Ich habe eine Simulation, in der ein Tier in eine feindliche Umgebung gebracht wird und zeitlich festgelegt ist, wie lange es mit einem Überlebensansatz überleben kann. Es gibt drei Ansätze, mit denen es überleben kann. Ich habe 300 Simulationen des Tieres mit jedem Überlebensansatz durchgeführt. Alle Simulationen finden in derselben Umgebung statt, aber es gibt eine gewisse Zufälligkeit, sodass sie jedes Mal anders ist. Ich stelle fest, wie viele Sekunden das Tier in jeder Simulation überlebt. Länger leben ist besser. Meine Daten sehen folgendermaßen aus:
Approach 1, Approach 2, Approach 2
45,79,38
48,32,24
85,108,44
... 300 rows of these
Ich bin mir nicht sicher, was ich nach diesem Punkt tue. Lassen Sie mich wissen, wenn ich etwas Dummes und Falsches tue. Ich versuche mit einem bestimmten Ansatz herauszufinden, ob es einen statistischen Unterschied in der Lebensdauer gibt.
Ich habe einen Shapiro-Test für jede der Proben durchgeführt und sie kamen mit winzigen p-Werten zurück, daher glaube ich, dass die Daten nicht normalisiert sind.
Daten in Zeilen haben keine Beziehung zueinander. Der für jede Simulation verwendete zufällige Startwert war unterschiedlich. Daher glaube ich, dass die Daten nicht gepaart sind.
Da die Daten nicht normalisiert, nicht gepaart sind und mehr als zwei Proben vorhanden waren, führte ich einen Kruskal-Wallis-Test durch, der mit einem p-Wert von 0,048 zurückkam. Ich ging dann zu einem Post-hoc über und wählte Mann Whitney aus. Ich bin mir nicht sicher, ob Mann Whitney hier eingesetzt werden soll.
Ich verglich jeden Überlebensansatz miteinander, indem ich den Mann-Whitney-Test durchführte, dh {(Ansatz 1, Ansatz 2), (Ansatz 1, Ansatz 3), (Ansatz 2, Ansatz 3)}. Es wurde keine statistische Signifikanz zwischen dem Paar (Ansatz 2, Ansatz 3) unter Verwendung eines zweiseitigen Tests festgestellt, aber es wurde ein Signifikanzunterschied unter Verwendung eines einseitigen Tests gefunden.
Probleme:
- Ich weiß nicht, ob es Sinn macht, Mann Whitney so zu verwenden.
- Ich weiß nicht, ob ich einen Mann Whitney mit einem oder zwei Schwänzen verwenden soll.
Antworten:
Nein, Sie sollten den Mann-Whitney- Test unter diesen Umständen nicht verwenden.U
Hier ist der Grund: Dunns Test ist ein geeigneter Post-hoc- Test * nach Ablehnung eines Kruskal-Wallis-Tests. Wenn man von einer Ablehnung von Kruskal-Wallis zur Durchführung gewöhnlicher paarweiser Rangsummentests (dh Wilcoxon oder Mann-Whitney) übergeht, ergeben sich zwei Probleme: (1) Die für die paarweisen Rangsummentests verwendeten Ränge sind nicht die vom Kruskal-Wallis-Test verwendeten Ränge; und (2) die Rang-Summen-Tests verwenden nicht die gepoolte Varianz, die durch die Kruskal-Wallis-Nullhypothese impliziert wird. Dunns Test hat diese Probleme nicht
Post-hoc- Tests nach Ablehnung eines Kruskal-Wallis-Tests, die für mehrere Vergleiche angepasst wurden, können möglicherweise nicht alle paarweisen Tests für eine bestimmte familienbezogene Fehlerrate oder eine falsche Falschentdeckungsrate ablehnen, die einem bestimmten für den Omnibus-Test entspricht Wie bei jedem anderen Omnibus- / Post-Hoc- Testszenario mit mehreren Vergleichen .α
Sofern Sie nicht Grund zu der Annahme haben, dass die Überlebenszeit einer Gruppe länger oder kürzer ist als die einer anderen Gruppe , sollten Sie die zweiseitigen Tests verwenden.
Dunns Test kann in Stata mit dunntest (Typ
net describe dunntest, from(https://www.alexisdinno.com/stata)
) und in R mit dem Paket dunn.test durchgeführt werden.Ich frage mich auch, ob Sie einen Überlebensanalyse- Ansatz wählen könnten, um zu beurteilen, ob und wann ein Tier unter verschiedenen Bedingungen stirbt.
* Einige weniger bekannte post-hoc -paarweise Tests, die einem abgelehnten Kruskal-Wallis folgen, umfassen Conover-Iman (wie Dunn, jedoch basierend auf der t- Verteilung anstelle der z- Verteilung, die für Stata im Conovertest- Paket implementiert wurde). und für R im conover.test- Paket) und die Dwass-Steel-Citchlow-Fligner-Tests.
quelle
Eine einheitliche Verallgemeinerung von Kruskal-Wallis / Wilcoxon ist das proportionale Quotenmodell, das allgemeine Kontraste mit punktweisen oder gleichzeitigen Konfidenzintervallen für Quotenverhältnisse zulässt. Dies ist in meinen R-
rms
Paketenorm
undcontrast.rms
Funktionen implementiert .quelle
Sie können auch den kritischen Unterschied nach Conover oder den kritischen Unterschied nach Schaich und Hamerle verwenden. Ersteres ist liberaler, während letzteres genau ist, aber ein wenig Macht fehlt. Beide Methoden sind auf meiner Website brightstat.com dargestellt. Mit der Webanwendung von brightstat können Sie diese kritischen Unterschiede auch berechnen und die Post-hoc-Tests sofort durchführen. Kruskal-Wallis auf brightstat.com
quelle
Wenn Sie SPSS verwenden, führen Sie den Post-hoc-Mann-Whitney mit Bonferroni-Korrektur durch (p-Wert geteilt durch die Anzahl der Gruppen).
quelle