Як і коли використовувати коригування Bonferroni

У мене є два питання щодо використання коригування Bonferroni:

• Чи доцільно використовувати коригування Bonferroni у всіх випадках багаторазового тестування?
• Якщо хтось проводить тест на наборі даних, то він розбиває цей набір на більш тонкі рівні (наприклад, розділить дані за статтю) та виконує ті самі тести, як це може вплинути на кількість індивідуальних тестів, які сприймаються? Тобто, якщо X гіпотези тестуються на наборі даних, що містить дані як чоловіків, так і жінок, а потім набір даних розділений, щоб надати дані чоловіків і жінок окремо, і ті ж гіпотези, що перевіряються, чи залишиться кількість окремих гіпотез як X або збільшиться через додаткове тестування?

Дякую за ваші коментарі.

Коригування Bonferroni завжди забезпечить чіткий контроль рівня помилок у сімейному режимі. Це означає, що незалежно від характеру та кількості тестів чи взаємозв'язків між ними, якщо їхні припущення будуть виконані, це забезпечить, що ймовірність виникнення навіть одного помилкового значущого результату серед усіх тестів становить максимум , ваша первісна помилка рівень. Тому він завжди доступний .$\alpha$

Чи доцільно його використовувати (на відміну від іншого методу чи, можливо, зовсім не коригувати), залежить від ваших цілей, стандартів вашої дисципліни та наявності кращих методів для вашої конкретної ситуації. Принаймні, слід, мабуть, розглянути метод Холма-Бонферроні, який є настільки ж загальним, але менш консервативним.

Що стосується вашого прикладу, так як ви виконуєте кілька тестів, ви є збільшення сім'ї мудра частотою помилок (ймовірність відмови щонайменше , одну нульової гіпотези , помилково). Якщо ви будете проводити лише один тест на кожну половину, можливо буде скориговано багато коригувань, включаючи метод Хоммеля або методи, що контролюють показник помилкового виявлення (який відрізняється від рівня помилок у сімейному режимі). Якщо ви проводите тест на весь набір даних з подальшими кількома підтестами, тести вже не є незалежними, тому деякі методи вже не підходять. Як я вже говорив раніше, Bonferroni у будь-якому випадку завжди доступний і гарантовано працює як рекламується (але також є дуже консервативним ...).

Ви також можете просто проігнорувати всю проблему. Формально рівень помилок у сімейному відношенні вище, але лише з двома тестами це все ще не так вже й погано. Ви також можете почати з тесту на весь набір даних, який трактується як основний результат, з подальшими підтестами для різних груп, не виправленими, оскільки вони розуміються як вторинні результати або допоміжні гіпотези.

Якщо ви враховуєте багато демографічних змінних таким чином (на відміну від просто планування тестування на гендерні відмінності від підходу або, можливо, більш систематичного підходу до моделювання), проблема стає серйознішою зі значним ризиком "дратування даних" (одна різниця Виходить значним випадково, що дозволяє вам врятувати непереконливий експеримент із приємною історією про демографічну змінну для завантаження, тоді як насправді нічого насправді не сталося), і ви обов'язково повинні розглянути певну форму коригування для багаторазового тестування. Логіка залишається однаковою для X різних гіпотез (тестування X гіпотез двічі - одна на кожну половину набору даних - тягне за собою більш високий рівень помилок у сімейному відношенні, ніж тестування X гіпотез лише один раз, і ви, ймовірно, повинні коригувати це).

Я дивився на те саме питання і знайшов текст у книзі:

Копія відповідної глави вільно доступна тут:

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

в ньому йдеться про те, як можна застосовувати корекцію Бонферонні за різних обставин (тобто незалежних і незалежних тестів), а також коротко згадується про деякі варіанти. Він також згадує, що, коли кількість порівнянь, які ви тестуєте, стає великою, тест може стати занадто консервативним і більше не дозволяє вам знайти щось істотне (якби ви зробили 10 порівнянь, вам доведеться , для 20 тестів, що становить 0,002 тощо)$α[PT]= 1-(1-0.05)^(1/10) = 0.0051$

Справедливо кажучи, я розглянув багато різних економічних / економетричних статей для мого поточного дослідницького проекту, і в цьому обмеженому досвіді я не натрапив на багато статей, що застосовують такі виправлення, порівнюючи 2-5 тестів.

Ви повинні пам’ятати, що медичні дані та наукові дані непримірно відрізняються тим, що гетеросептичні медичні дані ніколи не є експериментальними на відміну від гомосептичних біологічних даних. Нагадаємо також, що багато дискусій щодо ролі випробувань потужності та виправлень типу Бонферроні передбачають лише спекуляції щодо природи непізнавальних альтернативних розподілів. Встановлення бета в розрахунку потужності є довільною процедурою. Жоден медичний статистик цього не рекламує. По-друге, якщо є автокореляція (в межах) зразків даних, то теорема центрального граничного значення була порушена і тест Гаусса на основі норми недійсний. По-третє, нагадайте, що нормальний розподіл стає застарілим у тому сенсі, що багато медичних явищ - це фрактальні розподіли, які не мають ні кінцевих засобів, ні / або кінцевих дисперсій (розподілів типу Коші) і потребують стійкого до фрактального статистичного аналізу. Проведення будь-якого післяопераційного аналіза, пов'язаного з тим, що ви виявите під час раннього аналізу, є неправильним. Нарешті, біектичність між суб'єктами не обов'язково діє, а умови корекції Бонферроні є важливими елементами, які мають бути однозначно перевірені лише під час апріорного експериментального дизайну. Найджел Т. Джеймс. MB BChir, (медичні ступені Великобританії), магістр (за прикладом статистики). бієктивність між предметами не обов'язково діє, а умови корекції Бонферроні є важливими елементами, які мають бути однозначно перевірені лише під час апріорного експериментального дизайну. Найджел Т. Джеймс. MB BChir, (медичні ступені Великобританії), магістр (за прикладом статистики). бієктивність між предметами не обов'язково діє, а умови корекції Бонферроні є важливими елементами, які мають бути однозначно перевірені лише під час апріорного експериментального дизайну. Найджел Т. Джеймс. MB BChir, (медичні ступені Великобританії), магістр (за прикладом статистики).