Bonferroni-Korrektur-Rechner

Was ist die Bonferroni-Korrektur?

Die Bonferroni-Korrektur adjustiert Signifikanzniveaus bei der Durchfuehrung mehrerer statistischer Tests. Sie kontrolliert die familienweise Fehlerrate (FWER) - die Wahrscheinlichkeit, mindestens einen Typ-I-Fehler ueber alle Tests zu machen.

Das Problem: Bei 20 Tests mit alpha = 0,05 ist mit 1 falsch positivem Ergebnis zu rechnen, selbst wenn keine wahren Effekte existieren.

Die Loesung: Teilen Sie alpha durch die Anzahl der Tests.

$\alpha_{adjustiert} = \frac{\alpha}{m}$

Wobei m die Anzahl der Tests ist.

Das Problem der multiplen Vergleiche

Einzelner Test

Mit alpha = 0,05 gibt es eine 5%ige Chance eines falsch positiven Ergebnisses.

Mehrere Tests

Formel: $1 - (1 - \alpha)^m$

Ohne Korrektur akkumulieren falsch positive Ergebnisse schnell.

Wie Bonferroni funktioniert

Adjustiertes Alpha-Niveau

Bei einem Test mit Gesamt-alpha = 0,05 und m = 10 Vergleichen:

$\alpha_{Bonferroni} = \frac{0,05}{10} = 0,005$

Jeder einzelne Test verwendet alpha = 0,005.

Adjustierte p-Werte

Alternativ multiplizieren Sie jeden p-Wert mit m:

$p_{adjustiert} = \min(p \times m, 1)$

Vergleichen Sie adjustierte p-Werte mit dem urspruenglichen alpha = 0,05.

Beispiel

Szenario: Vergleichen Sie 4 Behandlungsgruppen paarweise (6 Vergleiche).

Adjustiertes alpha = 0,05/6 = 0,0083

Nur Vergleiche mit rohem p < 0,0083 bleiben signifikant.

Wann Bonferroni verwenden

Angemessen

• Vorab geplante Vergleiche (nicht datengesteuert)
• Konfirmatorische Analyse
• Wenn falsch positive Ergebnisse kostspielig sind
• Kleine Anzahl von Tests (< 20)
• Tests sind unabhaengig oder positiv korreliert

Weniger angemessen

• Viele Tests (> 20): Zu konservativ
• Explorative Analyse: Weniger strenge Methoden verwenden
• Abhaengige Tests: Andere Methoden koennen staerker sein
• Wenn falsch negative Ergebnisse kostspielig sind

Vorteile

Einfachheit

Einfach zu berechnen und zu erklaeren.

Konservativ

Garantiert FWER <= alpha.

Keine Annahmen

Funktioniert fuer jede Kombination von Tests, unabhaengig von der Abhaengigkeit.

Flexibilitaet

Kann auf jeden Satz von p-Werten angewendet werden.

Nachteile

Uebermassig konservativ

Besonders bei vielen Tests koennen wahre Effekte verpasst werden.

Beispiel: Bei 100 Tests ist alpha_adjustiert = 0,0005. Selbst moderate wahre Effekte erreichen moeglicherweise keine Signifikanz.

Reduzierte Power

Mit zunehmender Anzahl von Tests sinkt die Power, wahre Effekte zu entdecken.

Gleiche Adjustierung fuer alle

Unterscheidet nicht zwischen Tests unterschiedlicher Wichtigkeit.

Alternativen zu Bonferroni

Holm-Bonferroni (Step-Down)

Staerker als Bonferroni bei gleichzeitiger FWER-Kontrolle.

1. Ordnen Sie p-Werte vom kleinsten zum groessten
2. Vergleichen Sie p_(i) mit alpha/(m - i + 1)
3. Lehnen Sie ab, bis zur ersten Nicht-Ablehnung, dann stoppen

Holm lehnt mehr ab (3 vs 2) bei gleichzeitiger FWER-Kontrolle.

Sidak-Korrektur

Etwas weniger konservativ als Bonferroni:

$\alpha_{Sidak} = 1 - (1 - \alpha)^{1/m}$

Fuer m = 10: alpha_Sidak = 0,00512 vs Bonferronis 0,00500.

Benjamini-Hochberg (FDR)

Kontrolliert die False Discovery Rate statt FWER. Staerker fuer grossangelegte Tests.

Tukey HSD

Fuer alle paarweisen Vergleiche nach ANOVA. Verwendet die studentisierte Spannweitenverteilung.

Dunnett

Fuer den Vergleich jeder Behandlung mit einer einzelnen Kontrolle.

Methodenvergleich

Wie viele Tests werden durchgefuehrt?

Korrektes Zaehlen der Tests ist entscheidend:

Alle durchgefuehrten Tests zaehlen

Einschliesslich derer, die "nicht funktionierten".

Vorab-Tests einschliessen

Wenn Sie Normalitaet, Homogenitaet usw. getestet haben, zaehlen diese.

Nicht zaehlen:

• Deskriptive Statistiken
• Konfidenzintervalle fuer denselben Parameter
• A priori deklarierte Subgruppenanalysen

Anwendungen

Post-hoc-Vergleiche

Nach ANOVA, Vergleich aller Paare von Gruppenmittelwerten.

Subgruppenanalysen

Testen von Behandlungseffekten in mehreren Patienten-Subgruppen.

Mehrere Endpunkte

Klinische Studien mit mehreren Ergebnisvariablen.

Genetische Studien

Obwohl FDR-Methoden fuer Tausende von Tests normalerweise bevorzugt werden.

Bildgebungsstudien

Mehrere Hirnregionen oder Voxel.

Ergebnisse berichten

Methode 1: Adjustiertes Alpha berichten

"Die Bonferroni-Korrektur wurde fuer 6 paarweise Vergleiche angewendet, mit alpha = 0,05/6 = 0,0083. Zwei Vergleiche blieben signifikant: A vs B (p = ,003) und B vs C (p = ,008)."

Methode 2: Adjustierte p-Werte berichten

"p-Werte wurden mit der Bonferroni-Korrektur adjustiert. Signifikante Unterschiede wurden zwischen A und B (p_adj = ,018) und zwischen B und C (p_adj = ,048) gefunden."

Haeufige Fehler

Korrigieren, wenn nicht noetig

Ein einzelner vorab spezifizierter primaerer Vergleich braucht keine Korrektur.

Unter-Zaehlung von Tests

Vergessen von Vorab-Analysen oder aufgegebenen Tests.

Ueber-Korrektur

Korrigieren fuer Tests in anderen Studien oder unverwandten Hypothesen.

Verwendung bei Tausenden von Tests

Bonferroni ist zu konservativ fuer Genomik-Tests. Verwenden Sie FDR-Methoden.

Historischer Kontext

Carlo Emilio Bonferroni (1892-1960) war ein italienischer Mathematiker, der Wahrscheinlichkeitsungleichungen entwickelte, die in dieser Korrektur verwendet werden.

Die Bonferroni-Ungleichung besagt: $P(A_1 \cup A_2 \cup \cdots \cup A_m) \leq \sum P(A_i)$

Diese Ungleichung garantiert, dass das Teilen von alpha durch m die Gesamtfehlerrate kontrolliert.

Verwandte Berechnungen

• Tukey HSD Rechner - Post-hoc fuer ANOVA
• Einfaktorielle ANOVA - Omnibustest vor Vergleichen
• Zwei-Stichproben-t-Test - Einzelvergleiche
• Chi-Quadrat-Test - Kategoriale Vergleiche

Zusammenfassung

Die Bonferroni-Korrektur kontrolliert die familienweise Fehlerrate, indem alpha durch die Anzahl der Tests geteilt wird oder p-Werte mit der Anzahl der Tests multipliziert werden. Sie ist einfach und robust, aber konservativ - ziehen Sie Holm-Bonferroni fuer mehr Power bei gleichzeitiger FWER-Kontrolle in Betracht, oder FDR-Methoden fuer viele Tests. Zaehlen Sie alle durchgefuehrten Tests, einschliesslich Vorab-Analysen. Berichten Sie entweder das adjustierte Alpha-Niveau oder adjustierte p-Werte. Verwenden Sie sie fuer konfirmatorische Analysen mit einer kleinen Anzahl vorab geplanter Vergleiche.