Bagaimana dan kapan menggunakan penyesuaian Bonferroni

Saya punya dua pertanyaan tentang kapan harus menggunakan penyesuaian Bonferroni:

• Apakah pantas menggunakan penyesuaian Bonferroni dalam semua kasus pengujian berganda?
• Jika seseorang melakukan tes pada set data, maka seseorang membagi data itu set ke tingkat yang lebih baik (misalnya membagi data berdasarkan gender) dan melakukan tes yang sama, bagaimana hal ini dapat mempengaruhi jumlah tes individu yang dirasakan? Yaitu, jika hipotesis X diuji pada dataset yang berisi data dari pria dan wanita dan kemudian dataset dibagi untuk memberikan data pria dan wanita secara terpisah dan hipotesis yang sama diuji, apakah jumlah hipotesis individu tetap sebagai X atau meningkat karena pengujian tambahan?

Terima kasih atas komentar anda

Penyesuaian Bonferroni akan selalu memberikan kontrol yang kuat dari tingkat kesalahan keluarga. Ini berarti bahwa, apa pun sifat dan jumlah tes, atau hubungan di antara mereka, jika asumsi mereka terpenuhi, itu akan memastikan bahwa probabilitas bahkan memiliki satu hasil signifikan yang keliru di antara semua tes paling banyak , kesalahan asli Anda tingkat. Karena itu selalu tersedia .$\alpha$

Apakah tepat untuk menggunakannya (sebagai lawan dari metode lain atau mungkin tidak ada penyesuaian sama sekali) tergantung pada tujuan Anda, standar disiplin Anda dan ketersediaan metode yang lebih baik untuk situasi spesifik Anda. Paling tidak, Anda mungkin harus mempertimbangkan metode Holm-Bonferroni, yang sama umum tetapi kurang konservatif.

Mengenai contoh Anda, karena Anda melakukan beberapa tes, Anda akan meningkatkan tingkat kesalahan keluarga-bijaksana (probabilitas menolak setidaknya satu hipotesis nol keliru). Jika Anda hanya melakukan satu tes pada masing-masing setengahnya, banyak penyesuaian mungkin dilakukan termasuk metode Hommel atau metode yang mengendalikan laju penemuan palsu (yang berbeda dari tingkat kesalahan berdasarkan keluarga). Jika Anda melakukan tes pada seluruh rangkaian data yang diikuti oleh beberapa sub-tes, tes tidak lagi independen sehingga beberapa metode tidak lagi sesuai. Seperti yang saya katakan sebelumnya, Bonferroni selalu tersedia dan dijamin berfungsi seperti yang diiklankan (tetapi juga sangat konservatif ...).

Anda juga bisa mengabaikan seluruh masalah. Secara resmi, tingkat kesalahan keluarga-bijaksana lebih tinggi tetapi dengan hanya dua tes itu masih tidak begitu buruk. Anda juga dapat memulai dengan tes pada seluruh kumpulan data, diperlakukan sebagai hasil utama, diikuti oleh sub-tes untuk kelompok yang berbeda, tidak dikoreksi karena mereka dipahami sebagai hasil sekunder atau hipotesis tambahan.

Jika Anda mempertimbangkan banyak variabel demografis dengan cara itu (bukan hanya merencanakan untuk menguji perbedaan gender sejak awal atau mungkin pendekatan pemodelan yang lebih sistematis), masalahnya menjadi lebih serius dengan risiko signifikan "pengerukan data" (satu perbedaan). keluar signifikan secara kebetulan memungkinkan Anda untuk menyelamatkan percobaan yang tidak meyakinkan dengan beberapa cerita bagus tentang variabel demografis untuk mem-boot padahal sebenarnya tidak ada yang benar-benar terjadi) dan Anda harus mempertimbangkan beberapa bentuk penyesuaian untuk beberapa pengujian. Logikanya tetap sama dengan hipotesis yang berbeda X (menguji hipotesis X dua kali - satu pada setiap setengah dari kumpulan data - mensyaratkan tingkat kesalahan keluarga-bijaksana yang lebih tinggi daripada menguji hipotesis X hanya sekali dan Anda mungkin harus menyesuaikan untuk itu).

Saya melihat masalah yang sama dan menemukan sebuah teks di buku:

Salinan bab yang relevan tersedia secara bebas di sini:

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

itu membahas bagaimana koreksi Bonferonni dapat diterapkan dalam keadaan yang berbeda (yaitu tes independen dan non-independen) dan secara singkat menyebutkan beberapa alternatif. Itu juga menyebutkan bahwa, ketika jumlah perbandingan yang Anda uji menjadi besar, tes itu mungkin menjadi terlalu konservatif dan tidak lagi memungkinkan Anda untuk menemukan sesuatu yang signifikan (jika Anda melakukan 10 perbandingan, Anda harus , untuk 20 tes yang 0,002, dll.)$α[PT]= 1-(1-0.05)^(1/10) = 0.0051$

Agar adil, saya telah melihat banyak artikel ekonomi / ekonometrik yang berbeda untuk proyek penelitian saya saat ini dan dalam pengalaman yang terbatas saya belum menemukan banyak artikel yang menerapkan koreksi ketika membandingkan 2-5 tes.

Anda harus ingat bahwa data medis dan data ilmiah tidak dapat didamaikan berbeda karena data medis heteroskedastik tidak pernah bersifat eksperimental tidak seperti data biologis homoseksual. Ingat juga bahwa banyak diskusi tentang peran pengujian daya dan koreksi jenis Bonferroni hanya melibatkan spekulasi tentang sifat distribusi alternatif yang tidak diketahui. Mengatur beta dalam perhitungan daya adalah prosedur yang arbitrer. Tidak ada ahli statistik medis yang mengiklankan ini. Kedua, jika ada autokorelasi dari sampel data (dalam) Teorema Limit Pusat telah dilanggar dan pengujian Gaussian berbasis Normal tidak valid. Ketiga, ingat bahwa Distribusi Normal menjadi ketinggalan zaman dalam arti bahwa banyak fenomena medis adalah distribusi berbasis fraktal yang tidak memiliki rata-rata terbatas dan / atau varian terbatas (distribusi tipe Cauchy) dan memerlukan analisis statistik tahan fraktal. Melakukan analisis post-hoc yang dilakukan berdasarkan apa yang Anda temukan selama analisis awal tidak tepat. Akhirnya, bijektivitas antar-subjek belum tentu valid dan kondisi untuk koreksi Bonferroni adalah elemen penting yang harus disingkirkan secara unik selama Desain Eksperimental a priori saja. Nigel T. James. MB BChir, (gelar medis Inggris), MSc (dalam Statistik Terapan). Bijektivitas antara subjek belum tentu valid dan kondisi untuk koreksi Bonferroni adalah elemen penting yang harus secara unik dihapus selama Desain Eksperimental a priori saja. Nigel T. James. MB BChir, (gelar medis Inggris), MSc (dalam Statistik Terapan). Bijektivitas antara subjek belum tentu valid dan kondisi untuk koreksi Bonferroni adalah elemen penting yang harus secara unik dihapus selama Desain Eksperimental a priori saja. Nigel T. James. MB BChir, (gelar medis Inggris), MSc (dalam Statistik Terapan).