Поправка Бонферрони или FDR Опции

[vas]

Здравствуйте! У меня вопрос по поводу множественного сравнения. А конкретно, по поправке Бонферрони.

Как он считается? Я p делю на количество групп сравнения или на общее количество тестов? Вот допустим, у меня работа по полиморфизмам SNP, т.е есть индивиды с тремя генотипами, и они сравниваются между собой по 11 показателям. Мне делить p на 3 или на 33??? Или на 11?
И еще вопрос. Его мне применять ко всему исследованию или только к 1 полиморфизму???

Еще хотелось бы узнать преимущества FDR (False discovery rate) контроля. И про возможность его использования вместо поправки Бонферрони.

PS Читал нижний топик про тест Крускалл-Валлиса, но не совсем понял. Вот если я сравниваю три группы индивидов, и нахожу значимое различие по какому-нибудь показателю, то могу судить лишь о том, что они различаются между собой??? НО не могу, допустим, судить о том как они различаются.

Сообщение отредактировал vas - 30.09.2013 - 06:37

[anserovtv]

В поправке Бонферрони уровень значимости альфа делится на число сравнений и р-значения сравниваются с этим уменьшенным уровнем значимости.
У вас , как я понимаю содержательную часть, будет делиться на 3 (число сочетаний из 3 по 2 или (3*2)/2 ) по каждому показателю отдельно.
Обычно множественные сравнения выполняются в среде статпакетов. По моим сведениям чаще применяется метод Шеффе. Из моего опыта: все поправки дают почти всегда одинаковый результат.
Применение поправок зависит и от равенства-неравенства дисперсий.
Если равенство дисперсий не выполняется , то применяются особые поправки.
Видимо, в вашем случае лучше применять многофакторный одномерный или многофакторный многомерный дисперсионный анализ.
По непараметрическим методам: если при сравнении нескольких независимых выборок по
критерию Крускала-Уоллеса нулевая гипотеза отвергается (различия значимы),
следует провести все попарные сравнения каждой группы со всеми другими по критерию Манна-Уитни.
Также можно применять критерий направленных альтернатив Джонкира-Терпстра и другие методы.
Все попарные сравнения с поправками легко сделать в пакетах программ.

Сообщение отредактировал anserovtv - 2.10.2013 - 20:28

[anserovtv]

Вы не написали, отвергается ли нулевая гипотеза при сравнении всех групп сразу.

Сообщение отредактировал anserovtv - 1.10.2013 - 13:35

[vas]

Большое спасибо за ответ!

По Крускалл-Валлису, нулевая гипотеза отвергается по некоторым показателям.

В поправке Бонферрони уровень значимости альфа делится на число сравнений и р-значения сравниваются с этим уменьшенным уровнем значимости.
У вас , как я понимаю содержательную часть, будет делиться на 3 (число сочетаний из 3 по 2 или (3*2)/2 ) по каждому показателю отдельно.
Обычно множественные сравнения выполняются в среде статпакетов. По моим сведениям чаще применяется метод Щеффе. Из моего опыта: все поправки дают почти всегда одинаковый результат.
Применение поправок зависит и от равенства-неравенства дисперсий.
Если равенство дисперсий не выполняется , то применяются особые поправки.
Видимо, в вашем случае лучше применять многофакторный одномерный или многофакторный многомерный дисперсионный анализ.
По непараметрическим методам: если при сравнении нескольких независимых выборок по
критерию Крускала-Уоллеса нулевая гипотеза отвергается (различия значимы),
следует провести все попарные сравнения каждой группы со всеми другими по критерию Манна-Уитни.
Также можно применять критерий направленных альтернатив Джонкира-Терпстра и другие методы.

[anserovtv]

Все эти непараметрические критерии с попарными сравнениями и с поправками значимости имеются в пакете
SPSS версий 19-21 /с графической иллюстрацией!/.
Нужно использовать новые диалоговые окна и открывать средство просмотра модели.
В модели будут показаны и все попарные сравнения.
Значимые попарные различия на графе и в таблицах выделяются цветом.
Слева выбираете и (или) выделяете критерий. Внизу справа находятся окна для выбора модели.
Поправки на множественность сравнений в таблицах устроены следующим образом:
уровень значимости сохраняется (0,05) , а значимости /р-значения/ увеличиваются!!!

Сообщение отредактировал anserovtv - 2.10.2013 - 20:31

Прикрепленные файлы

 докум_2.bmp ( 1,31 мегабайт ) Кол-во скачиваний: 995
 дос2.bmp ( 2,78 мегабайт ) Кол-во скачиваний: 740
 дос3.bmp ( 3,2 мегабайт ) Кол-во скачиваний: 847

 

[vas]

anserovtv,

Большое спасибо за подробное объяснение!
И отдельное спасибо за картинки!

[p2004r]

В поправке Бонферрони уровень значимости альфа делится на число сравнений и р-значения сравниваются с этим уменьшенным уровнем значимости.
У вас , как я понимаю содержательную часть, будет делиться на 3 (число сочетаний из 3 по 2 или (3*2)/2 ) по каждому показателю отдельно.

... а потом придётся поделить и на число показателей в "ковровом бомбометании попарными сравнениями" есть хороший комикс на эту тему.

Другое дело, что метод множественного сравнения намного более разумно должен разобраться с числом степеней свободы и структурой сравнений.

[psychologist]

у меня была где то простая формула поправки бонферрони, но я её потерял. Если у меня 68 испыиуемых и 80 переменных. Напомните , полжалуйста, как мне высчитать поправку, уровень занчимости о,05.

[nokh]

у меня была где то простая формула поправки бонферрони, но я её потерял. Если у меня 68 испыиуемых и 80 переменных. Напомните , полжалуйста, как мне высчитать поправку, уровень занчимости о,05.

Это даже не формула, а дробь: сколько тестов делаете на столько и делите p. При 80 переменных парных корреляций будет: (80*80-80)/2=3160. р=0,05/3160=0,000016. При таком уровне значимости проще вообще не проводить никаких исследований, т.к. даже если значимые корреляции найдутся, ничего нового в научном плане они не принесут: столь сильные связи уже давно открыты и никому не интересны. При таком числе переменных о поправках нужно забыть. Ваш единственный выход - сворачивать пространства переменных и/или испытуемых техниками разведочного анализа, а затем тестировать малое число более осмысленных гипотез. Например, можно провести анализ главных компонент (ну или какой-нибудь любимый вариант факторного анализа, метрического шкалирования) и опираясь на результаты ординации выделить наиболее интересные направления для дальнейшего распутывания клубка связей. Хотя в любом учебнике написано, что для таких техник число объектов должно быть в 3-10 раз больше числа переменных (и, вообще говоря, об этом следует помнить планируя исследование с 80 переменными и только 68 испытуемыми!), на практике исследователи этого часто не соблюдают, т.к. результаты ординации полезны ВСЕГДА, даже если об устойчивости решения и значимости речи вообще не идёт. Далее с использованием полученных факторных меток (factor scores) в качестве новых переменных можно провести кластерный анализ и посмотреть на сколько групп схожих испытуемых разделяется выборка, что за группы и т.д.

Сообщение отредактировал nokh - 23.02.2014 - 07:06

[psychologist]

nokh, можно вас попросить пояснить почему мы 80*80 , а потом вычитаем 80?
Вот про разведочный анализ что-то слышал. Где о нем можно почитать с примерами. Метрическое шкалирование, вы имеете многомерное?
Самая главная ошибка в планирование исследований, это мало дается денег для мотивации испытуемых. Если вообще дается(

[100$]

nokh, можно вас попросить пояснить почему мы 80*80 , а потом вычитаем 80?

Потому что для к уровней фактора число попарных сравнений определяется как k(k-1)/2

Сообщение отредактировал 100$ - 24.02.2014 - 09:30

[DoctorStat]

Потому что для к уровней фактора число попарных сравнений определяется как k(k-1)/2

Это число называется биномиальным коэффициентом из k по 2.

[100$]

Это число называется биномиальным коэффициентом из k по 2.

Не то слово, доктор. Сплошная комбинаторика.

[p2004r]

> Вот про разведочный анализ что-то слышал. Где о нем можно почитать с примерами. Метрическое шкалирование, вы имеете многомерное?


Прочитайте просто справку в википедии про Анализ принципиальных(главных) компонент (PCA).

Примеры есть в любом руководстве по многомерной статистике.

[nokh]

Вот про разведочный анализ что-то слышал. Где о нем можно почитать с примерами. Метрическое шкалирование, вы имеете многомерное?

В вашем окружении обязательно должен быть человек, владеющий статистикой и многомерными техниками, т.к. без них психология давно превратилась бы из науки в то, какой она видится многим нашим акцентуированным до грани безумия практикующим психологам Лучше, чтобы первый раз технологию многомерного анализа вам показал такой человек. Даже не так важно какую: главные компоненты, факторный анализ или многомерное метрическое шкалирование (главные координаты) - с практической точки зрения они похожи; важна сама последовательность действий и интерпретация результатов. Самому осваивать будет потруднее. Посмотрите разделы по факторному анализу и многомерному шкалированию здесь: http://www.statsoft.ru/home/textbook/default.htm. Нормальные для освоения книги:
Дункан Крамер (2007) Математическая обработка данных в социальных науках. Современные методы, 2007 (есть в сети в djvu)
Наследов А.Д. (2004) Математические методы психологического исследования (даны пошаговые инструкции для пакета SPSS, есть в сети в pdf)
Наследов А.Д. (2005) SPSS. Компьютерный анализ данных в психологии и социальных науках (есть в сети в pdf)
Джонгман (1999) Анализ данных в экологии сообществ (для расширения кругозора, у экологов много интересных наработок. Есть в сети в djvu).
А примеры гуглите в сети.

Сообщение отредактировал nokh - 24.02.2014 - 17:47