Bonferroni hiệu chỉnh với tương quan và hồi quy tuyến tính của Pearson

Tôi đang chạy các số liệu thống kê trên 5 IV (5 đặc điểm tính cách, hướng ngoại, dễ chịu, có lương tâm, thần kinh, cởi mở) chống lại 3 DV Thái độ đối với PCT, Thái độ đối với CBT, Thái độ đối với PCT so với CBT. Tôi cũng đã thêm vào độ tuổi và giới tính để xem những ảnh hưởng khác là gì.

Tôi đang thử nghiệm để xem liệu các đặc điểm tính cách có thể dự đoán thái độ của các DV hay không.

Ban đầu tôi đã sử dụng tương quan Pearson cho tất cả các biến (45 bài kiểm tra).

Phát hiện chính là sự hướng ngoại có tương quan với thái độ của PCT với p = 0,05. Nhưng khi tôi đang chạy 45 bài kiểm tra, tôi đã thực hiện hiệu chỉnh Bonferroni là alpha = 0,05 / 45 = 0,001, do đó làm cho kết quả này không đáng kể.

Sau đó tôi đã chạy một hồi quy tuyến tính đơn giản trên tất cả các biến, một lần nữa hướng ngoại có ý nghĩa với thái độ với PCT. Nếu tôi thực hiện chỉnh sửa Bonferroni, nó sẽ xuất hiện trở lại không đáng kể.

Câu hỏi:

1. Tôi có cần Bonferroni sửa lỗi theo tương quan của Pearson không?
2. Nếu tôi làm, và do đó làm cho hướng ngoại với thái độ đối với PCT không đáng kể, liệu vẫn còn một điểm trong việc thực hiện hồi quy tuyến tính?
3. Nếu tôi thực hiện hồi quy tuyến tính, tôi có cần thực hiện hiệu chỉnh Bonferroni cho việc này không?
4. Tôi chỉ báo cáo giá trị đã sửa hoặc cả giá trị chưa được sửa và chưa được sửa?

Tôi nghĩ rằng Chl đã chỉ cho bạn rất nhiều tài liệu và tài liệu tham khảo tốt mà không trả lời trực tiếp câu hỏi. Câu trả lời tôi đưa ra có thể gây tranh cãi một chút vì tôi biết một số nhà thống kê không tin vào điều chỉnh bội số và nhiều người Bayes không tin vào giá trị p. Trong thực tế, tôi đã từng nghe Don Berry nói rằng sử dụng phương pháp Bayes đặc biệt là trong các thiết kế thích ứng kiểm soát lỗi loại I không phải là vấn đề đáng lo ngại. Ông đã lấy lại điều đó sau khi thấy FDA thực sự quan trọng như thế nào để đảm bảo rằng các loại thuốc xấu không được tung ra thị trường.

Câu trả lời của tôi là có và không. Nếu bạn thực hiện 45 bài kiểm tra, bạn chắc chắn cần phải điều chỉnh cho đa bội nhưng không với Bonferroni vì nó có thể quá bảo thủ. Lạm phát của lỗi loại I khi bạn khai thác dữ liệu tương quan rõ ràng là một vấn đề gây chú ý với bài đăng được trích dẫn "hãy nhìn và bạn sẽ tìm thấy mối tương quan". Tất cả ba liên kết cung cấp thông tin tuyệt vời. Điều tôi nghĩ còn thiếu là cách tiếp cận lấy mẫu lại để điều chỉnh giá trị p được phát triển rất độc đáo bởi Westfall và Young. Bạn có thể tìm thấy các ví dụ trong cuốn sách bootstrap của tôi hoặc chi tiết đầy đủ trong cuốn sách lấy mẫu lại của họ. Khuyến cáo của tôi sẽ là xem xét các phương pháp bootstrap hoặc hoán vị để điều chỉnh giá trị p và có lẽ xem xét tỷ lệ phát hiện sai so với tỷ lệ lỗi gia đình khôn ngoan nghiêm ngặt.

Liên kết với Westfall và Young: http://www.amazon.com/Resampling-Basing-Multipl-Testing-Adjustment-Probability/dp/0471557617/ref=sr_1_1?s=books&ie=UTF8&qid=1343398751&sr=1-1 hướng tây

Cuốn sách gần đây của Bretz và cộng sự về nhiều so sánh: http://www.amazon.com/Multipl-Comparisons-Using-Frank-Bretz/dp/1584885742/ref=sr_1_2?s=books&ie=UTF8&qid=1343398796&s= peter + hướng tây

Cuốn sách của tôi với tài liệu trong phần 8,5 và hàng tấn tài liệu tham khảo bootstrap: http://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_2?s=books&ie=UTF8&qid=1343989 -2 & từ khóa = michael + chernick

Nghe có vẻ như đây là nghiên cứu thăm dò / phân tích dữ liệu , không phải là xác nhận. Đó là, có vẻ như bạn không bắt đầu với một lý thuyết chỉ nói rằng hướng ngoại chỉ liên quan đến PCT vì một số lý do. Vì vậy, tôi sẽ không lo lắng quá nhiều về các điều chỉnh alpha, vì tôi nghĩ rằng điều đó liên quan nhiều hơn đến CDA, tôi cũng không nghĩ rằng phát hiện của bạn là nhất thiết phải đúng. Thay vào đó, tôi sẽ nghĩ về nó như một cái gì đó có thểlà sự thật, và chơi với những ý tưởng / khả năng này theo những gì tôi biết về các chủ đề trong tay. Nhìn thấy phát hiện này, nó có đúng không hay bạn nghi ngờ? Điều đó có nghĩa gì với các lý thuyết hiện tại nếu nó đúng? Nó sẽ rất thú vị phải không? Nó sẽ quan trọng chứ? Có đáng để thực hiện một nghiên cứu mới (xác nhận) để xác định xem điều đó có đúng không, ghi nhớ thời gian, nỗ lực và chi phí tiềm năng mà nó đòi hỏi? Hãy nhớ rằng lý do sửa Bonferroni là chúng tôi hy vọng một cái gì đó sẽ hiển thị khi có quá nhiều biến. Vì vậy, tôi nghĩ rằng một heuristic có thể 'nghiên cứu này sẽ đủ thông tin, ngay cả khi sự thật hóa ra là không'? Nếu bạn quyết định rằng nó không xứng đáng, mối quan hệ này sẽ nằm trong danh mục 'có thể' và bạn tiếp tục, nhưng nếu nó đáng để làm, hãy kiểm tra nó.

Theo như sau: http://birnlab.psychiatry.wisc.edu/resource/fMRI_TestRetest_Documentation.pdf

Khi xác định tầm quan trọng, hãy sửa giá trị p cho nhiều phép so sánh. Ví dụ: giá trị p được hiệu chỉnh Bonferroni là giá trị p chia cho tổng số so sánh, trong trường hợp này là các kết nối duy nhất m (m - 1) / 2.

Ví dụ: giá trị p bị cắt của bạn cho tương quan là 0,05 và giả sử bảng tương quan của bạn là 100 * 100. Sau đó, giá trị p của bạn sẽ được điều chỉnh thành 0,05 / (100 * 99/2).

Hồi quy tuyến tính áp dụng hiệu chỉnh Bonferroni tương tự như trên.

Tôi biết câu trả lời dường như không liên quan đến những gì bạn hỏi. Trong trường hợp đó, xin vui lòng cho tôi biết và tôi sẽ cố gắng hết sức để làm rõ. Hy vọng rằng nó sẽ giúp.