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 है ।α
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)।