在卫生统计学中，当我们在同一数据集上进行多次假设检验时，如果不做任何校正，那么犯第一类错误（即原假设为真而被拒绝的情况）的概率就会增加。具体来说，在单次检验中我们通常设定的显著性水平α（比如0.05），表示在原假设正确的情况下，错误地拒绝它的概率不超过5%。但是当我们进行多次检验时，这个错误累积起来的可能性就变大了。
例如，如果你对同一个数据集进行了20次独立的假设测试，并且每次测试都设定了0.05的显著性水平，那么至少有一次测试会错误地拒绝正确原假设的概率大约是64%（1 - 0.95^20 ≈ 0.64）。这意味着即使所有零假设都是真实的，在这样的多重测试情况下，我们仍然有很大的概率做出一个或多个不正确的结论。
因此，为了控制总体的第一类错误率（即在所有进行的检验中至少有一次错误地拒绝了正确原假设的概率），我们需要对P值进行调整。常见的调整方法包括Bonferroni校正、Holm-Bonferroni方法、Benjamini-Hochberg程序等。这些方法通过不同的方式降低每个单独测试的显著性水平，从而减少由于多重比较而导致的整体错误率。
总之，在卫生统计学研究中实施多重比较时对P值进行调整是非常重要的，这有助于确保结果的有效性和可靠性，避免因偶然因素导致的不正确结论。
例如，如果你对同一个数据集进行了20次独立的假设测试，并且每次测试都设定了0.05的显著性水平，那么至少有一次测试会错误地拒绝正确原假设的概率大约是64%（1 - 0.95^20 ≈ 0.64）。这意味着即使所有零假设都是真实的，在这样的多重测试情况下，我们仍然有很大的概率做出一个或多个不正确的结论。
因此，为了控制总体的第一类错误率（即在所有进行的检验中至少有一次错误地拒绝了正确原假设的概率），我们需要对P值进行调整。常见的调整方法包括Bonferroni校正、Holm-Bonferroni方法、Benjamini-Hochberg程序等。这些方法通过不同的方式降低每个单独测试的显著性水平，从而减少由于多重比较而导致的整体错误率。
总之，在卫生统计学研究中实施多重比较时对P值进行调整是非常重要的，这有助于确保结果的有效性和可靠性，避免因偶然因素导致的不正确结论。
学员讨论（0）
相关资讯
扫一扫立即下载
