Problém vícenásobného porovnávání vysvětlen

Přejít na

Tuto wiki najdete na platformě Physiotutors Staňte se členem

Naučte se

Jaký je problém vícenásobného porovnávání? | Statistika

Problém vícenásobného porovnávání je problém, který vzniká, když se provádí více testů na stejném vzorku. To lze ilustrovat na příkladu.

Např.

Řekněme, že studie zkoumá perspektivní rizikové faktory běžeckých zranění u 5000 začínajících běžců. Testují se různé proměnné, protože zatím nevíme, které z nich riziko zvyšují. Příklady: objem běhu, pokles nártu, úhel q, síla čtyřhlavého a hýžďového svalstva, způsob došlapu na patu vs. přední část chodidla, minimalistická vs. maximalistická obuv a ROM dorziflexe kotníku.

Falešně pozitivní výsledky při vícenásobném porovnávání

Většina výzkumníků akceptuje 5% míru falešné pozitivity, což je hladina alfa nebo hladina významnosti. To platí pro danou proměnnou, jako je síla kvadricepsů. To znamená, že pokud se tato studie provede stokrát, asi 5 studií ukáže falešně pozitivní výsledek, i když ve skutečnosti žádný není.

Výzkumníci však sledují deset proměnných, nikoliv pouze sílu čtyřkolky, a to v rámci stejného vzorku. To představuje problém.

Výzkumníci, aniž by o tomto problému věděli, provádějí pokus. O dva roky později přicházejí údaje, které ukazují, že způsob úderu patou a síla hýždí jsou rizikovým faktorem pro zranění při běhu. Skvělé! To je závěr a článek je publikován.

Jak již bylo uvedeno dříve, hladina významnosti 5 % neznamená, že v tomto okamžiku existuje 5 % falešně pozitivních výsledků vzhledem k množství různých zkoumaných proměnných. Výzkumníci tedy implicitně přijali mnohem větší riziko falešně pozitivních výsledků, když provedli studii a zkoumali deset proměnných.

To dokládá chybovost v jednotlivých rodinách. Pomocí jednoduchého výpočtu můžeme zkontrolovat míru falešně pozitivních výsledků, která činí 40 %! Vzorec je uveden níže.

Řešení problému vícenásobného porovnávání

Myslím, že se shodneme na tom, že to představuje problém. Co s tím budeme dělat? Existuje řešení. Výzkumníci mohou provést korekce proti této alfa-inflaci pomocí Bonferroniho nebo Holmovy korekce. Tato problematika je popsána v části "Řízení chybovosti typu 1".

Vzorec pro rodinnou chybovost:

1 - (1 - ɑ)x

ɑ: alfa nebo hladina významnosti v desetinných místech

x: počet testů

Chyby typu II

Úprava hladiny významnosti každého jednotlivého testu však může zvýšit pravděpodobnost chyby typu II (falešně negativní ) u všech testů. Je to proto, že přísnější hladina významnosti snižuje sílu každého jednotlivého testu odhalit skutečný účinek nebo vztah. V důsledku toho může být u některých testů významný účinek přehlédnut, což vede k falešně negativním výsledkům. Abychom se vyhnuli falešně negativním výsledkům v důsledku problému vícenásobného porovnávání, můžeme použít techniky, jako je předběžná registrace hypotéz, replikační studie nebo výkonnější statistické metody, jako je Bayesovská inference. Kromě toho je důležité pečlivě navrhnout studii a testované hypotézy, aby se minimalizoval počet prováděných testů a zajistilo se, že budou smysluplné a relevantní pro výzkumnou otázku.