বিষয় পরীক্ষার মধ্যে পোস্ট-হক?

20

বিষয় পরীক্ষার মধ্যে পোস্ট-হকস পরিচালনা করার জন্য পছন্দসই পদ্ধতি কী? আমি প্রকাশিত কাজ দেখেছি যেখানে টুকির এইচএসডি নিযুক্ত রয়েছে তবে কেপেল এবং ম্যাক্সওয়েল অ্যান্ড ডেলানির একটি পর্যালোচনা থেকে বোঝা যায় যে এই নকশাগুলিতে গোলকত্বের সম্ভবত লঙ্ঘন ত্রুটি শব্দটিকে ভুল করেছে এবং এই পদ্ধতিটিকে সমস্যাযুক্ত করে তোলে। ম্যাক্সওয়েল এবং ডেলানি তাদের বইয়ের সমস্যাটির জন্য একটি দৃষ্টিভঙ্গি সরবরাহ করে তবে আমি কোনও স্ট্যাটাস প্যাকেজে এটি কখনও দেখিনি। তারা যে প্রস্তাব দেয় তা কি উপযুক্ত? একাধিক জোড়যুক্ত নমুনা টি-টেস্টে কোনও Bonferroni বা সিডাক সংশোধন যুক্তিসঙ্গত হবে? একটি গ্রহণযোগ্য উত্তর সাধারণ আর কোড সরবরাহ করবে যা প্যাকেজটিতে ezANOVAফাংশন দ্বারা উত্পাদিত সাধারণ, একাধিক উপায় এবং মিশ্র নকশাগুলির উপর পোস্ট-হকগুলি পরিচালনা করতে পারে এবং পর্যালোচকদের সাথে মিস্টার ezপাস করার সম্ভাব্য উপযুক্ত উদ্ধৃতি দেওয়া হবে।

— russellpierce
সূত্র

1

ডেভিড হাওলের এই নিবন্ধটি সমস্যাগুলি এবং বিভিন্ন সমাধানের ব্যাখ্যা দেয়।

— হার্ভে মোটুলস্কি

আপনি যেমন মাল্টকম্প প্যাকেজটি ব্যবহার করে উত্তরটি গ্রহণ করেছেন, আপনি কীভাবে শেষ পর্যন্ত মাল্টকম্পটি ব্যবহার করেছিলেন সে সম্পর্কে আপনি কিছুটা ব্যাখ্যা করতে পারেন। আপনার সাথে ব্যবহার করছেন lmeবা lmerফাংশন বা t-test এর বা ANOVA কিছু অধিক প্রথাগত পদ্ধতি (যেমন আমি বর্তমানে ANOVAs সঙ্গে এটি ব্যবহার করার চেষ্টা করছি)।

— হেনরিক

আমি মাল্টকম্প উত্তরটি মূলত গ্রহণ করেছি কারণ আমি সম্প্রদায়টি "ডান" উত্তর হিসাবে নির্বাচিত পি-মান সমন্বয় কৌশলগুলির সাথে সম্পূর্ণ অসন্তুষ্ট। আমি এটি তাকিয়েছিলাম এবং এটি আশাব্যঞ্জক বলে মনে হয়েছিল, তবে আমি আর তদন্ত করিনি। আপনি কী চেষ্টা করছেন এবং আপনি কী সন্ধান করছেন সে সম্পর্কে আমি আরও শুনতে আগ্রহী।

— রাসেলপিয়ের্স

আমি এএনওভা ব্যবহার করে পুনরাবৃত্তি-ব্যবস্থাগুলি নির্দিষ্ট করার একটি উপায় খুঁজে পেয়েছি lme, গৃহীত উত্তরের মন্তব্যগুলি দেখুন: stats.stackexchange.com/q/14088/442 শ্রেণীর একটি অবজেক্টের সাথে lmeআপনি multcompসাবজেক্টের মধ্যে প্রভাবের জন্য ব্যবহার করতে পারেন । এটি বিভিন্ন ধরণের আলফা-ত্রুটি সামঞ্জস্য সরবরাহ করে তবে বেশিরভাগই আপনি বিশেষত পছন্দ করেন না (যেমনটি আমি প্রস্তাব করেছি যে সম্প্রদায়টি "ডান" হিসাবে ভোট দিয়েছে)। ভিগনেট ছাড়াও, সেখানে একটি বই রয়েছে multcompযা সমস্ত পদ্ধতি ব্যাখ্যা করে। আপনি পোস্ট hocs চান ছাড়া সমন্বয়, হয় ব্যবহার fit.contrastথেকে gmodelবা নতুন contrastপ্যাকেজ।

— হেনরিক

আপনি এখনও ezANOVAফাংশন জন্য একটি সমাধান আগ্রহী ? যদি তা হয় তবে আমি মনে করি আমি উত্তরটির উত্তর দিতে পারি তবে A একটি অবিচ্ছিন্ন মডেলগুলির পরীক্ষার উপর নির্ভর করবে যার জন্য গোলকত্ব একটি সমালোচনা অনুমান। আপনার যদি ezপ্যাকেজের আনোভা গণনাগুলিতে সীমাবদ্ধ হওয়ার জন্য A এর প্রয়োজন না হয় , আমি এমন একটি এ দিতে পারি যা উত্তর-পরবর্তী পরীক্ষার জন্য মাল্টিভারিয়েট মডেল ব্যবহার করে।

— স্টেটমারকুর

7

জেনারেল প্যারামেট্রিক মডেলগুলিতে মাল্টকম্প- প্যাকেজ এবং এর ভিগনেট একসাথে অনুগ্রহ করে দেখুন । আমি মনে করি এটি যা করতে পারে তা করা উচিত এবং ভিনগেটের খুব ভাল উদাহরণ এবং বিস্তৃত উল্লেখ রয়েছে।

— মট্টি পেস্টেল
সূত্র

21

আমি বর্তমানে একটি কাগজ লিখছি যার মধ্যে আমি বিষয়গুলির মধ্যে এবং উভয় ক্ষেত্রে তুলনামূলকভাবে আনন্দিত। আমার সুপারভাইজারের সাথে আলোচনার পরে আমরা সিদ্ধান্ত নিয়েছি যে টি- টেস্ট চালানো এবং আলফা ত্রুটির সংক্রমণ সংশোধন করার জন্য বেশ সহজ Holm-Bonferroni method( উইকিপিডিয়া ) ব্যবহার করব। এটি ফ্যামিলিওয়াল ত্রুটি হারের জন্য নিয়ন্ত্রণ করে তবে সাধারণ বনফেরোনি পদ্ধতির চেয়ে বৃহত্তর শক্তি রাখে। পদ্ধতি:

আপনি যে সমস্ত তুলনা করতে চান তার জন্য টি- টেস্টগুলি চালান ।
আপনি পি- মূল্যগুলি তাদের মান অনুসারে অর্ডার করুন ।
আপনি আলফা / কে-এর বিপরীতে ক্ষুদ্রতম পি- ভ্যালু পরীক্ষা করুন , আলফা / ( কে - 1) এর বিপরীতে দ্বিতীয় বৃহত্তম এবং প্রথম পরীক্ষা পরীক্ষার এই ক্রমে অ-তাৎপর্যপূর্ণ না হওয়া অবধি পরীক্ষা করে নিন।

সিট হলম (1979) যা উইকিপিডিয়া লিঙ্কের মাধ্যমে ডাউনলোড করা যায় ।

— হেনরিক
সূত্র

1

একাধিক পরীক্ষার আগে একটি আনোভা হতে পারে?

— স্ট্যান

2

আমি মনে করি যে উত্তর দ্বারা জড়িত ছিল। আপনি সাইনোফ্যাক্যান্ট আনোভা পরে পোস্ট-হক পরীক্ষা করেন perform

— হেনরিক

2

@ হেনরিক: আমি আশা করি আমি এখানে একটি মৃত ঘোড়াটি মারব না ... একটি পুরানো পোস্টে পোস্ট করে। আপনি কীভাবে টি-টেস্ট চালিয়েছেন সে সম্পর্কে আমার একটি প্রশ্ন রয়েছে have আপনি কি পুলের ভেরিয়েন্সটি ব্যবহার করেছেন (আনোভা থেকে) বা আপনি কেবল স্বতন্ত্র জুটিযুক্ত টি-পরীক্ষা করেছিলেন? আমি এটি জিজ্ঞাসা করার কারণটি হ'ল আমি pairwise.t.test()বনফেরনি পদ্ধতি বা হলম-বনফ পদ্ধতিটি ব্যবহার করে জোড় করে তুলনা করার চেষ্টা করেছি , তবে আমি পুল এসডি ব্যবহার করি বা প্রতিটি তুলনাকে পৃথক, স্বতন্ত্র -test। ধন্যবাদ!

— অ্যালেক্স

2

@ অ্যালেক্স: একটি 'সুরক্ষিত' পদ্ধতির ব্যবহার যেখানে টি-টেস্টগুলি কেবলমাত্র একটি গুরুত্বপূর্ণ এএনওভা-র দ্বারা পোলড ত্রুটি শর্তটি ব্যবহারের পরে বোঝানো হয়। তবে, এটি পরিসংখ্যানগত সফ্টওয়্যার দ্বারা প্রায়শই সরবরাহ করা কোনও বিকল্প নয়, লোকেরা এটি না করার ঝোঁক। তদুপরি, যে পরিমাণে গোলকত্ব লঙ্ঘন করা হয় তা প্রথম স্থানে করা প্রশ্নবিদ্ধ বিষয়।

— রাসেলপিয়ের্স

5

আমি অতীতে এই সম্পর্কে কিছু আলোচনা স্মরণ করি; আমি ম্যাক্সওয়েল এবং ডেলানির পদ্ধতির কোনও প্রয়োগ সম্পর্কে সচেতন নই, যদিও এটি করা খুব বেশি কঠিন হওয়া উচিত নয়। " পুনরাবৃত্তি ব্যবস্থা আনোভা আর ব্যবহার করে " দেখুন যা টুকির এইচএসডি- তে গোলকের সমস্যাটির সমাধানের একটি পদ্ধতিও দেখায় ।

ফ্রেডম্যানের আগ্রহের পরীক্ষার এই বিবরণটিও আপনি খুঁজে পেতে পারেন ।

— শেন
সূত্র

ধন্যবাদ, আমি মনে করি ফ্রেডম্যান পরীক্ষাটি আকর্ষণীয়, তবে পোস্ট-হকের ক্ষেত্রে টাইপ আই ত্রুটির জন্য এটি কীভাবে সমন্বয় করা হচ্ছে তা আমি বেশ বুঝতে পারি না। মন্তব্যগুলিতে বলা হয়েছে যে এটি একটি "উইলকক্সন-নিমেনেই-ম্যাকডোনাল্ড-থম্পসন পরীক্ষা" তবে আমি এর আগে কখনও তা শোনার আগে শুনিনি?

— রাসেলপিয়ের্স

@ শানে প্রথম লিঙ্কটি মারা গেছে :-(

— অ্যাডাম রাইজকোভস্কি

2

এসপিএসএস-এ অনুমানমূলক এফ-টেস্টের জন্য TWO বিকল্প রয়েছে। মাল্টিভারিয়েট গোলকত্ব ধরে না, অ্যাডএন তাই প্রতিটি জোড়ের চলকগুলির জন্য একটি পৃথক জোড়যুক্ত পারস্পরিক সম্পর্ক স্থাপন করে। কোনও পোস্ট হকের পরীক্ষাসহ "সাবজেক্টের মধ্যে থাকা পরীক্ষাগুলি", গোলাকারত্ব গ্রহণ করে এবং সমস্ত পরীক্ষার মধ্যে একটি সাধারণ সম্পর্ক ব্যবহারের জন্য কিছু সংশোধন করে। এই পদ্ধতিগুলি সেই দিনগুলির উত্তরাধিকার, যখন গণনা ব্যয়বহুল ছিল, এবং আধুনিক কম্পিউটিং সুবিধাগুলি সহ সময় নষ্ট করা।

আমার সুপারিশটি হ'ল যে কোনও পুনরাবৃত্তি ব্যবস্থার জন্য সর্বজনীন মাল্টিওয়্যারিয়ট এফ গ্রহণ করা। তারপরে পোস্ট হকের পেয়ারওয়াইজ টি-টেস্ট, বা বিষয়গুলির মধ্যেও যদি থাকে তবে প্রতিটি পুনরাবৃত্তি পরিমাপের তুলনায় মাত্র 2 টি মাত্রার সাথে আনোভা অনুসরণ করুন। আমি পরীক্ষার সংখ্যা দ্বারা আলফা স্তর ভাগ করার সহজ বোন ফেরোনি সংশোধন করব।

এছাড়াও প্রভাব আকার [বিকল্প সংলাপে উপলভ্য] তাকান নিশ্চিত করুন। তাত্পর্যপূর্ণভাবে 'কাছাকাছি' থাকা বড় প্রভাবের মাপগুলি ছোট, তবে উল্লেখযোগ্য প্রভাবগুলির চেয়ে মনোযোগের উপযুক্ত [এবং ভবিষ্যতের পরীক্ষাগুলি] হতে পারে।

এসপিএসএস পদ্ধতিটি মিশ্রডে আরও কম পরিশীলিত পন্থা পাওয়া যায় এবং আর এর মতো কম ব্যবহারকারী বান্ধব [তবে বিনামূল্যে] প্যাকেজগুলিতেও পাওয়া যায় R

সংক্ষিপ্তসার, এসপিএসএসে, মাল্টিভিয়ারেট এফের পরে জোড় পোস্ট পোস্ট হ'ল বোন ফেরেরোইথ বোনফেরনির বেশিরভাগ প্রয়োজনের জন্য পর্যাপ্ত পরিমাণে হওয়া উচিত।

0

আমি পরিবার-ভিত্তিক সিআই তৈরি করতে আর ফাংশন কিটুকি (1-আলফা, অর্থ, ডিএফ) ব্যবহার করব।

$tukey_{0.05,4,16}$

$MS_{Error}$ $\begin{align} & Tuke{{y}_{k,df}}=\frac{Ma{{x}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}-Mi{{n}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}}{\sqrt{\chi _{df}^{2}/df}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ \frac{{{M}_{j}}-{{\mu }_{j}}}{{{\sigma }_{M}}} \right\}}{S{{E}_{M}}/{{\sigma }_{M}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-{{\mu }_{j}} \right\}}{S{{E}_{M}}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{\mu }_{{{j}_{1}}}} \right)-\left( {{M}_{{{j}_{2}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}} \\ \end{align}$

The radius of family-wise 1-α CIs is $S{{E}_{M}}\times tuke{{y}_{\alpha ,4,16}}=\sqrt{\frac{M{{S}_{Error}}}{5}}\times tuke{{y}_{\alpha ,4,16}}$ because--

\begin{aligned} {T u k e y_{k, d f} \leq t u k e y_{0.05, 4, 16}} \\ = {\frac{M a x_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) |}}{S E_{M}} \leq t u k e y_{.05, 4, 16}} \\ = \cap_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) | \leq S E_{M} \times t u k e y_{.05, 4, 16}} \end{aligned}

$\begin{align} & \left\{ Tuke{{y}_{k,df}}\le tuke{{y}_{0.05,4,16}} \right\} \\ & =\left\{ \frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{S{{E}_{M}}}\le tuke{{y}_{.05,4,16}} \right\} \\ & ={{\cap }_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right|\le S{{E}_{M}}\times tuke{{y}_{.05,4,16}} \right\} \\ \end{align}$

Given a within-subject design with k=4 levels, 17 sample size e.g. (17-1)=16 df for $MS_{Error}$ , and ${{X}_{i,j}}=\left( {{\mu }_{j}}+{{v}_{i}} \right)+{{\varepsilon }_{i,j}}={{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}}$ , the radius of family-wise (1-α) CIs is $\sqrt{M{{S}_{Error}}/17}\times tuke{{y}_{\alpha ,4,16}}$ because--

\begin{aligned} T u k e y_{k, d f} = \frac{M a x_{j = 1, 2, \dots, k} {z_{j}} - M i n_{j = 1, 2, \dots, k} {z_{j}}}{\sqrt{χ_{d f}^{2} / d f}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {\frac{M e a n_{1 \leq i \leq n} {{\tilde{X}}_{i, j} + ε_{i, j}} - M e a n_{1 \leq i \leq n} {{\tilde{X}}_{i, j}}}{σ_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}}}}{{\hat{σ}}_{M e a n_{1 \leq i \leq n} {ε_{i, j}}} / σ_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {M_{j} - (μ_{j} + M e a n_{1 \leq i \leq n} {v_{i}})}}{{\hat{σ}}_{M e a n_{1 \leq i \leq n} {ε_{i, j}}}} \\ = \frac{R a n g e_{j = 1, 2, \dots, k} {M_{j} - μ_{j}}}{\sqrt{M S_{E r r o r} / n}} \\ = \frac{M a x_{1 \leq j_{1}, j_{2} \leq k} {| (M_{j_{1}} - M_{j_{2}}) - (μ_{j_{1}} - μ_{j_{2}}) |}}{\sqrt{M S_{E r r o r} / n}} \end{aligned}

$\begin{align} & Tuke{{y}_{k,df}}=\frac{Ma{{x}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}-Mi{{n}_{j=1,2,\ldots ,k}}\left\{ {{z}_{j}} \right\}}{\sqrt{\chi _{df}^{2}/df}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ \frac{Mea{{n}_{1\le i\le n}}\left\{ {{\widetilde{X}}_{i,j}}+{{\varepsilon }_{i,j}} \right\}-Mea{{n}_{1\le i\le n}}\left\{ {{\widetilde{X}}_{i,j}} \right\}}{{{\sigma }_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \right\}}{{{{\hat{\sigma }}}_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}/{{\sigma }_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-\left( {{\mu }_{j}}+Mea{{n}_{1\le i\le n}}\left\{ {{v}_{i}} \right\} \right) \right\}}{{{{\hat{\sigma }}}_{Mea{{n}_{1\le i\le n}}\left\{ {{\varepsilon }_{i,j}} \right\}}}} \\ & =\frac{Rang{{e}_{j=1,2,\ldots ,k}}\left\{ {{M}_{j}}-{{\mu }_{j}} \right\}}{\sqrt{M{{S}_{Error}}/n}} \\ & =\frac{Ma{{x}_{1\le {{j}_{1}},{{j}_{2}}\le k}}\left\{ \left| \left( {{M}_{{{j}_{1}}}}-{{M}_{{{j}_{2}}}} \right)-\left( {{\mu }_{{{j}_{1}}}}-{{\mu }_{{{j}_{2}}}} \right) \right| \right\}}{\sqrt{M{{S}_{Error}}/n}} \\ \end{align}$

— Xiaoxu LI
সূত্র