Корекція Бонферроні з кореляцією Пірсона та лінійною регресією

Я веду статистику на 5 IV (5 рис особистості, екстраверсія, прихильність, сумлінність, невротизм, відкритість) проти 3 DV Ставлення до PCT, Ставлення до CBT, Ставлення до PCT проти CBT. Я також додав у віці та статі, щоб побачити, які інші наслідки є.

Я тестую на предмет того, чи можуть риси особистості передбачити ставлення до ДВ.

Я спочатку використовував співвідношення Пірсона для всіх змінних (45 тестів).

Основним висновком було те, що екстраверсія була корельованою із відношенням РСТ при р = 0,05. Але коли я виконував 45 тестів, я зробив корекцію Бонферроні альфа = 0,05 / 45 = 0,001, тому зробив цей висновок незначним.

Потім я провів просту лінійну регресію на всіх змінних, знову-таки екстраверсія була значною щодо ставлення до РСТ. Якщо я проведу корекцію Бонферроні, це знову виявиться незначним.

Запитання:

1. Чи потрібно мені коригувати Бонферроні на співвідношенні Пірсона?
2. Якщо я, і тому роблю екстраверсію відношення до РСТ незначною, чи все ж є сенс робити лінійну регресію?
3. Якщо я роблю лінійну регресію, чи потрібно мені також робити корекцію Бонферроні?
4. Чи повідомляю я лише про виправлені значення або про непоправлені та виправлені значення?

Я думаю, що Chl вказав вам на багато хороших матеріалів та довідок, не відповідаючи безпосередньо на запитання. Відповідь, яку я даю, може бути трохи суперечливою, тому що я знаю, що деякі статистики не вірять у коригування кратності, а багато байесівських не вірять у значення p. Насправді я одного разу чув, як дон Беррі говорив, що використання байєсівського підходу, особливо в адаптивних проектах, що контролюють помилку I типу, не викликає побоювань. Він повернув це пізніше, побачивши, як важливо практично FDA переконатися, що погані ліки не потраплять на ринок.

Моя відповідь - так і ні. Якщо ви зробите 45 тестів, вам, безумовно, потрібно налаштувати кратність, але ні "Бонферроні", оскільки це може бути занадто консервативним. Інфляція помилок I типу, коли ви передаєте дані для кореляції, явно є проблемою, на яку звернули увагу цитований пост "подивіться, і ви знайдете кореляцію". Усі три посилання дають чудову інформацію. Що, на мою думку, бракує - це підхід до перекомпонування до коригування p-вартості, який так добре розроблений Westfall та Young. Ви можете знайти приклади в моїй завантажувальній книзі або докладні відомості в їх книзі перекомпонування. Моїм рекомендацією було б врахувати завантажувальний або перестановочний методи для коригування p-значення і, можливо, врахувати помилковий показник виявлення над суворим рівнем помилок у сімейному режимі.

Посилання на Westfall and Young: http://www.amazon.com/Resampling-Based-Multiple-Testing-Adjustment-Probability/dp/0471557617/ref=sr_1_1?s=books&ie=UTF8&qid=1343398751&sr=1-1&keywords=peter+ західне падіння

Недавня книга Bretz та ін. Про декілька порівнянь: http://www.amazon.com/Multiple-Comparisons-Using-Frank-Bretz/dp/1584885742/ref=sr_1_2?s=books&ie=UTF8&qid=1343398796&sr=1-2&keywords= петер + захід

Моя книга з матеріалами розділу 8.5 та тоннами посилань на завантажувальну сторінку : http://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_2?s=books&ie=UTF8&qid=1343398953&sr=1 -2 & ключові слова = michael + chernick

Мені здається, що це дослідницькі дослідження / аналіз даних , а не підтверджуючі. Тобто, це не здається, що ви почали з теорії, яка сказала, що лише екстраверсія з певних причин повинна бути пов'язана з РСТ. Тож я б не переймався занадто великими налаштуваннями альфа, так як вважаю це більше пов'язаним з CDA, і не вважаю, що ваше висновок обов'язково відповідає дійсності. Натомість я б думав про це як про щось, що можебути правдою, і грати з цими ідеями / можливостями з огляду на те, що я знаю про ті теми. Побачивши цю знахідку, це звучить правда чи ви скептично налаштовані? Що б це означало для сучасних теорій, якби це було правдою? Було б цікаво? Це було б важливо? Чи варто запустити нове (підтверджуюче) дослідження, щоб визначити, чи це правда, маючи на увазі потенційний час, зусилля та витрати, які пов'язані з цим? Пам’ятайте, що причина виправлень Bonferroni полягає в тому, що ми очікуємо, що щось з’явиться, коли буде так багато змінних. Тому я вважаю, що евристика може бути ", якщо це дослідження було б достатньо інформативним, навіть якщо істина виявиться такою, що ні'? Якщо ви вирішили, що цього не варто, це відношення залишається в категорії "можливо", і ви рухаєтесь далі, але якщо це варто зробити, протестуйте його.

Відповідно до наступного: http://birnlab.psychiatry.wisc.edu/resources/fMRI_TestRetest_Documentation.pdf

Визначаючи значущість, виправте значення р для кількох порівнянь. Наприклад, коригуване бонферроні р-значення - це р-значення, поділене на загальну кількість порівнянь, що в цьому випадку становить m (m - 1) / 2 унікальних з'єднань.

Наприклад, ваше значення p-значення для кореляції становить 0,05, і припустимо, що ваша таблиця кореляції становить 100 * 100. Тоді ваше р-значення слід відрегулювати на 0,05 / (100 * 99/2).

Лінійна регресія застосовує корекцію Бонферроні аналогічно вище.

Я знаю, що відповідь, здається, не пов'язана з тим, що ви запитуєте. У такому випадку, будь ласка, дайте мені знати, і я постараюся зробити все можливе, щоб уточнити. Сподіваюся, що це допомагає.