Míra chybovosti typu 1

Přejít na

Tuto wiki najdete na platformě Physiotutors Staňte se členem

Naučte se

Míra chybovosti typu 1 | Statistika

Testování více proměnných zvyšuje míru chyb typu 1 nebo míru falešně pozitivních výsledků. To se nazývá problém vícenásobného porovnávání. Oprava této alfa-inflace není obtížná. Existují dva hlavní způsoby, a to Bonferroniho korekce a Holmova korekce.

Bonferroniho korekce

Bonferroniho korekce je jednoduchá, ale poměrně konzervativní. Úroveň alfa vydělíte počtem testů, které se chystáte provést. To bude nová hladina významnosti. V tomto případě tedy:

ɑ / n

ɑ: alfa nebo hladina významnosti

n: počet testů

0.05 / 10 = 0.005

Při čtení článku to tedy můžete snadno udělat sami. Pokud je testováno pět proměnných, víte, že hladina alfa by měla být přibližně 0,01 místo 0,05 (0,05 / 5). To platí za předpokladu, že výzkumníci neprováděli spoustu testů "v zákulisí", aniž by o nich informovali. Tomuto postupu se říká data-dredging nebo p-hacking.

Jiný způsob je jednoduše vynásobit p-hodnotu uvedenou v článku počtem testů.

Např.

P-hodnota = 0,03

0.03 * 10 = 0.3

To znamená, že dříve významná p-hodnota se nyní stala nevýznamnou, pokud bylo testováno 10 proměnných.

Omezení Bonferroniho korekce

Bonferroniho korekce je široce používaná metoda pro úpravu hladiny významnosti pro vícenásobná porovnání s cílem kontrolovat celkovou míru chyb typu I. Má však několik omezení.

Jedním z hlavních problémů je, že může být příliš přísná, což může vést ke ztrátě statistické síly. Navíc předpokládá, že všechna srovnání jsou nezávislá, což nemusí být v reálných datech pravda, což může vést k vyšší chybovosti typu II.

Dalším omezením Bonferroniho korekce je, že zvyšuje pravděpodobnost falešně negativních výsledků nebo chyb typu II, což znamená, že existuje vyšší pravděpodobnost přehlédnutí skutečného účinku.

Konečně, Bonferroniho korekce je nejvhodnější pro situace, kdy je počet srovnání relativně malý, protože nemusí být tak účinná, když je počet srovnání velmi velký. Výzkumní pracovníci by proto měli pečlivě zvážit vhodnost Bonferroniho korekce pro svou výzkumnou otázku a soubor dat a být si vědomi jejích omezení.

Oprava Holm

Druhým způsobem korekce inflace alfa je Holmova korekce. Řekněme, že výzkumníci provedli pět testů a získali tak pět p-hodnot. Aby Holmova korekce fungovala, měly by být seřazeny od nejnižší po nejvyšší.

Např.

0,0004
0,0130
0,0172
0,0460
0,0600

Holmův vzorec je následující:

p-hodnota * (m + 1 - k)

m = počet p-hodnot

k = hodnost p-hodnoty

Takže pro třetí p-hodnotu dostaneme...

0,0172 * (5 + 1 - 3) = 0,0516

... což činí výsledky nevýznamnými.

Omezení korekce Holm

Jedním z omezení je, že Holmova korekce předpokládá, že všechny testy jsou nezávislé, což znamená, že výsledky jednoho testu neovlivňují výsledky jiného testu. V některých případech však mohou být testy závislé, například při testování více výsledků ze stejného vzorku nebo při testování různých časových bodů stejné intervence. V takových případech může být Holmova korekce příliš konzervativní nebo příliš liberální, což vede k nesprávným závěrům. Dalším omezením Holmovy korekce je, že nebere v úvahu korelaci mezi testy, což může ovlivnit míru falešně pozitivních výsledků. Pokud se například více testů vztahuje ke stejnému základnímu konstruktu, pravděpodobnost zjištění významného účinku se zvyšuje a Holmova korekce to nemusí dostatečně zohlednit. Holmova korekce je užitečná metoda pro úpravu p-hodnot při testování vícenásobného porovnání, je však třeba vzít v úvahu její omezení, zejména pokud jsou testy závislé nebo korelované. V některých případech mohou být vhodnější jiné metody, jako je kontrola míry falešných objevů nebo bayesovské metody.