我試圖比较两種旨在冷却麻醉患者的設備的效能.這是亚研究分析,並且組之間的患者分配不均匀.一旦開始冷却,將它们冷却至33度,然後再加热.每小時进行一次温度測量.两種設備都采用負反馈原理,我正在研究設備在設定時間段(28小時)內將患者體温維持在目標温度(33度)附近的能力.下面绘製了具有標準偏差的患者組的平均時程.如所示,一旦冷却確定,IV33組的標準偏差较小,尽管该組中的患者较少.

我想表明的是,一旦建立冷却,方差就会有統計學上的顯着差異.為此,我已將Levene測試應用於每小時的結果,這给我以下結果:

Hour - p value
00 - 0.8949
01 - 0.8954
02 - 0.2522
03 - 0.01618 
04 - 0.03234 
05 - 0.004928 
06 - 0.000227 
07 - 0.0001289
08 - 0.0002498 
09 - 0.001403 
10 - 0.001158 
11 - 0.0001553 
12 - 0.01084 
13 - 0.0003181
14 - 0.001402 
15 - 0.005558 
16 - 0.01849 
17 - 0.001601 
18 - 0.003469 
19 - 0.01291 
20 - 0.02297 
21 - 0.09245
22 - 0.02421 
23 - 0.03829 
24 - 0.03653 
25 - 0.05466
26 - 0.1282
27 - 0.1982
28 - 0.3297

正如您所看到的,這些与圖表關係良好,一旦冷却生效就開始變得顯着.但是,我顯然多次應用相同的測試.使用標準Bonferroni校正我需要使用大約0.0014(36小時)的p值,我认為這是過於保守,因為Bonferroni的目標是一些負相關型別依赖,而我的結果相当正相關.

這是否正確?如果是這樣,我如何計算考虑多次測試的更合適的p值?

最新回復
  • 2019-12-5
    1 #

    您可以采用westfall-young型別方法.估計 R1的相關矩陣   和 R2   每个小組.然後绘製一些10000(正態分佈,如果您相信)隨機樣本,這些相關矩陣与您的原始資料相似; 如果它们低於$ H_0 $,那麼方差相等但估計協方差.計算每次36次Levene測試.儲存所有測試的最小$ p $ -values.最後,采用10000最小$ p $ -values的经驗$ \ alpha $分位數.這是控製FwER的本地$ \ alpha $.它介於$ \ frac {\ alpha} {36} $和$ \ alpha $。

    之間

    一些簡短的(未经測試的) R - 代碼来說明它: library(mvtnorm) library(lawstat) for (i in 1:10000){ x1 <- rmvnorm(n1,sigma=R1) x2 <- rmvnorm(n2,sigma=R2) for (j in 1:36){ pvali[j] <- levene.test(rbind(x1[,j],x2[,j]), as.factor(rep(1,n1),rep(2,n2)))$p.value } minpval[i] <- min(pvali) } localalpha <- quantile(minpval,probs=alpha)

  • 2019-12-5
    2 #

    首先,你確實實現了你的Bonferroni p值,所以這種修正不会阻止你宣佈重要性.

    作為替代方案,請考虑仅檢查8到20个時間段的資料.看起来两个裝置的平均值基本相同,並且似乎偏斜度有限,因此我们假設在此時間段內體温的分佈是靜止的並且具有大致相同的中值温度值。

    因此,我们可以集中測試規模的差異.我建議將Ansari-Bradley量表差異測試應用於時間段8 - 20的資料。您可以執行双尾假設檢驗.我鏈接的R代碼也為您提供了方差比率的置信區間,因此您可以看到具有實際意義的事物。

  • algorithms:我如何教某人“从给定的發行版中抽樣” 很难?
  • gam:二次多項式 - 如何測試x和y之間的相關性?