Pueden los valores de p se utiliza para mostrar el impacto del tratamiento

Question

¿Tiene sentido el uso de las diferencias en el valor de p para mostrar una tendencia o la "importancia" de que el efecto de un tratamiento. por ejemplo, he tratado a un suelo contaminado y puedo probar los tratamientos contra uno de control. Puedo ver el alto peso molecular de los contaminantes son los más afectados por el tratamiento, y que los valores de p (pruebas de tratamiento contra el control) para estos contaminantes son menores que los de los de bajo peso molecular, que si estoy correcto sería decir que la significación es mayor.

Esto parece correlacionar con la gráfica, pero podría esta diferencia en el significado visto a través de los valores de p se utiliza para mostrar la diferencia en el impacto del tratamiento, me refiero a que en la discusión de sus resultados.

Gracias de antemano.

Answer 1

Voy a parafrasear a su pregunta: "me estadísticamente probado una hipótesis y obtuvo algunos de los p-valores. Puedo utilizar estos valores de p para evaluar una hipótesis distinta?" Yo no creo que eso sea una buena idea. Usted está pidiendo dos diferentes preguntas científicas. En consecuencia, usted querrá usar dos diferentes pruebas para evaluar los dos tipos de hipótesis.

La primera pregunta es: "¿el tratamiento afecta a cualquier tipo de contaminante que" Aquí está la comparación de los diferentes tratamientos contra el control. Lo más probable es que haya calculado una pendiente de algún tipo, y se muestra que es diferente de cero. Aquí es donde tienes tu p-valores. Sin embargo, estos valores de p no se ocupan de la segunda pregunta (ver más abajo), y me sugieren no utilizar para responder a la segunda pregunta.

La segunda pregunta es: "Es Un contaminante (alta mw) afectado más fuertemente contaminante B (baja mw)?". Para esto, le sugiero que probar si el efecto del tratamiento sobre los contaminantes difiere significativamente. Tenga en cuenta que usted debe utilizar una feria de normalización, por ejemplo el uso de %de reducción, en lugar de la reducción en la masa que los efectos de medir (por ejemplo, pistas) puede ser comparada a la de todos. Mediante el cálculo de pendientes y sus incertidumbres le permitirá realizar una prueba (por ejemplo, t-test) para los no-cero de diferencia.

Answer 2

La forma habitual sería medir el efecto del tratamiento como la diferencia de ambos efectos: $\beta_{Treated}$ - $\beta_{control}\equiv \theta$. En su caso, usted necesita para calcular el $\theta$ y, a continuación, la prueba de su importancia.

La diferencia en los valores de p eventualmente puede dar algunos elementos para el debate (o más bien la especulación ?) pero la discusión va a ser menos rigurosas como las pruebas de hipótesis en sí misma es suficiente. Una recta medida del efecto del tratamiento diferencial está dado por la estadística detrás de $\theta$ o $\hat\theta$ sí por ejemplo, si la prueba de hipótesis se basa en un estadístico que sigue una t-student la distribución de $T_n\sim t_q$, entonces es fácil argumentar que la estadística proporcional a la diferencia estimada $\hat \theta$.

Parece que se han tratado dos suelos ? y que desea evaluar la RELATIVA efectividad de la comparación de ambas pruebas en cada suelo? Si ese es el caso de una prueba : $H_0: \theta_1 -\theta_2 \neq 0 $ o $\hat\theta_1-\hat\theta_2$ le proveerá con una medida objetiva y la prueba de hipótesis de la relación de rendimiento.

Answer 3

Creo que una de las razones clave por lo general no se puede hacer lo que se sugiere es el tamaño de la muestra vs variabilidad. Un p-valor indica si o no los datos disponibles se puede decir que se ha detectado una diferencia. No indican directamente la magnitud de la diferencia. Puede haber seleccionado correctamente la prueba de hipótesis y tener una situación en la que la hipótesis nula debe ser rechazada, pero su tamaño de la muestra es demasiado pequeño para detectar el real tamaño del efecto. Esto podría significar que usted necesita una muestra muy grande debido a la gran aleatorio de error o que el elegido tamaño de la muestra resultó ser demasiado pequeño. Cuando se intenta comparar los valores de p a partir de diferentes estudios las diferencias en el tamaño de la muestra se enturbia la comparación. Por supuesto estoy de acuerdo con Procrastinador comentarios así.