Biorąc pod uwagę przypadków raka płuc i dopasowanych kontroli (bez raka płuc) (dopasowanie w zależności od wieku, płci itp.). Aby znaleźć dowody na wpływ palenia na raka płuc, zastosowałem dokładny test Fishera na stole awaryjnym. Nie wzięto jednak pod uwagę, że kontrole i przypadki zostały dopasowane.
Zastanawiałem się więc, czy istnieje sposób na zastosowanie dokładnego testu Fishera, który uwzględnia dopasowanie między dwiema grupami?
Odpowiedzi:
Potrzebujesz testu McNemara ( http://en.wikipedia.org/wiki/McNemar%27s_test , http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3346204/ ). Oto przykład:
Zbadano 1300 pkt. I 1300 dopasowanych kontroli. Status palenia przedstawiono następująco:
Normal
|no |yes|
Cancer|No |1000|40 |
|Yes |200 |60 |
Każdy wpis w tabeli pokazuje informacje o PARIE KONTROLI SPRAWY: 1000 oznacza w 1000 parach kontroli przypadków, żadna z nich nie była palaczem. 40 to liczba par kontrolnych przypadków, w których kontrola była palaczem, a pacjent z rakiem nie, i tak dalej. Poniższy kod R można wykorzystać do wygenerowania tej tabeli i wykonania testu McNemara.
mat = as.table(rbind(c(1000, 40), c( 200, 60) ))
colnames(mat) <- rownames(mat) <- c("Nonsmoker", "Smoker")
names(dimnames(mat)) = c("Cancer", "Normal")
mat
# Normal
# Nonsmoker Smoker
# Cancer
# Nonsmoker 1000 40
# Smoker 200 60
mcnemar.test(mat)
# McNemar's Chi-squared test with continuity correction
#
#data: mat
#McNemar's chi-squared = 105.34, df = 1, p-value < 2.2e-16
Test McNemara służy również do oceny wpływu interwencji na binarną zmienną wyniku. Para wyników przed-po jest przedstawiona i przetestowana jak wyżej.
Edycja: Rozszerzając przykład podany przez @gung, jeśli status palenia jest wymieniony w ramce danych mydf w następujący sposób:
pairID cancer control
1 1 1
2 1 1
3 1 0
...
Test McNemars można wykonać za pomocą następujących poleceń R:
> tt = with(mydf, table(cancer, control))
> tt
control
cancer 0 1
0 5 1
1 3 2
> mcnemar.test(tt)
McNemar`s Chi-squared test with continuity correction
data: tt
McNemar`s chi-squared = 0.25, df = 1, p-value = 0.6171
Masz rację, że dokładny test Fishera jest nieodpowiedni dla twoich danych. Będziesz musiał ponownie sformułować tabelę zdarzeń awaryjnych. Nowa tabela będzie dla par , więc będzie wyglądać, jakby zawierała o połowę mniej danych (w twoim przypadku 40 zamiast 80). Na przykład wyobraź sobie, że twoje dane wyglądały tak (każdy zestaw sparowanych tematów znajduje się w osobnym wierszu i 1wskazuje na palacza):
cancer control
1 1
1 1
1 0
1 0
1 0
0 1
0 0
0 0
0 0
0 0
0 0
Zatem twoja stara tabela awaryjna mogła być:
cancer control
smoker 5 3
non 6 8
Twój nowy stół awaryjny będzie wyglądał następująco:
control
cancer smoker non
smoker 2 3
non 1 5
Pierwsza tabela kontyngentów została zsumowana do 22 (liczba wszystkich badanych osób w badaniu), ale druga tabela kontyngentów to 11 (liczba dopasowanych par).
Gdy Twoje dane są reprezentowane w ten sposób, interesuje Cię to, czy proporcje krańcowe są takie same. Test na to jest test McNemara . Wyjaśniłem test McNemara tu i tutaj .
nie powinno być konieczne stosowanie sparowanego testu. dopasowanie populacji potwierdza, że rozkład kowarianitów (wiek, ...) jest taki sam w dwóch populatoinach, więc nie „zniekształca” obrazu.
test porównuje średnie populacji, więc parowanie osobników nie jest konieczne. jest to wymagane tylko w przypadku „powtarzanych” pomiarów, np. porównywania menas przed i po leczeniu tej samej populacji.
Tak i nie:
prawdopodobnie twój przypadek jest objęty sprawą Pearce'a (2015) : chodzi o to, że zmienne, których używasz do wyboru kontroli, powinny być kontrolowane w badaniu, a nie w teście. Może to być trudne ze względu na N = 80.
Mam nadzieję, że to pomoże :)