Rata de eroare de tip 1

Du-te la

Găsiți acest wiki pe platforma Physiotutors Deveniți membru

Învățați

Rata de eroare de tip 1 | Statistici

Testarea mai multor variabile crește rata de eroare de tip 1 sau rata fals pozitivă. Aceasta se numește problema comparației multiple. Corectarea pentru această alfa-inflație nu este dificilă. Există două modalități principale, și anume corecția Bonferroni și corecția Holm.

Corecția Bonferroni

Corecția Bonferroni este simplă, dar destul de conservatoare. Vă împărțiți nivelul alfa la numărul de teste pe care urmează să le efectuați. Acesta va fi noul nivel de semnificație. Deci, în acest caz:

ɑ / n

ɑ: alfa sau nivelul de semnificație

n: numărul de teste

0.05 / 10 = 0.005

Astfel, puteți face acest lucru destul de ușor atunci când citiți o lucrare. Dacă sunt testate cinci variabile, știți că nivelul alfa ar trebui să fie de aproximativ 0,01 în loc de 0,05 (0,05 / 5). Aceasta presupunând că cercetătorii nu au efectuat o mulțime de teste "în spatele scenei" fără a le raporta. Aceasta se numește dragarea datelor sau p-hacking.

O altă modalitate este prin simpla înmulțire a valorii p din lucrare cu numărul de teste.

Eg.

Valoare P = 0,03

0.03 * 10 = 0.3

Aceasta înseamnă că valoarea p semnificativă anterior a devenit nesemnificativă dacă au fost testate 10 variabile.

Limitări ale corecției Bonferroni

Corecția Bonferroni este o metodă utilizată pe scară largă pentru ajustarea nivelului de semnificație pentru comparații multiple, în scopul de a controla rata globală a erorilor de tip I. Cu toate acestea, acesta are mai multe limitări.

Una dintre principalele probleme este că poate fi prea strictă, ceea ce poate duce la o pierdere a puterii statistice. În plus, se presupune că toate comparațiile sunt independente, ceea ce poate să nu fie cazul în datele din lumea reală, ceea ce poate duce la rate de eroare de tip II mai mari.

O altă limitare a corecției Bonferroni este că aceasta crește șansele de fals negative sau erori de tip II, ceea ce înseamnă că există o șansă mai mare de a rata un efect adevărat.

În cele din urmă, corecția Bonferroni este cea mai potrivită pentru situațiile în care numărul de comparații este relativ mic, deoarece este posibil să nu fie la fel de eficientă atunci când numărul de comparații este foarte mare. Prin urmare, cercetătorii ar trebui să analizeze cu atenție caracterul adecvat al corecției Bonferroni pentru întrebarea lor de cercetare și setul de date și să fie conștienți de limitele acesteia.

Corecția Holm

O a doua modalitate de a corecta inflația alfa este corecția Holm. Să spunem că cercetătorii au efectuat cinci teste și astfel au obținut cinci valori p. Pentru ca corecția Holm să funcționeze, acestea trebuie să fie clasificate de la cel mai mic la cel mai mare.

Eg.

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

Formula Holm este următoarea:

p-valoare * (m + 1 - k)

m = numărul de valori p

k = rangul valorii p

Deci, pentru a treia valoare p obținem...

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

... făcând rezultatele nesemnificative.

Limitări ale corecției Holm

O limitare este că corecția lui Holm presupune că toate testele sunt independente, ceea ce înseamnă că rezultatele unui test nu afectează rezultatele altuia. Cu toate acestea, în unele cazuri, testele pot fi dependente, cum ar fi atunci când se testează mai multe rezultate din același eșantion sau atunci când se testează puncte temporale diferite din aceeași intervenție. În astfel de cazuri, corecția lui Holm poate fi prea conservatoare sau prea liberală, conducând la concluzii incorecte. O altă limitare a corecției lui Holm este că nu ia în considerare corelația dintre teste, care poate afecta rata fals pozitivă. De exemplu, dacă mai multe teste sunt legate de același construct de bază, probabilitatea de a detecta un efect semnificativ crește, iar corecția lui Holm poate să nu țină seama în mod adecvat de acest lucru. Deși corecția lui Holm este o metodă utilă pentru ajustarea valorilor p în testele cu comparații multiple, este important să se ia în considerare limitările sale, în special atunci când testele sunt dependente sau corelate. Alte metode, cum ar fi controlul False Discovery Rate sau metodele bayesiene pot fi mai adecvate în unele cazuri.