Интерпретация полученных результатов Опции

[DrgLena]

Спасибо большое, р2004, буду разбираться

[DrgLena]

Уважаемый р2004, мой тяжкий путь познания R тормознулся на анализе примера из документации, который Вы привели. Я тытаюсь получить таблицу сопряженности из х и g.
Как я поняла, есть 67 объектов, пять раз осмотреных и есть 0,1,2,3 оценки к каждому осмотру. Но это следует уже из таблицы первичных данных, которые приводятся, а не из первого масива данных.
Из этой таблицы я пытаюсь создать таблицу 5х4, но так, чтобы самая хорощая оценка была первой в таблице., как принято в ridit, но я не знаю какая хорошая. Но не сходится результат средних Ridit для 5 групп (рядов). Что не так? Как увидеть файл с этими данными иописание исследования. Может не верно табл создаю? Я привожу g=1, а для g=2 получу оценки по колонкам.


> ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1)

Ridit Analysis:

Group Label Mean Ridit
----- ----- ----------
1 A 0.5351
2 B 0.5729
3 C 0.4621
4 D 0.4621
5 E 0.4731

Сообщение отредактировал DrgLena - 11.02.2013 - 13:13

[aspir_h]

В связи с тем, что ув. nokh сделал следующее разъяснение

.....то для ваших данных проведённый анализ не обладает максимальной мощностью. Дело в том, что категории степени ГБ являются не номинальными, а упорядоченными: степень 1 больше 0, а 2 больше 1. При анализе обычным хи-квадратом информация о такой упорядоченности никак не задействуется, а следовательно мощность анализ снижается. В вашем случае это не принципиально, т.к. р ничтожно мало (1,66 х 10^-13), но в случае менее сильных различий и/или меньших объёмов выборок хи-квадрат или более тонкие подходы могли бы привести к разным выводам.

для проверки нулевой гипотезы о различии групп, решил сравнить метод хи квадрат Пирсона и ранговый анализ вариаций по Краскелу-Уоллису. При одних и тех же данных, получены следующие резкльтаты:
Пирсона хи квадрат = 11,57, p=0.07225
Ранговый ДА Краскела_Уоллиса p=0.0343
Таким образом, альтернативная гипотеза о различии групп принимается при применении метода Краскела_Уоллиса.
Уважаемые форумчане, я правильно рассуждаю?

Подробная информация в прикрепленном файле.

Сообщение отредактировал aspir_h - 11.02.2013 - 22:44

Прикрепленные файлы

 для_сайта_2.rar ( 81,62 килобайт ) Кол-во скачиваний: 271

 

[DrgLena]

Прежде, чем рассуждать о результатах статистического, анализа нужно содержательно поставить задачу в вашей предметной области, наверное, медицинскую. Потом описать данные, которые вы собрали, чтобы решить эту задачу, т.е. ответить на вопросы запланированного исследования. Правильно подобрать методы статистического анализа, прочитать про эти методы, например,?вариацию? чего проверяет выбранный вами метод.
А вы перебираете методы, о который вам стало известно на форуме, и хотите, чтобы выводы о результатах анализа кто то сделал за вас. Из вашей ?подробной? информации ничего не ясно, зачем вы собрали эти данные и что с чем вы хотите сравнить.
Nokh вам пишет об упорядоченных категориях, а вы опять пирсона хи квадрат приводите из программы Statistica, значит, ничего не почитали, а нашли кнопочку с К-У, так почитайте различия чего и между чем и чем вы получили, или только р нужно привести не понимая что оно означает.
Выбор методов зависит от характера данных и от постановки задачи исследования. На форуме обсуждали одну вашу таблицу, вы получили рекомендации, но приводите результат сравнения совершенно других, оставшихся в секрете, данных.

[aspir_h]

Ув. DrgLena, логика моих рассуждений и действий следующая.
В первом посте приводил пример сравнения двух групп с качественными порядковыми данными. Для этого использовалась таблица сопряженности и метод хи квадрат Пирсона. Ув. Nokh пояснил, что есть более чувствительные методы для сравнения групп с порядковыми данными и привел примеры этих методов.
Я в свою очередь на другом примере попытался сравнить два метода: в результате, при применении метода Пирсона хи квадрат, различия в группах статистически не значимы, а при анализе этих же данных, используя ранговый анализ по Краскелу_Уоллису - различия в группах получились статистически значимыми.

Вывод: при сравнении групп с порядковыми данными предпочтительным является ранговый анализ вариаций по Краскелу-Уоллису (по сравнению с Пирсона хи квадрат).

Условия задачи и данные в прикрепленном файле.

Сообщение отредактировал aspir_h - 12.02.2013 - 11:33

Прикрепленные файлы

 Данные_для_сайта.rar ( 8,9 килобайт ) Кол-во скачиваний: 282

 

[p2004r]

Уважаемый р2004, мой тяжкий путь познания R тормознулся на анализе примера из документации, который Вы привели. Я тытаюсь получить таблицу сопряженности из х и g.
Как я поняла, есть 67 объектов, пять раз осмотреных и есть 0,1,2,3 оценки к каждому осмотру. Но это следует уже из таблицы первичных данных, которые приводятся, а не из первого масива данных.
Из этой таблицы я пытаюсь создать таблицу 5х4, но так, чтобы самая хорощая оценка была первой в таблице., как принято в ridit, но я не знаю какая хорошая. Но не сходится результат средних Ridit для 5 групп (рядов). Что не так? Как увидеть файл с этими данными иописание исследования. Может не верно табл создаю? Я привожу g=1, а для g=2 получу оценки по колонкам.


> ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1)

Ridit Analysis:

Group Label Mean Ridit
----- ----- ----------
1 A 0.5351
2 B 0.5729
3 C 0.4621
4 D 0.4621
5 E 0.4731

Может проблема в том что не указывается arbitrary reference group?

Код

> ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1, ref="B")

Ridit Analysis:

Group    Label    Mean Ridit
-----    -----    ----------
1    A    0.466
2    B    0.5
3    C    0.3861
4    D    0.3861
5    E    0.4034

Reference: Group = 2, Label = B
chi-squared = 13.9436, df = 4, p-value = 0.007477

> ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1, ref="C")

Ridit Analysis:

Group    Label    Mean Ridit
-----    -----    ----------
1    A    0.5727
2    B    0.6139
3    C    0.5
4    D    0.5
5    E    0.5081

Reference: Group = 3, Label = C
chi-squared = 13.9982, df = 4, p-value = 0.007301

[DrgLena]

Да, относительно референтной группы интересно получить результат, но у меня не сходится ручной расчет по этому коду при сравнении конкретно табл 2хk. Пример из учебника есть тут, на стр 175-176

http://books.google.com.ua/books?id=EpEfWv...ple&f=false Я получаю руками 0,604 как в книге и 0,310 если поменять местами группы, а пакет выдает 0,578 и 0,473. Или иранский студент, автор кода, что то не так делает, но результат не сходится. Проверить можно только в SAS , но профессиональный статистик, работающий под прикрытием TL и который нам поведал про RIDI о результатх умалчивает. Я надеюсь, что Вы, уважаемы p2012 сможете свой код написать с понятным вводом таблицы сопряженности, может я не верно ввожу таблицу, не указываю, что она cross.

Сообщение отредактировал DrgLena - 12.02.2013 - 14:26

Прикрепленные файлы

 Spreadsheet10.pdf ( 14,53 килобайт ) Кол-во скачиваний: 275

 

[p2004r]

Да, относительно референтной группы интересно получить результат, но у меня не сходится ручной расчет по этому коду при сравнении конкретно табл 2хk. Пример из учебника есть тут, на стр 175-176

http://books.google.com.ua/books?id=EpEfWv...ple&f=false Я получаю руками 0,604 как в книге и 0,310 если поменять местами группы, а пакет выдает 0,578 и 0,473. Или иранский студент, автор кода, что то не так делает, но результат не сходится. Проверить можно только в SAS , но профессиональный статистик, работающий под прикрытием TL и который нам поведал про RIDI о результатх умалчивает. Я надеюсь, что Вы, уважаемы p2012 сможете свой код написать с понятным вводом таблицы сопряженности, может я не верно ввожу таблицу, не указываю, что она cross.

что делает иранский студент легко увидеть набрав ?ridit.raw

Код

     ## The function is currently defined as
     function (x, g, ref = NULL)
     {
         x = as.numeric(x)
         x = as.vector(x)
         g = as.factor(g)
         levels = levels(g)
         levels(g) = 1:length(levels)
         g = as.vector(g)
         g = as.character(g)
         code = is.numeric(ref)
         ref = as.vector(ref)
         ref = as.character(ref)
         if (length(ref) > 1) {
             x = c(x, ref)
             g = c(g, rep(".ref", length(ref)))
             levels = c(".ref", levels)
         }
         crosstab = t(as.matrix(table(x, g)))
         rownames(crosstab) = levels
         refindex = NULL
         if (length(ref) == 1) {
             if (!code)
                 refindex = which(levels == ref)
             if (code && ref >= 1 && ref <= nrow(crosstab))
                 refindex = as.numeric(ref)
         }
         else if (length(ref) > 1)
             refindex = which(levels == ".ref")
         if (length(refindex) != 0)
             refrow = crosstab[refindex, ]
         else refrow = apply(crosstab, 2, sum)
         if (length(refindex) == 0)

             msg = paste("Reference: Total of all groups", sep = "")
         else msg = paste("Reference: Group = ", refindex, ", Label = ",
             levels[refindex], sep = "")
         nref = sum(refrow)
         ridit = 0.5 * refrow[1]/nref
         for (i in 2:length(refrow)) {
             iridit = (sum(refrow[1:i - 1]) + 0.5 * refrow[i])/nref
             ridit = c(ridit, iridit)
         }
         n = apply(crosstab, 1, sum)
         meanRidit = c()
         for (i in 1:nrow(crosstab)) {
             itable = crosstab[i, ]
             meanRidit = c(meanRidit, sum(ridit * itable)/n[i])
         }
         n0 = sum(n)
         rbar0 = sum(n * meanRidit)/n0
         t = apply(crosstab, 2, sum)
         f = 1 - (sum(t * (t - 1) * (t + 1)))/(n0 * (n0 - 1) * (n0 +
             1))
         teststatistic = (12 * n0 * sum(n * (meanRidit - rbar0)^2))/((n0 +
             1) * f)
         testdf = nrow(crosstab) - 1
         pvalue = pchisq(q = teststatistic, df = testdf, lower.tail = FALSE)
         if (length(ref) == 0)
             ref = NULL
         names(meanRidit) = rownames(crosstab)
         output = list(MeanRidit = meanRidit, TestStatistic = teststatistic,
             df = testdf, Sig = pvalue, x = x, g = g, ref = ref, crosstab = crosstab,
             msg = msg)
         class(output) <- c("ridit", class(output))
         output
       }

если посмотреть в сравнении с немодифицированным тестом, то сумма сходится

Код

> str(ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1))
List of 9
$ MeanRidit    : Named num [1:5] 0.535 0.573 0.462 0.462 0.473
  ..- attr(*, "names")=8322456 [1:5] "A" "B" "C" "D" ...
$ TestStatistic: num 13.2
$ df           : num 4
$ Sig          : num 0.0104
$ x            : num [1:325] 1 2 2 2 3 3 3 3 3 3 ...
$ g            :8322456 [1:325] "1" "1" "1" "1" ...
$ ref          : NULL
$ crosstab     : 'table' int [1:5, 1:4] 1 0 0 0 1 3 0 2 2 6 ...
  ..- attr(*, "dimnames")=List of 2
  .. ..$ g:8322456 [1:5] "A" "B" "C" "D" ...
  .. ..$ x:8322456 [1:4] "1" "2" "3" "4"
$ msg          :8322456 "Reference: Total of all groups"
- attr(*, "class")=8322456 [1:2] "ridit" "list"

> ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1)$x
  [1] 1 2 2 2 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
[38] 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4
[75] 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
[112] 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
[149] 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
[186] 4 4 4 4 4 4 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4
[223] 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1
[260] 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
[297] 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
> ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1)$g
  [1] "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1"
[19] "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1"
[37] "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1" "1"
[55] "1" "1" "1" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2"
[73] "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2"
[91] "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2"
[109] "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "2" "3" "3"
[127] "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3"
[145] "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3"
[163] "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3"
[181] "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "3" "4" "4" "4" "4" "4" "4" "4"
[199] "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4"
[217] "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4"
[235] "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4" "4"
[253] "4" "4" "4" "4" "4" "4" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5"
[271] "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5"
[289] "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5"
[307] "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5" "5"
[325] "5"

> kruskal.test(ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1)$x, as.factor(ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1)$g))

    Kruskal-Wallis rank sum test

data:  ridit(as.table(matrix(c(1, 3, 7, 46, 0, 0, 9, 58, 0, 2, 22, 43,  and as.factor(ridit(as.table(matrix(c(1, 3, 7, 46, 0, 0, 9, 58, 0,      0, 2, 22, 43, 1, 6, 14, 46), nrow = 5, byrow = TRUE)), 1)$x and     2, 22, 43, 0, 2, 22, 43, 1, 6, 14, 46), nrow = 5, byrow = TRUE)),  ridit(as.table(matrix(c(1, 3, 7, 46, 0, 0, 9, 58, 0, 2, 22, 43,  and     1)$g)
Kruskal-Wallis chi-squared = 13.1813, df = 4, p-value = 0.01042

> ridit(as.table(matrix(c(1,3,7,46,0,0,9,58,0,2,22,43,0,2,22,43,1,6,14,46), nrow = 5, byrow = TRUE)),1)

Ridit Analysis:

Group    Label    Mean Ridit
-----    -----    ----------
1    A    0.5351
2    B    0.5729
3    C    0.4621
4    D    0.4621
5    E    0.4731

Reference: Total of all groups
chi-squared = 13.1813, df = 4, p-value = 0.01042

учебник пока не смотрел...

[aspir_h]

Ув. DrgLena, логика моих рассуждений и действий следующая.
В первом посте приводил пример сравнения двух групп с качественными порядковыми данными. Для этого использовалась таблица сопряженности и метод хи квадрат Пирсона. Ув. Nokh пояснил, что есть более чувствительные методы для сравнения групп с порядковыми данными и привел примеры этих методов.
Я в свою очередь на другом примере попытался сравнить два метода: в результате, при применении метода Пирсона хи квадрат, различия в группах статистически не значимы, а при анализе этих же данных, используя ранговый анализ по Краскелу_Уоллису - различия в группах получились статистически значимыми.

Вывод: при сравнении групп с порядковыми данными предпочтительным является ранговый анализ вариаций по Краскелу-Уоллису (по сравнению с Пирсона хи квадрат).

Условия задачи и данные в прикрепленном файле.

Ув. друзья! Убедительно прошу высказаться по данному посту, логичны ли рассуждения?

[p2004r]

Ув. друзья! Убедительно прошу высказаться по данному посту, логичны ли рассуждения?

здесь нужно строить вычислительный эксперимент. выбирать выборки из заданной генсовокупности и вычислять критерий (ии). статистика критерия покажет насколько он точен(мощен).

Сообщение отредактировал p2004r - 13.02.2013 - 11:41

[100$]

Ув. друзья! Убедительно прошу высказаться по данному посту, логичны ли рассуждения?

Ув. друг! А вы какую гипотезу проверяете?

[DrgLena]

Ув. друг! А вы какую гипотезу проверяете?

Какие такие гипотезы, что ж тут проверять, давно известных факт, нужно брать тот результат, где р меньше, вот только что критерий проверяет, какую такую вариацию, даже ВАК не знает, зачем же диссертанту себя утруждать. Пока тут идет обсуждение, именно на тему содержательной интепретации результатов анализа таблиц сопряженности для упорядоченных категорий, используя ridit оценки, диссертант перебирает кнопки в программе Statictica, но там еще много критериев, а потому нужно быстрее остановиться, получив от форума, одобрямсс

[DrgLena]

to p2004,

Спасибо, мное стало понятным, но,

сходится, потому что одну и ту же кросстаб анализируем, а не сходится с результатом, который у Вас получился по первичным данным этого примера:
Результат по первичным данным
Group Label Mean Ridit
----- ----- ----------
1 5 0.312
2 6 0.4157
3 7 0.6673
4 8 0.6442
5 9 0.4154
Результат по данным введенным в виде таблицы

Group Label Mean Ridit
----- ----- ----------
1 A 0.5351
2 B 0.5729
3 C 0.4621
4 D 0.4621
5 E 0.4731
Для меня понятен именно это результат, одинаковые оценки в 3 и 4 группе соответствуют одинаковому набору данных в этих группах. И смысловая трактовка также понятна, хотя она зависит от того , что хорошо 0 или 3.
Как получен первый набор Mean Ridit по данным этого примера?

[aspir_h]

Ув. DrgLena! На мой первый пост:

Всем здравствуйте!
Прошу строго не судить, если излагаю банальные вопросы, тем не менее, они у меня возникли, и я очень рад, что нашел ресурс, где их можно обсудить.
Читаю книгу О.Ю.Ребровой "Статистический анализ медицинских данных", раздел 10 "сравнение групп по качественному признаку", где на стр.148 приводится в качестве примера для сравнения двух групп и более использование таблиц сопряженности и метода Пирсона хи-квадрат.
Решаемая нами задача аналогична изложенной в книге, мы получили определенные результаты, и я очень прошу уважаемых форумчан подсказать, насколько правильно я интерпретировал полученные результаты.
Итак, необходимо сравнить распространенность больных с I, II,III стадиями гипертонической болезни в группах больных инфарктом миокарда и инсультом (в нашем случае, заболевания другие, данный пример придуман).
Нулевая гипотеза: - группы однородны (между группами отсутствуют различия);
- распределение по одному признаку не влияет на распределение по другому признаку.
После анализа данных получены следующие результаты (в прикрепленном файле).
Вывод: нулевая гипотеза отклоняется, изучаемые группы значимо различаются и признаки умеренно ассоциированы.

был следующий ответ ув. Nokh:

Вообще всё мимо, читайте больше! Разработчики пакета StatXact - лидера среди ПО для анализа таблиц сопряжённости - рассматривают для этой цели 4 метода:

Kruskal-WallisTest The Kruskal-Wallis test (Siegel and Castellan, 1988) is the most popular of the nonparametric tests for singly ordered r Ч c contingency tables. It specializes to the Wilcoxon-Mann-Whitney test when r = 2. This test is also available for continuous data (see Chapter 9) where it is known to be 98% as efficient as one-way ANOVA for normally distributed populations with a common variance but different means. Since this chapter deals with categorical data arising from multinomial distributions the above efficiency properties do not apply. Nevertheless the Kruskal-Wallis test would be the method of choice if the underlying data were generated from continuous latent distributions, differing in location but not in scale, and the observations were then categorized into c distinct categories.

К сожалению, я не владею английским языком, а сделав перевод с помощью Translate.Ru пришел к мнению, что для анализа различий групп, можно применить в т.ч. Критерий Краскела_уоллиса "книга В.Боровиков "Statistica. Искуство анализа данных на компьютере, 2003", стр.522.

Сообщение отредактировал aspir_h - 13.02.2013 - 14:46

[DrgLena]

Но хотя бы русским вы владеть должны!

Разработчики пакета StatXact - лидера среди ПО для анализа таблиц сопряжённости - рассматривают для этой цели 4 метода:

Вы загрузили этот пакет в демо версии, посмотрели в любом учебнике на русском языке, что такое таблицы сопряженности?
Нет!

А потому, для вас все равно, что тест Краскала - Уоллиса в программе Statistica, о котором пишет Боровиков, что тест с тем же названием, о котором написал nokh. Программа StatXact выводит только конечную оценку этого теста, без средних ridit. Кроме того бесконечно пользоваться демо версией не удобно, а программа очень дорогая. Вот поэтому, на форуме и обсуждается возможность сделать это в R.