Prueba post-hoc después de un ANOVA bidireccional: Cómo aplicar Bonferroni en JMPActualmente estoy analizando datos de múltiples grupos mediante un ANOVA bidireccional (Grupo × Tiempo) y me gustaría saber cómo realizar una prueba post-hoc utilizando el método de Bonferroni en JMP.
Normalmente, utilizo la prueba HSD de Tukey para comparaciones múltiples, pero también estoy obligado a informar los resultados utilizando comparaciones ajustadas con la corrección de Bonferroni.
He consultado la documentación de ayuda de JMP y he encontrado explicaciones sobre los métodos de comparación múltiple en el ANOVA unidireccional (Tukey, Dunnett, etc.).
Sin embargo, no pude encontrar una descripción clara de cómo aplicar el ajuste de Bonferroni después de un ANOVA bidireccional, especialmente desde la plataforma "Medias de mínimos cuadrados".
¿Podría usted asesorarme sobre los siguientes puntos?
Cuando la interacción es significativa, ¿cuál es el procedimiento correcto en JMP para realizar comparaciones de efectos simples con ajuste de Bonferroni después de un ANOVA de dos vías (Ajustar modelo)?
En las explicaciones no paramétricas, a veces se describe el método de Bonferroni como "multiplicar el valor p de cada prueba t por el número de comparaciones".
¿Esta interpretación también es aceptable en JMP, o existe algún método integrado recomendado para el ajuste de Bonferroni?
Cualquier orientación sería muy apreciada.
Muchas gracias.
Atentamente,
Análisis y modelado de datos básicosRe: Prueba post-hoc después de ANOVA bidireccional: Cómo aplicar Bonferroni en JMPHola @LossMarmot707 : Sí, “multiplicar cada valor p de la prueba t por el número de comparaciones” es lo mismo que el ajuste de Bonferroni, independientemente del software que uses. Pero, ¿por qué quieres comparar efectos simples en presencia de una interacción? Esto podría ser muy engañoso. Por ejemplo, podría haber una gran diferencia entre un par de grupos en cada momento respectivo, pero cuando se promedia a lo largo de los momentos, esa diferencia es muy pequeña.
Edición: Otra forma de realizar el ajuste de Bonferroni sería cambiar alfa (a alfa/k, donde k es el número de comparaciones) en la plataforma Ajustar modelo (triángulo rojo junto a "Especificación del modelo") y luego usar los intervalos t de Student.
Re: Prueba post-hoc después de ANOVA bidireccional: Cómo aplicar Bonferroni en JMPGracias por tu comentario.
Entiendo que el ajuste de Bonferroni es un método estándar para controlar el error de tipo I cuando se realizan comparaciones múltiples.
Incluso cuando una interacción es significativa, interpretar únicamente los efectos principales puede llevar a una comprensión errónea del patrón general. Por ello, se recomienda examinar los efectos por separado para cada condición (es decir, comparar efectos simples), como en cada momento o nivel de concentración.
La presencia de una interacción indica que
“el efecto de un factor cambia dependiendo del nivel del otro factor”,
lo que significa que fijarse únicamente en los promedios generales puede ocultar patrones importantes en los datos.
Por lo tanto, en el presente análisis, examiné las diferencias entre grupos dentro de cada condición utilizando comparaciones post hoc después del ANOVA bidireccional, con el fin de aclarar estos patrones.
Además, mi pregunta original se refería específicamente a cómo realizar pruebas post hoc con ajuste de Bonferroni utilizando el software estadístico JMP.
Dicho esto, como usted mencionó, ajustar alfa a α/k y utilizar los intervalos t de Student puede ser una alternativa conveniente para implementar la corrección de Bonferroni.
Re: Prueba post-hoc después de ANOVA bidireccional: Cómo aplicar Bonferroni en JMPPuede realizar una "prueba de efecto simple" mediante la opción [Probar segmentos] en el menú del triángulo rojo para el término de intersección, y puede exportar los valores p a una tabla de datos mediante [Crear tabla de datos combinada] .
(1) Seleccione [Analizar] > [Ajustar modelo] .
(2) Establezca la variable Y y establezca interacciones de dos factores (por ejemplo, "A, B y A*B").
En la configuración predeterminada, puede ver gráficos de apalancamiento en el lado derecho ("A", "B" y "A*B").
(3) Haga clic en el menú del triángulo rojo en "A*B" y seleccione [Rebanada de prueba] .
Puedes ver los índices F y los valores p de las "pruebas de efectos simples". Pero estos valores p no están ajustados por comparaciones múltiples.
(4) Haga clic con el botón derecho en una tabla para una prueba de efecto simple y seleccione [Crear tabla de datos combinada] .
Ahora puedes ver los resultados de las pruebas en una tabla de datos de JMP.
(5) Elimine las filas que no le interesan y deje solo las filas que le interesan.
(6) Haga clic con el botón derecho en el encabezado de la columna "Prob>F" y seleccione [Nueva columna de fórmula] > [Fórmula...] . Se abrirá la ventana del editor de fórmulas.
(7) Escriba la siguiente fórmula.
Min(:"Prob > F"n * N Row(), 1);
Haz clic en [Aceptar] para aplicar la fórmula y cerrar la ventana.
(8) Cambie el nombre de la columna, por ejemplo, "Prob. Adj. > F".
(9) Seleccione [Editar] > [Diario] . Ahora puede crear la tabla de valores p ajustados de Bonferroni.
PD
Personalmente (y con firmeza) no recomiendo "calcular únicamente valores p" ni la filosofía de "los valores p lo son todo". Se pueden crear gráficos más informativos para visualizar la interacción entre dos factores.
(A) Después del paso n.° 2 anterior, haga clic en el triángulo rojo en el contorno superior y seleccione [Perfilado de factores] > [Gráficos de interacción] . Podrá ver el gráfico de interacción.
(B) Después del paso n.° 2 anterior, haga clic en el triángulo rojo en el contorno superior y seleccione [Perfilado de factores] > [Perfilador]. Seleccione [Interacción superpuesta] en el Perfilador de predicción. Este gráfico es igual al Gráfico de interacción cuando solo hay dos factores. Sin embargo, el Perfilador de predicción es interactivo y permite visualizar más de dos factores de forma interactiva.
(C) Puedes crear más gráficos con el Generador de gráficos.
También creo que, si realmente quieres ajustar la multiplicidad, deberías haber aclarado qué contrastes ibas a probar antes de recopilar los datos. Si seleccionas los contrastes después de ver los datos, la multiplicidad no se ajustará correctamente.
Re: Prueba post-hoc después de ANOVA bidireccional: Cómo aplicar Bonferroni en JMPMuchas gracias por su detallada explicación sobre cómo realizar el procedimiento de Test Slice.
Agradezco sinceramente su clara orientación y he estado procediendo con mi análisis basándome en los pasos que me proporcionó.
Me gustaría hacer una pregunta adicional sobre mi análisis actual.
Actualmente, estoy analizando datos de experimentos con animales (presión arterial, frecuencia cardíaca, etc.) obtenidos de estudios de administración de fármacos utilizando JMP.
Las mediciones se toman semanalmente y estoy trabajando con datos de 20 semanas.
Para el análisis,
Estoy realizando un ANOVA bidireccional con el tipo de fármaco administrado (grupo) y la semana de medición como factores.
Cuando se detectan diferencias significativas entre grupos, me gustaría realizar pruebas post hoc de Bonferroni (pruebas de efectos simples utilizando Test Slice).
Sin embargo, aunque puedo ejecutar el ANOVA bidireccional por mí mismo,
Posteriormente no puedo realizar las pruebas post hoc, ya que las comparaciones semanales de grupos mediante Test Slice no aparecen como se esperaba.
En particular,
JMP no muestra los gráficos en la ventana de análisis con los valores de medición en el eje Y y la semana de medición en el eje X para cada grupo de tratamiento,
Y creo que este puede ser el origen del problema.
Si es posible, agradecería enormemente cualquier consejo sobre
¿Qué posibles causas debo considerar o qué ajustes debo revisar?
para resolver esta situación.
Gracias por su ayuda.
Re: Prueba post-hoc después de ANOVA bidireccional: Cómo aplicar Bonferroni en JMPDenomino dos efectos fijos principales como Semana y Grupo , y el término de interacción de dos factores como Semana*Grupo . Supongo que también incluyes el efecto aleatorio de los animales. Lo denomino ID de animal .
Y = Week Group Week*Group Animal ID&Random Effect
Si incluyes efectos aleatorios en tu modelo, el Énfasis predeterminado será Informe mínimo . En ese caso, debes abrir el esquema Detalles del efecto . Allí encontrarás el esquema Grupo*Semana .
O bien, debe seleccionar "Effect Leverage" para Énfasis en el cuadro de diálogo de inicio.
Antes de probar con sus propios datos, pruebe el análisis con los siguientes datos ficticios.
(1) Seleccione Archivo > Nuevo > Script JSL . Se abrirá el editor de scripts.
(2) Copie y pegue el siguiente código en el editor de scripts.
Names Default To Here(1);
Random Reset(1111111);
n group = 2;
n animals per group = 10;
n week = 20;
data = [];
id = 0;
For(group = 1, group <= n group, group++,
For(i=1, i <= n animals per group, i++,
id++;
f = Random Normal();
For(week = 1, week <= n week, week++,
y = week + group + f + Random Normal();
If(week>=10 & group==1, y += 10 - week);
data|/=group||id||week||y;
);
);
);
dt = As Table(data, <
<COLUMN names=""></COLUMN>
<P>(3) En el editor de scripts, seleccione <STRONG>Editar</STRONG> > <STRONG>Ejecutar script</STRONG> .<BR /> (4) Realice el análisis anterior y vea si es lo que desea.</P> <BR /> <P>Si el número de grupos es dos, puede utilizar la opción <STRONG>de comparaciones múltiples</STRONG> para realizar pruebas de efectos simples.</P> <P>(1) Select the red triangle icon and select <STRONG>Comparaciones múltiples</STRONG>.<BR />(2) Select <STRONG>Grupo*Semana</STRONG> in <STRONG>Elige un efecto</STRONG>.</P> <P>(3) Marque <STRONG>Mostrar gráfico de medias de mínimos cuadrados</STRONG> .<BR /> (4) Marque <STRONG>Crear un gráfico de interacción</STRONG> .<BR /> (5) Seleccione <STRONG>Grupo</STRONG> en <STRONG>Elegir términos para superposición</STRONG> .<BR /> (6) Haga clic en <STRONG>Aceptar</STRONG> . Se muestra el gráfico de interacción con intervalos de confianza.</P> <P><SPAN class="lia-inline-image-display-wrapper lia-image-align-inline" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><SPAN class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><span class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_2-1779454539349.png" style="width: 400px;"><img src="https://us.v-cdn.net/6038925/uploads/images/104538i41B986728AA6396C/yusuke_ono_2-1779454539349.png" role="button" title="yusuke_ono_2-1779454539349.png" alt="yusuke_ono_2-1779454539349.png" /></span></SPAN></SPAN></P> <BR /> <P>(7) Nuevamente, seleccione el ícono del triángulo rojo y seleccione <STRONG>Comparaciones múltiples</STRONG> .<BR /> (8) Seleccione <STRONG>Estimaciones de segmentación de medias de mínimos cuadrados</STRONG> en <STRONG>Tipo de estimaciones</STRONG> .<BR /> (9) Seleccione <STRONG>Especificar términos de segmentación</STRONG> en <STRONG>Opciones de segmentación</STRONG> .<BR /> (10) Seleccione <STRONG>Semana</STRONG> en <STRONG>Elegir términos de corte</STRONG> .<BR /> (11) (Si desea realizar la corrección de Bonferroni) Seleccione <STRONG>Todas las comparaciones por pares - Student's</STRONG> .<BR /> (12) Haga clic <STRONG>DE ACUERDO</STRONG> . Tenga en cuenta que todos los resultados no están ajustados por multiplicidad.<BR /> (13) Haga clic con el botón derecho dentro de la tabla <STRONG>Todas las diferencias por pares</STRONG> y seleccione <STRONG>Crear tabla de datos combinados</STRONG> .</P> <P>(14) Calcule los valores p ajustados de Bonferroni y los intervalos de confianza.</P> <BR /> <CODE class=" language-jsl">Min( :"Prob>|t|"n * N Row(), 1 )
:Difference - :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
:Difference + :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
Los dos efectos principales fijos se denominan Semana y Grupo , y su término de interacción es Semana*Grupo . Es probable que el modelo también incluya efectos aleatorios específicos para cada animal individual, no solo estos efectos fijos. Estos efectos aleatorios se denominan Identificación de animales . En otras palabras, el modelo incluye los siguientes cuatro efectos:
Y = Week Group Week*Group Animal ID&Random Effect
Cuando incluyas efectos aleatorios en "Ajuste del modelo", el énfasis predeterminado estará en el informe mínimo . En ese caso, debes abrir el esquema detallado de los efectos del informe . Al abrirlo, encontrarás el esquema de Grupo*Semana dentro.
Como alternativa, en el cuadro de diálogo de inicio, configure Énfasis en Apalancamiento de efecto .
Antes de probarlo con tus propios datos, te recomiendo que primero lo pruebes con datos simulados y limpios para ver si funciona.
(1) Seleccione Archivo > Nuevo > Script JSL . Se abrirá el editor de scripts.
(2) Copie y pegue el siguiente código en el editor de scripts.
Names Default To Here(1);
Random Reset(1111111);
n group = 2;
n animals per group = 10;
n week = 20;
data = [];
id = 0;
For(group = 1, group <= n group, group++,
For(i=1, i <= n animals per group, i++,
id++;
f = Random Normal();
For(week = 1, week <= n week, week++,
y = week + group + f + Random Normal();
If(week>=10 & group==1, y += 10 - week);
data|/=group||id||week||y;
);
);
);
dt = As Table(data, <
<COLUMN names=""></COLUMN> <P>(3) En el editor de scripts, seleccione <STRONG>Editar</STRONG> > <STRONG>Ejecutar script</STRONG> .</P> <P>(4) Intente realizar el análisis descrito anteriormente y vea si puede obtener los resultados deseados.</P> <BR /> <P><BR />Si hay dos grupos, podría considerar utilizar <STRONG>la opción de comparación múltiple</STRONG> .</P> <P>(1) Haga clic en el botón del triángulo rojo en la parte superior del informe y seleccione <STRONG>"Comparaciones múltiples"</STRONG> .<BR /> (2) En <STRONG>la selección del efecto</STRONG> de la ventana llamada, seleccione <STRONG>Grupo*Semana</STRONG> .</P> <P>(3) Marque <STRONG>la opción para mostrar el gráfico de la media de mínimos cuadrados</STRONG> .<BR /> (4) Marque la casilla para <STRONG>crear un gráfico de interacción</STRONG> .<BR /> (5) En <STRONG>la selección del término modelo a superponer</STRONG> , seleccione <STRONG>Grupo</STRONG> .<BR /> (6) Al hacer clic en <STRONG>DE ACUERDO</STRONG> se creará un gráfico de interacción con intervalos de confianza dibujados.</P> <P><SPAN class="lia-inline-image-display-wrapper lia-image-align-inline" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><SPAN class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><span class="lia-inline-image-display-wrapper" image-alt="yusuke_ono_5-1779456371304.png" style="width: 400px;"><img src="https://us.v-cdn.net/6038925/uploads/images/104542i97FD4CA2DD1DB016/yusuke_ono_5-1779456371304.png" role="button" title="yusuke_ono_5-1779456371304.png" alt="yusuke_ono_5-1779456371304.png" /></span></SPAN></SPAN></P> <BR /> <BR /> <P>(7) Nuevamente, seleccione <STRONG>"Comparaciones múltiples"</STRONG> en el botón del triángulo rojo en la parte superior del informe.<BR /> (8) Para <STRONG>el tipo de estimación</STRONG> , seleccione <STRONG>la estimación de sección transversal de media de mínimos cuadrados</STRONG> .<BR /> (9) En <STRONG>las opciones de corte</STRONG> , seleccione <STRONG>"Especificar el elemento a cortar"</STRONG> .<BR /> (10) Al <STRONG>seleccionar la sección a cortar</STRONG> , seleccione <STRONG>Semana</STRONG> .<BR /> (11) (Si aplicará el ajuste de Bonferroni más adelante) <STRONG>Compare cada par: seleccione la prueba t de Student</STRONG> .<BR /> (12) Haga clic <STRONG>DE ACUERDO</STRONG> . Tenga en cuenta que este resultado no incluye ajustes múltiples.<BR /> (13) Haga clic con el botón derecho en la tabla de <STRONG>diferencias de medias para todos los pares</STRONG> y seleccione <STRONG>Crear tabla de datos concatenados</STRONG> <STRONG>.</STRONG></P> <P>(14) Cree una fórmula para calcular el valor p ajustado de Bonferroni y el intervalo de confianza.</P> <CODE class="language-jsl">Min( :"Prob>|t|"n * N Row(), 1 )
:Difference - :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
:Difference + :Std Error * t Quantile( 1 - 0.05 / (2 * N Row()), :DF )
Si hay 20 puntos temporales y se segmentan los datos en esos 20 puntos (si hay dos grupos y solo se busca la diferencia entre ellos), el valor p ajustado será 20 veces mayor que el valor p original. Si se declara que se realizarán múltiples ajustes antes de tomar los datos, también se puede ajustar la multiplicidad mediante métodos como el de orden fijo.
Si hay 20 puntos temporales, puede ser posible modelar el efecto de cada punto temporal como una variable continua en lugar de datos categóricos.
Como mencioné en mi respuesta anterior, recomiendo encarecidamente que no se limite a calcular el valor p, sino que utilice un generador de gráficos para visualizar la tendencia general. Al ejecutar el script anterior, se trazarán líneas para cada individuo, con las semanas en el eje horizontal y los valores medidos en el eje vertical, codificados por colores según el grupo.
Re: Prueba post-hoc después de ANOVA bidireccional: Cómo aplicar Bonferroni en JMPAhora me viene a la mente, y me temo, que configuraste la ID del animal como un efecto fijo o que seleccionaste EMS (Tradicional) como método . Si es así, la ID del animal se trata como un efecto fijo.
Incluso si aplicas el Efecto Aleatorio a la Identificación de animales y configuras los Servicios Médicos de Emergencia (Tradicionales) , muchos resultados se basan en un modelo de efectos fijos. Solo los Cuadrados Medios Esperados , las Estimaciones de Componentes de Varianza , la Síntesis del Denominador de la Prueba y la Prueba con Efectos Aleatorios se basan en un modelo de efectos mixtos.
Aunque no creo que sea lo que quieres hacer, si realmente quieres tratar Identificación de animales como un efecto fijo, necesitas establecer Identificación de animales como un efecto anidado de Grupo (es decir, ID de animal[Grupo] ).
Si Identificación de animales está numerada dentro de cada grupo como se indica a continuación, y el animal con ID de animal=1 en Grupo=1 es diferente del ID de animal=1 en Grupo=2 , entonces siempre debe establecer Identificación de animales como un efecto anidado de Grupo (es decir, debe establecer Identificación del animal[Grupo] ) (incluso si trata Identificación de animales como un efecto aleatorio en la estimación REML).
Identificación del animal del grupo
1 1
1 2
1 3
1 4
1 5
2 1
2 2
2 3
2 4
2 5
Si sus datos son como los que se muestran a continuación y realiza una estimación REML, no necesita especificar el efecto anidado.
(También está bien que especifiques Identificación de animales como efecto anidado.)
Identificación del animal del grupo
1 1
1 2
1 3
1 4
1 5
2 6
2 7
2 8
2 9
2 10
Tenga en cuenta que el modelo anterior, Y = Grupo Semana Grupo*Semana ID de animal y efecto aleatorio con Grupo y Semana nominales, es solo una posibilidad entre muchos modelos estadísticos. Simplemente mostré cómo configurarlo y ejecutarlo en el software JMP, y no considero la validez de este modelo.
En cualquier caso, creo que el primer paso es dibujar el gráfico.
Se me acaba de ocurrir algo: quizás la identificación del animal se esté tratando como un efecto fijo, o el método no sea EMS (convencional) . En ese caso, la identificación del animal se trataría como un efecto fijo.
Incluso cuando la identificación animal se establece como un efecto aleatorio, muchos resultados en el modelo EMS (Efectos Mixtos) convencional se basan en un modelo de efectos fijos que trata la identificación animal como un efecto fijo. Solo el cuadrado medio esperado , la estimación del componente de varianza , el denominador de la prueba F y las pruebas que consideran efectos aleatorios se basan en un modelo de efectos mixtos que trata la identificación animal como un efecto aleatorio.
No creo que esto sea lo que quieres analizar, pero si por casualidad realmente quieres analizar "Identificación de animales" como un efecto fijo, entonces tendrás que establecer " Identificación del animal[Grupo] " como un efecto derivado de "Grupo ".
Si los números de identificación de los animales están numerados en cada grupo como se muestra a continuación, y el individuo con ID del animal=1 en el grupo 1 es diferente del individuo con ID del animal=1 en el grupo 2, entonces la identificación del animal debe tratarse como un efecto de ramificación (es decir, Identificación del animal[Grupo] ). (Esta configuración también es necesaria al tratar la identificación del animal como un efecto aleatorio y realizar una estimación REML).
Identificación del animal del grupo
1 1
1 2
1 3
1 4
1 5
2 1
2 2
2 3
2 4
2 5
Si sus datos están estructurados de la siguiente manera, y el ID de animal se establece como un efecto aleatorio, y está realizando una estimación REML, no necesita especificar la Identificación de animales como un efecto de ramificación. (Puede especificarlo como un efecto de ramificación si lo prefiere. Si sus datos están estructurados de la siguiente manera y está utilizando la estimación REML, cualquiera de los dos enfoques es aceptable).
Identificación del animal del grupo
1 1
1 2
1 3
1 4
1 5
2 6
2 7
2 8
2 9
2 10
Cabe señalar que el modelo Y = Group Week Group*Week Animal ID & Random Effects , que trata a Grupo y Semana como escalas nominales, es solo uno de los muchos modelos posibles. Lo anterior solo describe la configuración del software y los métodos de operación, y no considera si este modelo es válido.
En cualquier caso, creo que el primer paso es intentar dibujar un gráfico.
