使用Pearson相关和线性回归的Bonferroni校正

我正在针对3个DV的5个IV（5个人格特质，性格外向，和agree，尽责，神经质，开放）运行统计数据，包括PCT态度，CBT态度，PCT与CBT态度。我还添加了年龄和性别，以查看还有其他影响。

我正在测试以查看人格特征是否可以预测DV的态度。

最初，我对所有变量都使用了Pearson相关性（45个测试）。

主要发现是外向性与PCT态度在p = 0.05相关。但是，当我进行45次测试时，我对Bonferroni进行了alpha = 0.05 / 45 = 0.001的校正，因此这一发现无关紧要。

然后，我对所有变量进行了简单的线性回归，对于PCT态度，外向性再次很重要。如果我进行Bonferroni校正，那么它再次显得微不足道。

问题：

1. 我需要Bonferroni纠正Pearson的相关性吗？
2. 如果我这样做了，因此对PCT的态度无忧无虑，那么进行线性回归还有意义吗？
3. 如果我进行线性回归，是否还需要对此进行Bonferroni校正？
4. 我只报告校正后的值还是未校正和校正后的值？

我认为Chl在没有直接回答问题的情况下为您指出了很多好的材料和参考资料。我给出的答案可能有点争议，因为我知道一些统计学家不相信多重性调整，而许多贝叶斯主义者也不相信p值。实际上，我曾经听过Don Berry说过，尤其是在控制I型错误的自适应设计中使用贝叶斯方法不是问题。在看到确保有害药物不会进入市场对FDA实际上有多么重要之后，他后来又收回了这一点。

我的回答是是，不是。如果您进行45次测试，您肯定需要针对多重性进行调整，但不必针对Bonferroni进行调整，因为它可能过于保守。当您为关联进行数据挖掘时，I型错误的膨胀显然是一个引起关注的问题，该主题已被引用的文章“外观，您将找到关联”。这三个链接都提供了很好的信息。我认为缺少的是Westfall和Young很好地开发的p值调整的重采样方法。您可以在我的引导书中找到示例，也可以在其重采样书中找到完整的详细信息。我的建议是考虑使用引导程序或置换方法进行p值调整，并可能考虑在严格的家庭错误率之上的错误发现率。

链接到Westfall和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 + 西部荒野

Bretz等人最近在多重比较上的新书：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 =彼得+韦斯特洛斯

我的书包含第8.5节的内容和大量的引导程序参考：http ://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_2?s=books&ie=UTF8&qid=1343398953&sr =1 -2＆keywords = Michael + chernick

在我看来，这是探索性研究/数据分析，而不是确定性的。就是说，这听起来并不像您从某种理论开始，即说出于某种原因仅外向性应该与PCT有关。因此，我不必担心alpha调整，因为我认为它与CDA更为相关，也不会认为您的发现一定是正确的。相反，我认为它可能会是真实的，并根据我对当前主题的了解来尝试这些想法/可能性。看到此发现后，它是正确的还是您对此表示怀疑？如果这是真的，对当前的理论意味着什么？会很有趣吗？会重要吗？考虑到可能需要的时间，精力和费用，是否值得进行一项新的（确定性）研究来确定其是否正确？请记住，进行Bonferroni校正的原因是，我们希望当变量太多时会出现一些东西。因此，我认为可以进行启发式研究，即使事实证明事实并非如此，这项研究是否也能提供足够的信息'？如果您认为这不值得，则此关系将保持在“可能”类别中，然后继续进行，但如果值得这样做，请对其进行测试。

根据以下内容：http : //birnlab.psychiatry.wisc.edu/resources/fMRI_TestRetest_Documentation.pdf

确定显着性时，请为多个比较校正p值。例如，经Bonferroni校正的p值是p值除以比较总数，在这种情况下，比较数是m（m-1）/ 2个唯一连接。

例如，您的相关性的截止p值为0.05，并假定您的相关性表为100 * 100。然后，您的p值应调整为0.05 /（100 * 99/2）。

线性回归与上面类似，应用Bonferroni校正。

我知道答案似乎与您的要求无关。在这种情况下，请让我知道，我将尽力澄清。希望对您有所帮助。