Profesor de soporte técnico de JMP
Gracias por su ayuda. Soy un gran fan de JMP. Me gustaría realizar un análisis estadístico basado en las estadísticas recopiladas en un sitio web de estadísticas sobre el cáncer.
Realizamos estadísticas para determinar si ciertos cánceres raros tienen más probabilidades de causar cánceres secundarios que otros cánceres y encontramos el siguiente número de casos.
Duplicados
Sí No
Ciertos tipos raros de cáncer 827 12204
Aparte de ciertos cánceres raros 129634 4490934
(Total 130461 4503138)
Tengo dos preguntas.
Pregunta 1
Planeamos realizar análisis en dos grupos: uno con un cáncer raro específico y otro con un cáncer que no es raro.
Si quiero realizar el análisis de chi-cuadrado que me indicó anteriormente que hiciera usando JMP, parece que necesitaré crear más de 4,5 millones de columnas. Por lo tanto, me gustaría realizar la prueba exacta de Fisher o la prueba de Kolmogorov-Smirnov de dos muestras en JMP. ¿Se puede utilizar JMP para analizar más de 4,5 millones de casos?
Pregunta 2
Me gustaría ver si hay algún sesgo de edad en los dos grupos, pero en el sitio web de estadísticas del cáncer, la edad no se muestra como un número, sino que se divide en bloques como 15 a 19 años (consulte los dos documentos de Excel adjuntos).
En ese caso, ¿es posible analizar utilizando JMP para garantizar que no haya sesgo de edad?
Éstos son los dos puntos. Lo siento mucho pero agradecería si pudieran facilitarme la mayor cantidad de información posible.
Hola @Tessho0730 ,
¡Bienvenido a la Comunidad!
La primera pregunta que tengo en mente al leer tu publicación es ¿por qué te gustaría utilizar todos los datos, en lugar de seleccionar un subconjunto representativo?
Procesar millones de filas es bastante difícil/complejo para cualquier computadora y software, y no estoy seguro del valor agregado que tantas filas pueden aportar. Seleccionar un subconjunto representativo puede hacer que el análisis sea más fácil, más rápido y con el mismo resultado, y posiblemente puedas usar algunas de las filas restantes/no seleccionadas como validación para tu análisis. Por otro lado, dependiendo de tus objetivos, usar tantas filas puede "sesgar" en gran medida los resultados de una prueba estadística: debido al tamaño muy alto de la muestra, los intervalos de confianza pueden ser extremadamente pequeños, por lo que las pruebas pueden dar como resultado resultados estadísticamente significativos casi siempre (dependiendo del tamaño del efecto/diferencia a detectar y el valor p/umbral de significación estadística establecido).
Le recomendaría dedicar tiempo adicional para pensar en sus objetivos, el tamaño de muestra requerido para su análisis (dependiendo del nivel de riesgo/alfa/error tipo I y la diferencia/tamaño del efecto que desea detectar) utilizando Power Explorers para pruebas de hipótesis .
Respecto a la edad, no creo que sea un problema: al seleccionar una muestra de datos de población, asegúrese de tener la misma repartición/proporción de individuos por bloques de edad entre su subconjunto/muestra y la población.
Algunas lecturas sobre pruebas estadísticas y tamaño de muestra:
Errores de tipo I y tipo II y potencia estadística - StatPearls - Biblioteca del NCBI
Análisis estadístico: tamaño de la muestra y estimaciones de potencia | BJA Education | Oxford Academic
Espero que esta respuesta pueda ayudarte.
@Tessho0730
Respecto a la pregunta 1, creo que puedes analizarla ingresando los siguientes datos:
Seleccione Analizar > Ajustar Y por X y especifique columnas para Y, X y frecuencia.
Sin embargo, como mencionó Víctor, debido a que la cantidad de datos es grande, incluso si la diferencia en la proporción es pequeña, el valor P será pequeño, por lo que se debe tener cuidado al interpretarlo.
Mi nombre es Hiroaki Ono y trabajo como probador senior en la división JMP Japón de SAS Institute Japan Co., Ltd.
■(1) La complejidad computacional de la prueba exacta de Fisher explota cuando la tabla es más grande que una tabla de contingencia de 2 x 2 (por ejemplo, una tabla de contingencia de 5 x 5).
No hay explosión computacional con tablas de contingencia 2x2. Puede haber alguna investigación previa que mencione qué tamaño de tabla de contingencia m × n, que es más grande que una tabla de contingencia 2 × 2, y qué especificaciones de máquina se requieren para que la prueba exacta de Fisher no complete los cálculos, pero no existe una fórmula aproximada para calcular la cantidad de cálculos y, en esencia, es un caso de "no sabremos si los cálculos se completarán hasta que lo intentemos".
(2) Si quiere decir "Quiero realizar una prueba para comparar dos grupos", JMP puede calcular varias pruebas (e intervalos de confianza) para comparar grupos.
■Lo siguiente son mis pensamientos personales. Toda la responsabilidad recae únicamente sobre mí y no sobre la organización para la que trabajo.
Esto se sale un poco del tema de tu pregunta, pero personalmente creo que las pruebas estadísticas para comparaciones entre grupos en general (no solo en JMP) se pueden clasificar de la siguiente manera:
(a) Pruebas basadas en modelos
prueba t, regresión logística, regresión de riesgos proporcionales de Cox
(b) Pruebas basadas en diseño
Prueba de Wilcoxon, prueba de Cochran-Mantel-Heanzel, prueba de permutación, prueba de log-rank
Téngase en cuenta que los resultados de las pruebas (a) y (b) pueden ser similares, especialmente cuando el tamaño de la muestra es grande. Por ejemplo, una prueba de permutación que utiliza los datos originales como puntuaciones (= una prueba CMH que utiliza los valores de los datos originales como puntuaciones) producirá resultados similares a una prueba t cuando el tamaño de la muestra es grande.
Creo que la ventaja del método (a) es que puede ampliarse fácilmente a múltiples variables. Por ejemplo, las pruebas t se pueden desarrollar fácilmente en regresión múltiple, la regresión logística simple se puede desarrollar fácilmente en regresión logística múltiple, etc.
■Digamos que la pregunta de investigación es "¿Los cánceres raros aumentan la probabilidad de desarrollar otros cánceres en comparación con otros cánceres?" y se cumple el siguiente DAG (gráfico acíclico dirigido):
+---------- Edad -----------------------+
| |
+---> Cáncer raro -----> Cánceres múltiples <---+
Supongamos que la edad es el único factor causal en la dirección de este DAG, y es un factor de confusión entre los cánceres raros y los cánceres múltiples (en otras palabras, no hay un camino inverso de los cánceres múltiples a los cánceres raros, y además, no hay otros factores de confusión aparte de la edad, como que las personas con un estatus económico más alto tengan más probabilidades de someterse a exámenes de detección de cáncer (aunque no tengo idea de si tal cosa existe) y, por lo tanto, tengan una mayor probabilidad de que se descubran cánceres raros y múltiples).
Si este es el caso, personalmente creo que no es una buena idea mirar los datos de la relación entre la edad y la rareza, y luego ignorar la edad y mirar la relación entre los cánceres raros y los cánceres múltiples solo porque no fue estadísticamente significativa.
■Para ir por las ramas, no tengo idea de qué tipo de información sería útil, pero personalmente tengo algunas reservas sobre mirar los datos agregados para toda la población, cuando las tasas de cánceres raros y múltiples varían según la edad. Aunque esta es principalmente una prueba descriptiva (en lugar de una prueba estadística centrada en la toma de decisiones binarias), personalmente creo que el primer paso sería observar la situación actual estratificando a las personas por edad (y otros atributos), por ejemplo dibujando un gráfico de mosaico o usando una curva spline como variable explicativa para la regresión logística para encontrar valores porcentuales predichos y graficarlos. Después de procesar algunos datos, es posible que pueda crear un gráfico como el adjunto en JMP (responda si está interesado).
