Fisher- Verfahren zum Kombinieren Unabhängige P- Werte

Ein p-Wert markiert den Typ-I- Fehlerrate in einer statistischen Analyse. Typ-I- Fehler bedeutet die Ablehnung der Nullhypothese , wenn es in der Tat richtig. Die Nullhypothese ist (fast immer) eine Erklärung, dass zwei Gruppen unterschiedlicher nicht oder , dass es keine Beziehung zwischen einigen Variablen , oder andere Aussage, dass das, was wir erwarten, finden nicht , in der Tat existieren. So ein Typ-1- Fehler ist zu sagen , dass etwas passiert , wenn in der Tat, ist nichts. All dies beruht auf der Idee , die wir haben nur eine Stichprobe aus einer Bevölkerung. Warum Kombinieren P- Werte ?

In einigen Fällen sind mehrere Studien über das gleiche Phänomen . Zum Beispiel gibt es viele Studien, die den Zusammenhang zwischen Rauchen und Krebserkrankungen . Jedes von ihnen ist ein p- Wert bereitzustellen. Durch die Kombination mehrerer Studien , können Sie genauere Schätzungen , was vor sich geht .
Die Idee der Fisher- Methode

Angesichts einer Sammlung von p- Werte von unabhängigen Studien , ist Fisher- Methode, um zuerst den natürlichen Logarithmus von jedem p-Wert , multipliziert jedes Ergebnis von -2 und dann Zugabe sie. Die resultierende Summe wird als ein Chi-Quadrat- Statistik, mit Freiheitsgraden 2L , wobei L die Anzahl der p- Werte verteilt . Der p- Wert dieser Summe kann von statistischen Tabellen wie SAS , R oder SPSS, Excel oder von einigen wissenschaftlichen Taschenrechner geholt werden , von Statistik-Software .
Gefahren der Kombination von P Werte: Fehlinterpretation der Ergebnisse

Eine Gefahr der Kombination von p-Werte ist das Ergebnis falsch interpretiert . Dies ist Teil dessen, was Stephen Ziliak und Deirdre McCloskey als die " Kult der statistischen Signifikanz . " Durch die Kombination von Mustern, wird immer kleiner Effektgrößen werden statistisch signifikant. Aber statistische Signifikanz bedeutet nicht, praktische Bedeutung . Angenommen, es wurde festgestellt , dass eine bestimmte Diät führte zu einem Gewichtsverlust von 1 Unze pro Monat. Wenn genügend Proben wurden vereinigt , würde dies statistisch signifikant , aber nur wenige Menschen über eine Diät , die auf einem so kleinen Effekt führte zu kümmern.
Alternativen zur Kombination P- Werte

Statt p- Werte zu kombinieren , ist es oft eine gute Idee, Effektgrößen zu kombinieren. Die Effektgröße könnte ein Unterschied zwischen zwei Gruppen oder einer Regressionskoeffizientenoder einem Odds - Verhältnis oder eine beliebige Anzahl von anderen Maßnahmen , je nachdem, welche Statistik wird verwendet wurde. Diese Art der Analyse wird als Meta- Analyse, die eine Studie für sich ist .