Memilih uji statistik Intuitif biostatistik: Memilih uji statistik

Ini adalah bab 37 dari biostatistik Intuitif (ISBN 0-19-508607-4) oleh Harvey Motulsky. Copyright 1995 oleh Oxford University Press Inc All rights reserved. Anda bisa memesan buku tersebut dari Software GraphPad dengan pembelian perangkat lunak, dari setiap toko buku akademis, atau dari amazon.com . Pelajari cara menginterpretasikan hasil uji statistik dan tentang program kami GraphPad InStat dan Prism GraphPad . TINJAUAN PENGUJIAN STATISTIK TERSEDIA Buku ini telah membahas banyak tes statistik yang berbeda. Untuk memilih uji yang tepat, tanyakan pada diri dua pertanyaan: Apa jenis data yang telah Anda kumpulkan? Apa tujuan Anda? Lalu lihat Tabel 37,1. Semua tes dijelaskan dalam buku ini dan dilakukan oleh InStat, kecuali untuk tes ditandai dengan tanda bintang. Pengujian diberi label dengan tanda bintang tunggal secara singkat disebutkan dalam buku ini, dan tes diberi label dengan dua tanda bintang tidak disebutkan sama sekali. Tabel 37.1. Memilih uji statistik Jenis Data Tujuan Pengukuran Rank, Skor, atau Suku dua (dari Populasi Pengukuran (Dua Hasil Gaussian) (dari nonKemungkinan) Gaussian Penduduk) Artinya, SD Median jangkauan, interkuartil Wilcoxon tes Proporsi Waktu kelangsungan hidup

Jelaskan satu kelompok

Kaplan Meier kurva kelangsungan hidup

Bandingkan satu Satu-sampel kelompok uji t dengan nilai hipotetis Bandingkan dua Uji t tidak tidak berpasangan berpasangan kelompok Bandingkan dua Paired t test kelompok berpasangan

Chi-square atau Binomial uji ** Fisher uji (Chi-square untuk sampel besar) Log-rank test atau MantelHaenszel *

Mann-Whitney

Wilcoxon tes

McNemar kita uji Bersyarat bahaya proporsional regresi *

Bandingkan tiga Satu-way atau lebih ANOVA kelompok yang tak tertandingi Bandingkan tiga Diulangatau lebih langkah kelompok ANOVA pencocokan Mengukur Korelasi hubungan antara Pearson dua variabel Memprediksi nilai dari variabel lain yang diukur Memprediksi nilai dari variabel yang diukur atau binomial beberapa

Kruskal-Wallis

Chi-square

Regresi Cox proportional hazard ** Bersyarat bahaya proporsional regresi **

Friedman tes

Cochrane Q **

Spearman korelasi Koefisien kontingensi ** Sederhana Cox proportional regresi logistik * hazard regresi *

Regresi linear Nonparametrik sederhana regresi ** atau Nonlinear regresi Beberapa regresi linier * atau Beberapa regresi nonlinier **

Beberapa regresi Cox proportional logistik * hazard regresi *

REVIEW uji nonparametrik Memilih tes yang tepat untuk membandingkan pengukuran adalah agak rumit, karena Anda harus memilih antara dua keluarga dari tes: parametrik dan nonparametrik. Banyak-uji statistik didasarkan pada asumsi bahwa data sampel dari distribusi Gaussian. Tes ini disebut tes parametrik. Tes parametrik yang umum digunakan adalah yang tercantum di kolom pertama dari tabel dan termasuk uji t dan analisis varians. Pengujian yang tidak membuat asumsi tentang distribusi populasi disebut sebagai nonparametrik-tes. Anda sudah belajar sedikit tentang uji nonparametrik dalam bab-bab sebelumnya. Semua tes nonparametrik yang umum digunakan peringkat variabel hasil dari rendah ke tinggi dan kemudian menganalisis peringkat. Tes ini tercantum di kolom kedua dari tabel dan termasuk Wilcoxon, Mann-Whitney, dan Kruskal-Wallis tes. Tes ini disebut juga distribusi bebas tes. MEMILIH ANTARA TES PARAMETRIK DAN nonparametrik: ATAS KASUS MUDAH Memilih antara tes parametrik dan nonparametrik kadang-kadang mudah. Anda pasti harus memilih uji parametrik jika Anda yakin bahwa data Anda adalah sampel dari populasi yang mengikuti distribusi Gaussian (setidaknya sekitar). Anda pasti harus memilih tes nonparametrik dalam tiga situasi: Hasilnya adalah peringkat atau skor dan penduduk jelas tidak Gaussian. Contohnya termasuk peringkat kelas siswa, skor Apgar untuk kesehatan bayi baru lahir (diukur

pada skala 0 sampai IO dan di mana semua nilai adalah bilangan bulat), skor analog visual untuk sakit (diukur pada skala kontinu di mana 0 adalah sakit dan 10 adalah sakit yang tak tertahankan), dan skala umum digunakan oleh bintang film dan kritikus restoran (* OK, ***** yang fantastis). Beberapa nilai adalah "off skala," adalah bahwa, terlalu tinggi atau terlalu rendah untuk diukur. Bahkan jika populasi Gaussian, tidak mungkin untuk menganalisis data tersebut dengan tes parametrik karena Anda tidak tahu semua nilai. Dengan menggunakan uji nonparametrik dengan data ini adalah sederhana. Menetapkan nilai terlalu rendah untuk mengukur nilai yang sangat rendah dan sewenang-wenang menetapkan nilai terlalu tinggi untuk mengukur nilai sangat tinggi sewenang-wenang. Kemudian melakukan tes nonparametrik. Sejak tes nonparametrik hanya tahu tentang peringkat relatif dari nilai-nilai, tidak akan peduli bahwa Anda tidak tahu semua nilai persis. Pengukuran kemarahan data, dan Anda yakin bahwa penduduk tidak didistribusikan secara Gaussian. Jika data tidak sampel dari distribusi Gaussian, pertimbangkan apakah Anda dapat mengubah nilai-nilai untuk membuat distribusi menjadi Gaussian. Sebagai contoh, Anda mungkin mengambil logaritma atau timbal balik dari semua nilai. Sering ada alasan biologis atau kimia (maupun yang statistik) untuk melakukan transformasi tertentu. MEMILIH ANTARA TES PARAMETRIK DAN nonparametrik: ATAS KASUS KERAS Hal ini tidak selalu mudah untuk memutuskan apakah sampel berasal dari populasi Gaussian. Pertimbangkan poin: Jika Anda mengumpulkan poin banyak data (lebih dari seratus atau lebih), Anda dapat melihat distribusi data dan akan cukup jelas apakah distribusi adalah sekitar berbentuk lonceng. Sebuah tes statistik formal (Kolmogorov-Smirnoff tes, tidak dijelaskan dalam buku ini) dapat digunakan untuk menguji apakah distribusi data berbeda secara signifikan dari distribusi Gaussian. Dengan poin sedikit data, sulit untuk mengatakan apakah data adalah Gaussian dengan inspeksi, dan uji formal memiliki sedikit kekuatan untuk membedakan antara Gaussian dan non-Gaussian distribusi. Anda harus melihat data sebelumnya juga. Ingat, yang penting adalah distribusi penduduk secara keseluruhan, bukan distribusi sampel Anda. Dalam memutuskan apakah suatu populasi Gaussian, melihat semua data yang tersedia, bukan hanya data dalam percobaan saat ini. Pertimbangkan sumber pencar. Ketika menyebarkan berasal dari jumlah dari berbagai sumber (dengan tidak ada sumber yang memberikan kontribusi sebagian besar menyebarkan), Anda berharap untuk menemukan sebuah distribusi Gaussian kasar. Jika ragu, beberapa orang memilih tes parametrik (karena mereka tidak yakin asumsi Gaussian dilanggar), dan yang lain memilih tes nonparametrik (karena mereka tidak yakin asumsi Gaussian terpenuhi). MEMILIH ANTARA PARAMETRIK DAN uji nonparametrik: Apa itu penting? Apakah itu masalah apakah Anda memilih uji parametrik atau nonparametrik? Jawabannya tergantung pada ukuran sampel. Ada empat kasus untuk berpikir tentang: Besar sampel. Apa yang terjadi ketika Anda menggunakan uji parametrik dengan data dari populasi nongaussian? Teorema limit sentral (dibahas dalam Bab 5) memastikan

bahwa tes parametrik bekerja dengan baik dengan sampel besar bahkan jika populasi adalah non-Gaussian. Dengan kata lain, tes parametrik yang kuat untuk penyimpangan dari distribusi Gaussian, selama sampel berukuran besar. Halangan adalah bahwa tidak mungkin untuk mengatakan berapa besar cukup besar, karena tergantung pada sifat dari distribusi non-Gaussian tertentu. Kecuali distribusi populasi benar-benar aneh, Anda mungkin aman memilih uji parametrik ketika ada setidaknya dua lusin titik data dalam setiap kelompok. Besar sampel. Apa yang terjadi ketika Anda menggunakan uji nonparametrik dengan data dari populasi Gaussian? Tes nonparametrik bekerja dengan baik dengan sampel besar dari populasi Gaussian. Nilai P cenderung agak terlalu besar, tetapi perbedaan kecil. Dengan kata lain, tes nonparametrik hanya sedikit kurang kuat dibandingkan tes parametrik dengan sampel besar. Kecil sampel. Apa yang terjadi ketika Anda menggunakan uji parametrik dengan data dari populasi nongaussian? Anda tidak dapat mengandalkan teorema limit sentral, sehingga nilai P mungkin tidak akurat. Kecil sampel. Bila Anda menggunakan uji nonparametrik dengan data dari populasi Gaussian, nilai-nilai P cenderung terlalu tinggi. Tes nonparametrik tidak memiliki kekuatan statistik dengan sampel kecil. Dengan demikian, data yang besar set menyajikan tidak ada masalah. Biasanya mudah untuk mengetahui apakah data berasal dari populasi Gaussian, tetapi tidak terlalu penting karena tes nonparametrik sangat kuat dan tes parametrik begitu kuat. Kecil data set menyajikan dilema. Sulit untuk mengetahui apakah data berasal dari populasi Gaussian, tetapi banyak hal. Tes nonparametrik tidak kuat dan tes parametrik tidak kuat. SATU-ATAU DUA-SISI NILAI P? Dengan banyak tes, Anda harus memilih apakah Anda ingin menghitung satu atau dua sisi nilai P (sama dengan satu atau dua ekor nilai P). Perbedaan antara satu dan nilai-nilai P dua sisi telah dibahas dalam Bab 10. Mari kita tinjau perbedaan dalam konteks di uji. Nilai P dihitung untuk hipotesis nol bahwa kedua mean populasi adalah sama, dan ada perbedaan antara rata-rata sampel kedua adalah karena kebetulan. Jika hipotesis nol benar, nilai satu sisi P adalah probabilitas bahwa dua-rata sampel akan berbeda sebanyak diamati (atau lebih) ke arah yang ditentukan oleh hipotesis hanya secara kebetulan, meskipun sarana populasi secara keseluruhan sebenarnya sama. Nilai P dua sisi juga mencakup kemungkinan bahwa rata-rata sampel akan berbeda yang banyak dalam arah yang berlawanan (yaitu, kelompok lain memiliki mean yang lebih besar). Nilai dua sisi P adalah dua kali nilai P satu sisi. Sebuah nilai satu sisi P adalah sesuai bila Anda dapat menyatakan dengan pasti (dan sebelum mengumpulkan data) yang ada baik akan ada perbedaan antara cara atau bahwa perbedaan akan pergi ke arah yang Anda dapat menentukan terlebih dahulu (yaitu, Anda harus ditentukan kelompok mana yang akan memiliki mean yang lebih besar). Jika Anda tidak bisa menentukan arah perbedaan sebelum mengumpulkan data, maka nilai P dua sisi yang lebih sesuai. Jika ragu, pilih nilai P dua sisi. Jika Anda memilih uji satu sisi, Anda harus melakukannya sebelum mengumpulkan data dan Anda perlu untuk menyatakan arah hipotesis percobaan Anda. Jika data pergi ke arah lain, Anda harus bersedia untuk atribut perbedaan (atau asosiasi atau korelasi) kebetulan, tidak peduli seberapa mencolok data. Jika Anda akan tertarik, bahkan sedikit, dengan data yang

masuk dalam arah yang "salah", maka anda harus menggunakan nilai P dua sisi. Untuk alasan dibahas dalam Bab 10, saya menyarankan Anda selalu menghitung nilai P dua sisi. Pasangan atau UJI tidak berpasangan? Ketika membandingkan dua kelompok, Anda perlu memutuskan apakah akan menggunakan tes dipasangkan. Ketika membandingkan tiga atau lebih kelompok, berpasangan panjang adalah tidak tepat dan langkah-langkah diulang istilah digunakan sebagai gantinya. Gunakan tes tidak berpasangan untuk membandingkan kelompok ketika nilai-nilai individu tidak dipasangkan atau cocok satu sama lain. Pilih pasangan atau berulang-langkah tes ketika nilai-nilai merupakan pengukuran ulang pada satu subjek (sebelum dan sesudah intervensi) atau pengukuran pada mata pelajaran yang cocok. Para pasangan atau berulang-langkah tes juga sesuai untuk percobaan laboratorium diulang dijalankan pada waktu yang berbeda, masingmasing dengan kontrol sendiri. Anda harus memilih tes pasangan bila nilai-nilai dalam satu kelompok lebih erat berkorelasi dengan nilai tertentu dalam kelompok selain dengan nilai acak pada kelompok lain. Ini hanya cocok untuk memilih tes pasangan bila subjek cocok atau dipasangkan sebelum data dikumpulkan. Anda tidak dapat mendasarkan pasangan pada data kamu menganalisa. FISHER'S ATAU TES UJI CHI-KUADRAT? Ketika menganalisis tabel kontingensi dengan dua baris dan dua kolom, Anda dapat menggunakan salah uji eksak Fisher atau uji chi-kuadrat. Tes Fisher adalah pilihan terbaik karena selalu memberikan nilai P yang tepat. Uji chi-square lebih sederhana untuk menghitung tapi menghasilkan hanya nilai P perkiraan. Jika komputer yang melakukan perhitungan, Anda harus memilih uji Fisher kecuali Anda lebih suka keakraban uji chi-kuadrat. Anda pasti harus menghindari uji chi-kuadrat ketika angka-angka dalam tabel kontingensi sangat kecil (sejumlah kurang dari sekitar enam). Bila jumlahnya lebih besar, nilai P dilaporkan oleh chi-square dan uji Fisher akan dia sangat mirip. Uji chi-kuadrat menghitung nilai P perkiraan, dan koreksi kontinuitas Yates dirancang untuk membuat perkiraan yang lebih baik. Tanpa koreksi Yates, nilai P adalah terlalu rendah. Namun, koreksi berjalan terlalu jauh, dan nilai P yang dihasilkan terlalu tinggi. Statistik memberikan rekomendasi yang berbeda mengenai koreksi Yates. Dengan ukuran sampel yang besar, koreksi Yates membuat sedikit perbedaan. Jika Anda memilih uji Fisher, nilai P adalah tepat dan koreksi Yates tidak diperlukan dan tidak tersedia. REGRESI KORELASI ATAU? Regresi linier dan korelasi serupa dan mudah bingung. Dalam beberapa situasi masuk akal untuk melakukan baik perhitungan. Hitung korelasi linear jika Anda diukur baik X dan Y dalam setiap mata pelajaran dan ingin kuantitas seberapa baik mereka berhubungan. Pilih Pearson (parametrik) koefisien korelasi jika Anda dapat mengasumsikan bahwa baik X dan Y adalah sampel dari populasi Gaussian. Jika tidak memilih koefisien korelasi Spearman nonparametrik. Jangan menghitung koefisien korelasi (atau interval kepercayaan) jika Anda memanipulasi variabel X.

Hitung regresi linier hanya jika salah satu variabel (X) kemungkinan akan mendahului atau menyebabkan variabel lain (Y). Jelas memilih regresi linier jika Anda memanipulasi variabel X. Itu membuat perbedaan besar yang disebut variabel X dan Y yang disebut, sebagai perhitungan regresi linier tidak simetris terhadap X dan Y. Jika Anda swap dua variabel, Anda akan mendapatkan garis regresi yang berbeda. Sebaliknya, perhitungan korelasi linier adalah simetris terhadap X dan Y. Jika Anda swap X label dan Y, Anda masih akan mendapatkan koefisien korelasi sama.
http://translate.google.co.id/translate?hl=id&langpair=en| id&u=http://www.graphpad.com/www/book/choose.htm/29032012.0020