Współczynnik błędu typu 1

Przejdź do

Znajdź tę wiki na platformie Physiotutors Zostań członkiem

Dowiedz się

Współczynnik błędu typu 1 | Statystyka

Testowanie wielu zmiennych zawyża wskaźnik błędu typu 1 lub wskaźnik wyników fałszywie dodatnich. Nazywa się to problemem wielokrotnego porównywania. Korekta tej alfa-inflacji nie jest trudna. Istnieją dwa główne sposoby, a mianowicie korekta Bonferroniego i korekta Holma.

Korekta Bonferroniego

Korekta Bonferroniego jest prosta, ale dość konserwatywna. Dzielisz swój poziom alfa przez liczbę testów, które zamierzasz wykonać. Będzie to nowy poziom istotności. Tak więc w tym przypadku:

ɑ / n

ɑ: poziom alfa lub poziom istotności

n: liczba testów

0.05 / 10 = 0.005

Możesz to zrobić całkiem łatwo, czytając artykuł. Jeśli testowanych jest pięć zmiennych, wiesz, że poziom alfa powinien wynosić około 0,01 zamiast 0,05 (0,05 / 5). Zakłada się, że badacze nie przeprowadzili mnóstwa testów "za kulisami", nie zgłaszając ich. Nazywa się to data-dredging lub p-hacking.

Innym sposobem jest po prostu pomnożenie wartości p w artykule przez liczbę testów.

Np.

P-value = 0,03

0.03 * 10 = 0.3

Oznacza to, że poprzednio istotna wartość p stała się nieistotna, jeśli przetestowano 10 zmiennych.

Ograniczenia korekty Bonferroniego

Korekta Bonferroniego jest powszechnie stosowaną metodą dostosowywania poziomu istotności dla porównań wielokrotnych w celu kontrolowania ogólnego poziomu błędu typu I. Ma ona jednak kilka ograniczeń.

Jednym z głównych problemów jest to, że mogą być one zbyt rygorystyczne, co może prowadzić do utraty mocy statystycznej. Ponadto zakłada, że wszystkie porównania są niezależne, co może nie mieć miejsca w przypadku danych rzeczywistych, potencjalnie prowadząc do wyższych poziomów błędu typu II.

Innym ograniczeniem korekty Bonferroniego jest to, że zwiększa ona prawdopodobieństwo wystąpienia wyników fałszywie ujemnych lub błędów typu II, co oznacza, że istnieje większe prawdopodobieństwo przeoczenia prawdziwego efektu.

Wreszcie, korekta Bonferroniego jest najbardziej odpowiednia w sytuacjach, w których liczba porównań jest stosunkowo niewielka, ponieważ może nie być tak skuteczna, gdy liczba porównań jest bardzo duża. Dlatego badacze powinni dokładnie rozważyć stosowność korekty Bonferroniego dla ich pytania badawczego i zestawu danych oraz być świadomi jej ograniczeń.

Korekta Holm

Drugim sposobem korekty inflacji alfa jest korekta Holma. Załóżmy, że badacze przeprowadzili pięć testów i w ten sposób uzyskali pięć wartości p. Aby korekta Holma zadziałała, należy je uszeregować od najniższego do najwyższego.

Np.

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

Formuła Holma jest następująca:

wartość p * (m + 1 - k)

m = liczba wartości p

k = ranga wartości p

Tak więc dla trzeciej wartości p otrzymujemy...

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

... czyniąc wyniki nieistotnymi.

Ograniczenia korekcji Holm

Jednym z ograniczeń jest to, że korekta Holma zakłada, że wszystkie testy są niezależne, co oznacza, że wyniki jednego testu nie wpływają na wyniki innego. Jednak w niektórych przypadkach testy mogą być zależne, na przykład podczas testowania wielu wyników z tej samej próby lub podczas testowania różnych punktów czasowych z tej samej interwencji. W takich przypadkach korekta Holma może być zbyt konserwatywna lub zbyt liberalna, prowadząc do błędnych wniosków. Innym ograniczeniem korekty Holma jest to, że nie uwzględnia ona korelacji między testami, co może wpływać na wskaźnik wyników fałszywie dodatnich. Na przykład, jeśli wiele testów jest powiązanych z tym samym podstawowym konstruktem, prawdopodobieństwo wykrycia znaczącego efektu wzrasta, a poprawka Holma może nie uwzględniać tego odpowiednio. Chociaż korekta Holma jest użyteczną metodą dostosowywania wartości p w testach porównań wielokrotnych, ważne jest, aby wziąć pod uwagę jej ograniczenia, szczególnie gdy testy są zależne lub skorelowane. Inne metody, takie jak kontrola współczynnika fałszywych wykryć lub metody bayesowskie, mogą być bardziej odpowiednie w niektórych przypadkach.