Коррекция Бонферрони с корреляцией Пирсона и линейной регрессией

Я выставляю статистику по 5 IV (5 черт личности, экстраверсия, приятность, добросовестность, невротизм, открытость) против 3 DVs Отношение к PCT, Отношение к CBT, Отношение к PCT против CBT. Я также добавил возраст и пол, чтобы увидеть, какие еще есть эффекты.

Я тестирую, чтобы понять, могут ли черты личности предсказать отношение к DV.

Сначала я использовал корреляцию Пирсона для всех переменных (45 тестов).

Основным выводом было то, что экстраверсия коррелировала с отношением PCT при p = 0,05. Но поскольку я проводил 45 тестов, я сделал поправку Бонферрони на альфа = 0,05 / 45 = 0,001, поэтому этот вывод был незначительным.

Затем я провел простую линейную регрессию по всем переменным, опять же, экстраверсия была значимой с отношением к РСТ. Если я сделаю поправку Бонферрони, это снова окажется незначительным.

Вопросов:

1. Нужно ли, чтобы Бонферрони исправил соотношение Пирсона?
2. Если я это сделаю и, следовательно, сделаю экстраверсию с отношением к РСТ незначительной, есть ли смысл в линейной регрессии?
3. Если я делаю линейную регрессию, нужно ли мне делать поправку Бонферрони и для этого?
4. Должен ли я сообщать только о скорректированных или не исправленных и исправленных значениях?

Я думаю, что Хл указал вам много хороших материалов и ссылок без прямого ответа на вопрос. Ответ, который я даю, может быть немного спорным, потому что я знаю, что некоторые статистики не верят в корректировку множественности, а многие байесовские не верят в p-значение. На самом деле я однажды слышал, как Дон Берри сказал, что использование байесовского подхода, особенно в адаптивных схемах, контролирующих ошибку типа I, не является проблемой. Он забрал это позже, увидев, насколько важно практически для FDA следить за тем, чтобы плохие лекарства не попадали на рынок.

Мой ответ - да и нет. Если вы проводите 45 тестов, вам, безусловно, необходимо скорректировать множественность, но не Бонферрони, потому что она может быть слишком консервативной. Инфляция ошибки типа I, когда вы анализируете мои данные для корреляции, явно является проблемой, на которую обратил внимание цитируемый пост «посмотрите, и вы найдете корреляцию». Все три ссылки предоставляют отличную информацию. То, что я думаю, отсутствует, так это метод передискретизации для корректировки p-значения, который так хорошо разработан Westfall and Young. Вы можете найти примеры в моей книге по начальной загрузке или подробности в их книге по повторной выборке. Я рекомендовал бы рассмотреть методы начальной загрузки или перестановки для корректировки p-значения и, возможно, рассмотреть вероятность ложных открытий по сравнению со строгой частотой ошибок по семейным обстоятельствам.

Ссылка на Уэстфолл и Янг: http://www.amazon.com/Resampling-Based-Multiple-Testing-Adjustment-Probability/dp/0471557617/ref=sr_1_1?s=books&ie=UTF8&qid=1343398751&sr=1-1&keywords=peter+ Уэстфолл

Недавняя книга Бретца и др. О множественных сравнениях: http://www.amazon.com/Multiple-Comparisons-Using-Frank-Bretz/dp/1584885742/ref=sr_1_2?s=books&ie=UTF8&qid=1343398796&sr=1-2&keywords= питер + Уэстфолл

Моя книга с материалом в разделе 8.5 и тоннами ссылок для начальной загрузки: http://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_2?s=books&ie=UTF8&qid=1343398953&sr=1 -2 & ключевые слова = майкл + Chernick

Мне кажется, что это предварительное исследование / анализ данных , а не подтверждение. То есть не похоже, что вы начали с теории, которая гласит , что только экстраверсия должна быть связана с PCT по какой-то причине. Так что я бы не стал слишком беспокоиться об альфа-настройках, так как считаю, что это больше связано с CDA, и я не думаю, что ваш вывод обязательно верен. Вместо этого, я бы думать об этом как то , что мощибыть правдой и играть с этими идеями / возможностями в свете того, что я знаю о темах под рукой. Увидев это открытие, оно звучит правдоподобно или вы настроены скептически? Что бы это значило для текущих теорий, если бы это было правдой? Было бы интересно? Это было бы важно? Стоит ли проводить новое (подтверждающее) исследование, чтобы определить, правда ли это, учитывая потенциальные затраты времени, усилий и затрат, которые это влечет за собой? Помните, что причина поправок Бонферрони состоит в том, что мы ожидаем, что что- то появится, когда есть так много переменных. Так что я думаю, что эвристика может быть «будет ли это исследование достаточно информативным, даже если правда окажется не«? Если вы решите, что оно того не стоит, эти отношения остаются в категории «могущество», и вы продолжаете, но если это того стоит, проверьте это.

Согласно следующему: http://birnlab.psychiatry.wisc.edu/resources/fMRI_TestRetest_Documentation.pdf

При определении значимости исправьте значение p для нескольких сравнений. Например, p-значение с поправкой Бонферрони - это p-значение, деленное на общее число сравнений, которое в этом случае представляет собой m (m - 1) / 2 уникальных соединений.

Например, ваше p-значение отсечки для корреляции составляет 0,05, и предположим, что ваша таблица корреляции равна 100 * 100. Тогда ваше значение p должно быть установлено на 0,05 / (100 * 99/2).

Линейная регрессия применяет коррекцию Бонферрони аналогично вышеописанному.

Я знаю, что ответ не связан с тем, что вы спрашиваете. В этом случае, пожалуйста, дайте мне знать, и я сделаю все возможное, чтобы уточнить. Надеюсь, что это поможет.