Wat is de Hochberg ‘s GT2 methode?

De Hochberg ‘s GT2 -methode is een procedure voor het uitvoeren van meervoudige vergelijkingen van onderzoeksgroepen. De GT2-procedure is ontwikkeld door Yoav Benjamini en Yosef Hochberg.  Deze methode is specifiek ontworpen voor post-hoc-analyses na een variantie-analyse ( ANOVA ; Analyse van Variatie).

Het gebruik van post-hoc-procedures is belangrijk bij het interpreteren van ANOVA-resultaten. Dat geldt vooral wanneer er meerdere groepen zijn. Dit doe je, om te voorkomen dat het risico op fouten als gevolg van meervoudige vergelijkingen wordt verhoogd. Het doel van deze methode is om de paarsgewijze vergelijkingen tussen groepen te maken. Zo kan je ontdekken welke specifieke groepen in jouw onderzoek statistisch significant van elkaar verschillen.

De GT2-methode wordt vaak gebruikt in situaties waarin de variantie en omvang van de groepen niet gelijk zijn, en waar andere post-hoc-procedures zoals de Tukey-Kramer-methode mogelijk minder geschikt zijn. Deze methode houdt rekening met verschillende groepsgroottes en ongelijke varianties tussen de groepen. Het doet dit door gebruik te maken van de generalised studentized range distribution (ook bekend als de q-distributie). Op die manier kan je kritieke waarden bepalen voor de statistische significantie van de groepsvergelijkingen.

Statistische softwarepakketten

In veel softwarepakketten voor statistische analyse kun je als onderzoeker de GT2-procedure gebruiken om post-hoc-analyses uit te voeren na een ANOVA. Dat kan nuttig zijn om specifieke groepen te identificeren die significant van elkaar verschillen. Enkele veel gebruikte statistische softwarepakketten zijn:

1. SPSS

In SPSS (Statistical Package for the Social Sciences), kan je de procedure ‘General Linear Model’ (GLM) gebruiken voor een ANOVA en vervolgens de ‘Post Hoc’ tests voor meervoudige vergelijkingen, waaronder Hochberg ‘s GT2.

2. R met de 'multcomp' library

In R is de ‘multcomp’ library een krachtig hulpmiddel voor meervoudige vergelijkingsprocedures, waaronder Hochberg ‘s GT2.

3. Python met 'statsmodels' library

In Python kan je de ‘statsmodels’ library gebruiken. Hoewel de ‘statsmodels’ library geen directe ondersteuning biedt voor Hochberg ‘s GT2, kan je handmatig aangepaste contrasten specificeren om de GT2-methode te implementeren.

Hoe kan de GT2-procedure in de praktijk worden toegepast?

Om een algemeen idee te geven van hoe de GT2-procedure in de praktijk kan worden toegepast, volgt een voorbeeld uit de geneeskunde. Stel je voor, dat jij het effect van drie verschillende medicijnen op de bloeddruk van patiënten wilt onderzoeken. Stel je voor dat in jouw onderzoek er drie groepen zijn die gebruik maakten van:

  • Medicijn A

  • Medicijn B en

  • Medicijn C.

Op hoofdlijnen gaat de GT2-procedure als volgt:

Stap 1: Verzamelen van gegevens

Je meet de bloeddruk van patiënten in elk van de drie groepen en krijgt de volgende resultaten:

Stap 2: Uitvoeren van ANOVA

Voer een ANOVA uit om te bepalen of er een significant verschil is tussen de gemiddelde bloeddruk in de drie groepen.

Stap 3: Identificeren van significante groepsverschillen met GT2

Als de ANOVA een significant verschil aantoont, kunnen we vervolgens de GT2-procedure toepassen om specifieke groepen te identificeren die verschillen. Als bijvoorbeeld, Medicijn A en Medicijn B significant van elkaar verschillen, maar Medicijn C geen significant verschil vertoont met Medicijn A of B, dan kan dit worden geïdentificeerd met de GT2-methode.

Praktische en methodologische eisen voor het gebruik van Hochberg ‘s GT2-procedure

Hochberg ‘s GT2-procedure is een post-hoc methode die wordt gebruikt om significante verschillen tussen meerdere groepen te identificeren na het uitvoeren van een ANOVA (Analysis of Variance). Om deze methode correct te kunnen gebruiken, moeten de dataset en het onderzoeksontwerp aan bepaalde praktische en methodologische eisen voldoen. Hier zijn enkele belangrijke overwegingen:

Praktische eisen

  • Gelijkenissen in variantie. Hoewel de GT2-procedure enigszins robuust is tegen ongelijke groepsgroottes, is het ideaal als de variantie in de groepen vergelijkbaar is.

  • Ongelijke groepsgroottes. De GT2-procedure kan worden gebruikt bij ongelijke groepsgroottes, maar als de groepen sterk verschillen in omvang, kunnen andere post-hoc methoden zoals de Tukey-Kramer-methode geschikter zijn.

  • Gedistribueerde data. De methode werkt het beste met normaal verdeelde data . Als de data sterk afwijken van normaliteit, kunnen alternatieve methoden overwogen worden.

Methodologische eisen

  • Significante ANOVA-resultaten. De GT2-methode wordt doorgaans toegepast na het verkrijgen van significante resultaten uit een ANOVA. Er moet een significant verschil zijn tussen de groepen om de GT2-procedure te rechtvaardigen.

  • Onafhankelijkheid van observaties. De observaties binnen elke groep moeten onafhankelijk van elkaar zijn. Dit betekent dat het gedrag of de respons van één individu geen invloed mag hebben op dat van een ander individu binnen dezelfde groep.

  • Continue afhankelijke variabele. De GT2-methode is ontworpen voor gebruik met continue afhankelijke variabelen. Voor nominale of categorische variabelen kunnen andere methoden zoals de chi-kwadraat test geschikter zijn.

  • Kritieke waarde voor significantieniveau. Het is belangrijk om het gewenste significantieniveau (bijvoorbeeld 0,05) te bepalen voordat de GT2-procedure wordt toegepast. De kritieke waarden worden bepaald op basis van dit significantieniveau.

  • Statistische software. De GT2-methode vereist statistische software die deze procedure ondersteunt, zoals sommige pakketten voor R of andere statistische software zoals SAS, SPSS, of MATLAB.

  • Heterogeniteit. De GT2-methode kan robuust zijn in situaties met ongelijke varianties, maar als de heterogeniteit van variantie extreem is, kan overwogen worden om alternatieve methoden te gebruiken.

Noot: raadpleeg altijd de documentatie van de gebruikte statistische software. Als het mogelijk is, vraag advies van een statisticus bij het gebruik van de GT2-methode of andere statistische procedures. Raadpleeg de aanbevelingen en beperkingen van Hochberg ‘s GT2 in de literatuur voordat jij je onderzoeksontwerp afrondt.

Alternatieven voor het gebruik van Hochberg ‘s GT2

In het geval van niet-normaal verdeelde data kunnen alternatieve post-hoc methoden overwogen worden om significante verschillen tussen groepen te identificeren na het uitvoeren van een ANOVA. Enkele alternatieven voor Hochberg ‘s GT2-methode zijn:

1. Dunn's Test

  • Toepassing: Dunn's test is een non-parametrische post-hoc test die geschikt is voor niet-normaal verdeelde data.

  • Voorbeeld: Stel je hebt een ANOVA uitgevoerd op de scores van drie verschillende behandelingen bij patiënten met een psychiatrische aandoening. Dunn's test kan worden gebruikt om specifieke behandelingen te identificeren die significant van elkaar verschillen.

2. Mann-Whitney U Test

  • Toepassing: Deze test vergelijkt de rangordes van twee onafhankelijke groepen en kan worden toegepast als een post-hoc test voor niet-normaal verdeelde data.

  • Voorbeeld: Als je wilt weten of er een significant verschil is tussen de scores van twee verschillende interventies bij patiënten met angststoornissen, kun je de Mann-Whitney U test gebruiken.

3. Kruskal-Wallis Test

  • Toepassing: De Kruskal-Wallis test is een niet-parametrische equivalent van de ANOVA en kan worden gebruikt als een alternatieve omnibus test voor groepsverschillen.

  • Voorbeeld: Je onderzoekt de effecten van drie verschillende behandelingen op de mate van depressie bij patiënten. Als de data niet normaal verdeeld zijn, zou de Kruskal-Wallis test kunnen worden gebruikt in plaats van de ANOVA.

4. Bootstrapping Methoden

  • Toepassing: Bootstrapping is een resamplingtechniek die kan worden gebruikt om betrouwbare intervalschattingen en p-waarden te verkrijgen zonder de veronderstelling van normale verdeling.

    Resamplingtechnieken zijn statistische methoden die gebruikmaken van het herhaaldelijk trekken van steekproeven uit een gegevensverzameling om statistische schattingen te verkrijgen, de nauwkeurigheid van een model te evalueren of om hypotheses te testen. Deze technieken zijn nuttig wanneer de exacte verdeling van de gegevens onbekend is of moeilijk te modelleren is.

  • Voorbeeld: Als je de gemiddelde scores van verschillende groepen vergelijkt, kun je bootstrapping gebruiken om betrouwbare schattingen te verkrijgen en te bepalen of de verschillen statistisch significant zijn.

5. Robuuste Schattingsmethoden

  • Toepassing: Robuuste methoden, zoals de Robuuste Range Test, kunnen worden gebruikt om groepsverschillen te identificeren zonder te vertrouwen op de aanname van normale verdeling.

  • Voorbeeld: Onderzoek naar de effecten van verschillende behandelingen op de reactietijd bij patiënten met aandachtsstoornissen.

Noot: kies een methode die geschikt is voor de specifieke aard van de data en jouw onderzoeksontwerp. Raadpleeg de literatuur en overleg met een statisticus om de meest geschikte post-hoc methode te bepalen in het geval van niet-normaal verdeelde data.

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?