Le test de Mann-Whitney peut-il être utilisé pour des comparaisons post-hoc après Kruskal-Wallis?

J'ai une simulation où un animal est placé dans un environnement hostile et chronométré pour voir combien de temps il peut survivre en utilisant une approche de survie. Il existe trois approches qu'il peut utiliser pour survivre. J'ai effectué 300 simulations de l'animal en utilisant chaque approche de survie. Toutes les simulations ont lieu dans le même environnement, mais il y a un peu d'aléatoire donc c'est différent à chaque fois. Je compte combien de secondes l'animal survit dans chaque simulation. Vivre plus longtemps c'est mieux. Mes données ressemblent à ceci:

Approach 1, Approach 2, Approach 2
45,79,38
48,32,24
85,108,44
... 300 rows of these

Je ne suis pas sûr de tout ce que je fais après ce point, alors faites-moi savoir si je fais quelque chose de stupide et de mal. J'essaie de savoir s'il y a une différence statistique sur la durée de vie en utilisant une approche particulière.

J'ai effectué un test de Shapiro sur chacun des échantillons et ils sont revenus avec de minuscules valeurs de p, donc je pense que les données ne sont pas normalisées.

Les données sur les lignes n'ont aucune relation les unes avec les autres. La graine aléatoire utilisée pour chaque simulation était différente. Par conséquent, je pense que les données ne sont pas associées.

Parce que les données ne sont pas normalisées, pas appariées et qu'il y avait plus de deux échantillons, j'ai effectué un test de Kruskal Wallis qui est revenu avec une valeur de p de 0,048. Je suis ensuite passé à un post hoc, en sélectionnant Mann Whitney. Je ne sais vraiment pas si Mann Whitney doit être utilisé ici.

J'ai comparé chaque approche de survie avec une autre approche en effectuant le test de Mann Whitney ie {(approche 1, approche 2), (approche 1, approche 3), (approche 2, approche 3)}. Il n'y a eu aucune découverte de signification statistique entre la paire (approche 2, approche 3) en utilisant un test bilatéral, mais aucune différence de signification n'a été trouvée en utilisant un test unilatéral.

Problèmes:

1. Je ne sais pas si utiliser Mann Whitney comme ça a du sens.
2. Je ne sais pas si je devrais utiliser un Mann Whitney à une ou deux queues.

$U$

Voici pourquoi: test de Dunn est un approprié post hoc essai ^* après le rejet d'un test de Kruskal-Wallis. Si l'on procède en passant d'un rejet de Kruskal-Wallis à l'exécution de tests de somme de rang par paire ordinaires (c'est-à-dire Wilcoxon ou Mann-Whitney), deux problèmes se produisent: (1) les rangs utilisés pour les tests de somme de rang par paire sont pas les rangs utilisés par le test de Kruskal-Wallis; et (2) les tests de somme de rang n'utilisent pas la variance groupée impliquée par l'hypothèse nulle de Kruskal-Wallis. Le test de Dunn n'a pas ces problèmes

$\alpha$

À moins que vous n'ayez des raisons de croire que le temps de survie d'un groupe est plus long ou plus court que celui d'un autre a priori , vous devriez utiliser les tests bilatéraux.

Le test de Dunn peut être effectué dans Stata en utilisant dunntest (type net describe dunntest, from(https://www.alexisdinno.com/stata)), et en R en utilisant le package dunn.test .

De plus, je me demande si vous pourriez adopter une approche d' analyse de survie pour évaluer si et quand un animal décède en fonction de conditions différentes?

^* Quelques tests post hoc en paires moins connus pour suivre un Kruskal-Wallis rejeté, incluent Conover-Iman (comme Dunn, mais basé sur la distribution t , plutôt que sur la distribution z , implémentée pour Stata dans le package le plus respectueux , et pour R dans le package conover.test ), et les tests Dwass-Steel-Citchlow-Fligner.

Une généralisation unificatrice de Kruskal-Wallis / Wilcoxon est le modèle de cotes proportionnelles, qui admet des contrastes généraux avec des intervalles de confiance ponctuels ou simultanés pour les rapports de cotes. Ceci est implémenté dans mes rmspackages ormet contrast.rmsfonctions R.

Vous pouvez également utiliser la différence critique après Conover ou la différence critique après Schaich et Hamerle. Le premier est plus libéral alors que le second est exact mais manque un peu de puissance. Les deux méthodes sont illustrées sur mon site Web brightstat.com et la webapp de brightstat vous permet également de calculer ces différences critiques et d'effectuer les tests post-hoc immédiatement. Kruskal-Wallis sur brightstat.com

Si vous utilisez SPSS, effectuez la correction Mann-Whitney post-hoc avec Bonferroni (valeur p divisée par le nombre de groupes).