In this article, we describe and propose methods to derive \textit{p}-values and sets of confidence intervals with strong control of the family-wise error rates and coverage for tests of parameters from multiple generalised linear mixed models. We examine in particular analysis of a cluster randomised trial with multiple outcomes. While the need for corrections for multiple testing is debated, the justification for doing so is that, without correction, the probability of rejecting at least one of a set of null hypotheses is greater than the nominal rate of any single test, and hence the coverage of a confidence set is lower than the nominal rate of any single interval. There are few methods \textit{p}-value corrections for GLMMs and no efficient methods for deriving confidence intervals, limiting their application in this setting. We adapt the Bonferroni and Holm methods, and the randomisation-test approach of Romano \& Wolf (2005) to a generalised linear model framework. A search procedure for confidence interval limits using randomisation tests is developed to produce a set of confidence intervals under each method of correction. We show that the Romano-Wolf type procedure has nominal error rates and coverage under non-independent correlation structures in a simulation-based study, but the other methods only have nominal rates when outcomes are independent. We also compare results from the analysis of a real-world trial.


翻译:在本篇文章中,我们描述和提出产生\textit{p}值和信任间隔的方法,对家庭错误率和多个通用线性混合模型参数的测试范围进行严格控制。我们特别研究对一组随机试验的多重结果分析。虽然对多项试验进行修正的必要性进行了辩论,但这样做的理由是,不更正至少拒绝一套无效假设之一的可能性大于任何单一试验的名义比率,因此,一套信任的覆盖范围低于任何单一间隔的标定比率。对于GLMMs,几乎没有什么方法\textit{p}值校正,也没有有效的方法来得出信任间隔,从而限制在这种环境下的应用。我们调整Bonferroni和Holm方法,以及Romano ⁇ Wolf (2005年)的随机测试方法,使之符合一个普遍的线性示范框架。使用随机测试的保密间隔限制搜索程序,以便在每种校正方法下产生一套信任间隔。我们显示,GLMMMs(G-Wolf)的值校正校正校准值校准率结构中,我们只能根据真实的模型进行一个独立的比较性分析,在不以实际试验结果下,我们只是以名义为基础的模拟的比比标准。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
A Sheaf-Theoretic Construction of Shape Space
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
1+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月14日
VIP会员
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员