Lehrer für technischen Support bei JMP
Vielen Dank für Ihre Mithilfe. Ich bin ein großer Fan von JMP. Ich möchte eine statistische Analyse auf Grundlage der auf einer Website mit Krebsstatistiken erfassten Daten durchführen.
Wir haben statistische Daten erhoben, um zu ermitteln, ob bestimmte seltene Krebsarten mit höherer Wahrscheinlichkeit Sekundärkrebs verursachen als andere Krebsarten. Dabei sind wir auf die folgende Fallzahl gestoßen.
Duplikate
Ja Nein
Bestimmte seltene Krebsarten 827 12204
Außer bestimmten seltenen Krebsarten 129634 4490934
( Gesamt 130461 4503138 )
Ich habe zwei Fragen.
Frage 1
Wir planen, die Analyse in zwei Gruppen durchzuführen: eine mit einer bestimmten seltenen Krebsart und eine mit einer anderen als einer bestimmten seltenen Krebsart.
Wenn ich die von Ihnen zuvor angewiesene Chi-Quadrat-Analyse mit JMP durchführen möchte, muss ich anscheinend mehr als 4,5 Millionen Spalten erstellen. Daher möchte ich in JMP den exakten Test von Fisher oder den Kolmogorov-Smirnov-Test mit zwei Stichproben durchführen. Können mit JMP mehr als 4,5 Millionen Fälle analysiert werden?
Frage 2
Ich würde gern prüfen, ob es zwischen den beiden Gruppen eine Altersverzerrung gibt. Auf der Website mit Krebsstatistiken wird das Alter jedoch nicht als Zahl angezeigt, sondern in Blöcke wie beispielsweise 15–19 Jahre unterteilt (siehe die beiden beigefügten Excel-Dokumente).
Ist es in diesem Fall möglich, mithilfe von JMP eine Analyse durchzuführen, um sicherzustellen, dass keine Altersverzerrung vorliegt?
Das sind die beiden Punkte. Es tut mir sehr leid, aber ich wäre Ihnen dankbar, wenn Sie mir so viele Informationen wie möglich geben könnten.
Hallo @Tessho0730 ,
Willkommen in der Community!
Die erste Frage, die mir beim Lesen Ihres Beitrags in den Sinn kommt, ist, warum Sie alle Daten verwenden möchten, anstatt eine repräsentative Teilmenge auszuwählen?
Die Verarbeitung von Millionen von Zeilen ist für jeden Computer und jede Software ziemlich schwierig/komplex, und ich bin mir nicht sicher, welchen Mehrwert so viele Zeilen bringen können. Die Auswahl einer repräsentativen Teilmenge kann die Analyse einfacher und schneller machen und zum gleichen Ergebnis führen, und Sie können möglicherweise einige der verbleibenden/nicht ausgewählten Zeilen als Validierung für Ihre Analyse verwenden. Andererseits kann die Verwendung so vieler Zeilen, abhängig von Ihren Zielen, die Ergebnisse eines statistischen Tests stark „verzerren“: Aufgrund der sehr hohen Stichprobengröße können die Konfidenzintervalle extrem klein sein, sodass die Tests fast immer zu statistisch signifikanten Ergebnissen führen können (abhängig von der zu erkennenden Effektgröße/Differenz und dem festgelegten p-Wert/statistischen Signifikanzschwellenwert).
Ich würde empfehlen, sich zusätzlich Zeit zu nehmen, um über Ihre Ziele und die für Ihre Analyse erforderliche Stichprobengröße (abhängig vom Risiko-/Alpha-/Typ-I-Fehlerniveau und der Differenz-/Effektgröße, die Sie ermitteln möchten) nachzudenken und hierfür Power Explorers für Hypothesentests zu verwenden .
Was das Alter betrifft, glaube ich nicht, dass dies ein Problem darstellt: Achten Sie bei der Auswahl einer Stichprobe der Bevölkerungsdaten darauf, dass in Ihrer Teilmenge/Stichprobe und in der Bevölkerung die gleiche Aufteilung/der gleiche Anteil der Personen nach Altersgruppen vorliegt.
Einige Lesehinweise zu statistischen Tests und Stichprobengrößen:
Fehler des Typs I und II und statistische Aussagekraft - StatPearls - NCBI Bookshelf
Statistische Analyse: Stichprobengröße und Power-Schätzungen | BJA Education | Oxford Academic
Ich hoffe, diese Antwort hilft Ihnen weiter.
@Tessho0730
Zu Frage 1: Ich denke, dass Sie sie analysieren können, indem Sie die folgenden Daten eingeben:
Wählen Sie „Analysieren“ > „Y an X anpassen“ und geben Sie die Spalten für Y, X und Häufigkeit an.
Wie Victor jedoch erwähnte, ist der P-Wert aufgrund der großen Datenmenge auch dann gering, wenn der Unterschied im Verhältnis gering ist. Daher ist bei der Interpretation Vorsicht geboten.
Mein Name ist Hiroaki Ono und ich arbeite als leitender Tester in der JMP Japan-Abteilung von SAS Institute Japan Co., Ltd.
■(1) Die Rechenkomplexität des exakten Fisher-Tests explodiert, wenn die Tabelle größer ist als eine 2 x 2-Kontingenztabelle (beispielsweise eine 5 x 5-Kontingenztabelle).
Bei 2x2-Kontingenztabellen kommt es zu keiner Rechenexplosion. Möglicherweise gibt es frühere Untersuchungen, in denen erwähnt wird, welche Größe eine m × n-Kontingenztabelle haben muss (die größer ist als eine 2 × 2-Kontingenztabelle) und welche Maschinenspezifikationen erforderlich sind, damit die Berechnungen beim exakten Fisher-Test fehlschlagen. Es gibt jedoch keine Näherungsformel zur Berechnung des Berechnungsumfangs. Im Wesentlichen gilt: „Wir werden nicht wissen, ob die Berechnungen abgeschlossen werden, bis wir es versuchen.“
(2) Wenn Sie meinen: „Ich möchte einen Test durchführen, um zwei Gruppen zu vergleichen“, kann JMP mehrere Tests (und Konfidenzintervalle) zum Vergleichen von Gruppen berechnen.
■Das Folgende sind meine persönlichen Gedanken. Die gesamte Verantwortung liegt ausschließlich bei mir und nicht bei der Organisation, für die ich arbeite.
Dies weicht zwar etwas vom Thema Ihrer Frage ab, aber ich persönlich denke, dass statistische Tests für Intergruppenvergleiche im Allgemeinen (nicht nur in JMP) grob wie folgt kategorisiert werden können:
(a) Modellbasiertes Testen
t-Test, logistische Regression, Cox-proportionale Hazard-Regression
b) Entwurfsorientiertes Testen
Wilcoxon-Test, Cochran-Mantel-Heanzel-Test, Permutationstest, Log-Rank-Test
Beachten Sie, dass die Ergebnisse der Tests (a) und (b) ähnlich sein können, insbesondere bei einer großen Stichprobengröße. Beispielsweise führt ein Permutationstest, der die Originaldaten als Werte verwendet (= ein CMH-Test, der die Originaldatenwerte als Werte verwendet), bei großen Stichproben zu ähnlichen Ergebnissen wie ein t-Test.
Der Vorteil der Methode (a) liegt meiner Meinung nach darin, dass sie leicht auf mehrere Variablen erweitert werden kann. Beispielsweise lassen sich T-Tests leicht zu multiplen Regressionen weiterentwickelt werden, einfache logistische Regressionen lassen sich leicht zu logistischen multiplen Regressionen weiterentwickelt werden usw.
■Nehmen wir an, dass die Forschungsfrage lautet: „Erhöhen seltene Krebsarten die Wahrscheinlichkeit, an anderen Krebsarten zu erkranken, im Vergleich zu anderen Krebsarten?“ und dass der folgende DAG (gerichteter azyklischer Graph) gilt.
+---------- Alter -----------------------+
| |
+---> Seltener Krebs -----> Mehrere Krebsarten <---+
Gehen Sie davon aus, dass das Alter der einzige kausale Faktor in Richtung dieses DAG ist und ein Störfaktor von seltenen Krebserkrankungen zu mehreren Krebserkrankungen darstellt (mit anderen Worten, es gibt keinen umgekehrten Pfad von mehreren Krebserkrankungen zu seltenen Krebserkrankungen und außerdem gibt es keine anderen Störfaktoren als das Alter, wie etwa, dass Menschen mit höherem ökonomischen Status eher an Krebsvorsorgeuntersuchungen teilnehmen (obwohl ich keine Ahnung habe, ob es so etwas gibt) und daher eine höhere Wahrscheinlichkeit haben, dass seltene und mehrere Krebserkrankungen entdeckt werden).
Wenn dies der Fall ist, halte ich es persönlich für keine gute Idee, sich die Daten hinsichtlich der Beziehung zwischen Alter und Seltenheit anzuschauen und dann das Alter zu ignorieren und die Beziehung zwischen seltenen Krebserkrankungen und mehreren Krebserkrankungen zu betrachten, nur weil diese statistisch nicht signifikant war.
■Um vom Thema abzuschweifen: Ich habe keine Ahnung, welche Art von Informationen nützlich sein könnten, aber ich persönlich habe gewisse Vorbehalte, wenn es darum geht, die für die gesamte Bevölkerung aggregierten Daten zu betrachten, wenn die Häufigkeit seltener und mehrfacher Krebserkrankungen je nach Alter variiert. Obwohl es sich hierbei in erster Linie um einen beschreibenden Test handelt (und nicht um einen statistischen Test, der sich auf binäre Entscheidungsfindung konzentriert), bin ich persönlich der Meinung, dass der erste Schritt darin bestehen würde, die aktuelle Situation zu untersuchen, indem man die Menschen nach Alter (und anderen Attributen) stratifiziert, zum Beispiel indem man ein Mosaikdiagramm zeichnet oder eine Spline-Kurve als erklärende Variable für die logistische Regression verwendet, um vorhergesagte Prozentwerte zu finden und diese aufzuzeichnen. Nach einiger Datenverarbeitung kann ich möglicherweise ein Diagramm wie das angehängte in JMP erstellen (bitte antworten, wenn Sie interessiert sind).
