Cách thức và thời điểm sử dụng điều chỉnh Bonferroni


21

Tôi có hai câu hỏi liên quan đến thời điểm sử dụng điều chỉnh Bonferroni:

  • Có phù hợp để sử dụng điều chỉnh Bonferroni trong tất cả các trường hợp thử nghiệm nhiều không?
  • Nếu một người thực hiện kiểm tra trên một tập dữ liệu, thì người ta sẽ chia dữ liệu đó thành các mức tốt hơn (ví dụ: chia dữ liệu theo giới tính) và thực hiện các thử nghiệm tương tự, điều này có thể ảnh hưởng đến số lượng thử nghiệm riêng lẻ được cảm nhận như thế nào? Đó là, nếu các giả thuyết X được kiểm tra trên bộ dữ liệu chứa dữ liệu từ cả nam và nữ và sau đó bộ dữ liệu được phân tách để cung cấp dữ liệu nam và nữ riêng biệt và cùng một giả thuyết được kiểm tra, liệu số lượng giả thuyết riêng lẻ có còn là X hay tăng do các xét nghiệm bổ sung?

Cảm ơn bạn đã bình luận của bạn.

Câu trả lời:


14

Việc điều chỉnh Bonferroni sẽ luôn cung cấp khả năng kiểm soát mạnh mẽ tỷ lệ lỗi thông minh của gia đình. Điều này có nghĩa rằng, bất kể tính chất và số lượng các bài kiểm tra, hoặc các mối quan hệ giữa chúng, nếu giả định của họ được đáp ứng, nó sẽ đảm bảo rằng xác suất của việc có thậm chí một kết quả có ý nghĩa sai lầm trong số tất cả các bài kiểm tra là tại hầu hết các , mức độ lỗi ban đầu của bạn . Do đó, nó luôn luôn có sẵn .α

Việc sử dụng nó có phù hợp hay không (trái ngược với phương pháp khác hoặc có thể không điều chỉnh gì cả) tùy thuộc vào mục tiêu của bạn, tiêu chuẩn của ngành học của bạn và sự sẵn có của các phương pháp tốt hơn cho tình huống cụ thể của bạn. Ít nhất, có lẽ bạn nên xem xét phương pháp Holm-Bonferroni, nó chỉ chung chung nhưng ít bảo thủ.

Về ví dụ của bạn, vì bạn đang thực hiện một số thử nghiệm, bạn đang tăng tỷ lệ lỗi thông minh cho gia đình (xác suất từ ​​chối ít nhất một giả thuyết khống sai). Nếu bạn chỉ thực hiện một thử nghiệm trên mỗi nửa, có thể có nhiều điều chỉnh bao gồm phương pháp của Hommel hoặc phương pháp kiểm soát tỷ lệ phát hiện sai (khác với tỷ lệ lỗi thông minh của gia đình). Nếu bạn tiến hành kiểm tra trên toàn bộ tập dữ liệu theo sau một số kiểm tra phụ, các kiểm tra không còn độc lập nữa nên một số phương pháp không còn phù hợp. Như tôi đã nói trước đây, Bonferroni trong mọi trường hợp luôn có sẵn và được đảm bảo hoạt động như quảng cáo (nhưng cũng rất bảo thủ).

Bạn cũng có thể bỏ qua toàn bộ vấn đề. Chính thức, tỷ lệ lỗi thông minh của gia đình cao hơn nhưng chỉ với hai bài kiểm tra, nó vẫn không quá tệ. Bạn cũng có thể bắt đầu với một thử nghiệm trên toàn bộ tập dữ liệu, được coi là kết quả chính, tiếp theo là các thử nghiệm phụ cho các nhóm khác nhau, không bị lo ngại vì chúng được hiểu là kết quả phụ hoặc giả thuyết phụ trợ.

Nếu bạn xem xét nhiều biến số nhân khẩu học theo cách đó (trái ngược với việc chỉ lập kế hoạch kiểm tra sự khác biệt giới tính từ cách tiếp cận hoặc có thể là một phương pháp mô hình hóa có hệ thống hơn), vấn đề sẽ trở nên nghiêm trọng hơn với rủi ro đáng kể về việc nạo vét dữ liệu trở nên quan trọng bằng cơ hội cho phép bạn giải cứu một thử nghiệm không có hồi kết với một câu chuyện hay về biến nhân khẩu học để khởi động trong khi thực tế không có gì thực sự xảy ra) và bạn chắc chắn nên xem xét một số hình thức điều chỉnh cho nhiều thử nghiệm. Logic vẫn giữ nguyên với các giả thuyết X khác nhau (kiểm tra giả thuyết X hai lần - một trên mỗi nửa bộ dữ liệu - đòi hỏi tỷ lệ lỗi gia đình cao hơn so với kiểm tra giả thuyết X chỉ một lần và bạn có thể nên điều chỉnh cho điều đó).


1
Lưu ý rằng đối với các biến rời rạc, có các phương thức ít bảo thủ hơn Holm (ví dụ: min-P).

2

Tôi đã xem xét cùng một vấn đề và tìm thấy một văn bản trong cuốn sách:

Một bản sao của chương liên quan có sẵn miễn phí tại đây:

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

nó thảo luận về cách hiệu chỉnh Bonferonni có thể được áp dụng trong các trường hợp khác nhau (tức là các thử nghiệm độc lập và không độc lập) và đề cập ngắn gọn một số phương án. Nó cũng đề cập rằng, khi số lượng so sánh bạn kiểm tra trở nên lớn, thử nghiệm có thể trở nên quá bảo thủ và không còn cho phép bạn tìm thấy bất cứ điều gì có ý nghĩa (nếu bạn phải thực hiện 10 so sánh bạn phải làm với , trong 20 bài kiểm tra là 0,002, v.v.)α[PT]= =1-(1-0,05)(1/10)= =0,0051

Công bằng mà nói, tôi đã xem xét nhiều bài báo kinh tế / kinh tế lượng khác nhau cho dự án nghiên cứu hiện tại của tôi và trong kinh nghiệm hạn chế đó, tôi đã không bắt gặp nhiều bài viết áp dụng các hiệu chỉnh như vậy khi so sánh 2-5 bài kiểm tra.


Bạn có thể cung cấp một bản tóm tắt các thông tin trong liên kết ở đây để giúp độc giả tương lai quyết định xem họ có muốn theo đuổi nó không và trong trường hợp liên kết bị chết?
gung - Tái lập Monica

0

Bạn phải nhớ rằng dữ liệu y tế và dữ liệu khoa học khác nhau không thể điều hòa được trong đó dữ liệu y tế không đồng nhất không bao giờ thử nghiệm không giống như dữ liệu sinh học homoscedastic. Cũng xin nhắc lại rằng nhiều cuộc thảo luận về vai trò của kiểm tra công suất và hiệu chỉnh loại Bonferroni chỉ liên quan đến những suy đoán về bản chất của các phân phối thay thế không thể biết được. Đặt beta trong tính toán công suất là một thủ tục tùy ý. Không có nhà thống kê y tế nào quảng cáo này. Thứ hai, nếu có tự động tương quan các mẫu dữ liệu (bên trong), Định lý giới hạn trung tâm đã bị vi phạm và thử nghiệm Gaussian dựa trên thông thường là không hợp lệ. Thứ ba, nhớ lại rằng Phân phối Bình thường đang trở nên lỗi thời theo nghĩa là nhiều hiện tượng y tế là các phân phối dựa trên fractal không có phương tiện hữu hạn và / hoặc phương sai hữu hạn (phân phối kiểu Cauchy) và yêu cầu phân tích thống kê kháng gãy xương. Thực hiện bất kỳ anslysis hậu hoc nào về những gì bạn tìm thấy trong quá trình phân tích sớm là không đúng. Cuối cùng, tính sinh học giữa các chủ đề không nhất thiết là hợp lệ và các điều kiện để hiệu chỉnh Bonferroni là các yếu tố quan trọng được trêu chọc duy nhất trong Thiết kế Thử nghiệm tiên nghiệm. Nigel T. James. MB BChir, (bằng y khoa của Vương quốc Anh), ThS (trong Thống kê ứng dụng). tính sinh học giữa các chủ đề không nhất thiết là hợp lệ và các điều kiện để hiệu chỉnh Bonferroni là các yếu tố quan trọng được trêu chọc duy nhất trong một Thiết kế Thử nghiệm tiên nghiệm. Nigel T. James. MB BChir, (bằng y khoa của Vương quốc Anh), ThS (trong Thống kê ứng dụng). tính sinh học giữa các chủ đề không nhất thiết là hợp lệ và các điều kiện để hiệu chỉnh Bonferroni là các yếu tố quan trọng được trêu chọc duy nhất trong một Thiết kế Thử nghiệm tiên nghiệm. Nigel T. James. MB BChir, (bằng y khoa của Vương quốc Anh), ThS (trong Thống kê ứng dụng).

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.