Estoy ejecutando estadísticas en 5 IV (5 rasgos de personalidad, extroversión, amabilidad, conciencia, neuroticismo, apertura) contra 3 DV Actitud hacia PCT, Actitud hacia CBT, Actitud hacia PCT vs CBT. También agregué edad y género para ver qué otros efectos hay.
Estoy probando para ver si los rasgos de personalidad pueden predecir las actitudes de los DV.
Inicialmente utilicé la correlación de Pearson para todas las variables (45 pruebas).
El principal hallazgo fue que la extroversión se correlacionó con la actitud de PCT en p = 0.05. Pero cuando estaba ejecutando 45 pruebas, hice una corrección de Bonferroni de alfa = 0.05 / 45 = 0.001, por lo que este hallazgo es insignificante.
Luego ejecuté una regresión lineal simple en todas las variables, nuevamente la extroversión fue significativa con la actitud hacia PCT. Si hago la corrección de Bonferroni, esto vuelve a ser insignificante.
Preguntas:
- ¿Necesito corregir Bonferroni en la correlación de Pearson?
- Si lo hago y, por lo tanto, hacer que la extroversión con actitud hacia PCT sea insignificante, ¿hay algún punto en hacer una regresión lineal?
- Si hago una regresión lineal, ¿necesito hacer la corrección de Bonferroni para esto también?
- ¿Solo informo valores corregidos o valores corregidos y no corregidos?
Respuestas:
Creo que Chl te ha señalado una gran cantidad de buen material y referencias sin responder directamente a la pregunta. La respuesta que doy puede ser un poco controvertida porque sé que algunos estadísticos no creen en el ajuste de multiplicidad y muchos bayesianos no creen en el valor p. De hecho, una vez escuché a Don Berry decir que usar el enfoque bayesiano particularmente en diseños adaptativos que controlan el error tipo I no es una preocupación. Retiró eso más tarde después de ver lo importante que es prácticamente para la FDA asegurarse de que los medicamentos malos no lleguen al mercado.
Mi respuesta es sí y no. Si haces la prueba 45, sin duda necesitas ajustar la multiplicidad, pero no a Bonferroni porque podría ser demasiado conservador. La inflación del error tipo I cuando se mina la correlación de datos es claramente un tema que llamó la atención con la publicación citada "mira y encontrarás correlación". Los tres enlaces proporcionan gran información. Lo que creo que falta es el enfoque de muestreo para el ajuste del valor p desarrollado tan bien por Westfall y Young. Puede encontrar ejemplos en mi libro de bootstrap o detalles completos en su libro de remuestreo. Mi recomendación sería considerar los métodos de arranque o permutación para el ajuste del valor p y tal vez considerar la tasa de descubrimiento falso sobre la estricta tasa de error familiar.
Enlace a Westfall and Young: 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+ Westfall
Libro reciente de Bretz et al sobre comparaciones múltiples: 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= Peter + Westfall
Mi libro con material en la sección 8.5 y toneladas de referencias de bootstrap: http://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_2?s=books&ie=UTF8&qid=1343398953&sr=1 -2 y palabras clave = michael + chernick
fuente
Me parece que esto es investigación exploratoria / análisis de datos , no confirmatorio. Es decir, no parece que haya comenzado con una teoría que dice que solo la extroversión debería estar relacionada con PCT por alguna razón. Por lo tanto, no me preocuparía demasiado por los ajustes alfa, ya que pienso que eso está más relacionado con el CDA, ni creo que su hallazgo sea necesariamente cierto. En cambio, lo pensaría como algo que podríasé sincero y juega con estas ideas / posibilidades a la luz de lo que sé sobre los temas en cuestión Habiendo visto este hallazgo, ¿suena cierto o eres escéptico? ¿Qué significaría para las teorías actuales si fuera cierto? ¿Sería interesante? ¿Sería importante? ¿Vale la pena realizar un nuevo estudio (confirmatorio) para determinar si es cierto, teniendo en cuenta el tiempo potencial, el esfuerzo y los gastos que eso conlleva? Recuerde que la razón de las correcciones de Bonferroni es que esperamos algo a aparecer cuando se tienen tantas variables. Entonces, creo que una heurística puede ser 'si este estudio fuera suficientemente informativo, incluso si la verdad resulta ser no'? Si decides que no vale la pena, esta relación permanece en la categoría de "poder" y sigues adelante, pero si vale la pena hacerlo, pruébalo.
fuente
De acuerdo con lo siguiente: http://birnlab.psychiatry.wisc.edu/resources/fMRI_TestRetest_Documentation.pdf
Al determinar la importancia, corrija el valor p para comparaciones múltiples. Por ejemplo, un valor p corregido por Bonferroni es el valor p dividido por el número total de comparaciones, que en este caso son las conexiones únicas m (m - 1) / 2.
Por ejemplo, su valor p de corte para una correlación es 0.05, y suponga que su tabla de correlación es 100 * 100. Entonces su valor p debe ajustarse a 0.05 / (100 * 99/2).
La regresión lineal aplica la corrección de Bonferroni de manera similar a la anterior.
Sé que la respuesta parece no estar relacionada con lo que preguntas. En ese caso, hágamelo saber y haré todo lo posible para aclararlo. Espero que ayude.
fuente