Pearson의 상관 관계 및 선형 회귀를 이용한 Bonferroni 보정

PCT에 대한 태도, CBT에 대한 태도, CT에 대한 태도, CBT에 대한 태도 또한 나이와 성별을 추가하여 다른 효과가 있는지 확인했습니다.

성격 특성이 DV의 태도를 예측할 수 있는지 여부를 테스트하고 있습니다.

처음에 모든 변수에 대해 Pearson의 상관 관계를 사용했습니다 (45 테스트).

주요 발견은 외향성이 p = 0.05에서 PCT의 태도와 상관 관계가 있다는 것이었다. 그러나 45 가지 테스트를 실행하면서 알파 = 0.05 / 45 = 0.001의 Bonferroni 수정을 수행 했으므로이 결과는 중요하지 않습니다.

그런 다음 모든 변수에 대해 간단한 선형 회귀를 실행했으며 PCT에 대한 태도로 외향적 인 것이 다시 중요했습니다. Bonferroni 수정을 수행하면 다시 중요하지 않습니다.

질문 :

1. Pearson의 상관 관계를 Bonferroni로 수정해야합니까?
2. 내가 그렇게하고 따라서 PCT에 무관심한 외향성을 만드는 경우에도 선형 회귀 분석이 요점이 있습니까?
3. 선형 회귀 분석을 수행하는 경우 Bonferroni 보정도 수행해야합니까?
4. 수정 된 값 또는 수정되지 않은 값과 수정 된 값만보고합니까?

Chl은 질문에 직접 대답하지 않고 좋은 자료와 참고 자료를 많이 지적했다고 생각합니다. 일부 통계학자는 다중 조정을 믿지 않으며 많은 베이지안은 p- 값을 믿지 않기 때문에 내가 대답하는 것은 약간 논란의 여지가 있습니다. 사실 저는 한 번 베리가 I 형 오류를 제어하는 ​​적응 형 설계에서 베이지안 접근 방식을 사용하는 것이 문제가되지 않는다고 말한 것을 들었습니다. 그는 나중에 나쁜 약이 시장에 나오지 않도록하는 것이 FDA에게 얼마나 중요한지 알게 된 후에 그것을 철회했다.

내 대답은 '예'입니다. 45 테스트를 수행하면 다중성을 조정해야하지만 Bonferroni는 너무 보수적 일 수 있으므로 조정하지 않아야합니다. 상관 관계에 대한 데이터 마이닝시 제 1 종 오류의 인플레이션은 인용 된 "모양과 상관 관계를 발견 할 것"이라는 주목할만한 문제입니다. 세 링크 모두 훌륭한 정보를 제공합니다. 내가 누락 된 것은 Westfall과 Young이 잘 개발 한 p- 값 조정에 대한 리샘플링 접근법입니다. 부트 스트랩 북에서 예제를 찾거나 리샘플링 북에서 자세한 내용을 확인할 수 있습니다. 내 권장 사항은 p- 값 조정을위한 부트 스트랩 또는 순열 방법을 고려하고 엄격한 가족 별 오류율보다 잘못된 발견 비율을 고려하는 것입니다.

Westfall 및 Young에 연결 : 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+ 웨스트 폴

여러 비교에 대한 Bretz et al의 최근 저서 : 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= 피터 + 웨스트 폴

섹션 8.5의 자료와 수많은 부트 스트랩 참조가 포함 된 내 책 : http://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_2?s=books&ie=UTF8&qid=1343398953&sr=1 -2 & 키워드 = michael + chernick

이것이 확증이 아닌 탐색 적 연구 / 데이터 분석 인 것처럼 들립니다 . 즉, 어떤 이유로 외향적 인 것만 이 PCT와 관련되어야한다는 이론으로 시작한 것처럼 들리지 않습니다 . CDA와 관련이 있다고 생각할 때 알파 조정에 대해 너무 걱정하지 않아도되고 그 결과가 반드시 사실이라고 생각하지도 않습니다. 대신, 뭔가 것과 그것에 대해 생각 힘진실을 이해하고 내가 직면 한 주제에 대해 내가 아는 것에 비추어 이러한 아이디어 / 가능성을 가지고 놀아 라. 이 발견을 보았을 때, 그것이 사실입니까, 아니면 회의적입니까? 현재 이론이 사실이라면 무엇을 의미할까요? 재미 있을까요? 중요할까요? 그것이 가능한지 여부를 결정하기 위해 새로운 (확인적인) 연구를 수행 할 가치가 있습니까? Bonferroni 수정의 이유 는 너무 많은 변수가있을 때 무언가 가 나타날 것으로 예상하기 때문입니다 . 따라서 휴리스틱은 '진리가 사실이 아니라고 해도이 연구가 충분히 유익 할 수 있을까?'? 가치가 없다고 판단하면이 관계는 '수도'범주에 머무르고 계속 진행하지만 가치가 있다면 테스트하십시오.

다음에 따르면 : http://birnlab.psychiatry.wisc.edu/resources/fMRI_TestRetest_Documentation.pdf

유의성을 결정할 때 다중 비교를 위해 p- 값을 수정하십시오. 예를 들어 Bonferroni로 수정 된 p- 값은 p- 값을 총 비교 수로 나눈 값이며이 경우 m (m-1) / 2 고유 연결입니다.

예를 들어, 상관 관계에 대한 컷오프 p- 값은 0.05이고 상관 관계 테이블이 100 * 100이라고 가정합니다. 그런 다음 p- 값을 0.05 / (100 * 99 / 2)로 조정해야합니다.

선형 회귀 분석은 위와 유사하게 Bonferroni 보정을 적용합니다.

답변이 귀하가 요청한 내용과 관련이없는 것 같습니다. 이 경우 알려 주시면 최선을 다해 설명하겠습니다. 도움이 되길 바랍니다.