Как и когда использовать настройку Бонферрони

У меня есть два вопроса относительно того, когда использовать настройку Бонферрони:

• Целесообразно ли использовать корректировку Бонферрони во всех случаях множественного тестирования?
• Если кто-то выполняет тест на наборе данных, то он разбивает этот набор на более мелкие уровни (например, разбивает данные по полу) и выполняет те же тесты, как это может повлиять на количество воспринимаемых отдельных тестов? То есть, если X гипотез проверяется на наборе данных, содержащем данные как мужчин, так и женщин, а затем набор данных разделяется для раздельного представления данных о мужчинах и женщинах и проверяются одни и те же гипотезы, останется ли число отдельных гипотез в виде X или увеличится из-за дополнительное тестирование?

Спасибо за ваши Коментарии.

Корректировка Бонферрони всегда будет обеспечивать строгий контроль над частотой ошибок в семье. Это означает, что независимо от характера и количества тестов или отношений между ними, если их предположения будут выполнены, это обеспечит, что вероятность получения хотя бы одного ошибочно значимого результата среди всех тестов будет не более , ваш исходный уровень ошибки , Поэтому он всегда доступен .$\alpha$

Уместно ли его использовать (в отличие от другого метода или, возможно, вообще без корректировки), зависит от ваших целей, стандартов вашей дисциплины и наличия лучших методов для вашей конкретной ситуации. По крайней мере, вы, вероятно, должны рассмотреть метод Холма-Бонферрони, который является таким же общим, но менее консервативным.

Что касается вашего примера, так как вы выполняете несколько тестов, вы являетесь увеличение семьи мудра частотой ошибок (вероятность отказа по меньшей мере , одну нулевой гипотезы , ошибочно). Если вы выполняете только один тест на каждую половину, возможны многие корректировки, включая метод Хоммеля или методы, контролирующие частоту ложных обнаружений (которая отличается от частоты ошибок по семейным обстоятельствам). Если вы проводите тестирование всего набора данных, за которым следуют несколько дополнительных тестов, тесты перестают быть независимыми, поэтому некоторые методы больше не подходят. Как я уже говорил, Bonferroni в любом случае всегда доступен и гарантированно работает так, как рекламируется (но также и очень консервативен…).

Вы также можете просто игнорировать всю проблему. Формально уровень семейных ошибок выше, но только с двумя тестами он все же не так плох. Вы также можете начать с теста на всем наборе данных, который рассматривается как основной результат, за которым следуют суб-тесты для разных групп, не исправленные, поскольку они понимаются как вторичные результаты или вспомогательные гипотезы.

Если вы рассматриваете многие демографические переменные таким образом (в отличие от простого планирования проверки гендерных различий с самого начала или, возможно, более систематического подхода к моделированию), проблема становится более серьезной со значительным риском «углубления данных» (одно отличие Получается значительным случайно, что позволяет вам спасти неубедительный эксперимент с какой-то хорошей историей о демографической переменной для загрузки, тогда как на самом деле ничего не произошло), и вам определенно следует рассмотреть некоторую форму корректировки для множественного тестирования. Логика остается той же с X различными гипотезами (тестирование X гипотез дважды - по одной на каждую половину набора данных - влечет за собой более высокую частоту ошибок в семейном измерении, чем тестирование X гипотез только один раз, и вам, вероятно, следует это исправить).

Я смотрел на ту же проблему и нашел текст в книге:

Копия соответствующей главы находится в свободном доступе здесь:

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

$α[PT]= 1-(1-0.05)^(1/10) = 0.0051$

Чтобы быть справедливым, я просмотрел много различных экономических / эконометрических статей для моего текущего исследовательского проекта, и в этом ограниченном опыте я не встречал много статей, применяющих такие исправления при сравнении 2-5 тестов.

Вы должны помнить, что медицинские данные и научные данные несовместимо отличаются тем, что гетероскедастические медицинские данные никогда не бывают экспериментальными в отличие от гомоскедастических биологических данных. Напомним также, что многие дискуссии о роли силового тестирования и коррекции типа Бонферрони связаны только с предположениями о природе неизвестных альтернативных распределений. Установка беты в расчете мощности является произвольной процедурой. Ни один из медицинских статистиков не рекламирует это. Во-вторых, если имеется автокорреляция (в пределах) выборок данных, центральная предельная теорема была нарушена, и нормальное основанное на Гауссе тестирование недопустимо. Третий, Напомним, что нормальное распределение становится устаревшим в том смысле, что многие медицинские явления являются фрактальными распределениями, которые не имеют конечных средних и / или конечных дисперсий (распределения типа Коши) и требуют фрактально устойчивых статистических анализов. Выполнение любого пост-специального анализа, основанного на том, что вы обнаружите во время раннего анализа, является неправильным. Наконец, межобъектная биективность не обязательно действительна, и условия для поправок Бонферрони являются важными элементами, которые должны быть однозначно выявлены только во время априорного экспериментального проектирования. Найджел Т. Джеймс. MB BChir, (британские медицинские степени), магистр (в прикладной статистике). Биективность между субъектами не обязательно действительна, и условия для поправок Бонферрони являются важными элементами, которые должны быть однозначно выявлены только во время априорного экспериментального проектирования. Найджел Т. Джеймс. MB BChir, (британские медицинские степени), магистр (в прикладной статистике). Биективность между субъектами не обязательно действительна, и условия для поправок Бонферрони являются важными элементами, которые должны быть однозначно выявлены только во время априорного экспериментального проектирования. Найджел Т. Джеймс. MB BChir, (британские медицинские степени), магистр (в прикладной статистике).