Skip to main content

Alpha Error Rate Inflation

Kemungkinan untuk melakukan konklusi atau kesimpulan yang salah daripada ujian hipotesis akan sentiasa wujud dan antara kesilapan itu adalah ralat jenis 1. Jika analisa statistik di lakukan secara bersiri atau berjujukan atau bersambungan, kemungkinan ralat jenis 1 akan bertambah secara tidak langsung.

Ralat begini juga di kenali sebagai alpha inflation atau cumulative Type 1 error.

Formula atau kiraan ralat ini adalah:

Alpha inflation ≤ 1 – (1 – αIT)c

αIT = tahap alpha bagi setiap ujian (alpha level for an individual test (cth. 0.05))

c = Bilangan perbandingan (number of comparisons).

Sebagai contoh, apabila tahap alpha, 5% dan 10 kali ujian statistik bersiri dilakukan,

Maka berdasarkan kiraan di atas:

Alpha inflation = 1 – (1 –0.05)12 = 0.46

Ini bermakna kemungkinan atau kebarangkalian untuk melakukan ralat jenis 1 adalah setinggi 46%, iaitu satu angka yang tinggi berdasarkan pada hanya dua belas jujukan ujian statistik yang bersambungan.

Oleh sebab itu, ralat ini perlu di kawal, kerana jelas apabila ujian hipotesis yang di lakukan banyak dan secara bersiri (bersambung), maka kesilapan dalam membuat konklusi atau kesimpulan akan meningkat, akibat menolak hipotesis nul yang benar.

Terdapat dua prosedur untuk mengawal ralat jenis ini iaitu langkah satu (single step) dan berjujukan (sequential).

Melakukan pengubahsuaian kepada setiap nilai p (p-value). Langkah ini akan mengekalkan tahap alpha secara keseluruhan pada tahap di kehendaki (cth. 0.05) dan ini di kenali sebagai pembetulan Bonferroni.

  • Bahagikan tahap alpha (alpha level) dengan bilangan ujian yang di lakukan dan terapkan tahap alpha pada setiap ujian. Sebagai contoh, jika keseluruhan tahap alpha adalah 0.05 dan 5 ujian bersiri, maka setiap ujian akan mempunya tahap alpha (alpha level), 0.05 / 5 = 0.01.
  • Terapkan tahal alpha baru kepada setiap ujian untuk mendapatkan nilai p (p-value). Dalam contoh ini, nilai p adalah 0.01 atau lebih kurang untuk di simpulkan sebagai signifikan statistiknya.

Walaupun begitu, perlu di ingatkan, pembetulan Bonferroni juga turut di kritik di antaranya menyumbang kepada kehilangan kekuatan ujian dan meningkatkan kebarangkalian melakukan ralat jenis 2 (ralat β).

Manakala kaedah berjujukan (sequential) juga seperti Bonferroni dengan kelainan di lakukan pengubahsuaian terhadap setiap nilai p. Untuk makluman, perlu di ketahui bahawa terdapat beberapa kaedah berjujukan yang wujud. Antara kaedah yang mudah adalah Holm-Bonferroni. Antara keadah lain adalah Sidak-Bonferroni dan Holland-Copenhaver.

  • Holm-Bonferroni adalah bagi ujian yang di lakukan dengan nilai p akan di aturkan daripada nilai terendah. Kemudian, setiap ujian akan di uji bermula daripada nilai terendah dengan setiap ujian melalui pembetulan Bonferroni secara menyeluruh.
  • Sidak-Bonferroni merupakan kelainan atau varian kepada Bonferroni yang menggunakan pengembangan Taylor (Taylor expansion) (daripada kalkulus)



Labels:

Popular posts from this blog

G*Power Perisian Bagi Pengiraan Sampel Saiz.

Penggunaan Gpower kerap menekan kepada tiga langkah berikut: Memilih ujian statistik yang sesuai atau padan dengan masalah yang di kaji. Memilih di antara lima jenis analisis kuasa (power analysis) yang di sediakan. Sediakan parameter input yang di perlukan analasis dan klik pada “calculate” Pada Langkah 1, pendekatan yang digunakan untuk memilih ujian statistic (statistical test) adalah melalui dua pendekatan, iaitu distribution based atau design-based approach . Distribution-based approach to the test selection Melalui pendekatan distribution-based , pendekatan pertama adalah melihat pada kumpulan umum ujian statistik menggunakan '' Test family'' menu yang terdapat di window atau tingkap utama.   Ujian statitik ( Statistical test ) menu akan berubah mengikut pilihan di dalam '' Test family'' . Ujian-ujian yang ada akan selaras mengikut pada '' test family'' yang di pilih sahaja. Design-based approach to the test se
Read more

Ujian Analisa Sehala MANOVA

Perbezaan analisa ini dengan ANOVA adalah pembolehubah bersandarnya mempunyai lebih daripada satu . Manakala, pembolehubah bebas adalah sama seperti ANOVA yang mempunyai pelbagai kumpulan. Analisa sehala MANOVA juga mempunyai sarat ujian statistik di dalamnya dan tidak dapat memberi maklumat secara spesifik kumpulan yang berbeza signifikan di antara satu sama lain. Ujian ini hanya akan memberi maklumat sekurang-kurang dua kumpulan adalah berbeza. Oleh sebab, kebiasaan penggunaan analisa ini oleh pengkaji akan melibatkan tiga, empat atau lebih kumpulan. Oleh itu penggunaan ujian post-hoc adalah penting untuk mengetahui perbezaan kumpulan selebihnya itu. Bagi mendapat analisa yang sah dan berkualiti, beberapa andaian perlu di penuhi dahulu sebelum menggunakan analisa MANOVA. Pembolehubah bersandar mestilah dalam skala selang atau nisbah. Pembolehubah bebas a.k.a pembolehubah tidak bersandar mestilah mempunyai beberapa kumpulan yang bebas atau dengan kata lain dalam skala ordina
Read more

ANOVA vs MANOVA

Perbezaan utama di antara ANOVA dan MANOVA adalah jumlah bilangan pembolehubah bersandar ( dependent variable ). Walaupun begitu, jika terdapat pembolehubah bersandar lebih daripada satu, masih bukan masalah dan merupakan pilihan lain jika pengkaji mahu untuk menguji secara berasingan menggunakan analisa ANOVA bagi setiap pembolehubah bersandar itu. Jadi, kenapa perlu menggunakan pengiraan MANOVA ini berbanding beberapa analisa menggunakan ANOVA jika terdapat pembolehubah bersandar yang lebih daripada satu seperti dua, tiga atau empat pembolehubah bersandar? Terdapat dua sebab utama, MANOVA berpotensi menggantikan ANOVA dalam beberapa keadaan. Pertama melibatkan teori yang logik dan kedua melibatkan statistiknya. Sebagai contoh: Skormatematik + skorfizik + skorkimia sebagai fungsi kepada ( as a function of ) minuman tambahan ( tiga tahap / level ) Minuman tambahan, pembolehubah tidak bersandar atau bebas dengan tiga tahap ( levels ) : minuman kurma, minuman madu dan minuma
Read more