Type 1 feilrate | Statistikk

Gå til

Finn denne wikien på Physiotutors-plattformen Bli medlem

Lære

Type 1 feilrate | Statistikk

Testing av flere variabler blåser opp feilfrekvensen type 1 eller den falske positive frekvensen. Dette kalles problemet med flere sammenligninger . Å korrigere for denne alfa-inflasjonen er ikke vanskelig. Det er to hovedmåter, nemlig Bonferroni-korreksjonen og Holm-korreksjonen.

Bonferroni korreksjon

Bonferroni-korreksjonen er enkel, men ganske konservativ. Du deler alfanivået ditt på antall tester du skal utføre. Dette blir det nye betydningsnivået. Så i dette tilfellet:

ɑ / n

ɑ: alfa- eller signifikansnivå

n: antall tester

0,05 / 10 = 0,005

Du kan dermed gjøre dette ganske enkelt selv når du leser en oppgave. Hvis fem variabler testes, vet du at alfanivået bør være omtrent 0,01 i stedet for 0,05 (0,05 / 5). Dette er under forutsetningen at forskerne ikke utførte en båtlast med tester "bak kulissene" mens de ikke rapporterte dem. Dette kalles data-dredging eller p-hacking .

En annen måte er ganske enkelt å multiplisere p-verdien i oppgaven med antall tester.

F.eks.

P-verdi = 0,03

0,03 * 10 = 0,3

Dette betyr at den tidligere signifikante p-verdien nå ble ubetydelig dersom 10 variabler ble testet.

Bonferroni-korreksjonsbegrensninger

Bonferroni-korreksjonen er en mye brukt metode for å justere signifikansnivået for flere sammenligninger for å kontrollere den generelle type I feilraten. Det har imidlertid flere begrensninger.

En av hovedproblemene er at den kan være for streng, noe som kan føre til tap av statistisk kraft. I tillegg antar den at alle sammenligninger er uavhengige, noe som kanskje ikke er tilfelle i virkelige data, noe som potensielt kan føre til høyere type II feilrate .

En annen begrensning ved Bonferroni-korreksjonen er at den øker sjansen for falske negativer eller Type II-feil , noe som betyr at det er større sjanse for å gå glipp av en sann effekt.

Til slutt er Bonferroni-korreksjonen mest hensiktsmessig for situasjoner der antallet sammenligninger er relativt lite, da den kanskje ikke er like effektiv når antallet sammenligninger er veldig stort. Derfor bør forskere nøye vurdere hensiktsmessigheten av Bonferroni-korreksjonen for deres forskningsspørsmål og datasett, og være klar over dens begrensninger.

Holm korreksjon

En annen måte å korrigere alfa-inflasjonen på er Holm-korreksjonen. La oss si at forskerne gjorde fem tester og dermed ble fem p-verdier . For at Holm-korreksjonen skal fungere, bør de rangeres fra lavest til høyest.

F.eks.

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

Holm-formelen er som følger:

p-verdi * (m + 1 – k)

m = antall p-verdier

k = rangeringen av p-verdien

Så for den tredje p-verdien får vi...

0,0172 * (5 + 1 – 3) = 0,0516

… gjør resultatene ubetydelige.

Holm Korreksjon Begrensninger

En begrensning er at Holms korreksjon forutsetter at alle tester er uavhengige, noe som betyr at resultatene fra en test ikke påvirker resultatene til en annen. Men i noen tilfeller kan testene være avhengige, for eksempel når du tester flere utfall fra samme prøve eller når du tester forskjellige tidspunkter fra samme intervensjon. I slike tilfeller kan Holms korreksjon være for konservativ eller for liberal, noe som fører til uriktige konklusjoner. En annen begrensning ved Holms korreksjon er at den ikke tar hensyn til korrelasjonen mellom testene, noe som kan påvirke den falske positive raten. For eksempel, hvis flere tester er relatert til den samme underliggende konstruksjonen, øker sannsynligheten for å oppdage en signifikant effekt, og Holms korreksjon kan ikke gjøre tilstrekkelig rede for dette. Mens Holms korreksjon er en nyttig metode for å justere p-verdier i multippel sammenligningstesting, er det viktig å vurdere dens begrensninger, spesielt når tester er avhengige eller korrelerte. Andre metoder som kontroll av falsk oppdagelsesfrekvens eller Bayesianske metoder kan være mer passende i noen tilfeller.