विषयों के परीक्षण के लिए पोस्ट-होक्स?

20

विषय परीक्षणों के लिए पोस्ट-होक्स के संचालन के लिए पसंदीदा तरीका क्या है? मैंने प्रकाशित काम देखा है जहां टकी के एचएसडी कार्यरत हैं लेकिन केपेल और मैक्सवेल एंड डेलाने की समीक्षा से पता चलता है कि इन डिज़ाइनों में गोलाकार का उल्लंघन त्रुटि अवधि को गलत बनाता है और यह दृष्टिकोण समस्याग्रस्त है। मैक्सवेल और डेलाने अपनी पुस्तक में समस्या के लिए एक दृष्टिकोण प्रदान करते हैं, लेकिन मैंने इसे किसी भी आँकड़े पैकेज में इस तरह से कभी नहीं देखा है। क्या वे दृष्टिकोण उपयुक्त हैं? कई जोड़े गए नमूना टी-परीक्षणों पर एक बोनफेरोनि या सिडक सुधार उचित होगा? एक स्वीकार्य उत्तर सामान्य आर कोड प्रदान करेगा जो पैकेज ezANOVAमें फ़ंक्शन द्वारा उत्पादित सरल, कई-तरह, और मिश्रित डिजाइनों पर पोस्ट-होक्स का संचालन कर सकता है ez, और समीक्षकों के साथ उपयुक्त उद्धरणों को पारित करने की संभावना है।

— russellpierce
स्रोत

1

डेविड हॉवेल का यह लेख समस्याओं और कई समाधानों की व्याख्या करता है।

— हार्वे मोटुलस्की

जैसा कि आपने मल्टीपैक पैकेज का उपयोग करते हुए उत्तर स्वीकार कर लिया, क्या आप इस बात पर थोड़ा विस्तार कर सकते हैं कि आपने आखिरकार मल्टीकप का उपयोग कैसे किया। क्या आप इसे टी-टेस्ट या एनोवा के रूप में lmeया lmerफ़ंक्शन के साथ या कुछ और पारंपरिक तरीकों के साथ उपयोग कर रहे हैं (जैसा कि मैं वर्तमान में एनोवा के साथ इसका उपयोग करने की कोशिश कर रहा हूं)।

— हेनरिक

मैंने बहुविकल्पी उत्तर को मुख्य रूप से स्वीकार किया क्योंकि मैं पी-मूल्य समायोजन तकनीकों से पूरी तरह से असंतुष्ट हूं जिसे समुदाय ने "सही" उत्तर के रूप में चुना है। मैंने इसे देखा और यह आशाजनक लग रहा था, लेकिन मैंने आगे की जांच नहीं की। मुझे इस बारे में और अधिक सुनने में रुचि होगी कि आप क्या प्रयास कर रहे हैं और आप क्या पता लगा रहे हैं।

— रुसैलपिएरेस

मुझे बार-बार ANOVA का उपयोग करके निर्दिष्ट करने का एक तरीका मिला lme, टिप्पणियों को स्वीकार किए गए उत्तर पर देखें : ysts.stackexchange.com/q/14088/442 वर्ग के किसी ऑब्जेक्ट के साथ lmeआप multcompविषय के भीतर प्रभाव के लिए उपयोग कर सकते हैं । यह विभिन्न प्रकार के अल्फा-त्रुटि समायोजन की पेशकश करता है, लेकिन ज्यादातर वे जिन्हें आप विशेष रूप से पसंद नहीं करते हैं (जैसा कि मैंने प्रस्तावित किया था कि समुदाय द्वारा "सही" वोट दिया गया था)। विगनेट के अलावा, एक किताब भी है multcompजो सभी तरीकों की व्याख्या करती है। यदि आप समायोजन के बिना पोस्ट-होक्स चाहते हैं , तो नए पैकेज fit.contrastसे gmodelया तो उपयोग करें contrast।

— हेनरिक

क्या आप अभी भी ezANOVAफ़ंक्शन के समाधान में रुचि रखते हैं ? यदि ऐसा है, तो मुझे लगता है कि मैं इस बात का जवाब दे सकता हूं कि क्यू लेकिन ए अविभाजित मॉडलों के लिए परीक्षणों पर निर्भर करेगा जिसके लिए गोलाकार एक महत्वपूर्ण उत्तेजना है। यदि आपको ezपैकेज के एनोवा गणना के लिए ए की आवश्यकता नहीं है , तो मैं एक ए दे सकता हूं जो कि पश्च-परीक्षण परीक्षणों के लिए मल्टीवेरेट मॉडल का उपयोग करता है।

— स्टेटमर ठाकुर

7

मल्टी- पॅकेज पर एक नजर डालें और जनरल पैरामीट्रिक मॉडल्स में इसके विग्नेट सिमुलेंट इन्वेंशन को देखें । मुझे लगता है कि यह करना चाहिए कि क्या नहीं और विगनेट के पास बहुत अच्छे उदाहरण और व्यापक संदर्भ हैं।

— मती पास्टेल
स्रोत

21

मैं वर्तमान में एक पेपर लिख रहा हूं जिसमें मुझे विषयों की तुलना के बीच और भीतर दोनों का संचालन करने की खुशी है। मेरे पर्यवेक्षक के साथ चर्चा के बाद, हमने टी- वन चलाने और अल्फा त्रुटि संचयन के लिए सही करने के लिए बहुत सरल Holm-Bonferroni method( विकिपीडिया ) का उपयोग करने का निर्णय लिया । यह पारिवारिक त्रुटि दर के लिए नियंत्रित करता है, लेकिन सामान्य बोनफेरोनी प्रक्रिया की तुलना में इसकी अधिक शक्ति है। प्रक्रिया:

आप उन सभी तुलनाओं के लिए t -ests चलाते हैं, जो आप करना चाहते हैं।
आप पी- वैल्यू को उनके मूल्य के अनुसार ऑर्डर करते हैं ।
आप छोटी से छोटी परीक्षण पी के खिलाफ -value अल्फा / कश्मीर , दूसरे के खिलाफ सबसे छोटी अल्फा / ( कश्मीर - 1), और इसके आगे परीक्षणों के इस क्रम में बाहर गैर महत्वपूर्ण पहला टेस्ट बदल जाता है जब तक।

Cite Holm (1979) जिसे विकिपीडिया पर लिंक के माध्यम से डाउनलोड किया जा सकता है ।

— हेनरिक
स्रोत

1

शायद कई परीक्षणों से पहले एक एनोवा?

— स्टेन

2

मुझे लगता है कि जवाब से निहित था। आप साइन-इन ANOVA के बाद पश्च-परीक्षण परीक्षण करते हैं।

— हेनरिक

2

@ हेनरिक: मुझे उम्मीद है कि मैं यहाँ एक मरे हुए घोड़े को नहीं मार रहा हूँ ... एक पुरानी पोस्ट पर पोस्ट करके। इसलिए मेरे पास एक सवाल है कि आपने टी-टेस्ट किस तरह से चलाया। क्या आपने पूल किए गए विचरण (ANOVA से) का उपयोग किया या आपने बस स्वतंत्र जोड़ीदार टी-टेस्ट किया? मेरे द्वारा यह पूछने का कारण यह है क्योंकि मैंने pairwise.t.test()बोन्फ्रोनी विधि या होल्म-बोनफ विधि का उपयोग करके युग्मक तुलना करने के लिए उपयोग करने की कोशिश की , लेकिन परिणाम बहुत भिन्न होते हैं, इस पर निर्भर करता है कि मैं पूल किए गए एसडी का उपयोग करता हूं या प्रत्येक तुलना को एक अलग, स्वतंत्र टी के रूप में मानता हूं -परीक्षा। धन्यवाद!

— एलेक्स

2

@ एलेक्स: एक 'संरक्षित' दृष्टिकोण का उपयोग करते हुए जहां टी-परीक्षण केवल एक महत्वपूर्ण एनोवा द्वारा पूल किए गए त्रुटि शब्द के उपयोग के बाद किया जाता है। हालाँकि, क्योंकि यह सांख्यिकीय सॉफ्टवेयर द्वारा अक्सर प्रदान किया जाने वाला विकल्प नहीं है, इसलिए लोग ऐसा नहीं करते हैं। इसके अलावा, हद तक उल्लंघन का उल्लंघन किया जाता है यह पहली जगह में एक संदिग्ध बात है।

— रसैलपिएरेस

5

मुझे अतीत में इस पर कुछ चर्चा याद है; मुझे मैक्सवेल और डेलानी के दृष्टिकोण के किसी भी कार्यान्वयन के बारे में पता नहीं है, हालांकि यह करना बहुत मुश्किल नहीं होना चाहिए। " आर का उपयोग करते हुए दोहराए गए उपाय एनोवा " पर एक नज़र डालें, जो टके के एचएसडी में गोलाकार मुद्दे को संबोधित करने का एक तरीका भी दिखाता है ।

आपको फ्राइडमैन की रुचि के परीक्षण का यह विवरण भी मिल सकता है ।

— शेन
स्रोत

धन्यवाद, मुझे लगता है कि फ्रीडमैन परीक्षण दिलचस्प है, लेकिन मैं यह पता नहीं लगा सकता कि यह कैसे पोस्ट-हॉक में टाइप I त्रुटि के लिए उस समायोजन को कर रहा है। टिप्पणियाँ कहती हैं कि यह "विलकॉक्सन-नेमेनी-मैकडॉनल्ड-थॉम्पसन परीक्षण" है, लेकिन मैंने इससे पहले कभी नहीं सुना कि आप इसे समझा सकें?

— रुसलपिएरेस

@ शने पहला लिंक मर चुका है :-(

— एडम रिक्ज़ोस्की

2

एसपीएसएस में अवर एफ-परीक्षण के लिए दो विकल्प हैं। बहुभिन्नरूपी गोलाकारता नहीं मानते हैं, इसलिए प्रत्येक जोड़े के चर के लिए एक अलग जोड़ीदार सहसंबंध का उपयोग करता है। किसी भी पोस्ट हॉक परीक्षणों सहित "विषयों के प्रभाव के भीतर के परीक्षण", गोलाकार मान लेते हैं और सभी परीक्षणों में एक सामान्य सहसंबंध का उपयोग करने के लिए कुछ सुधार करते हैं। ये प्रक्रियाएं उन दिनों की विरासत हैं जब कम्प्यूटिंग महंगा था, और आधुनिक कंप्यूटिंग सुविधाओं के साथ समय की बर्बादी है।

मेरी सलाह है कि किसी भी दोहराए गए उपाय के लिए सर्वव्यापी MULTIVARIATE F लें। इसके बाद पोस्ट हॉक पेयर वाइज टी-टेस्ट या एनोवा के साथ प्रत्येक दोहराया माप तुलना में केवल 2 स्तरों के साथ पालन करें यदि विषय कारकों में भी हैं। मैं परीक्षणों की संख्या से अल्फा स्तर को विभाजित करने के लिए सरल बोन फेरोनी सुधार करूंगा।

इसके अलावा प्रभाव के आकार को देखने के लिए सुनिश्चित करें [विकल्प संवाद में उपलब्ध है]। बड़े प्रभाव आकार जो महत्वपूर्ण के 'करीब' हैं वे छोटे, लेकिन महत्वपूर्ण प्रभावों की तुलना में ध्यान [और भविष्य के प्रयोगों] के अधिक योग्य हो सकते हैं।

एक अधिक परिष्कृत दृष्टिकोण SPSS प्रक्रिया MIXED में उपलब्ध है, और यह भी कम उपयोगकर्ता के अनुकूल [लेकिन मुक्त] संकुल जैसे कि आर।

सारांश, एसपीएसएसएस में, मल्टीवेरेट एफ के बाद जोड़ीदार पोस्ट होक्स ईथ बॉन फेरोनविथ बोनफर्रानी अधिकांश जरूरतों के लिए पर्याप्त होना चाहिए।

0

मैं R- फंक्शन qtukey (1-अल्फ़ा, साधन, df) का उपयोग परिवार के हिसाब से CI करने के लिए करूँगा।

$tukey_{0.05,4,16}$

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

$S{{E}_{M}}\times tuke{{y}_{\alpha ,4,16}}=\sqrt{\frac{M{{S}_{Error}}}{5}}\times tuke{{y}_{\alpha ,4,16}}$

\begin{aligned} {T u k e y_{k, d f} \leq t u k e y_{0.05, 4, 16}} \\ = {\frac{M a x_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) |}}{S E_{M}} \leq t u k e y_{.05, 4, 16}} \\ = \cap_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) | \leq S E_{M} \times t u k e y_{.05, 4, 16}} \end{aligned}

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

$MS_{Error}$ ${{X}_{i,j}}=\left( {{\mu }_{j}}+{{v}_{i}} \right)+{{\varepsilon }_{i,j}}={{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}}$ $\sqrt{M{{S}_{Error}}/17}\times tuke{{y}_{\alpha ,4,16}}$

\begin{aligned} T u k e y_{k, d f} = \frac{M a x_{j = 1, 2, \dots, k} {z_{j}} - M i n_{j = 1, 2, \dots, k} {z_{j}}}{\sqrt{χ_{d f}^{2} / d f}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {\frac{M e a n_{1 \leq i \leq n} {{\tilde{X}}_{i, j} + ε_{i, j}} - M e a n_{1 \leq i \leq n} {{\tilde{X}}_{i, j}}}{σ_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}}}}{{\hat{σ}}_{M e a n_{1 \leq i \leq n} {ε_{i, j}}} / σ_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {M_{j} - (μ_{j} + M e a n_{1 \leq i \leq n} {v_{i}})}}{{\hat{σ}}_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {M_{j} - μ_{j}}}{\sqrt{M S_{E r r o r} / n}} \\ = \frac{M a x_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) |}}{\sqrt{M S_{E r r o r} / n}} \end{aligned}

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

— ज़ियाक्सू एलआई
स्रोत