Пост-хоккей в рамках предметных тестов?

20

Какой метод является предпочтительным для проведения специальных тестов для внутрисубъектных тестов? Я видел опубликованную работу, где используется HSD Тьюки, но обзор Keppel и Maxwell & Delaney предполагает, что вероятное нарушение сферичности в этих конструкциях делает ошибочный термин ошибочным, и этот подход проблематичным. Maxwell & Delaney предлагают подход к проблеме в своей книге, но я никогда не видел, чтобы это было так в любом пакете статистики. Является ли подход, который они предлагают, уместным? Будет ли разумной поправка Бонферрони или Сидака на множественные парные выборочные t-тесты? Приемлемый ответ предоставит общий код R, который может выполнять пост-специальные операции на простых, многоцелевых и смешанных схемах, созданных ezANOVAфункцией в ezпакете, и соответствующие цитаты, которые, вероятно, будут обсуждаться с рецензентами.

r repeated-measures multiple-comparisons post-hoc sphericity russellpierce
источник

1

Эта статья Дэвида Хауэлла объясняет проблемы и несколько решений.

Харви Мотульский

когда вы приняли ответ с помощью пакета multcomp, не могли бы вы немного рассказать о том, как вы в итоге использовали multcomp. Используете ли вы его с lmeили lmerфункцией или с некоторыми более традиционными методами , как Т-тест или ANOVA (как я в настоящее время пытаюсь использовать его с ANOVAs).

Хенрик

Я согласился с многовариантным ответом прежде всего потому, что я совершенно не удовлетворен методами корректировки p-значения, которые сообщество выбрало в качестве «правильного» ответа. Я взглянул на него, и это показалось многообещающим, но я не стал расследовать дальше. Мне было бы интересно услышать больше о том, что вы пытаетесь и что вы узнаете.

russellpierce

Я нашел способ задания ANOVA с повторными измерениями lme, см. Комментарии к принятому ответу: stats.stackexchange.com/q/14088/442 С объектом класса, который lmeвы можете использовать multcompдля внутрисубъектных эффектов. Он предлагает различные типы корректировки альфа-ошибок, но в основном те, которые вам не особенно нравятся (как предложенный мной вариант, который был признан сообществом «правильным»). Помимо виньетки, есть также книга, multcompкоторая объясняет все методы. Если вы хотите пост-hocs без настройки, используйте либо fit.contrastиз, либо из gmodelнового contrastпакета.

Хенрик

Вы все еще заинтересованы в решении этой ezANOVAфункции? Если это так, я думаю, что могу ответить на этот вопрос, но A будет полагаться на тесты для одномерных моделей, для которых сферичность является критическим допущением. Если вам не нужно, чтобы A ограничивался вычислениями ezпакета ANOVA , я мог бы дать A, который использует многовариантные модели для специальных тестов.

Статмеркур

7

Посмотрите на пакет multcomp и его виньетку « Одновременный вывод в общих параметрических моделях» . Я думаю, что он должен делать то, чего не хотел, и виньетка имеет очень хорошие примеры и обширные ссылки.

Матти Пастелл
источник

21

В настоящее время я пишу статью, в которой имею удовольствие проводить сравнения как между предметами, так и внутри них. После обсуждения с моим руководителем мы решили запустить t -tests и использовать довольно простой Holm-Bonferroni method( википедия ) для исправления кумуляции альфа-ошибок. Он контролирует семейную частоту ошибок, но обладает большей мощностью, чем обычная процедура Бонферрони. Процедура:

Вы запускаете t- тесты для всех сравнений, которые вы хотите сделать.
Вы заказываете p-значения в соответствии с их значением.
Вы проверяете наименьшее p- значение против alpha / k , второе наименьшее против alpha / ( k - 1) и т. Д., Пока первый тест не окажется несущественным в этой последовательности тестов.

Cite Holm (1979), которую можно скачать по ссылке в википедии .

Хенрик
источник

1

может быть ANOVA до нескольких тестов?

Стан

2

Я думаю, что подразумевается ответ. Вы выполняете специальные тесты после значительного ANOVA.

Хенрик

2

@Henrik: Я надеюсь, что я не бью мертвую лошадь здесь ... размещая на старом посте. Итак, у меня есть вопрос о том, как вы провели t-тесты. Вы использовали объединенную дисперсию (из ANOVA), или вы просто делали независимые парные t-тесты? Причина, по которой я спрашиваю об этом, заключается в том, что я пытался использовать pairwise.t.test()для парных сравнений либо метод Бонферрони, либо метод Хольма-Бонфа, но результаты резко различаются в зависимости от того, использую ли я объединенный sd или рассматриваю каждое сравнение как отдельное, независимое значение. -тестовое задание. Благодарность!

Алекс

2

@ Алекс: Использование «защищенного» подхода, при котором t-тесты выполняются только после того, как значительный ANOVA подразумевает использование объединенного члена ошибки. Однако, поскольку этот вариант не часто предоставляется статистическим программным обеспечением, люди, как правило, этого не делают. Более того, если сферичность нарушена, это, прежде всего, сомнительная вещь.

Расселпирс

5

Я вспоминаю некоторые дискуссии по этому вопросу в прошлом; Я не знаю о какой-либо реализации подхода Максвелла и Делани, хотя это не должно быть слишком сложно сделать. Взгляните на « Повторные измерения ANOVA с использованием R », где также показан один метод решения проблемы сферичности в HSD Тьюки .

Вы также можете найти это описание теста интереса Фридмана .

Шейн
источник

Спасибо, я думаю, что тест Фридмана интересен, но я не могу понять, как он делает эту корректировку для ошибки Типа I в post-hoc. В комментариях говорится, что это «тест Уилкоксона-Немени-Макдональда-Томпсона», но я никогда не слышал об этом раньше, не могли бы вы объяснить это?

Расселпирс

@Shane Первая ссылка мертва :-(

Адам Ryczkowski

2

Есть два варианта для выводимых F-тестов в SPSS. Multivariate НЕ предполагает сферичность, поэтому использует различные попарные корреляции для каждой пары переменных. «Тесты эффектов внутри субъекта», включая любые специальные тесты, предполагают сферичность и вносят некоторые исправления для использования общей корреляции во всех тестах. Эти процедуры являются наследием тех дней, когда вычисления были дорогостоящими, и они являются пустой тратой времени на современные вычислительные средства.

Моя рекомендация заключается в том, чтобы принять омнибус МНОГООБРАЗНЫЙ F для любых повторных мер. Затем проведите последующий парный t-критерий или ANOVA только с двумя уровнями в каждом повторном измерении сравнения, если есть также факторы между субъектами. Я бы сделал простую поправку bon ferroni деления уровня альфа на количество тестов.

Также обязательно посмотрите на размер эффекта [доступно в диалоге опций]. Большие величины эффекта, которые «близки» к значительным, могут быть более достойны внимания [и будущих экспериментов], чем небольшие, но значимые эффекты.

Более сложный подход доступен в процедуре SPSS MIXED, а также в менее удобных [но бесплатных] пакетах, таких как R.

Подводя итоги, в SPSSS, многовариантный F, за которым следуют парные специальные столбцы с Bon Ferroni с Bonferroni, должно быть достаточно для большинства потребностей.

источник

0

Я буду использовать R-функцию qtukey (1-alpha, означает, df), чтобы сделать семейные CI.

$tukey_{0.05,4,16}$

$MS_{Error}$ $\begin{align} & Tuke{{y}_{k,df}}=\frac{Ma{{x}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}-Mi{{n}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}}{\sqrt{\chi _{df}^{2}/df}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ \frac{{{M}_{j}}-{{\mu }_{j}}}{{{\sigma }_{M}}} \right\}}{S{{E}_{M}}/{{\sigma }_{M}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-{{\mu }_{j}} \right\}}{S{{E}_{M}}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{\mu }_{{{j}_{1}}}} \right)-\left( {{M}_{{{j}_{2}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}} \\ \end{align}$

$S{{E}_{M}}\times tuke{{y}_{\alpha ,4,16}}=\sqrt{\frac{M{{S}_{Error}}}{5}}\times tuke{{y}_{\alpha ,4,16}}$

\begin{aligned} {T u k e y_{k, d f} \leq t u k e y_{0.05, 4, 16}} \\ = {\frac{M a x_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) |}}{S E_{M}} \leq t u k e y_{.05, 4, 16}} \\ = \cap_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) | \leq S E_{M} \times t u k e y_{.05, 4, 16}} \end{aligned}

$\begin{align} & \left\{ Tuke{{y}_{k,df}}\le tuke{{y}_{0.05,4,16}} \right\} \\ & =\left\{ \frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}}\le tuke{{y}_{.05,4,16}} \right\} \\ & ={{\cap }_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right|\le S{{E}_{M}}\times tuke{{y}_{.05,4,16}} \right\} \\ \end{align}$

$MS_{Error}$ ${{X}_{i,j}}=\left( {{\mu }_{j}}+{{v}_{i}} \right)+{{\varepsilon }_{i,j}}={{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}}$ $\sqrt{M{{S}_{Error}}/17}\times tuke{{y}_{\alpha ,4,16}}$

\begin{aligned} T u k e y_{k, d f} = \frac{M a x_{j = 1, 2, \dots, k} {z_{j}} - M i n_{j = 1, 2, \dots, k} {z_{j}}}{\sqrt{χ_{d f}^{2} / d f}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {\frac{M e a n_{1 \leq i \leq n} {{\tilde{X}}_{i, j} + ε_{i, j}} - M e a n_{1 \leq i \leq n} {{\tilde{X}}_{i, j}}}{σ_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}}}}{{\hat{σ}}_{M e a n_{1 \leq i \leq n} {ε_{i, j}}} / σ_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {M_{j} - (μ_{j} + M e a n_{1 \leq i \leq n} {v_{i}})}}{{\hat{σ}}_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {M_{j} - μ_{j}}}{\sqrt{M S_{E r r o r} / n}} \\ = \frac{M a x_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) |}}{\sqrt{M S_{E r r o r} / n}} \end{aligned}

$\begin{align} & Tuke{{y}_{k,df}}=\frac{Ma{{x}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}-Mi{{n}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}}{\sqrt{\chi _{df}^{2}/df}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ \frac{Mea{{n}_{1\le i\le n}}\left\{ {{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}} \right\}-Mea{{n}_{1\le i\le n}}\left\{ {{\widetilde{X}}_{i,j}} \right\}}{{{\sigma }_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \right\}}{{{{\hat{\sigma }}}_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}/{{\sigma }_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-\left( {{\mu }_{j}}+Mea{{n}_{1\le i\le n}}\left\{ {{v}_{i}} \right\} \right) \right\}}{{{{\hat{\sigma }}}_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-{{\mu }_{j}} \right\}}{\sqrt{M{{S}_{Error}}/n}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{\sqrt{M{{S}_{Error}}/n}} \\ \end{align}$

Xiaoxu LI
источник

Пост-хоккей в рамках предметных тестов?

Ответы: