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


9

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?

Câu trả lời:


4

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


+1 Việc tái tạo Lưới thống kê của Munchausen của Graham Martin ở cuối Westfall & Young nói rằng tất cả theo một cách rất hấp dẫn. Bạn có thể đọc điều này trong tính năng "nhìn vào bên trong" của Amazon. (Thật là thú vị khi thấy Amazon cung cấp một mức giá trao đổi $ 7 cho cuốn sách $ 150 này.)
whuber

@whuber Tôi nghĩ rằng tôi đã xem một bộ phim hoạt hình một lần cho thấy Nam tước kéo mình ra khỏi hồ bằng đôi giày boot của mình. Efron có thể đã khôn ngoan khi gọi nó là bootstrap vì nhiều người hoài nghi rằng nó có thể được thực hiện trong các số liệu thống kê giống như nhiều người hoài nghi về truyền thuyết về Nam tước!
Michael R. Chernick

4

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.


Nếu anh ấy thực sự hiểu phân tích dữ liệu khám phá là gì và anh ấy không quá coi trọng các mối tương quan lớn, tôi sẽ đồng ý với bạn. Nhưng mọi người sẽ thừa nhận rằng họ chỉ đang thực hiện phân tích thăm dò để lọc ra mối tương quan nặng nề nhưng vẫn quá phấn khích khi họ thấy điều gì đó đầy hứa hẹn. Đó là một phần của bản chất con người. Tôi nghĩ rằng việc điều chỉnh sử dụng FDR làm tiêu chí là một cách hợp lý để kiểm soát sự phấn khích.
Michael R. Chernick

1
@MichaelCécick, tôi không nhất thiết không đồng ý với bạn. Tôi chỉ muốn đưa ra một ý kiến ​​khác và tôi thường thích đưa ra một bức tranh lớn, bán triết học, cái gì là cái này là tất cả về. Rất nhiều học viên có thể bị sa lầy vào các chi tiết có vẻ phức tạp đối với họ và không được hiểu biết căn cứ.
gung - Phục hồi Monica

1
Không có bất đồng nào ở đây và tôi hiểu quan điểm của bạn. Tôi chỉ muốn nói thêm rằng nếu chúng ta có thể phân tán và chấp nhận nguyên tắc thống kê và không gắn bó cá nhân với nghiên cứu của mình với sự quan tâm đến kết quả, chúng ta có thể làm chính xác những gì bạn nói. Nhưng nó rất khó để làm. Hãy tưởng tượng làm việc cho một công ty dược phẩm đã chi hàng triệu đô la cho nghiên cứu lâm sàng cho một loại thuốc cụ thể và nó đã thất bại. Giám đốc y tế sẽ yêu cầu bạn loook mat 20 nhóm nhỏ khác nhau và tìm một nhóm hoạt động.
Michael R. Chernick

1
Phân tích phân nhóm là một trong những khía cạnh gây tranh cãi nhất của nghiên cứu lâm sàng. Không có sự điều chỉnh đa bội, không có cách nào để hợp pháp hóa nó và thực hiện nó sau khi gây khó khăn cho việc bán cho FDA. Đây chỉ là một ví dụ từ kinh nghiệm của tôi trong những năm gần đây khiến tôi nhạy cảm với các đề xuất bỏ qua tính đa bội.
Michael R. Chernick

-1

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.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.