Questions tagged «multiple-comparisons»

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： 我需要Bonferroni纠正Pearson的相关性吗？ 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？ 如果我进行线性回归，是否还需要对此进行Bonferroni校正？ 我只报告校正后的值还是未校正和校正后的值？

9 regression  correlation  spss  multiple-comparisons  pearson-r 

尝试评估实验/项目/分析中的假设族的构成时，我发现“目的相似”和“内容相似”作为划定族的指导原则，但这些都为解释提供了很大的开放空间（至少可以说）。 似乎很明显，如果在分析过程中，我对组均值进行了几次检验，对比例均一性进行了另一批检验，那么我就不会将所有东西捆绑在一起成为一个假设家族。 但是，如果我有几批关于组均值的测试，那么什么标准可以将它们组合成一个家庭（或将它们分成不同的家庭）？一个家庭的所有成员都应该具有相同的响应变量吗？如果我的回答变量不同，但涉及的案件相同，那么所有这些都将捆绑成一个假设族吗？

9 hypothesis-testing  multiple-comparisons 

关于何时需要进行多重比较校正，我有一个哲学问题。 我正在测量连续的时变信号（在离散时间点）。有时会发生单独的事件，我想确定这些事件是否对测得的信号有重大影响。 因此，我可以获取事件后的均值信号，通常我可以在某个峰值处看到一些效果。如果我选择了那个高峰的时间，并说出t检验来确定它是否显着，而不是什么时候不发生，我是否需要进行多次比较校正？ 尽管我只进行过一次t检验（计算出1个值），但是在我最初的目视检查中，我从绘制的15个不同的后期延迟时间点中选择了具有最大潜在影响的检验。那么我是否需要对从未执行过的15个测试进行多次比较校正？ 如果我不使用视觉检查，而只是在每次事件滞后都进行了测试并选择了最高的一次，那么我肯定需要更正。我是否需要根据测试本身以外的其他标准（例如，视觉选择，最高均值等）做出“最佳延迟”选择，这有点困惑

9 hypothesis-testing  multiple-comparisons 

令我惊讶的是，在重复测量方差分析的情况下，可用于多次比较的校正过于保守。真的是这样吗？如果是这样，我可以使用哪些引用来支持这一点并了解更多信息？

9 anova  repeated-measures  multiple-comparisons 

我的数据集包括近海，中海道和近海三种地点类型的生物的总死亡率或生存率。下表中的数字表示站点数。 100% Mortality 100% Survival Inshore 30 31 Midchannel 10 20 Offshore 1 10 我想知道根据地点​​类型，发生100％死亡率的地点数量是否显着。如果我运行2 x 3卡方，则会得到显着的结果。我是否可以进行事后成对比较，或者实际上应该使用对数方差分析或二项分布的回归？谢谢！

9 logistic  multiple-comparisons  chi-squared  r  text-mining  clustering  classification  feature-selection  unsupervised-learning  time-series  references  mode  hypothesis-testing  confidence-interval  bootstrap  normal-distribution  order-statistics  correlation  statistical-significance  spss  bayesian  beta-binomial 

我来自“ 双向ANOVA的事后成对比较 ”（对此帖子），它显示了以下内容： dataTwoWayComparisons <- read.csv("http://www.dailyi.org/blogFiles/RTutorialSeries/dataset_ANOVA_TwoWayComparisons.csv") model1 <- aov(StressReduction~Treatment+Age, data =dataTwoWayComparisons) summary(model1) # Treatment is signif pairwise.t.test(dataTwoWayComparisons$StressReduction, dataTwoWayComparisons$Treatment, p.adj = "none") # no signif pair TukeyHSD(model1, "Treatment") # mental-medical is the signif pair. （输出附在下面） 有人可以解释为什么在配对（未调整的p值）t检验失败时，Tukey HSD能够找到有效的配对吗？ 谢谢。 这是代码输出 > model1 <- aov(StressReduction~Treatment+Age, data =dataTwoWayComparisons) > summary(model1) # Treatment is signif …

9 r  multiple-comparisons  t-test  post-hoc  tukey-hsd 

我正在评估5种不同方法预测特定二进制结果（称为“成功”和“失败”）的有效性。数据如下所示： Method Sample_Size Success Percent_Success 1 28 4 0.14 2 19 4 0.21 3 24 7 0.29 4 21 13 0.61 5 22 9 0.40 我想对这5种方法进行测试，以评估这些方法的相对优势。换句话说，我想按照性能的顺序对方法进行排序，方法是方法1>方法2> ...方法5。为避免出现多个比较的问题，我计划按照以下几行进行置换测试： 步骤1：汇总所有数据，以使总样本量为114，共获得37次成功。 步骤2：将数据随机分为5组，相应的样本大小分别为28、19、24、21和22。 步骤3：如果从步骤2中观察到的Percent_Success顺序与我的数据顺序一致，则增加一个计数器。 步骤4：重复步骤2和3多次（例如10000）。 所需的p值=最终计数器值/ 10000。 问题： 以上程序可以吗？ R中有什么可以让我执行上述测试的吗？ 任何改进或替代方法的建议都会有所帮助。

9 r  multiple-comparisons  permutation-test 

当您要在整体卡方检验中拒绝空值后，要测试哪些特定比例彼此不同时，此处描述的Marascuilo程序似乎是一种针对比例的多个比较问题的测试。 但是，我对该测试不是很熟悉。所以，我的问题是： 使用此测试时，我应该担心哪些细微差别（如果有）？ 我知道至少有两种其他方法（见下文）可以解决同一问题。“更好”的方法是哪个测试？ @Brett Magill 在此答案中提到的表演“分区卡方” 使用Holm–Bonferroni方法调整p值。

9 multiple-comparisons  chi-squared