonferroni.

Các xét nghiệm như vậy có sẵn trong multcompgói R (xem ?glht). Các họa tiết đi kèm bao gồm ví dụ sử dụng trong trường hợp mô hình tuyến tính đơn giản (phần 2), nhưng nó có thể được mở rộng cho bất kỳ dạng mô hình nào khác. Các ví dụ khác có thể được tìm thấy trong các HHgói (xem ?MMC). Một số quy trình MCP và lấy mẫu lại (được khuyến nghị cho các suy luận mạnh mẽ, nhưng nó dựa trên một cách tiếp cận khác để điều chỉnh lạm phát tỷ lệ lỗi loại I) cũng có sẵn trong multtestgói, thông qua Bioconductor , xem tài liệu tham khảo (3 xăng4 ). Tài liệu tham khảo chính xác cho nhiều so sánh là cuốn sách của cùng các tác giả: Dudoit, S. và van der Laan, MJ, Nhiều quy trình thử nghiệm với các ứng dụng cho Genomics (Springer, 2008).

Tham chiếu 2 đã giải thích sự khác biệt giữa MCP trong trường hợp chung (ANOVA, làm việc với các phương tiện chưa được điều chỉnh) so với ANCOVA. Ngoài ra còn có một số giấy tờ mà tôi không thể nhớ thực sự, nhưng tôi sẽ xem xét chúng.

Tài liệu tham khảo hữu ích khác:

1. Westfall, PH (1997). Nhiều thử nghiệm về sự tương phản chung bằng cách sử dụng các tương quan và tương quan logic. JASA 92 : 299-306.
2. Westfall, PH và Young, SS (1993) Lấy mẫu lại nhiều thử nghiệm, ví dụ và phương pháp để điều chỉnh giá trị p . John Wiley và con trai: New York.
3. Pollard, KS, Dudoit, S. và van der Laan, MJ (2004). Nhiều thủ tục kiểm tra: Gói đa ứng dụng R và các ứng dụng cho bộ gen .
4. Taylor, SL Lang, DT và Pollard, KS (2007). Cải tiến cho nhiều gói thử nghiệm multtest . Tin tức R 7 (3) : 52-55.
5. Bretz, F., Genz, A. và Hothorn, LA (2001). Về số lượng sẵn có của nhiều thủ tục so sánh. Tạp chí sinh trắc học , 43 (5) : 645 Ảo656.
6. Hothorn, T., Bretz, F. và Westfall, P. (2008). Suy luận đồng thời trong các mô hình tham số chung . Cục Thống kê: Báo cáo kỹ thuật, Nr. 19.

Hai cái đầu tiên được tham chiếu trong SAS PROC liên quan đến MCP.

Đây là một câu hỏi thú vị. Tôi nghĩ rằng người ta phải rất cẩn thận với điều này vì hầu hết các phần mềm làm bài so sánh sau khi ANCOVA làm điều đó NHƯNG trên các phương tiện không được điều chỉnh.

Thử nghiệm Bryan Paulson Tukey (BPT) được khuyến nghị để so sánh từng cặp trên phương tiện ADJUSTED, một quy trình khác có thể là thử nghiệm Tukey Kramer có điều kiện.

Kết hợp các phương pháp đơn giản mà bạn có thể dễ dàng truy cập từ R và các nguyên tắc chung bạn có thể sử dụng Tukey's HSD một cách đơn giản. Thuật ngữ lỗi từ ANCOVA sẽ cung cấp thuật ngữ lỗi cho các khoảng tin cậy.

Trong mã R sẽ là ...

#set up some data for an ANCOVA
n <- 30; k <- 4
y <- rnorm(n*k)
a <- factor(rep(1:k, n))
cov <- y + rnorm(n*k)

#the model
m <- aov(y ~ cov + a)

#the test
TukeyHSD(m)

(bỏ qua lỗi trong kết quả, điều đó chỉ có nghĩa là hiệp phương sai không được đánh giá, đó là điều bạn muốn)

Điều đó mang lại khoảng tin cậy hẹp hơn bạn nhận được nếu bạn chạy mô hình mà không có cov ... như mong đợi.

Bất kỳ kỹ thuật bài hoc nào dựa trên phần dư từ mô hình cho phương sai lỗi có thể dễ dàng được sử dụng.

Tại sao bạn lại cho mình quá nhiều rắc rối và tự làm mình bối rối?

Bạn có thể tham khảo Số liệu thống kê khám phá của Andy Field bằng SPSS (ấn bản thứ 3) trang 401-404.

Sử dụng chức năng tương phản hoặc so sánh tùy chọn hiệu ứng chính, bạn có thể dễ dàng thực hiện bài hoc trên các phương tiện được điều chỉnh sau khi tính đến hiệp phương sai.