The potential for more robust inference using multiple statistics by combining p-values via permutations

Abstract

Statistical inference in randomized experiments is usually based on one single test statistic considered as optimal for testing a hypothesis. Several methods that combine multiple tests for the same hypothesis instead of a single pre-specified test have been proposed in the past, suggesting greater statistical power. This thesis aims to implement and test the results of one method that uses multiple p-values from different models via permutations to test the effect of treatment in randomized clinical trials. Simulations and real datasets will be used for this purpose.

Η στατιστική συμπερασματολογία στα τυχαιοποιημένα πειράματα βασίζεται συχνά σε μία μοναδική στατιστική δοκιμασία η οποία θεωρείται βέλτιστη για τον έλεγχο μιας υπόθεσης. Έχουν προταθεί στο παρελθόν αρκετές μέθοδοι που συνδυάζουν πολλαπλά στατιστικά τεστ για τον έλεγχο της ίδιας υπόθεσης αντί για τη χρήση ενός προκαθορισμένου τεστ, οι οποίες υποδεικνύουν μεγαλύτερη στατιστική ισχύ. Στόχος αυτής της εργασίας είναι η εφαρμογή μίας εκ των προαναφερθεισών μεθόδων και ο έλεγχος των αποτελεσμάτων της. H μέθοδος αυτή βασίζεται στη χρήση πολλαπλών p-values, παραγόμενα με τη μέθοδο της αντιμετάθεσης, από διαφορετικά μοντέλα που ελέγχουν την επίδραση διαφορετικών θεραπειών σε τυχαιοποιημένες κλινικές δοκιμές. Προσομοιώσεις και πραγματικά δεδομένα θα χρησιμοποιηθούν για τον σκοπό αυτό.