Springen naar inhoud

Correctie multipele t-test / aligned rank Transformatie


  • Log in om te kunnen reageren

#1

Chromosoompje

    Chromosoompje


  • >25 berichten
  • 99 berichten
  • Ervaren gebruiker

Geplaatst op 13 juni 2014 - 18:31

Hallo,

 

ik heb twee vragen betreffende data-analyse waar ik echt mee vast zit...

Ik heb twee plantensoorten gegroeid in twee verschillende lichtcondities. (totaal 40 potten, 5 replica's, 8 treatments).

Nu heb ik telkens aan het eind van het experiment verschillende parameters gemeten per plant.

(lengte blad, aantal scheuten, lengte stengel, aantal bladeren,... in totaal 7 voor elke soort).

Ik heb telkens een mann-Whitney U test gebruikt om de verschillen tussen de twee lichtcondities te meten.

Nu heb ik gelezen dat als je verschillende aparte testen uitvoert, een correctie moet toegepast worden (Bonferroni of benjamini Hochberg bvb).

 

Nu is de vraag, moet dit altijd? want in veel artikel wordt dit niet gedaan.

indien wel, moet je ook de parameters includeren die afgeleid zijn van andere parameters? (bvb wortel/stengelratio).

(Even terzijde, ik heb bvb met diezelfde data wel de plasticiteit berekend voor elke parameter. dan zie ik al sneller in dat de correctie moet toegepast worden omdat ze allemaal eenzelfde berekening hebben en dergelijk).

 

 

Dan een andere vraag. Als je data niet normaal verdeeld zijn zijn er verschillende transformaties om alsnog een two-way anova te kunnen uitvoeren.

ik heb echter ongelijke groepen waartussen ik wil vergelijken (2 treatments zijn monoculturen en 4 mengsels van de soorten).

Een rank en aligned rank transformatie werkt bvb, maar is dit ook toepasbaar op ongelijke groepen? want ik wil interactie tussen soort en licht bekijken, en dus 2-way anova.

Er staat enkel dat aligned rank een non-parametrisch alternatief is voor anova, er staat niet om welke reden specifiek en over onequal sample sizes.

 

Zou heel leuk zijn mocht iemand kunnen helpen!

 

Bedankt!


Dit forum kan gratis blijven vanwege banners als deze. Door te registeren zal de onderstaande banner overigens verdwijnen.

#2

gerardtem

    gerardtem


  • 0 - 25 berichten
  • 3 berichten
  • Gebruiker

Geplaatst op 19 juni 2014 - 18:43

Bonferroni correctie is nodig als je jezelf wil beschermen tegen toevallige significanties. Daar wordt veel over geklaagd, omdat onderzoekers graag signficante resultaten willen rapporteren, maar dat is niet terecht. Als je dezelfde statistische power wil krijgen hoef je overigens je aantal waarnemingen maar zeer beperkt uit te breiden. Als je bijvoorbeeld bij een t test twee groepen hebt met een sd van 1 en een verschil van 1 heb je voor 90% power ongeveer 22 waarnemingen in iedere groep nodig, bij een onbetrouwbaarheidsdrempel van 0.05. Maak je daar 0.01 van (vijfvoudige Bonferroni correctie) dan heb je 31 waarnemingen in iedere groep nodig. ) 

In het gestelde probleem worden meerdere waarnemingen per plant genomen, en die zijn onderling niet onafhankelijk. Mogelijk is het beter om het aantal dimensies te reduceren dmv principale componenten analyse. Dat kan de statistische power om een effect te vinden vergroten.

 

De andere vraag gaat over datatransformatie. Ik weet niet wat met aligned rank wordt bedoeld dus dat kan ik niet beoordelen. Meestal heeft datatransformatie (bijvb log of wortel transformatie) erg weinig effect op de uitkomsten. Als je de data in volgorde zet en dan vervangt door het rangnummer hoeven groepen niet gelijk in grootte te zijn. Het probleem van ongelijke groepen is dat effecten niet goed uit elkaar te halen zijn als de groepsklassificatie niet orthogonaal is. Generalized linear models geven hier meestal een redelijke oplossing voor. Ik meen overigens de misvatting te bespeuren dat de data normaal verdeeld zouden moeten zijn. dat is niet zo: alleen de residuen (wat overblijft na het schatten van groepsgemiddelde) hoeven normaal verdeeld te zijn. Overigens is variantieanalyse erg robuust tegen afwijkende verdelingen. Het is wel zo dat tests bepaald op ranggetallen soms hogere power hebben dan een niet verdelingsvrije methode.  Een probleem met interacties is dat het effect wel afhankelijk is van datatransformaties, maar niet 100%. 

Overigens kun je altijd randomisatietests uitvoeren en een geschikte test statistic evalueren. Ik geloof dat zelfs Fisher dat heeft gebruikt om te controleren of zijn verdelingen goed berekend waren. 






0 gebruiker(s) lezen dit onderwerp

0 leden, 0 bezoekers, 0 anonieme gebruikers

Ook adverteren op onze website? Lees hier meer!

Gesponsorde vacatures

Vacatures