Lineal problema modelo y - multiplicidad de efectos diversos y ajuste para valores de p

Question

En nuestro estudio aleatorizado y controlado, se utilizaron modelos lineales de efectos mixtos para probar las diferencias entre los grupos en los cambios de línea de base para seis meses, mientras que el ajuste para importante covariables. Nos corrió de análisis separados para cada resultado. Tuvimos 6 covariables que se han considerado, y se utilizó un método paso a paso el uso de la información de Akaike criterio para la selección de los mejores conjunto de variables.

Un revisor de regreso a nosotros diciendo que deberíamos de haber tratado de la multiplicidad y ajustado nuestros valores de p debido a la posibilidad de inflar el tipo de error.

No estoy seguro de si esto es cierto o no, pero no creo que debamos hacer esto, porque nosotros no realizar análisis post hoc. También, en nuestro análisis no hemos tenido varios niveles de tratamiento. Así que, la verdad creo que no debemos ajustar nuestra p-valores. La única cosa que debemos ajustar para, creo, es para la selección de las covariables. Pero, eso fue atendido mediante el modelo iterativo de selección de la técnica, a saber, paso a paso variable de selección basado en la AIC (stepAIC).

P. S. he buscado en el sitio de posibles respuestas, y no podía encontrar alguno que se adapte.

Answer 1

Desde el revisor sólo parece estar preocupado acerca de los resultados medidos en los mismos sujetos (y no se cuestiona el procedimiento de modelado en sí), yo simplemente uso secuencial de Bonferroni de ajuste (un.k.una. Holm-método de Bonferroni) para corregir.

1. Ordenar su $p$-valores en orden ascendente
2. Referirse a ellos como " $p_i$ ( $p_1, p_2, p_3$ , etc.)
3. Que usted ajuste su $\alpha$-nivel y comparar el $p$-valores en contra de que los nuevos $\alpha$-niveles, es decir, se prueba si $p_i \le \alpha / (1 + k - i)$ donde $k$ es el número de pruebas estadísticas realizadas, es decir, el número de $p$-valores calculados. Usted puede detener al $p_i \gt \alpha / (1 + k - i)$. Los $p_i$ que por debajo de la caída secuencial ajustado $\alpha$-niveles ahora son sus principales controles que se ajustan para la multiplicidad (después de la Encina-método de Bonferroni).

Por ejemplo, usted llevó a cabo cinco pruebas ( $\alpha = 0.05$ ), resultando en el siguiente $p$-valores:

$p_1 = 0.0024, p_2 = 0.0084, p_3 = 0.019, p_4 = 0.027, p_5 = 0.12$

El nuevo $\alpha$-nivel de comparar los $p_1$ contra:

$0.05/(1+5-1) = 0.01$

Desde $p_1 \le 0.01$ puede mover a $p_2$:

$0.05/(1+5-2) = 0.0125$

Desde $p_2 \le 0.0125$ puede mover a $p_3$:

$0.05/(1+5-3) = 0.0167$

Desde $p_3 \gt 0.0167$ puede detener.

En este caso, desde un principio cuatro significativos $p$-valores, que ahora sólo tiene dos, pero esos son ajustados por la multiplicidad (Nota: en Lugar de ajustar el $\alpha$-niveles, también puede ajustar el $p$-valores y comparar los escogidos $\alpha$-nivel (por ejemplo,$\alpha = 0.05$). Entonces todo lo que necesita hacer es $(1 + k - i)*p_i$ lugar).

Vea también:

Abdi, H. (2010). La encina es secuencial de Bonferroni procedimiento. Enciclopedia de diseño de la investigación, 1.

Peres-Neto, P. R. (1999). Cuántas pruebas estadísticas son demasiados? El problema de la realización de múltiples ecológica inferencias revisited. Marine Ecology Progress Series, 176, 303-306.

Alternativamente, también se podría argumentar que no desea ajustar por la multiplicidad , porque de la razón, tales como el interés por hacer de errores de tipo II.

Ver aquí: Feise, R. J. (2002). Hacer varias medidas de resultado exigir p-valor de ajuste?. BMC Medical Metodología de la Investigación, 2(1), 1.

O tal vez este: Gelman, A., Cuesta, J., & Yajima, M. (2012). Por qué nosotros (por lo general) no tiene que preocuparse acerca de las comparaciones múltiples. Revista de Investigación sobre Eficacia Educativa, 5(2), 189-211.