Stopa pogreške tipa 1

Idi na

Pronađite ovaj wiki na platformi Physiotutors. Postanite član

Naučiti

Stopa pogreške tipa 1 | Statistika

Testiranje više varijabli povećava stopu pogreške tipa 1 ili lažno pozitivnu stopu. To se naziva problem višestruke usporedbe . Ispravljanje ove alfa-inflacije nije teško. Postoje dva glavna načina, naime Bonferronijeva korekcija i Holmova korekcija.

Bonferronijeva korekcija

Bonferronijeva korekcija je jednostavna, ali prilično konzervativna. Svoju alfa razinu dijelite s brojem testova koje ćete obaviti. Ovo će biti nova razina značaja. Dakle, u ovom slučaju:

ɑ / n

ɑ: alfa ili razina značajnosti

n: broj testova

0,05 / 10 = 0,005

To možete vrlo lako učiniti sami dok čitate rad. Ako se testira pet varijabli, znate da bi alfa razina trebala biti oko 0,01 umjesto 0,05 (0,05 / 5). Ovo je pod pretpostavkom da istraživači nisu izveli gomilu testova "iza kulisa", a da ih nisu prijavili. To se naziva bageriranje podataka ili p-hakiranje .

Drugi način je jednostavnim množenjem p-vrijednosti u radu s brojem testova.

Npr.

P-vrijednost = 0,03

0,03 * 10 = 0,3

To znači da je prethodno značajna p-vrijednost sada postala beznačajna ako je testirano 10 varijabli.

Ograničenja Bonferronijeve korekcije

Bonferronijeva korekcija široko je korištena metoda za podešavanje razine značajnosti za višestruke usporedbe kako bi se kontrolirala ukupna stopa pogreške tipa I. Međutim, ima nekoliko ograničenja.

Jedan od glavnih problema je taj što može biti prestrog, što može dovesti do gubitka statističke snage. Osim toga, pretpostavlja da su sve usporedbe neovisne, što možda nije slučaj u podacima iz stvarnog svijeta, što potencijalno dovodi do viših stopa pogreške tipa II .

Još jedno ograničenje Bonferronijeve korekcije je da povećava mogućnost lažno negativnih rezultata ili pogrešaka tipa II , što znači da postoji veća vjerojatnost da će se izostaviti pravi učinak.

Konačno, Bonferronijeva korekcija najprikladnija je za situacije u kojima je broj usporedbi relativno mali, budući da možda neće biti tako učinkovita kada je broj usporedbi vrlo velik. Stoga bi istraživači trebali pažljivo razmotriti prikladnost Bonferronijeve korekcije za svoje istraživačko pitanje i skup podataka te biti svjesni njezinih ograničenja.

Holmova korekcija

Drugi način ispravljanja alfa inflacije je Holmova korekcija. Recimo da su istraživači napravili pet testova i tako dobili pet p-vrijednosti . Da bi Holmova korekcija radila, trebali bi biti rangirani od najnižeg prema najvišem.

Npr.

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

Holmova formula je sljedeća:

p-vrijednost * (m + 1 – k)

m = broj p-vrijednosti

k = rang p-vrijednosti

Dakle, za treću p-vrijednost dobivamo...

0,0172 * (5 + 1 – 3) = 0,0516

… čineći rezultate beznačajnima.

Ograničenja Holmove korekcije

Jedno ograničenje je da Holmova korekcija pretpostavlja da su svi testovi neovisni, što znači da rezultati jednog testa ne utječu na rezultate drugog. Međutim, u nekim slučajevima testovi mogu biti ovisni, kao na primjer kada se testira više ishoda iz istog uzorka ili kada se testiraju različite vremenske točke iz iste intervencije. U takvim slučajevima, Holmova korekcija može biti previše konzervativna ili previše liberalna, što dovodi do netočnih zaključaka. Još jedno ograničenje Holmove korekcije je to što ne uzima u obzir korelaciju između testova, što može utjecati na lažno pozitivnu stopu. Na primjer, ako je više testova povezano s istim osnovnim konstruktom, povećava se vjerojatnost otkrivanja značajnog učinka, a Holmova korekcija to možda neće adekvatno uzeti u obzir. Dok je Holmova korekcija korisna metoda za prilagodbu p-vrijednosti u testiranju višestrukih usporedbi, važno je uzeti u obzir njena ograničenja, osobito kada su testovi ovisni ili korelirani. Druge metode kao što su False Discovery Rate kontrola ili Bayesove metode mogu biti prikladnije u nekim slučajevima.