Unterschiedliche p-Werte aus „Fit Y“ durch X gegenüber „Response Screening“Hallo:
Ich habe einen Datensatz mit 15 Beobachtungen in drei Gruppen/Bedingungen (Gruppe 1: 5 Beobachtungen, Gruppe 2: 6 Beobachtungen und Gruppe 3: 4 Beobachtungen) für etwa 3.000 Gene (Variablen) und möchte für diese Gene in allen drei Gruppen ANOVA- und Post-hoc-Tests durchführen:
Ich habe „Response Screening“ ausprobiert und P-Werte für ANOVA für die 3.000 Gene erhalten. Anschließend habe ich auch die jeweiligen P-Werte für den Vergleich von Beobachtungen zwischen verschiedenen Gruppen (d. h. Gruppe 3/Gruppe 1, Gruppe 2/Gruppe 1) ermittelt, indem ich auf „Mittelwertunterschiede anzeigen“ geklickt und mit der rechten Maustaste auf „Spalte“ geklickt habe, um diese P-Werte anzuzeigen.
Meine Frage ist: Als ich einzelne Variablen mit „Fit Y by X“ testete, erhielt ich denselben p-Wert für ANOVA. Als ich jedoch mit dem Post-hoc-Test (Tukey-HSD / Tukey-Kramer) fortfuhr, erhielt ich unterschiedliche p-Werte für die Vergleiche zwischen Gruppen. Diese Werte sind nicht dieselben wie die, die ich durch „Response Screening“ erhielt. Wie kommt das?
Wie werden die p-Werte für Gruppenvergleiche im „Response Screening“ ermittelt? Ich nehme an, sie werden aus einer Art Post-hoc-Test abgeleitet?
Vielen Dank im Voraus für Ihre Hilfe!
Grundlegende Datenanalyse und ModellierungBetreff: Unterschiedliche p-Werte aus „Fit Y“ durch X gegenüber „Response Screening“Hallo @FactorLevelFox5 ,
Willkommen in der Community!
Der Tukey-Kramer -Test ist ein adjustierter Test für Mehrfachvergleiche: „ Diese Methode sichert das Gesamtsignifikanzniveau für die Tests aller Paarkombinationen .“
Wenn Sie Ihr Konfidenzniveau definieren (z. B. 0,95), wird es für EINEN Vergleich definiert, aber nicht für alle Vergleiche, die in Ihre Studie einbezogen sind. Da Sie in Ihrem Beispiel 3 Gruppen haben, können Sie 3 mögliche Paarvergleiche durchführen: Gruppe 1 mit 2, Gruppe 1 mit 3 und Gruppe 2 mit 3. Ihr Gesamtkonfidenzniveau für alle Vergleiche beträgt also 0,95^3 = 0,857.
Das bedeutet, dass ohne p-Wert-Anpassungstechniken wie Bonferroni oder Tukey-Kramer Ihr Gesamtkonfidenzniveau bei etwa 0,86 liegen wird, sodass Sie mit viel mehr falsch positiven Ergebnissen rechnen können als angenommen (14 % Risiko statt 5 %).
Bei Anpassungstechniken sind die Berechnungen ein wenig anders, sodass Sie mit höheren p-Werten rechnen können (im Vergleich zu nicht angepassten Tests), weil dabei die Gesamtzahl der durchgeführten Vergleiche berücksichtigt wird und die Anpassung dazu dient, das Risiko zu minimieren, einen statistischen Unterschied zwischen Gruppen zu finden, wenn es keinen gibt.
Hoffe, dies verdeutlicht den gefundenen Unterschied,
Betreff: Unterschiedliche p-Werte aus „Fit Y“ durch X gegenüber „Response Screening“Danke für Ihre schnelle Antwort! Der p-Wert im „Mittelwertunterschied“ (Antwort-Screening) ist also nur ein t-Test (kein Post-hoc-Test nach ANOVA)?
Wenn ja, gibt es eine Möglichkeit, den p-Wert der Post-hoc-Analyse im Response-Screening zu erhalten?
Danke noch einmal!
Betreff: Unterschiedliche p-Werte aus „Fit Y“ durch X gegenüber „Response Screening“Hallo @FactorLevelFox5 ,
Im Hilfebereich von JMP können Sie nachlesen, dass die p-Werte in der Response Screening-Plattform durch den Student- t- Test für einen paarweisen Vergleich ermittelt werden: Mittelwertdifferenz-Datentabelle
Sie können jedoch auch eine Spalte mit „FDR-p-Werten“ sehen, die mit demselben Test erhalten wurden, jedoch für Mehrfachvergleiche mit der False Discovery Rate-Technik korrigiert wurden: Statistische Details für die Response Screening Platform
Weitere Informationen zu dieser Technik finden Sie hier: Benjamini, Y. und Hochberg, Y. (1995). „Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing.“ Journal of the Royal Statistical Society , Serie B 57:289–300 oder Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing
Die False Discovery Rate ist nicht Teil der korrigierten Testoptionen in Fit Y by X, da die Schwerpunkte der in den beiden Plattformen vorgeschlagenen Korrekturen etwas unterschiedlich sind:
- Bei „Y durch X anpassen“ kann die Korrektur mehrerer Tests für eine kategorische Variable X mit vielen Gruppen und eine kontinuierliche Variable Y erforderlich sein, da Sie alle möglichen Kombinationen auf nicht unabhängige Weise testen: einen möglichen Antwortunterschied zwischen jedem Gruppenpaar für dieselbe Variable X.
- Beim Response Screening kann die Korrektur mehrerer Tests erforderlich sein, wenn Sie die statistische Signifikanz vieler unabhängiger XY-Beziehungen untersuchen.
Hoffe, diese Antwort wird den Bericht und die Nutzung dieser Plattform klären,
