t-критерий Стьюдента для зависимых групп Опции

[husrus]

Добрый день! Изучаю статистику по О.Ю.Реброву самостоятельно, использую Statistica 8.
Подскажите, пожалуйста, 2 группы, исследуем 4 количественных признака, в каждой группе n=70.
Наша задача: сопоставить анализ крови до и после принятия препарата у здоровых и у больных.
Наши действия: 1. Проверили на нормальность - каждый признака по Тесту Колмогорову ?Смирнову (у всех признаков результат примерно аналогичен );
2. Т.к. распределение признаков нормальное, и группы зависимые (признаки изучали у одной группы до и после принятия препарата) применили статистический анализ (t-критерий Стьюдента для зависимых групп)
3. При анализе выходит примерно такой ответ ( ) у каждого призака
Вопрос: 1. Правильны ли наши действия?
2. Различия значений всех 4-х количественных признаков недостоверны?
3. У нас получается р> 0.05, подскажите пожалуйста как можно интерпретировать, и провести описание результатов?
Большое спасибо!

[husrus]

Большое спасибо за ценные советы! Да в любом случае мы не получим статистически значимых отличий, но для ?спортивного? интереса попробую применить метод ?One-way MANOVA?, правда еще не знаю как это делать, надеюсь О.Ю.Ребров мне поможет в этом . Если что то получиться, обязательно выложу результаты. Спасибо.

[100$]

Большое спасибо за ценные советы! Да в любом случае мы не получим статистически значимых отличий, но для ?спортивного? интереса попробую применить метод ?One-way MANOVA?, правда еще не знаю как это делать, надеюсь О.Ю.Ребров мне поможет в этом . Если что то получиться, обязательно выложу результаты. Спасибо.

Применительно к вашему случаю подойдет критерий Хотеллинга (многомерный аналог Стьюдента) и Шайрера-Рея-Хейра (непараметрический аналог). Оба реализованы в программе AtteStat (http://Attestatsoft.narod.ru). Не поленитесь прочитать стр. 239 pdf-мануала.

[husrus]

Применительно к вашему случаю подойдет критерий Хотеллинга (многомерный аналог Стьюдента) и Шайрера-Рея-Хейра (непараметрический аналог). Оба реализованы в программе AtteStat (http://Attestatsoft.narod.ru). Не поленитесь прочитать стр. 239 pdf-мануала.

Попробовал установить Attestat, вначале произошла интеграция в Excel, но после перезагрузки компьютера- исчезла, и как тщательно я ее не искал в Excel и не открывал программу Attestat больше она не появлялась, может из-за того что office 2010 или другие причины я не знаю (. В связи с этим решил, продолжать изучение statistica
У меня возникло два вопроса: 1. Можно ли оставить на этом этапе, все равно как сказал TheThing - "вы в любом случае не получите стат. значимых отличий", может и не стоит "копать" глубже?
2. Если все же продолжать, можно ли использовать многомерные статистические анализы, такие как: кластерный анализ, дискриминантный анализ и др. методы реализованные в statistica? Спасибо.

[100$]

Попробовал установить Attestat, вначале произошла интеграция в Excel, но после перезагрузки компьютера- исчезла, и как тщательно я ее не искал в Excel и не открывал программу Attestat больше она не появлялась, может из-за того что office 2010 или другие причины я не знаю (. В связи с этим решил, продолжать изучение statistica
У меня возникло два вопроса: 1. Можно ли оставить на этом этапе, все равно как сказал TheThing - "вы в любом случае не получите стат. значимых отличий", может и не стоит "копать" глубже?
2. Если все же продолжать, можно ли использовать многомерные статистические анализы, такие как: кластерный анализ, дискриминантный анализ и др. методы реализованные в statistica? Спасибо.

Понимаете, какое дело: дисперсионный анализ - это способ проверить гипотезу о средней, а кластерный и дискриминантный анализы - это все-таки задачи классификации объектов. Это далеко не одно и то же. Так что лучше всего констатировать отсутствие различий и на этом успокоиться.

[p2004r]

Понимаете, какое дело: дисперсионный анализ - это способ проверить гипотезу о средней, а кластерный и дискриминантный анализы - это все-таки задачи классификации объектов. Это далеко не одно и то же. Так что лучше всего констатировать отсутствие различий и на этом успокоиться.

зависимости в данных бывают и нелинейные

PS я бы вообще подход --- когда считается какой то тест, и его "достоверные" результаты являются причиной печатать статью не применял бы. в интернете масса страничек где можно ощутить всю бессмысленность такого подхода к данным. правильно сначала увидеть эффект в дисперсии данных и только потом проверять гипотезу о его достоверности.


Сообщение отредактировал p2004r - 13.08.2012 - 19:19

[TheThing]

зависимости в данных бывают и нелинейные

PS я бы вообще подход --- когда считается какой то тест, и его "достоверные" результаты являются причиной печатать статью не применял бы. в интернете масса страничек где можно ощутить всю бессмысленность такого подхода к данным. правильно сначала увидеть эффект в дисперсии данных и только потом проверять гипотезу о его достоверности.

Здесь на форуме уже была статья Коэна "The earth is round, p < .05" (Cohen), где высмеивался данный подход. И это проблема не только массы страничек в интернете, а проблема подхода к анализу статистических данных вот уже более 50 лет. Поскольку статистика предполагает вероятностный исход результатов, то очень много людей именно и стремятся к получению заветной "достоверности". Про величину эффекта редко вспоминают. В Американской ассоциации психологов (APA) было предложение даже "забанить" практически трактовать статистически значимые результаты, основываясь лишь на p-value. Такое намерение конечно придушили..

[pifagor]

Здесь на форуме уже была статья Коэна "The earth is round, p < .05" (Cohen), где высмеивался данный подход. И это проблема не только массы страничек в интернете, а проблема подхода к анализу статистических данных вот уже более 50 лет. Поскольку статистика предполагает вероятностный исход результатов, то очень много людей именно и стремятся к получению заветной "достоверности". Про величину эффекта редко вспоминают. В Американской ассоциации психологов (APA) было предложение даже "забанить" практически трактовать статистически значимые результаты, основываясь лишь на p-value. Такое намерение конечно придушили..

Про величину эффекта как-то забывают. А что такое величина эффекта конкретно? Как и кто определяет эту самую величину?

[TheThing]

Про величину эффекта как-то забывают. А что такое величина эффекта конкретно? Как и кто определяет эту самую величину?

Если NHST (Null hypothesis significance testing) позволяет нам сказать например, что средние двух выборок статистически значимо отличаются (H0 = X1 - X2 = 0), то величина эффекта позволяет нам понять, насколько "сильно" ("много", "больше") они отличаются. Ведь при p < .05 они могут отличаться как на 0.000001 так и на значение, "далекое" от нуля. Существует приблизительно около 30 величин эффекта, все они в основном делятся на 2 группы: величина эффекта D Коэна (Cohen) и r Пирсона. Более подробно обо всем этом можно почитать в 2 замечательных книгах о величинах эффекта:

1) Effect size for research, a broad practical approach by Robert Grissom
2) Essential guide to effect size by Paul Ellis

Обе книги можно словить в свободном доступе.

Чтобы показать на пальцах, что может величина эффекта и не может NHST, посмотрите следующий пример, тем более я его завязал на любимом Вами критерии Стьюдента

На рис. 1 выдержка из результатов анализа SPSS. Обратите внимание на колонку "разница средних" - Mean difference - в обеих случаях мы видим разницу в -2,20, но для первой таблицы разница в средних -2,20 является статистически значимой (p < .001), а для второго случая - стат. незначимой (p = .169, если предполагается равенство дисперсий). Как такое может быть? ответ находится в той же самой таблице ).

На рис. 2 несколько другая ситуация. Разницы между средними нет (если говорить стат. языком - так говорить нельзя), как видно из колонки Mean difference - 0. Однако средние двух выборок статистически значимо отличаются друг от друга (p = .022). Как же это возможно? Ответ опять же есть в таблице.

Человек, который владеет лишь NHST, делает корректные стат. выводы, однако эти выводы не имеют никакой практической значимости, поскольку не был проведен анализ величин эффекта.

[pifagor]

Если NHST (Null hypothesis significance testing) позволяет нам сказать например, что средние двух выборок статистически значимо отличаются (H0 = X1 - X2 = 0), то величина эффекта позволяет нам понять, насколько "сильно" ("много", "больше") они отличаются. Ведь при p < .05 они могут отличаться как на 0.000001 так и на значение, "далекое" от нуля. Существует приблизительно около 30 величин эффекта, все они в основном делятся на 2 группы: величина эффекта D Коэна (Cohen) и r Пирсона. Более подробно обо всем этом можно почитать в 2 замечательных книгах о величинах эффекта:

1) Effect size for research, a broad practical approach by Robert Grissom
2) Essential guide to effect size by Paul Ellis

Обе книги можно словить в свободном доступе.

Чтобы показать на пальцах, что может величина эффекта и не может NHST, посмотрите следующий пример, тем более я его завязал на любимом Вами критерии Стьюдента

На рис. 1 выдержка из результатов анализа SPSS. Обратите внимание на колонку "разница средних" - Mean difference - в обеих случаях мы видим разницу в -2,20, но для первой таблицы разница в средних -2,20 является статистически значимой (p < .001), а для второго случая - стат. незначимой (p = .169, если предполагается равенство дисперсий). Как такое может быть? ответ находится в той же самой таблице ).

На рис. 2 несколько другая ситуация. Разницы между средними нет (если говорить стат. языком - так говорить нельзя), как видно из колонки Mean difference - 0. Однако средние двух выборок статистически значимо отличаются друг от друга (p = .022). Как же это возможно? Ответ опять же есть в таблице.

Человек, который владеет лишь NHST, делает корректные стат. выводы, однако эти выводы не имеют никакой практической значимости, поскольку не был проведен анализ величин эффекта.

Книги хорошие, только хрен их скачаешь. 30 способов-это вы загнули.