Вы применили Bonferroni к 6 метрикам, и ни одна не стала значимой, хотя без поправки было 2 метрики с p-value < 0.05. Почему это ожидаемо?
A
Bonferroni делает порог мягче, поэтому значимых должно стать большеB
Bonferroni делает порог строже для контроля FWER, поэтому значимых может стать меньше, включая истинные эффектыC
Bonferroni меняет знак эффекта, поэтому p-value перестают иметь смыслDЭто означает, что в данных точно баг, потому что поправки не могут менять значимость
Правильный ответ.
Bonferroni снижает риск ложных находок, но часто снижает и мощность.Разбор
При Bonferroni вы используете порог alpha/m, поэтому часть эффектов, которые выглядели значимыми без коррекции, перестают проходить новый порог. Это цена за контроль FWER при множественных проверках. Типичная ошибка — ожидать, что коррекция 'подтвердит' результаты, вместо того чтобы понимать компромисс между ложноположительными и ложноотрицательными выводами.
Проверь себя · 1/3разбор после ответа
Что означает контролировать
FDR на уровне 0.1 в наборе гипотез?Ещё вопросы по теме «Множественные сравнения»
- Вы сделали множественные сравнения (`multiple comparisons`): 20 независимых проверок при `alpha = 0.05` и нашли одну метрику с `p-value = 0.04`. Что корректнее всего сказать про этот результат?
- Какая пара определений наиболее корректно описывает `FWER` и `FDR` при множественных проверках?
- Вы делаете 10 проверок и хотите контролировать `FWER` на уровне `alpha=0.05`. Какой порог для каждого теста задаёт поправка `Bonferroni`?
- Вы хотите контролировать `FWER`, но `Bonferroni` кажется слишком консервативным. Какое утверждение про `Holm` наиболее верное?
- Вы применяете процедуру `Benjamini–Hochberg` для контроля `FDR` на уровне 0.05 к 5 проверкам с отсортированными `p-value`: 0.004, 0.012, 0.018, 0.07, 0.2. Сколько гипотез будет отклонено?
- Все вопросы по «Множественные сравнения» →