Bonferroni와 같은 여러 가지 테스트 수정 사항에 대한``추론 이유 ''를 설명하는 것이 좋습니다. 그것이 분명하다면, 신청 여부를 스스로 판단 할 수 있습니다.
μH0: μ = 0
H1: μ ≠ 0H0: μ = 0α
H0H0
H0H0H1
우리가 세상에 대한 진실 된 지식을 얻었음을 믿기 때문에 과학에서 잘못된 증거는 나쁜 것입니다. 이러한 종류의 오류는 결과적으로 제어되어야합니다. 그러므로 이런 종류의 증거의 확률에 상한선을 두거나 제 1 종 오류를 통제해야합니다. 이는 허용 가능한 유의 수준을 미리 고정하여 수행됩니다.
5 %H05 %H0H1H1
H0: μ1= 0 및 μ2= 0H1: μ 1 ≠ 0 | μ2≠ 0α = 0.05
H( 1 )0: μ1= 0H( 1 )0: μ1≠ 0H( 2 )1: μ2= 0H( 2 )1: μ2≠ 0α = 0.05
H( 1 )0H( 1 )0
1 − ( 1 − 0.05 )2= 0.0975α
여기서 중요한 사실은 두 가지 테스트가 하나와 sampe 샘플을 기반으로한다는 것입니다!
우리는 독립을 가정했습니다. 독립성을 가정 할 수없는 경우 Bonferroni 부등식을 사용하여 유형 I 오류가 최대 0.1까지 증가 할 수 있음을 보여줄 수 있습니다.
Bonferroni는 보수적이며 Holm의 단계별 절차는 Bonferroni와 동일한 가정하에 있지만 Holm의 절차에는 더 많은 힘이 있습니다.
변수가 이산 적이면 최소 p- 값을 기반으로 테스트 통계를 사용하는 것이 좋으며 대량의 테스트를 수행 할 때 유형 I 오류 제어를 포기할 준비가되면 False Discovery Rate 절차가 더 강력 할 수 있습니다.
편집하다 :
예인 경우 (@Frank Harrell의 답변에있는 예 참조)
H( 1 )0: μ1= 0H( 1 )1: μ1≠ 0
H( 2 )0: μ1= 0H( 2 )1: μ2≠ 0
H( 12 )0: μ1= 0 및 μ2= 0H( 12 )1: μ1≠ 0 | μ2≠ 0
H( 1 )0H( 1 )1H( 2 )0H( 2 )1