STATISTIK-FORUM.de

[JuliaMariaSimlinger]

Hallo!
Ich bin ein bisschen verzweifelt. Ich schreibe im Moment meine medizinische Doktorarbeit und bei meiner statistischen Analyse hat sich jetzt ergeben, dass eine Homogenität meiner Varianzen nicht gegeben ist.
Ich habe insgesamt eine Stichprobe von n=177; 49 Probanden in meiner Kontrollgruppe und 128 Patienten. Insgesamt habe ich 149 Variablen die ich untersuchen will. Meine Kovariaten sind Alter und Geschlecht.
Dabei habe ich bei einigen allerdings keine Homogenität gegeben. Ich habe zunächst den Levene Test durchgeführt, weil ich aber gelesen habe, dass dieser bei einer großen Stichprobenanzahl etwas zu sensitiv ist, habe ich mir anschließend die BoxPlots angeschaut und dabei waren die Varianzen immer noch inhomogen. Dann habe ich eine logarithmische Transformation durchgeführt, diese zeigt allerdings immer noch viele inhomogene Werte. Und jetzt anschließend habe ich jetzt noch eine Box-Cox Transformation durchgeführt, das hat jetzt auch nicht wirklich etwas verändert an der Homogenität der Varianzen.
Hat jemand vielleicht noch Ideen was ich noch durchführen sollte?
Als Alternative habe ich jetzt einen Mann-Whitney-U Test durchgeführt aber dabei kann ich die Kovariaten nicht berücksichten und aus früheren Studien ist es wahrscheinlich, das Alter und Geschlecht eine Rolle spielen.
Vielen Dank für eure Hilfe!
Alles Liebe, Juli

[bele]

Hallo Julia,

habe ich das richtig verstanden, dass Du 149 verschiedene Regressionen/Kovarianzanalysen rechnen willst, jeweils mit Gruppe, Alter und Geschlecht als Prädiktoren/unabhängige Variablen? Ich tue mich gerade schwer mir vorzustellen, warum man das machen sollte bzw. was man mit einem solchen Wust an Ergebnissen dann praktisch anfangen soll.

Wie auch immer, wenn Du 149 p-Werte ausrechnest wären selbst dann, wenn es gar keine Zusammenhänge gäbe, 5% von 149 = 8 zufällig/falsch signifikante darunter und Du kannst nicht wissen, welche 8 das sind. Das nennt man Alphafehler-Kummulation. Das könnte für den Fehler erster Art das deutlich größere Problem sein als ein bisschen Varianzheterogenität. Vielleicht sollte man das ganze Konzept nochmal zur Diskussion stellen. Wenn Du mehr Input von uns möchtest, kannst Du das Thema und das Problem und die Fragestellung gerne etwas genauer beschreiben.

Bestimmt hast Du schon gegoogelt, was man bei Varianzinhomogenität machen kann. Inwieweit können wir da noch helfen? Ich finde die Idee interessant, p-Werte für Regressionen nicht über die F-Verteilung sondern durch Bootstrapping zu erstellen. Mit 49+128 Studienteilnehmern kann man das machen und dann lässt man nahezu alle Verteilungsvoraussetzungen hinter sich. https://youtu.be/EeAtvWF3twA?si=GNYVCkwenpzF-rvG

(Speziell für Varianzheterogenitätsprobleme siehe auch "wild bootstrap")

LG,
Bernhard

[strukturmarionette]

Hi,

- Untersuchungsdesign, Fragestellungen und möglichst auch Arbeitshypothesen zunächst darlegen ..

Gruß
S.

[PonderStibbons]

Ich habe insgesamt eine Stichprobe von n=177; 49 Probanden in meiner Kontrollgruppe und 128 Patienten. Insgesamt habe ich 149 Variablen die ich untersuchen will. Meine Kovariaten sind Alter und Geschlecht.

Da Du Kovariaten hast, vergleichst Du die Vorhersagefehler des Modells zwischen den Gruppen, nicht mehr die ursprünglichen Varianzen.
Wie stehen dann die Fehlervarianzen im Verhältnis zueinander? Bei einem Verhältnis von nicht mehr als 1:1,5 ist es eigentlich kein Problem,
siehe https://web.archive.org/web/20160414121 ... s/faq.html FAQ #5.
Transformationen würde ich tunlichst unterlassen, wenn an dann nicht mehr sagen kann, was man inhaltlich hat (Was ist ein
"Box-Cox-transformierter Intelligenzscore" z.B.). Bei manchen Größen ist es allerdings naheliegend, z.B. hat man häufig
Varianzunterschiede bei Dingen, die einen natürlichen Nullpunkt besitzen (wie Reaktionszeiten, Alter, Einkommen...), da ist
Logarithmieren oft angebracht und inhaltlich sinnvoll.

Mit freundlichen Grüßen

PonderStibbons

[JuliaMariaSimlinger]

Hallo!
Das Verhältnis von meinen Fehlervarianzen ist leider oberhalbe des Verhältnisses von 1:1,5. Ich habe die ganze Auswertung über Python gemacht. Jetzt habe ich gesehen es gibt für R die HC3 und HC4 Standardfehler als robuste Standardfehler bei Heteroskedastizität. Jetzt ist meine Frage, gibt es solche robusten Standardfehler auch in Python?
Liebe Grüße,
Julia

[bele]

Hallo Julia,

ich befürchte, Python ist in diesem Forum unterrepräsentiert. Ich kann Dir aber helfen, die Daten in R einzulesen, wenn Du diesen Weg gehen möchtest.

LG,
Bernhard