Es el de Scheffé de contrastes en la que el "mejor caso" para pruebas post-hoc?

Question

Estoy leyendo a través de Explicar Psicológica Estadísticas, 4ª Edición, y estoy perplejo después de que el siguiente pasaje:

Scheffé (1953) entiende que lo mejor que alguien puede hacer a la hora de crear un complejo de contraste es capturar todas las $SS_{bet}$ [suma de los cuadrados de las desviaciones entre los grupos] en un solo df de comparación, por lo que el $SS_{bet}$ se divide por 1, en lugar de $df_{bet}$ [los grados de libertad entre grupos]. Por lo tanto, en el mejor de los casos, $MS_{contrast}$ [media de las desviaciones cuadráticas entre los grupos] es igual a $df_{bet}$ veces $MS_{bet}$, e $F_{contrast}$ [la razón F para el test de Scheffé] es igual a $df_{bet}$ veces $F_{ANOVA}$ [la razón F en el original ANOVA].

Esto fue justo después de la sección en un plan de contrastes, y el de Scheffé se describe como particularmente conservador, así que estoy confundido. ¿En qué sentido es el test de Scheffé el "mejor caso"? Todos los que me parecen salir de esta y otras lecturas en línea es que el test de Scheffé se describe en el mejor de los casos, en un post hoc de probar, pero que planearon contrastes podría tener mayor potencia para compensar su especificidad. Es esta una correcta comprensión de los asuntos?

Answer 1

En primer lugar, hay muchas pruebas y cada uno tiene sus lados buenos y malos sobre otra prueba. Algunos de los más básicos son pruebas de Tukey, Bonferroni y Scheffés, para que podamos comparar y contrastar estos para entender lo que pasa en la elección de una prueba.

Una útil explicación de elegir entre pruebas (http://www.itl.nist.gov/div898/handbook/prc/section4/prc473.htm):

1. Si todas las comparaciones por pares que son de interés, de Tukey tiene el borde. Si sólo un subconjunto de las comparaciones por pares se requiere, de Bonferroni puede a veces ser mejor.

2. Cuando el número de contrastes en la que se estima que es pequeña, (acerca de como muchos, ya que hay factores) de Bonferroni es mejor que el de Scheffé. En realidad, a menos que el número deseado de contrastes es al menos dos veces el número de factores, Scheffé siempre muestran mayor confianza bandas de Bonferroni.

3. Muchos paquetes incluyen todos los tres métodos. Así, el estudio de la salida y seleccionar el método con el más pequeño de la banda de confianza. edit: (Esto aparece en el código fuente, pero probablemente no es una buena idea).

4. No hay un único método de comparaciones múltiples es uniformemente mejor entre todos los métodos.

Aquí es una vista simplificada de árbol de decisión para la elección de la prueba correcta (http://www.statsdirect.com/help/content/analysis_of_variance/multiple_comparisons.htm):

• pares

  • igual el tamaño de los grupos: de Tukey
  • desigual tamaño de los grupos: pruebas de Tukey-Kramer o Scheffé del

• no pares

  • planeado: Bonferroni
  • no planeada: Scheffé del

Tangente:

Además, usted necesita entender la diferencia entre lo planificado y no planificado de las comparaciones. Si usted sabe que cada comparación que se desea comparar, a continuación, puede utilizar una planeado comparación de la prueba de Tukey y de Bonferroni. Si usted piensa que puede necesitar para hacer algunas de las notorio el espionaje de datos, a continuación, puede ajustar para que el imprevisto comparaciones con el método de Scheffé. (Tukey: http://www.itl.nist.gov/div898/handbook/prc/section4/prc471.htm, De Bonferroni: http://www.itl.nist.gov/div898/handbook/prc/section4/prc473.htm, Scheffé: http://www.itl.nist.gov/div898/handbook/prc/section4/prc472.htm)

En general, no de los datos de snoop (no planeado comparaciones) si es posible. Usted necesita entender lo que usted está buscando (previsto comparaciones) y se debe consultar con un profesional de estadístico antes de decidir qué prueba sería lo mejor. También, la comprensión de los datos de la prueba le permitirá hacer comparaciones específicas y por lo tanto permitir el uso de una prueba específica que le da el más estrecho intervalo de confianza (detectar diferencias), mientras que siendo estadísticamente correcta.