I. típusú hibaarány

Ugrás ide

Ezt a wikit a Physiotutors platformon találod meg Legyél tag

Tanulj

I. típusú hibaarány | Statisztika

Több változó tesztelése megnöveli az 1-es típusú hibaarányt vagy a tévesen pozitív arányt. Ezt többszörös összehasonlítási problémának nevezzük. Az alfa-infláció korrigálása nem nehéz. Két fő módszer létezik, a Bonferroni-korrekció és a Holm-korrekció.

Bonferroni-korrekció

A Bonferroni-korrekció egyszerű, de meglehetősen konzervatív. Oszd el az alfa-szinted az elvégzendő tesztek számával. Ez lesz az új szignifikancia szint. Tehát ebben az esetben:

ɑ / n

ɑ: alfa vagy szignifikancia szint

n: tesztek száma

0,05 / 10 = 0,005

Így ezt te is könnyen megteheted, amikor cikket olvasol. Ha öt változót vizsgálnak, tudhatod, hogy az alfa szintnek 0,01 körül kell lennie 0,05 helyett (0,05 / 5). Feltételezve, hogy a kutatók nem végeztek egy csomó tesztet a "színfalak mögött", anélkül, hogy beszámoltak volna róluk. Ezt adathalászatnak vagy p-hackingnek nevezik.

A p-értéket is megszorozhatjuk a tesztek számával.

Pl.

P-érték = 0,03

0,03 * 10 = 0,3

Ez azt jelenti, hogy a korábban szignifikáns p-érték most már nem szignifikáns, ha 10 változót tesztelsz.

A Bonferroni-korrekció korlátai

A Bonferroni-korrekció egy elterjedt módszer a szignifikancia szintjének beállítására többszörös összehasonlításoknál, hogy kontrolláljuk az összesített I. típusú hibaszintet. Viszont, ennek is vannak korlátai.

A fő probléma, hogy túlságosan szigorú lehet, ami a statisztikai erő csökkenéséhez vezethet. Ráadásul feltételezi, hogy minden összehasonlítás független, ami a valós adatoknál nem biztos, hogy így van, ami potenciálisan magasabb II. típusú hiba arányhoz vezethet.

A Bonferroni-korrekció másik korlátja, hogy növeli a téves negatív eredmények vagy a II. típusú hibák esélyét, ami azt jelenti, hogy nagyobb az esélye egy valódi hatás figyelmen kívül hagyásának.

A Bonferroni-korrekció leginkább akkor ideális, ha kevés az összehasonlítás, mert nagy számú összehasonlításnál már nem hatékony. Éppen ezért alaposan gondold át, hogy a Bonferroni-korrekció megfelelő-e a kutatási kérdésedhez és az adathalmazodhoz, és ismerd a korlátait.

Holm-korrekció

Az alfa-infláció korrigálásának másik módja a Holm-korrekció. Tegyük fel, hogy a kutatók öt tesztet végeztek, így öt p-értéket kaptak. Ahhoz, hogy a Holm-korrekció működjön, a p-értékeket a legkisebbtől a legnagyobbig kell rangsorolni.

Pl.

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

A Holm-képlet a következő:

p-érték * (m + 1 – k)

m = a p-értékek száma

k = a p-érték rangja

Így a harmadik p-értékhez jutunk…

0,0172 * (5 + 1 – 3) = 0,0516

…így az eredmények nem lesznek mérvadóak.

A Holm-korrekció korlátai

Az egyik korlátozás az, hogy a Holm-korrekció feltételezi, hogy minden teszt független, ami azt jelenti, hogy az egyik teszt eredményei nem befolyásolják a másik teszt eredményeit. Bizonyos esetekben azonban a tesztek függhetnek egymástól, például amikor ugyanazon mintából több eredményt vizsgálnak, vagy amikor ugyanazon beavatkozás különböző időpontokban történő vizsgálatát végzik. Ilyen esetekben a Holm korrekciója túl konzervatív vagy túl liberális lehet, ami helytelen következtetésekhez vezet. A Holm-korrekció másik korlátja, hogy nem veszi figyelembe a tesztek közötti korrelációt, ami befolyásolhatja a hamis pozitív arányt. Például, ha több teszt kapcsolódik ugyanahhoz a mögöttes konstrukcióhoz, a szignifikáns hatás kimutatásának valószínűsége megnő, és a Holm-korrekció nem biztos, hogy megfelelően figyelembe veszi ezt. Bár a Holm-korrekció hasznos módszer a p-értékek kiigazítására a többszörös összehasonlító tesztelésben, fontos figyelembe venni a korlátait, különösen akkor, ha a tesztek függőek vagy korreláltak. Bizonyos esetekben más módszerek, például a hamis felfedezési arány ellenőrzése vagy a Bayes-módszerek megfelelőbbek lehetnek.