Apa itu Masalah Perbandingan Berganda? | Statistik

Masalah perbandingan berganda adalah masalah yang muncul ketika beberapa pengujian pada sampel yang sama dilakukan. Sebuah contoh akan mengilustrasikan hal ini.

Misalnya.

Katakanlah sebuah penelitian melihat faktor risiko prospektif untuk cedera lari pada 5.000 pelari pemula. Berbagai variabel diuji, karena kita belum tahu variabel mana yang akan meningkatkan risiko. Contohnya adalah: volume lari, penurunan navicular, q-angle, kekuatan quad dan glute, pola pemogokan tumit vs kaki depan, sepatu minimalis vs sepatu maksimalis, dan ROM dorsofleksi pergelangan kaki.

Positif palsu dengan beberapa perbandingan

Sebagian besar peneliti akan menerima tingkat positif palsu 5%, tingkat alfa atau signifikansi. Ini untuk variabel tertentu seperti kekuatan paha depan. Artinya, jika penelitian ini dilakukan seratus kali, sekitar 5 penelitian akan menunjukkan hasil positif palsu, padahal sebenarnya tidak ada.

Namun, para peneliti melihat sepuluh variabel, bukan hanya kekuatan quad; dalam sampel yang sama. Hal ini menimbulkan masalah.

Para peneliti, tanpa mengetahui masalah ini, melakukan uji coba. Dua tahun kemudian, data yang masuk menunjukkan pola hantaman tumit dan kekuatan otot bokong menjadi faktor risiko cedera saat berlari. Bagus! Itulah kesimpulannya dan makalah tersebut diterbitkan.

Seperti yang telah disebutkan sebelumnya, tingkat signifikansi sebesar 5% tidak berarti ada 5% tingkat positif palsu pada saat ini karena banyaknya variabel berbeda yang sedang diteliti. Jadi para peneliti secara implisit menerima risiko yang jauh lebih besar dari hasil positif palsu dengan melakukan uji coba, dengan melihat sepuluh variabel.

Tingkat kesalahan dalam keluarga menunjukkan hal ini. Dengan perhitungan yang cukup sederhana, kita dapat memeriksa tingkat positif palsu, yaitu 40%! Rumusnya ditunjukkan di bawah ini.

Solusi untuk masalah perbandingan berganda

Saya rasa kita bisa sepakat bahwa hal ini merupakan masalah. Jadi, apa yang akan kita lakukan? Ada solusinya. Peneliti dapat melakukan koreksi untuk mengatasi inflasi alfa ini dengan melakukan koreksi Bonferroni atau Holm. Hal ini dibahas dalam "Kontrol tingkat kesalahan tipe 1".

Rumus tingkat kesalahan berdasarkan keluarga:

1 - (1 - ɑ)x

ɑ: alfa atau tingkat signifikansi dalam desimal

x: jumlah tes

Kesalahan Tipe II

Namun, menyesuaikan tingkat signifikansi dari setiap tes individu dapat meningkatkan probabilitas membuat kesalahan Tipe II (negatif palsu) di semua tes. Hal ini karena tingkat signifikansi yang lebih ketat mengurangi kekuatan setiap tes individu untuk mendeteksi efek atau hubungan yang sebenarnya. Akibatnya, efek yang signifikan mungkin terlewatkan dalam beberapa tes, yang menyebabkan hasil negatif palsu. Untuk menghindari hasil negatif palsu karena masalah perbandingan berganda, kita dapat menggunakan teknik seperti pra-pendaftaran hipotesis, studi replikasi, atau metode statistik yang lebih kuat seperti inferensi Bayesian. Selain itu, penting untuk merancang penelitian dan hipotesis yang diuji dengan hati-hati untuk meminimalkan jumlah tes yang dilakukan dan memastikan bahwa tes tersebut bermakna dan relevan dengan pertanyaan penelitian.

Wason, J. M. S., & Robertson, D. S. (2021). Mengontrol tingkat kesalahan tipe I dalam uji klinis multi-lengan: Sebuah kasus untuk tingkat penemuan yang salah. Statistik farmasi, 20(1), 109-116.

Dudoit, S., van der Laan, M. J., & Pollard, K. S. (2004). Beberapa pengujian. Bagian I. Prosedur satu langkah untuk mengendalikan tingkat kesalahan tipe I secara umum. Aplikasi statistik dalam genetika dan biologi molekuler, 3, Artikel13.

Lakens, D., Kontrol kesalahan tipe 1 oleh Daniel Lakens, youtube

John Ludbrook (1998). PROSEDUR PERBANDINGAN BERGANDA DIPERBARUI. Jurnal Penelitian Kesehatan, 25(12), 1032-1037. doi:10.1111/j.1440-1681.1998.tb02179.x