Beberapa Tes Chi-Squared


11

Saya memiliki data rahasia silang dalam tabel 2 x 2 x 6. Mari kita sebut dimensi response, Adan B. Saya memasukkan regresi logistik ke data dengan model response ~ A * B. Analisis penyimpangan model itu mengatakan bahwa kedua istilah dan interaksinya adalah signifikan.

Namun, melihat proporsi data, sepertinya hanya 2 atau lebih level Byang bertanggung jawab atas efek signifikan ini. Saya ingin menguji untuk melihat level mana yang menjadi biang keladinya. Saat ini, pendekatan saya adalah melakukan 6 uji chi-squared pada 2 x 2 tabel response ~ A, dan kemudian menyesuaikan nilai-p dari tes tersebut untuk beberapa perbandingan (menggunakan penyesuaian Holm).

Pertanyaan saya adalah apakah ada pendekatan yang lebih baik untuk masalah ini. Apakah ada pendekatan pemodelan yang lebih berprinsip, atau beberapa pendekatan perbandingan uji chi-squared?


Saya pernah mengajukan pertanyaan yang sama di milis R, dan tidak mendapat jawaban. Saya sarankan Anda untuk mengubah judul karena pertanyaan Anda tentang "analisis post hoc chi square - untuk mendeteksi penyebab signifikansi" (judul yang lebih pendek maka yang saya usulkan akan lebih baik :))
Tal Galili

Lihat saja beta untuk penjahat Anda .... Dan gunakan model poisson, log-linear. Anda kemudian mendapatkan hal yang sama dengan apa yang tes chi-square berikan kepada Anda, tetapi Anda mendapatkan semua tes yang berbeda sekaligus.
probabilityislogic

Jawaban:


11

Anda harus melihat ke "partisi chi-squared". Ini serupa dalam logika untuk melakukan tes post-hoc di ANOVA. Ini akan memungkinkan Anda untuk menentukan apakah keseluruhan tes signifikan Anda terutama disebabkan oleh perbedaan kategori atau kelompok kategori tertentu.

Google cepat menampilkan presentasi ini, yang pada akhirnya membahas metode untuk mempartisiasikan chi-squared.

http://www.ed.uiuc.edu/courses/EdPsy490AT/lectures/2way_chi-ha-online.pdf


Menarik. Apakah Anda pernah menemukan implementasi R dari ini?
Tal Galili

Tidak, tidak langsung. Namun, R akan memberikan semua yang Anda butuhkan untuk melakukan ini - seperti: jumlah yang diamati, nilai yang diharapkan, dan residu untuk setiap sel. x <- matrix (c (12, 5, 7, 7), ncol = 2) chisq.test (x) mengamati chisq.test (x) $ residualexpectedchisq.test(x)
Brett

Saya akan memberi Anda tanda centang, karena ini akan berguna untuk kehidupan penelitian saya. Namun, pendekatan ini berlaku untuk matriks ixj. Namun, pertanyaan saya melibatkan matriks ixjxk,
JoFrhwld

2
Partisi Chi-square dapat diperluas ke tabel kontingensi multi-arah. Inilah artikel yang dikutip Agresti dalam bukunya, pada kenyataannya ... HO Lancaster (1951) "Tabel Kontinjensi Kompleks Diobati oleh Partisi χ2" Jurnal Masyarakat Statistik Kerajaan. Seri B (Metodologi), Vol. 13, No. 2
Brett

1

Pendekatan yang tidak berprinsip adalah membuang data yang tidak proporsional, mereparasi model dan melihat apakah rasio odds logit / kondisional untuk respons dan A sangat berbeda (mengendalikan B). Ini bisa memberi tahu Anda jika ada alasan untuk khawatir. Mengumpulkan level B adalah pendekatan lain. Pada garis yang lebih berprinsip, Jika Anda khawatir tentang proporsi relatif yang mendorong paradoks Simpson, maka Anda dapat melihat rasio odds bersyarat dan marjinal untuk respons / A dan melihat apakah mereka membalikkan.

Untuk menghindari beberapa perbandingan pada khususnya, satu-satunya hal yang terjadi pada saya adalah menggunakan model hierarkis yang bertanggung jawab atas efek acak lintas level.


0

Saya tidak tahu persis apa tujuan Anda, atau mengapa itu adalah apa tujuan Anda. Tetapi daripada pengujian hipotesis, saya biasanya merekomendasikan untuk memusatkan perhatian pada prediksi dan interval kepercayaan.


Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.