Post-hocs cho các bài kiểm tra trong môn học?

Phương pháp ưa thích để tiến hành hậu hocs cho các bài kiểm tra trong môn học là gì? Tôi đã thấy tác phẩm được xuất bản nơi HSD của Tukey được sử dụng nhưng đánh giá của Keppel và Maxwell & Delaney cho thấy rằng khả năng vi phạm tính toàn cầu trong các thiết kế này làm cho thuật ngữ lỗi không chính xác và cách tiếp cận này có vấn đề. Maxwell & Delaney cung cấp một cách tiếp cận vấn đề trong cuốn sách của họ, nhưng tôi chưa bao giờ thấy nó được thực hiện theo cách đó trong bất kỳ gói thống kê nào. Là cách tiếp cận họ cung cấp phù hợp? Liệu hiệu chỉnh Bonferroni hoặc Sidak trên nhiều bài kiểm tra mẫu thử cặp có hợp lý không? Một câu trả lời chấp nhận được sẽ cung cấp mã R chung có thể thực hiện các post-hocs trên các thiết kế đơn giản, đa chiều và hỗn hợp như được sản xuất bởi ezANOVAchức năng trong ezgói và các trích dẫn thích hợp có khả năng vượt qua người kiểm duyệt.

Có một cái nhìn về đa gói và họa tiết suy luận đồng thời của nó trong các mô hình tham số chung . Tôi nghĩ rằng nó nên làm những gì không và họa tiết có ví dụ rất tốt và tài liệu tham khảo rộng rãi.

Tôi hiện đang viết một bài báo trong đó tôi có niềm vui để tiến hành so sánh giữa và trong các đối tượng. Sau khi thảo luận với người giám sát của mình, chúng tôi quyết định chạy t- tests và sử dụng khá đơn giản Holm-Bonferroni method( wikipedia ) để sửa lỗi tích lũy lỗi alpha. Nó kiểm soát tỷ lệ lỗi gia đình nhưng có sức mạnh lớn hơn thủ tục Bonferroni thông thường. Thủ tục:

1. Bạn chạy các t- tests cho tất cả các so sánh bạn muốn làm.
2. Bạn đặt giá trị p theo giá trị của chúng.
3. Bạn kiểm tra giá trị p nhỏ nhất so với alpha / k , nhỏ nhất so với alpha / ( k - 1) và cứ thế cho đến khi thử nghiệm đầu tiên hóa ra không có ý nghĩa trong chuỗi thử nghiệm này.

Cite Holm (1979) có thể được tải xuống thông qua liên kết tại wikipedia .

Tôi nhớ lại một số cuộc thảo luận về điều này trong quá khứ; Tôi không biết về bất kỳ triển khai phương pháp nào của Maxwell & Delaney, mặc dù điều đó không quá khó để thực hiện. Hãy xem " Các biện pháp lặp lại ANOVA bằng R " cũng cho thấy một phương pháp giải quyết vấn đề hình cầu trong HSD của Tukey .

Bạn cũng có thể tìm thấy mô tả về thử nghiệm quan tâm của Friedman .

Có HAI tùy chọn cho các thử nghiệm F suy luận trong SPSS. Đa biến KHÔNG giả định tính toàn cầu, vì vậy, sử dụng một mối tương quan cặp khác nhau cho mỗi cặp biến. "Các thử nghiệm về hiệu ứng bên trong đối tượng", bao gồm bất kỳ thử nghiệm hậu hoc nào, giả định tính toàn cầu và thực hiện một số chỉnh sửa để sử dụng một mối tương quan phổ biến trong tất cả các thử nghiệm. Các thủ tục này là một di sản của thời đại khi tính toán tốn kém và lãng phí thời gian với các cơ sở tính toán hiện đại.

Đề nghị của tôi là dùng omnibus MULTIVariATE F cho bất kỳ biện pháp lặp đi lặp lại. Sau đó theo dõi với bài kiểm tra t-post cặp đôi hoặc ANOVA chỉ với 2 cấp độ trong mỗi lần so sánh đo lặp lại nếu có cả các yếu tố chủ thể. Tôi sẽ thực hiện chỉnh sửa bon ferroni đơn giản để chia mức độ alpha cho số lượng thử nghiệm.

Ngoài ra hãy chắc chắn xem kích thước hiệu ứng [có sẵn trong hộp thoại tùy chọn]. Kích thước hiệu ứng lớn gần với mức đáng kể có thể đáng chú ý hơn [và các thử nghiệm trong tương lai] so với các hiệu ứng nhỏ nhưng quan trọng.

Một cách tiếp cận tinh vi hơn có sẵn trong quy trình SPSS MIXED, và trong các gói [nhưng miễn phí] thân thiện với người dùng hơn như R.

Tóm tắt, trong SPSSS, F đa biến theo sau là các bài đăng cặp đôi với Bon Ferroniwith Bonferroni nên đủ cho hầu hết các nhu cầu.

Tôi sẽ sử dụng hàm R qtukey (1-alpha, có nghĩa là, df) để tạo ra các TCTD thông minh cho gia đình.

$tukey_{0.05,4,16}$ = 4.046093.

$MS_{Error}$$\begin{align} & Tuke{{y}_{k,df}}=\frac{Ma{{x}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}-Mi{{n}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}}{\sqrt{\chi _{df}^{2}/df}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ \frac{{{M}_{j}}-{{\mu }_{j}}}{{{\sigma }_{M}}} \right\}}{S{{E}_{M}}/{{\sigma }_{M}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-{{\mu }_{j}} \right\}}{S{{E}_{M}}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{\mu }_{{{j}_{1}}}} \right)-\left( {{M}_{{{j}_{2}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}} \\ \end{align}$

Bán kính của các TCTD 1-a khôn ngoan trong gia đình là $S{{E}_{M}}\times tuke{{y}_{\alpha ,4,16}}=\sqrt{\frac{M{{S}_{Error}}}{5}}\times tuke{{y}_{\alpha ,4,16}}$ bởi vì--

$$\begin{align} & \left\{ Tuke{{y}_{k,df}}\le tuke{{y}_{0.05,4,16}} \right\} \\ & =\left\{ \frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}}\le tuke{{y}_{.05,4,16}} \right\} \\ & ={{\cap }_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right|\le S{{E}_{M}}\times tuke{{y}_{.05,4,16}} \right\} \\ \end{align}$$

Đưa ra một thiết kế bên trong chủ đề với k = 4 cấp độ, 17 cỡ mẫu, ví dụ: (17-1) = 16 df cho $MS_{Error}$và ${{X}_{i,j}}=\left( {{\mu }_{j}}+{{v}_{i}} \right)+{{\varepsilon }_{i,j}}={{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}}$, the radius of family-wise (1-α) CIs is $\sqrt{M{{S}_{Error}}/17}\times tuke{{y}_{\alpha ,4,16}}$ because--

$$\begin{align} & Tuke{{y}_{k,df}}=\frac{Ma{{x}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}-Mi{{n}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}}{\sqrt{\chi _{df}^{2}/df}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ \frac{Mea{{n}_{1\le i\le n}}\left\{ {{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}} \right\}-Mea{{n}_{1\le i\le n}}\left\{ {{\widetilde{X}}_{i,j}} \right\}}{{{\sigma }_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \right\}}{{{{\hat{\sigma }}}_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}/{{\sigma }_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-\left( {{\mu }_{j}}+Mea{{n}_{1\le i\le n}}\left\{ {{v}_{i}} \right\} \right) \right\}}{{{{\hat{\sigma }}}_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-{{\mu }_{j}} \right\}}{\sqrt{M{{S}_{Error}}/n}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{\sqrt{M{{S}_{Error}}/n}} \\ \end{align}$$