Wat is de Bonferroni correctie?

De Bonferroni-correctie is een statistische methode die wordt gebruikt om het probleem van meervoudige vergelijkingen aan te pakken. Wanneer je meerdere statistische tests uitvoert op een dataset, neemt de kans op het maken van een Type I-fout (het onterecht verwerpen van een ware nulhypothese) toe. De Bonferroni-correctie helpt deze toename van het Type I-fouttarief te beheersen.

  • Type I-fout is het onterecht verwerpen van een ware nulhypothese.

  • Type II-fout is het onterecht aannemen van een nulhypothese die dus eigenlijk onjuist is.

Hoe werkt de Bonferroni-correctie?

In stappen werkt de Bonferroni-correctie als volgt:

  • Oorspronkelijk significantieniveau (α): Bij het uitvoeren van een enkele statistische test stel je meestal een significantieniveau in, aangeduid als α (alfa), vaak ingesteld op 0,05. Dit betekent dat je bereid bent een kans van 5% te accepteren om een Type I-fout te maken.

  • Meerdere Tests: Als je meerdere tests uitvoert (bijvoorbeeld het vergelijken van gemiddelden van verschillende groepen of het onderzoeken van correlaties tussen meerdere variabelen), neemt de kans toe dat ten minste één van deze tests een significant resultaat oplevert puur door toeval.

  • Bonferroni-correctie: Om het algehele Type I-fouttarief te beheersen, past de Bonferroni-correctie het individuele significantieniveau voor elke test aan. In plaats van α te gebruiken voor elke test, gebruik je α gedeeld door het aantal tests. Dus, als je bijvoorbeeld 5 tests uitvoert, wordt het aangepaste significantieniveau 0,05/ 5 = 0,01.

Wiskundig wordt het aangepaste significantieniveau (α’) als volgt berekend:

  • α ′ = α/ Aantal tests

Door de Bonferroni-correctie te gebruiken, maak je in feite elke individuele test strenger om een algeheel gewenst niveau van significantie over alle tests te handhaven.

Noot: De Bonferroni-correctie is een veelgebruikte methode maar deze kan conservatief zijn. Daardoor neemt het risico op Type II-fouten toe. Er zijn andere correctiemethoden en de keuze van welke methode te gebruiken kan afhangen van de specifieke context en aannames van je analyse.

Holm-Bonferroni: het alternatief voor de Bonferroni correctie

Een alternatief voor de Bonferroni-correctie is de zogenaamde Holm-Bonferroni-methode. Deze is minder conservatief is en kan het risico op Type II-fouten verminderen.

Deze methode past de p-waarden van de individuele tests aan, vergelijkbaar met de Bonferroni-methode, maar met een dynamische aanpak die rekening houdt met de rangorde van de p-waarden.

Hier is hoe de Holm-Bonferroni-methode werkt:

  • Sorteer de p-waarden: Sorteer de p-waarden van de individuele tests in oplopende volgorde.

  • Aanpassing van de significantieniveaus: Voor elke p-waarde, vermenigvuldig de p-waarde met het aantal resterende tests (beginnend met het totale aantal tests en vervolgens verminderend). Vergelijk deze aangepaste p-waarde met het oorspronkelijke significatieniveau (α). Bijvoorbeeld, als je 5 tests uitvoert: Voor de laagste p-waarde vermenigvuldig je met 5. Voor de op één na laagste p-waarde vermenigvuldig je met 4. En zo verder.

  • Vergelijk met aangepaste significantieniveaus: Vergelijk de aangepaste p-waarden met het oorspronkelijke significatieniveau (α). Als de aangepaste p-waarde lager is dan α, wijs de nulhypothese af.

De Holm-Bonferroni-methode is krachtiger dan de Bonferroni-methode. Dat betekent dat het een betere kans heeft om een waar effect te ontdekken als dat aanwezig is. Het houdt echter nog steeds rekening met meervoudige vergelijkingen om het risico op Type I-fouten te beperken.

Andere alternatieven voor de Bonferroni-correctie zijn onder meer de Benjamini-Hochberg-methode (ook bekend als de False Discovery Rate-controle) en de False Discovery Rate (FDR)-methode. Deze zijn beide minder conservatief. Deze zijn ontworpen om het aantal fout-positieve ontdekkingen te beperken.

Verschil tussen Bonferroni en Holm-Bonferroni in termen van Type I en Type II-fouten

Type I-fouten (False Positives)

De Bonferroni-correctie is vaak conservatiever en heeft de neiging om het aantal Type I-fouten te verminderen, omdat het een strenger aangepast significantieniveau oplegt. De Holm-Bonferroni-methode is minder conservatief en kan wat krachtiger zijn dan de Bonferroni-methode, wat het risico op Type I-fouten enigszins verhoogt.

Type II-fouten (False Negatives)

Omdat de Bonferroni-correctie conservatiever is, kan het de kans op het ten onrechte verwerpen van ware effecten vergroten, wat resulteert in een toename van Type II-fouten. De Holm-Bonferroni-methode is over het algemeen minder conservatief en heeft daarom potentieel een lagere kans op Type II-fouten.

Hulp bij statistiek nodig? Schakel een professionele begeleider van Scriptium in

Heb je moeite met statistiek? Wens je hulp te krijgen bij SPSS, STATA of R? Scriptium heeft 7 dagen per week professionele statistiekbegeleiders beschikbaar. Of je nu hulp bij statistiek in je scriptie wilt hebben, of bijles statistiek nodig hebt, we staan direct voor je klaar. Neem vandaag nog contact met ons op, en we komen snel bij je terug.

Auteur: Ryu Jamanota 
Motto: Beter weten door zuiver meten
 

De auteur gebruikt statistiek voor het analyseren van productie- en dienstverleningsprocessen. Aan de hand van statistische analyses onderzoekt hij of een bedrijfsproces langs de kortste weg levert wat er bedoeld is en of het proces ook beheersbaar en betrouwbaar verloopt. 

Laat een reactie achter

Je hebt al gestemd op dit artikel. Bedankt :-)
Wat vind jij van dit artikel?