Wie und wann ist die Bonferroni-Einstellung anzuwenden?

Ich habe zwei Fragen zur Verwendung einer Bonferroni-Anpassung:

• Ist es angebracht, bei allen Mehrfachtests eine Bonferroni-Einstellung vorzunehmen?
• Wenn man einen Test für einen Datensatz durchführt, teilt man diesen Datensatz in feinere Ebenen auf (z. B. die Daten nach Geschlecht aufteilen) und führt dieselben Tests durch. Wie kann sich dies auf die Anzahl der wahrgenommenen Einzeltests auswirken? Das heißt, wenn X-Hypothesen in einem Datensatz getestet werden, der Daten sowohl von Männern als auch von Frauen enthält, und der Datensatz dann aufgeteilt wird, um männliche und weibliche Daten getrennt zu erhalten, und dieselben getesteten Hypothesen, würde die Anzahl der einzelnen Hypothesen aufgrund von X bleiben oder zunehmen die zusätzlichen Tests?

Vielen Dank für Ihre Kommentare.

Die Bonferroni-Einstellung bietet immer eine starke Kontrolle über die familienbezogene Fehlerrate. Dies bedeutet, dass unabhängig von der Art und Anzahl der Tests oder den Beziehungen zwischen ihnen, wenn ihre Annahmen erfüllt sind, sichergestellt wird, dass die Wahrscheinlichkeit, dass auch nur ein falsches signifikantes Ergebnis unter allen Tests vorliegt, höchstens , Ihr ursprünglicher Fehler Niveau. Es ist also immer verfügbar .$\alpha$

Ob es angemessen ist , es zu verwenden (im Gegensatz zu einer anderen Methode oder überhaupt keine Anpassung), hängt von Ihren Zielen, den Standards Ihrer Disziplin und der Verfügbarkeit besserer Methoden für Ihre spezifische Situation ab. Zumindest sollten Sie wahrscheinlich die Holm-Bonferroni-Methode in Betracht ziehen, die ebenso allgemein, aber weniger konservativ ist.

Da Sie mehrere Tests in Bezug auf Ihrem Beispiel ausführen, Sie sind eine Erhöhung der Familie weise Fehlerrate (die Wahrscheinlichkeit , fälschlicherweise mindestens eine Nullhypothese zurückgewiesen). Wenn Sie nur einen Test für jede Hälfte durchführen, sind viele Anpassungen möglich, einschließlich der Hommel-Methode oder Methoden zur Steuerung der Rate falscher Entdeckungen (die sich von der familienbezogenen Fehlerrate unterscheidet). Wenn Sie einen Test für den gesamten Datensatz durchführen, gefolgt von mehreren Untertests, sind die Tests nicht mehr unabhängig, sodass einige Methoden nicht mehr geeignet sind. Wie ich bereits sagte, ist Bonferroni auf jeden Fall immer verfügbar und garantiert werblich (aber auch sehr konservativ ...).

Sie können das ganze Problem auch einfach ignorieren. Formal ist die familienbezogene Fehlerquote höher, aber mit nur zwei Tests ist es immer noch nicht so schlimm. Sie können auch mit einem Test für den gesamten Datensatz beginnen, der als Hauptergebnis behandelt wird, gefolgt von Untertests für verschiedene Gruppen, die nicht korrigiert wurden, weil sie als sekundäre Ergebnisse oder Hilfshypothesen verstanden werden.

Wenn Sie auf diese Weise viele demografische Variablen berücksichtigen (im Gegensatz zu der bloßen Planung, von Anfang an auf geschlechtsspezifische Unterschiede zu testen, oder zu einem systematischeren Modellierungsansatz), wird das Problem mit einem signifikanten Risiko von „Datenbaggerungen“ (ein Unterschied) schwerwiegender kommt zufällig als bedeutsam heraus, sodass Sie ein nicht schlüssiges Experiment mit einer schönen Geschichte über die demografische Variable retten können, während in der Tat nichts wirklich passiert ist) und Sie sollten auf jeden Fall eine Form der Anpassung für mehrere Tests in Betracht ziehen. Die Logik bleibt bei X verschiedenen Hypothesen gleich (zweimaliges Testen von X-Hypothesen - eine auf jeder Hälfte des Datensatzes - führt zu einer höheren familienbezogenen Fehlerrate als nur einmaliges Testen von X-Hypothesen, und Sie sollten sich wahrscheinlich darauf einstellen).

Ich habe das gleiche Thema angeschaut und einen Text im Buch gefunden:

Eine Kopie des entsprechenden Kapitels ist hier frei verfügbar:

http://www.utdallas.edu/~herve/Abdi-Bonferroni2007-pretty.pdf

Es wird erläutert, wie die Bonferonni-Korrektur unter verschiedenen Umständen (dh unabhängigen und nicht unabhängigen Tests) angewendet werden kann, und es werden kurz einige Alternativen erwähnt. Es wird auch erwähnt, dass der Test zu konservativ wird, wenn die Anzahl der von Ihnen getesteten Vergleiche groß wird, und Sie nichts Wichtiges mehr finden können (wenn Sie 10 Vergleiche durchführen würden, müssten Sie , für 20 Tests ist das 0,002 usw.)$α[PT]= 1-(1-0.05)^(1/10) = 0.0051$

Um fair zu sein, ich habe mir für mein aktuelles Forschungsprojekt viele verschiedene wirtschafts- / ökonometrische Artikel angesehen und in dieser begrenzten Erfahrung bin ich nicht auf viele Artikel gestoßen, in denen solche Korrekturen beim Vergleich von 2-5 Tests angewendet wurden.

Sie müssen sich daran erinnern, dass medizinische Daten und wissenschaftliche Daten sich unvereinbar unterscheiden, da heteroskedastische medizinische Daten im Gegensatz zu homoskedastischen biologischen Daten niemals experimentell sind. Erinnern Sie sich auch daran, dass viele Diskussionen über die Rolle von Leistungstests und Bonferroni-Typkorrekturen nur Spekulationen über die Natur nicht erkennbarer alternativer Verteilungen beinhalten. Das Einstellen von Beta in einer Leistungsberechnung ist ein willkürliches Verfahren. Keiner der medizinischen Statistiker wirbt dafür. Zweitens, wenn es eine Autokorrelation von (innerhalb von) Datenproben gibt, wurde der zentrale Grenzwertsatz verletzt und ein Gauß-Test auf Normalbasis ist nicht gültig. Dritte, Denken Sie daran, dass die Normalverteilung in dem Sinne veraltet ist, dass viele medizinische Phänomene fraktalbasierte Verteilungen sind, die weder endliche Mittelwerte noch endliche Varianzen (Cauchy-Typ-Verteilungen) besitzen und fraktalresistente statistische Analysen erfordern. Es ist nicht richtig, eine Post-hoc-Analyse durchzuführen, die sich an den Ergebnissen der frühen Analyse orientiert. Schließlich ist die Bijektivität zwischen Subjekten nicht unbedingt gültig, und die Bedingungen für Bonferroni-Korrekturen sind wichtige Elemente, die nur im Rahmen eines a priori-Versuchsplans eindeutig herausgearbeitet werden müssen. Nigel T. James. MB BChir (UK Medical Degree), MSc (in Applied Statistics). Zwischen-Subjekt-Bijektivität ist nicht unbedingt gültig und die Bedingungen für Bonferroni-Korrekturen sind wichtige Elemente, die nur während eines a priori experimentellen Designs eindeutig herausgearbeitet werden müssen. Nigel T. James. MB BChir (UK Medical Degree), MSc (in Applied Statistics). Zwischen-Subjekt-Bijektivität ist nicht unbedingt gültig und die Bedingungen für Bonferroni-Korrekturen sind wichtige Elemente, die nur während eines a priori experimentellen Designs eindeutig herausgearbeitet werden müssen. Nigel T. James. MB BChir (UK Medical Degree), MSc (in Applied Statistics).