Taxa de erro do tipo 1 | Estatísticas

Ir para

Encontre este wiki na plataforma Physiotutors Torne-se um membro

Aprender

Taxa de erro do tipo 1 | Estatísticas

O teste de várias variáveis aumenta a taxa de erro do tipo 1 ou a taxa de falsos positivos. Esse é o chamado problema de comparação múltipla. A correção para essa inflação alfa não é difícil. Há duas maneiras principais, a saber, a correção de Bonferroni e a correção de Holm.

Correção de Bonferroni

A correção de Bonferroni é simples, mas bastante conservadora. Você divide seu nível alfa pelo número de testes que está prestes a realizar. Esse será o novo nível de significância. Portanto, neste caso:

ɑ / n

ɑ: nível alfa ou de significância

n: número de testes

0.05 / 10 = 0.005

Portanto, você mesmo pode fazer isso facilmente ao ler um artigo. Se cinco variáveis forem testadas, você sabe que o nível alfa deve ser de aproximadamente 0,01 em vez de 0,05 (0,05 / 5). Isso pressupõe que os pesquisadores não realizaram uma grande quantidade de testes "nos bastidores" e não os relataram. Isso é chamado de data-dredging ou p-hacking.

Outra maneira é simplesmente multiplicar o valor p no documento pelo número de testes.

Por exemplo.

Valor de p = 0,03

0.03 * 10 = 0.3

Isso significa que o valor p anteriormente significativo agora se torna insignificante se 10 variáveis forem testadas.

Limitações da correção de Bonferroni

A correção de Bonferroni é um método amplamente usado para ajustar o nível de significância para comparações múltiplas a fim de controlar a taxa geral de erro do Tipo I. No entanto, ele tem várias limitações.

Um dos principais problemas é que ele pode ser excessivamente rigoroso, o que pode levar a uma perda de poder estatístico. Além disso, ele pressupõe que todas as comparações são independentes, o que pode não ser o caso em dados do mundo real, o que pode levar a taxas de erro do Tipo II mais altas.

Outra limitação da correção de Bonferroni é que ela aumenta a chance de falsos negativos ou erros do Tipo II, o que significa que há uma chance maior de não haver um efeito verdadeiro.

Por fim, a correção de Bonferroni é mais apropriada para situações em que o número de comparações é relativamente pequeno, pois pode não ser tão eficaz quando o número de comparações é muito grande. Portanto, os pesquisadores devem considerar cuidadosamente a adequação da correção de Bonferroni para sua questão de pesquisa e conjunto de dados, e estar cientes de suas limitações.

Correção de azinhavre

Uma segunda maneira de corrigir a inflação alfa é a correção de Holm. Digamos que os pesquisadores fizeram cinco testes e, portanto, obtiveram cinco valores de p. Para que a correção de Holm funcione, elas devem ser classificadas da mais baixa para a mais alta.

Por exemplo.

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

A fórmula de Holm é a seguinte:

Valor p * (m + 1 - k)

m = número de valores de p

k = a classificação do valor p

Portanto, para o terceiro valor de p, temos...

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

... tornando os resultados insignificantes.

Limitações da correção de Holm

Uma limitação é que a correção de Holm pressupõe que todos os testes são independentes, o que significa que os resultados de um teste não afetam os resultados de outro. Entretanto, em alguns casos, os testes podem ser dependentes, como ao testar vários resultados da mesma amostra ou ao testar diferentes pontos de tempo da mesma intervenção. Nesses casos, a correção de Holm pode ser muito conservadora ou muito liberal, levando a conclusões incorretas. Outra limitação da correção de Holm é que ela não leva em conta a correlação entre os testes, o que pode afetar a taxa de falsos positivos. Por exemplo, se vários testes estiverem relacionados à mesma construção subjacente, a probabilidade de detectar um efeito significativo aumenta, e a correção de Holm pode não levar isso em conta adequadamente. Embora a correção de Holm seja um método útil para ajustar os valores de p em testes de comparação múltipla, é importante considerar suas limitações, principalmente quando os testes são dependentes ou correlacionados. Outros métodos, como o controle da taxa de descoberta falsa ou métodos bayesianos, podem ser mais apropriados em alguns casos.