Anpassen der p-Werte für multiple Vergleiche in Matlab

Habe ich ein cell-array der p-Werte, die angepasst werden müssen für mehrere Vergleiche. Wie kann ich das in Matlab? Ich kann nicht finden, eine built-in Funktion.

In R ich tun würde:

data.pValue_adjusted = p.adjust(data.pValue, method='bonferroni')

Gibt es eine ähnliche Funktion für Matlab? Idealerweise führt, dass die unterschiedlichen Anpass-Methoden (Bonferroni, Benjamini-Hochberg, FDR ...)?

InformationsquelleAutor Martin Preusse | 2011-08-25
  1. 0

    Diese Vorlage ist wahrscheinlich das, was du suchst, aber es implementiert nur die Bonferroni-Holm-Methode.
    Sie würde haben auf der Suche nach FEX für ähnliche Lösungen zu den anderen Korrekturverfahren..

    Sagte, dass die Statistik-Toolbox hat die MULTCOMPARE Methode, die ist konzipiert für multiple comparison tests, obwohl es nicht zurück, wird der korrigierte p-Werte. Hier ist ein Beispiel:

    load fisheriris
[pVal tbl stats] = kruskalwallis(meas(:,1), species)   %# Kruskal-Wallis or ANOVA
title('Sepal Length'), xlabel('Groups'), ylabel('Value')

[c,m] = multcompare(stats, 'ctype','bonferroni', 'display','on');
    • Bonferroni-Holm ist gut genug, denke ich. Ich verstehe nicht, die details sowieso 😉
    • Eine schnelle Lesen der Dokumentation deutet darauf hin, dass multompare ist nur für die anova-ähnliche Maßnahmen (so scheint es mit t-test kritische Werte - siehe Beschreibung des bonferroni - statt der Anpassung p-Werte)
    • Es gibt einen wichtigen Unterschied zwischen Bonferroni* (FWER/Family-wise-error-rate) und Benjamini* (FDR/False discovery rate). Sehr, sehr grob gesagt, die Bedeutung (aka alpha) in der FWER ist die Wahrscheinlichkeit, dass der test falsch lehnt die null-Hypothese noch einmal. In der FDR, die Bedeutung, ist der Anteil der Ablehnungen (Entdeckungen), die falsch sind. Also, wenn 40 signifikant auf 95% - Niveau, unter FWER das bedeutet, dass es eine 1 in 20 chance, dass 1 Spiel falsch ist. In der Erwägung, dass für FDR-es bedeutet, dass 1/20 falsch sind - so im Durchschnitt 2 falsch sind.
    • Danke für die Erklärung. Ich denke, Sie sind Recht multcompare, zu sehen, dass seine Eingabe ist die stats Struktur enthält nur die t-Werte die p-Werte... Wie andere schon unten gezeigt, die Lösung ist die Verwendung ttest2 zu berechnen, die rohen p-Werte aus mehreren tests, dann rufen Sie mafdr von der Bioinformatics toolbox, um die angepassten p-Werte nach Benjamini & Hochberg (FDR) - Methode. Wahrscheinlich sollte ich erwähnt haben, dass ich nicht bin ein Statistiker, und das ist nicht mein Fachgebiet 🙂
    InformationsquelleAutor Amro
  2. 5

    Wenn Sie haben, Bioinformatics Toolbox, die Sie verwenden können, MAFDR Funktion berechnet p-Werte, angepaßt durch False Discovery Rate.

    • Gute Idee, danke!
    • Für diejenigen ohne Zugriff auf die Bioinformatics Toolbox gibt es eine Implementierung von Benjamini & Hochberg und Benjamini & Yekutieli an matlab central. Obwohl nicht ein drop-in-Ersatz, es kann verwendet werden, anstelle von MAFDR.
    • Es ist erwähnenswert, jedoch, dass die offizielle mafdr - Implementierung benutzt standardmäßig die Methode von Storey (2002), die in der Regel mehr Leistung als die original-Benjamini-Hochberg-version. Die Dokumentation hier.
    InformationsquelleAutor yuk
  3. 1

    Für Menschen ohne die Bioinformatics Toolbox, die FDR (False Discovery Rate) - Methode wird auch sehr schön beschrieben hier, es bietet auch einen link mit einer fdr-script.

    • nützliche Erklärung in diesem link
    InformationsquelleAutor Fraukje
  4. 0

    Haben Sie einen Blick auf T-test mit Bonferroni-Korrektur und die zugehörigen Dateien in das Matlab-File-exchange.

    Ich hoffe, das hilft.

    • Nicht wirklich, ich brauche nur die Korrektur für multiple Tests.
    InformationsquelleAutor ephsmith
  5. 0

    Siehe auch http://uk.mathworks.com/matlabcentral/fileexchange/28303-bonferroni-holm-correction-for-multiple-comparisons und
    https://en.wikipedia.org/wiki/Holm%E2%80%93Bonferroni_method für den hintergrund.

    • Während die links beantworten die Frage, ist es besser, die wesentlichen Teile der Antwort hier und bieten links für Referenz. Link-nur Antworten können ungültig werden, wenn die verlinkten Seite ändert.
    InformationsquelleAutor Jan Schnupp
  6. 0

    MATLAB/Octave Umsetzung von R p.adjust Funktion ist verfügbar hier. Es durchführen können p-Wert-Adjustierung für multiple Vergleiche mit der folgenden Methoden an, entsprechend Ihren R-Pendants:

    • Holm
    • Hochberg
    • Hommel
    • Bonferroni
    • BH
    • VON
    • fdr
    • Sidak (dieser ist nicht verfügbar in der R-Funktion)

    Disclaimer: ich bin der Autor dieses Pakets.

    InformationsquelleAutor faken
Schreibe einen Kommentar