बोनफेरोनी समायोजन का उपयोग कैसे और कब करें


21

बोन्फ्रोनी समायोजन का उपयोग करने के संबंध में मेरे दो प्रश्न हैं:

  • क्या मल्टीपल टेस्टिंग के सभी मामलों में बोनफ्रोनी समायोजन का उपयोग करना उचित है?
  • यदि कोई डेटा सेट पर एक परीक्षण करता है, तो एक उस डेटा को महीन स्तरों में विभाजित करता है (जैसे लिंग द्वारा डेटा को विभाजित करता है) और एक ही परीक्षण करता है, यह व्यक्तिगत परीक्षणों की संख्या को कैसे प्रभावित कर सकता है? यही है, अगर एक्स परिकल्पना का परीक्षण एक डेटासेट पर किया जाता है जिसमें दोनों पुरुषों और महिलाओं के डेटा होते हैं और फिर डेटासेट पुरुष और महिला डेटा को अलग-अलग देने के लिए विभाजित होता है और एक ही परिकल्पना का परीक्षण किया जाता है, क्या व्यक्तिगत परिकल्पना की संख्या एक्स या वृद्धि के कारण बनी रहेगी अतिरिक्त परीक्षण?

आपकी टिप्पणीयों के लिए धन्यवाद।

जवाबों:


14

बोनफर्रोनी समायोजन हमेशा परिवार-वार त्रुटि दर का मजबूत नियंत्रण प्रदान करेगा। इसका मतलब यह है कि, परीक्षण की प्रकृति और संख्या, या उनके बीच के संबंध जो भी हों, यदि उनकी धारणाओं को पूरा किया जाता है, तो यह सुनिश्चित करेगा कि सभी परीक्षणों के बीच एक भी गलत महत्वपूर्ण परिणाम होने की संभावना सबसे अधिक , आपके मूल त्रुटि स्तर पर है । इसलिए यह हमेशा उपलब्ध हैα

क्या इसका उपयोग करना उचित है (किसी अन्य विधि के विपरीत या शायद कोई समायोजन नहीं) आपके उद्देश्यों, आपके अनुशासन के मानकों और आपकी विशिष्ट स्थिति के लिए बेहतर तरीकों की उपलब्धता पर निर्भर करता है। बहुत कम से कम, आपको शायद होल्म-बोनफेरोनि विधि पर विचार करना चाहिए, जो कि सामान्य लेकिन कम रूढ़िवादी है।

अपने उदाहरण के बारे में, चूंकि आप कई परीक्षण कर रहे हैं , आप परिवार-वार त्रुटि दर (गलत तरीके से कम से कम एक अशक्त परिकल्पना को अस्वीकार करने की संभावना) बढ़ा रहे हैं । यदि आप प्रत्येक छमाही पर केवल एक परीक्षण करते हैं, तो कई समायोजन संभव होंगे जिसमें हेमेल की विधि या झूठी खोज दर को नियंत्रित करने के तरीके शामिल हैं (जो परिवार-वार त्रुटि दर से अलग है)। यदि आप कई उप-परीक्षणों के बाद पूरे डेटा सेट पर एक परीक्षण करते हैं, तो परीक्षण अब स्वतंत्र नहीं हैं, इसलिए कुछ तरीके अब उपयुक्त नहीं हैं। जैसा कि मैंने पहले कहा था, बोन्फ्रॉनी किसी भी मामले में हमेशा उपलब्ध है और विज्ञापन के रूप में काम करने की गारंटी देता है (लेकिन बहुत रूढ़िवादी होने के लिए…)।

आप भी पूरे मामले को अनदेखा कर सकते हैं। औपचारिक रूप से, परिवार-वार त्रुटि दर अधिक है, लेकिन केवल दो परीक्षणों के साथ यह अभी भी इतना बुरा नहीं है। आप पूरे डेटा सेट पर एक परीक्षण के साथ शुरू कर सकते हैं, जिसे मुख्य परिणाम के रूप में माना जाता है, इसके बाद विभिन्न समूहों के लिए उप-परीक्षण, बिना सोचे-समझे किए जाते हैं क्योंकि उन्हें द्वितीयक परिणाम या सहायक परिकल्पना के रूप में समझा जाता है।

यदि आप उस तरह से कई जनसांख्यिकीय चर पर विचार करते हैं (जैसे कि गेट गो से लिंग भेद के परीक्षण की योजना बनाने का विरोध या शायद अधिक व्यवस्थित मॉडलिंग दृष्टिकोण), तो समस्या "डेटा ड्रेजिंग" (एक अंतर) के एक महत्वपूर्ण जोखिम के साथ और अधिक गंभीर हो जाती है। संयोग से महत्वपूर्ण बात सामने आती है जिससे आप जनसांख्यिकीय चर के बारे में कुछ अच्छी कहानी के साथ एक अनिर्णायक प्रयोग को रोक सकते हैं जबकि वास्तव में ऐसा कुछ भी नहीं हुआ है) और आपको कई परीक्षण के लिए समायोजन के कुछ रूप पर विचार करना चाहिए। तर्क एक्स अलग-अलग परिकल्पनाओं के साथ एक ही रहता है (डेटा के प्रत्येक आधे पर एक बार एक्स हाइपोथेसिस का परीक्षण करना - केवल एक बार एक्स हाइपोथेसिस के परीक्षण की तुलना में एक उच्च परिवार-वार त्रुटि दर पर जोर देता है और आपको शायद इसके लिए समायोजित करना चाहिए)।


1
ध्यान दें कि असतत चर के लिए होलम की तुलना में कम रूढ़िवादी विधियां हैं (उदाहरण मिनट-पी)।

2

मैं एक ही मुद्दे को देख रहा था और पुस्तक में एक पाठ मिला:

संबंधित अध्याय की एक प्रति यहां स्वतंत्र रूप से उपलब्ध है:

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

α[पीटी]=1-(1-0.05)(1/10)=0.0051

निष्पक्ष होने के लिए, मैंने अपने वर्तमान अनुसंधान परियोजना के लिए कई अलग-अलग आर्थिक / अर्थमितीय लेखों को देखा है और उस सीमित अनुभव में 2-5 परीक्षणों की तुलना करते समय इस तरह के सुधारों को लागू करने वाले कई लेख नहीं आए हैं।


क्या आप भविष्य के पाठकों को यह तय करने में मदद करने के लिए लिंक में मौजूद जानकारी का सारांश प्रदान कर सकते हैं कि क्या वे इसे आगे बढ़ाना चाहते हैं और यदि लिंक मृत हो जाता है?
गुंग - को पुनः स्थापित मोनिका

0

आपको यह याद रखना चाहिए कि चिकित्सा डेटा और वैज्ञानिक डेटा अपरिवर्तनीय रूप से भिन्न हैं कि विषम चिकित्सा डेटा होमोसिस्टैस्टिक जैविक डेटा के विपरीत कभी भी प्रयोगात्मक नहीं है। यह भी याद रखें कि शक्ति परीक्षण की भूमिका पर कई चर्चाएं और बोनफेरोनी प्रकार के सुधारों में अनजाने वैकल्पिक विकारों की प्रकृति पर केवल अटकलें शामिल हैं। एक शक्ति गणना में बीटा सेट करना एक मनमानी प्रक्रिया है। कोई भी चिकित्सा सांख्यिकीविद् इसका विज्ञापन नहीं करते हैं। दूसरा, यदि डेटा के नमूने का ऑटोरोक्रैशन है (तो) केंद्रीय सीमा प्रमेय का उल्लंघन किया गया है और सामान्य आधारित गौसियन परीक्षण मान्य नहीं है। तीसरा, याद रखें कि नॉर्मल डिस्ट्रीब्यूशन इस मायने में कम होता जा रहा है कि कई मेडिकल घटनाएं फ्रैक्टल बेस्ड डिस्ट्रीब्यूशन हैं, जिनके पास न तो सीमित साधन और / या परिमित संस्करण (कॉची-टाइप डिस्ट्रीब्यूशन) होते हैं और फ्रैक्टल रेसिस्टेंट स्टेटिस्टिक्स एनालिसिस की जरूरत होती है। प्रारंभिक विश्लेषण के दौरान आपको जो भी पता चलता है, उस पर ड्रिप करने वाली किसी भी पोस्ट-हॉक एन्सिलिस को बाहर निकालना अनुचित है। अंत में, बीच-बीच में विषय-वस्तु विशेष रूप से मान्य नहीं है और बोनफेरोनी सुधार के लिए स्थितियाँ महत्वपूर्ण तत्व हैं जिन्हें केवल एक प्रायोगिक डिजाइन के दौरान विशिष्ट रूप से छेड़ा जाना चाहिए। निगेल टी। जेम्स। एमबी बीसीर, (यूके मेडिकल डिग्री), एमएससी (एप्लाइड सांख्यिकी में)। बीच-बीच में विषय-वस्तु विशेष रूप से मान्य नहीं है और बोनफेरोनी सुधार के लिए स्थितियाँ महत्वपूर्ण तत्व हैं जिन्हें केवल एक प्रायोगिक डिजाइन के दौरान विशिष्ट रूप से छेड़ा जाना चाहिए। निगेल टी। जेम्स। एमबी बीसीर, (यूके मेडिकल डिग्री), एमएससी (एप्लाइड सांख्यिकी में)। बीच-बीच में विषय-वस्तु विशेष रूप से मान्य नहीं है और बोनफेरोनी सुधार के लिए स्थितियाँ महत्वपूर्ण तत्व हैं जिन्हें केवल एक प्रायोगिक डिजाइन के दौरान विशिष्ट रूप से छेड़ा जाना चाहिए। निगेल टी। जेम्स। एमबी बीसीर, (यूके मेडिकल डिग्री), एमएससी (एप्लाइड सांख्यिकी में)।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.