မိသားစုအလိုက် အမှားအယွင်းနှုန်းက ဘယ်လောက်လဲ။

သီအိုရီစမ်းသပ်ခြင်း တွင်၊ အမှန်တကယ်မှန်သော null hypothesis ကို ငြင်းပယ်ရန် ဖြစ်နိုင်ခြေကို ပြောပြသည့် Type I error rate အမြဲရှိနေပါသည်။ တစ်နည်းဆိုရသော်၊ ၎င်းသည် “ false positive” ကိုရရှိရန်ဖြစ်နိုင်ခြေမှာ ကိန်းဂဏန်းအရ သိသာထင်ရှားသောအကျိုးသက်ရောက်မှုရှိသည်ဟု ကျွန်ုပ်တို့တောင်းဆိုသောအခါ၊ လက်တွေ့တွင်မရှိသောအခါတွင် မည်သည့်အရာမျှမရှိဟု ဆိုနိုင်သည်။

ကျွန်ုပ်တို့သည် သီအိုရီစမ်းသပ်မှုကို လုပ်ဆောင်သောအခါ၊ Type I အမှားနှုန်းသည် အများအားဖြင့် 0.01၊ 0.05 သို့မဟုတ် 0.10 ဖြစ်ရန် ရွေးချယ်ထားသော အရေးပါမှုအဆင့် (α) နှင့် ညီမျှသည်။ သို့သော်၊ ကျွန်ုပ်တို့သည် ယူဆချက်အများအပြားစမ်းသပ်မှုများကို တစ်ကြိမ်တည်းလုပ်ဆောင်သောအခါ၊ မှားယွင်းသောအပြုသဘောဆောင်နိုင်ခြေ တိုးလာပါသည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် တဖက်သတ်သေအား 20 လိပ်ကို စိတ်ကူးကြည့်ပါ။ “ 1” တွင်သေဆုံးမှုဖြစ်နိုင်ခြေသည် 5% သာရှိသည်။ သို့သော် ဤအန်စာတုံးနှစ်ခုကို တစ်ပြိုင်နက် လှိမ့်လိုက်လျှင် အန်စာတုံးများထဲမှ တစ်ခုသည် “1” တွင် ပေါက်နိုင်ခြေ 9.75% အထိ တိုးလာသည်။ အကယ်၍ ကျွန်ုပ်တို့သည် အန်စာတုံးငါးလုံးကို တစ်ပြိုင်နက် လှိမ့်လိုက်လျှင် ဖြစ်နိုင်ခြေ 22.6% အထိ တိုးလာသည်။

ကျွန်ုပ်တို့သည် အန်စာတုံးများ များများလှိမ့်လေ၊ အန်စာတုံးများထဲမှ တစ်ခုသည် 1 တွင် ဆင်းသက်နိုင်ခြေ ပိုများလေဖြစ်သည်။ အလားတူပင်၊ ကျွန်ုပ်တို့သည် 0.05 ၏ အရေးပါမှုအဆင့်ကို အသုံးပြု၍ တစ်ကြိမ်တည်းတွင် မှားယွင်းသော အပြုသဘောဆောင်မှု ရရှိနိုင်ခြေသည် 0.05 ထက် တိုးလာပါသည်။ ၀.၀၅။

မိသားစုအလိုက် အမှားအယွင်းနှုန်းကို ဘယ်လို ခန့်မှန်းရမလဲ

မိသားစုအလိုက် အမှားအယွင်းနှုန်းကို ခန့်မှန်းရန် ဖော်မြူလာမှာ အောက်ပါအတိုင်းဖြစ်သည်-

မိသားစုအလိုက် အမှားအယွင်းနှုန်း = 1 – (1-α) ⁿ

ရွှေ-

• α- တစ်ခုတည်းသောယူဆချက်စမ်းသပ်မှုအတွက် အရေးပါမှုအဆင့်
• n: စုစုပေါင်းစမ်းသပ်မှုအရေအတွက်

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် α = 0.05 ကိုအသုံးပြု၍ မတူညီသောနှိုင်းယှဉ်မှု 5 ခုကို လုပ်ဆောင်သည်ဆိုပါစို့။ မိသားစုအလိုက် အမှားအယွင်းနှုန်းကို အောက်ပါအတိုင်း တွက်ချက်မည်

မိသားစုအလိုက် အမှားအယွင်းနှုန်း = 1 – (1-α) ^c = 1 – (1-.05) ⁵ = 0.2262 ။

တစ်နည်းဆိုရသော်၊ အနည်းဆုံး hypothesis စမ်းသပ်မှုတစ်ခုတွင် အမျိုးအစား I အမှားတစ်ခုရရှိရန် ဖြစ်နိုင်ခြေသည် 22% ထက် ပိုများသည်။

မိသားစုအလိုက် အမှားအယွင်းနှုန်းကို ဘယ်လိုထိန်းချုပ်မလဲ။

မိသားစုအလိုက် အမှားအယွင်းနှုန်းကို ထိန်းချုပ်ရန် အသုံးပြုနိုင်သည့် နည်းလမ်းများစွာ အပါအဝင်၊

1. Bonferroni တည့်မတ်ခြင်း။

ယင်းကဲ့သို့ အရေးပါမှုကို အကဲဖြတ်ရန် အသုံးပြုသည့် α တန်ဖိုးကို ချိန်ညှိပါ-

α _အသစ် = α _{အဟောင်း} / n

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် α = 0.05 ၏ အယ်လ်ဖာအဆင့်ကို အသုံးပြု၍ မတူညီသောနှိုင်းယှဉ်မှု 5 ခုကို လုပ်ဆောင်ပါက၊ ထို့နောက် Bonferroni တည့်မတ်မှုကို အသုံးပြုပါက၊ ကျွန်ုပ်တို့၏ အယ်လ်ဖာအဆင့်အသစ်သည်-

α _အသစ် = α _{အဟောင်း} / n = 0.05 / 5 = 0.01 ။

2. Sidak ဆုံးမပဲ့ပြင်။

ယင်းကဲ့သို့ အရေးပါမှုကို အကဲဖြတ်ရန် အသုံးပြုသည့် α တန်ဖိုးကို ချိန်ညှိပါ-

α _အသစ် = 1 – (1-α _{အဟောင်း} ) ^1/n

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် α = 0.05 ၏ အယ်လ်ဖာအဆင့်ကို အသုံးပြု၍ မတူညီသောနှိုင်းယှဉ်မှု 5 ခုကို လုပ်ဆောင်ပါက၊ ထို့နောက် Sidak တည့်မတ်မှုကို အသုံးပြုပါက၊ ကျွန်ုပ်တို့၏ အယ်ဖာအဆင့်အသစ်သည်-

α _အသစ် = 1 – (1-α _{အဟောင်း} ) ^1/n = 1 – (1-.05) ^1/5 = .010206 ။

3. Bonferroni-Holm တည့်မတ်ခြင်း။

ဤလုပ်ထုံးလုပ်နည်းသည် အောက်ပါအတိုင်း လုပ်ဆောင်သည်။

1. α _အသစ် = α _{အဟောင်း} / n ကိုတွက်ချက်ရန် Bonferroni အမှားပြင်ဆင်ချက်ကို အသုံးပြုပါ။
2. သီအိုရီတစ်ခုစီကို စမ်းသပ်ပြီး စမ်းသပ်မှုအားလုံး၏ p-တန်ဖိုးများကို အသေးဆုံးမှ အကြီးဆုံးသို့ စီစဥ်ပါ။
3. ပထမ p တန်ဖိုးသည် α _အသစ် နှင့် ညီမျှပါက၊ လုပ်ထုံးလုပ်နည်းကို ရပ်ပါ။ p-value သည် သိသိသာသာ မရှိပါ။
4. ပထမ p-value သည် α _အသစ် ထက်နည်းပါက၊ ၎င်းသည် သိသာသည်။ ယခု ဒုတိယ p တန်ဖိုးကို α _အသစ် နှင့် နှိုင်းယှဉ်ပါ။ ၎င်းသည် α _အသစ် ထက် ကြီးသည် သို့မဟုတ် ညီမျှပါက၊ လုပ်ထုံးလုပ်နည်းကို ရပ်ပါ။ အခြား p-values များသည် သိသိသာသာ မရှိပါ။

ဤအရေးပါမှုအဆင့် တည့်မတ်မှုတစ်ခုအား အသုံးပြုခြင်းဖြင့်၊ သီအိုရီစမ်းသပ်မှုမိသားစုတစ်ခုအတွင်း Type I အမှားတစ်ခုပြုလုပ်နိုင်ခြေကို သိသိသာသာ လျှော့ချနိုင်ပါသည်။