如何以及何时使用Bonferroni调整

关于何时使用Bonferroni调整，我有两个问题：

• 在多次测试的所有情况下都使用Bonferroni调整是否合适？
• 如果对数据集执行测试，则将数据集划分为更细的级别（例如，按性别划分数据）并执行相同的测试，这将如何影响感知到的单个测试的数量？也就是说，如果在包含来自男性和女性的数据的数据集上测试了X个假设，然后将数据集拆分为分别提供男性和女性数据并测试了相同的假设，那么各个假设的数量将保持为X还是由于额外的测试？

谢谢您的意见。

Bonferroni调整将始终为家庭错误率提供强有力的控制。这意味着，无论测试的性质和数量如何，或者它们之间的关系如何，如果它们的假设都得到满足，它将确保所有测试中即使有一个错误的重要结果的概率最多为，即您的原始错误水平。因此，它始终可用。$\alpha$

是否适合使用它（相对于另一种方法还是根本不需要调整）取决于您的目标，学科的标准以及针对特定情况的更好方法的可用性。至少，您可能应该考虑采用Holm-Bonferroni方法，该方法与一般方法相同，但不太保守。

对于您的示例，由于您要执行多个测试，因此您在增加家庭错误率（错误地拒绝至少一个零假设的可能性）。如果您仅对每个部分执行一项测试，则可能会进行许多调整，包括Hommel的方法或控制错误发现率的方法（与家庭错误率不同）。如果先对整个数据集进行测试，然后再进行几个子测试，则测试将不再独立，因此某些方法不再适用。正如我之前说过的，Bonferroni在任何情况下都始终可用，并保证按广告宣传工作（但也要非常保守……）。

您也可以忽略整个问题。从形式上讲，按家庭划分的错误率较高，但仅进行两次测试，仍然还不错。您也可以先对整个数据集进行测试，将其作为主要结果，然后对不同组的子测试进行校正，因为它们被理解为次要结果或辅助假设，因此未经校正。

如果您以这种方式考虑许多人口统计学变量（而不是仅仅计划从一开始就测试性别差异，或者可能是更系统的建模方法），问题就会变得更加严重，并且存在“数据挖掘”的巨大风险（一种差异）。偶然出现，可让您挽救一个不确定的实验，其中包含有关人口统计学变量的一些不错的故事，而实际上却什么也没有发生），您绝对应该考虑对多种测试进行某种形式的调整。对于X个不同的假设，逻辑保持不变（两次测试X个假设–在数据集的一半上每个进行一次–与仅对X个假设进行一次测试相比，需要更高的家庭错误率，您可能应该对此进行调整）。

我在看同一个问题，并在书中找到了一段文字：

相关章节的副本可在此处免费获得：

http://www.utdallas.edu/~herve/Abdi-Bonferroni2007-pretty.pdf

它讨论了如何将Bonferonni校正应用于不同的情况（即独立和非独立测试），并简要介绍了一些替代方法。它还提到，当您测试的比较次数变多时，该测试可能会变得过于保守，并且不再允许您找到任何有意义的内容（如果要进行10次比较，则必须对，对于20个测试为0.002等）$α[PT]= 1-(1-0.05)^(1/10) = 0.0051$

公平地讲，我在当前的研究项目中查看了许多不同的经济/计量经济学文章，由于经验有限，在比较2-5个测试时，我并没有碰到很多采用这种校正方法的文章。

您必须记住，医学数据和科学数据之间存在无法调和的差异，因为异方差医学数据从未像同方生物学数据那样具有实验性。还记得关于功率测试和Bonferroni类型更正的作用的许多讨论仅涉及对不可知的替代分布的性质的推测。在功效计算中设置beta是一个任意过程。没有医学统计学家对此做广告。其次，如果数据样本之间存在自相关，则违反了中央极限定理，并且基于正态的高斯检验无效。第三，回想一下，正态分布已变得过时，因为许多医学现象都是基于分形的分布，既不具有有限的均值和/或有限的方差（Cauchy型分布），也不需要分形抗性统计分析。对您在早期分析期间发现的内容进行任何事后分析，都是不正确的。最后，主体间的双射性不一定有效，并且Bonferroni校正的条件是仅在先验实验设计中唯一需要指出的重要因素。奈杰尔·詹姆斯 MB BChir，（英国医学学位），硕士学位（应用统计学）。主体之间的双射性不一定有效，并且Bonferroni校正的条件是仅在先验实验设计中唯一需要指出的重要因素。奈杰尔·詹姆斯 MB BChir，（英国医学学位），硕士学位（应用统计学）。主体之间的双射性不一定有效，并且Bonferroni校正的条件是仅在先验实验设计中唯一需要指出的重要因素。奈杰尔·詹姆斯 MB BChir，（英国医学学位），硕士学位（应用统计学）。