MCNEMAR TEST:

McNemar testi, iki ilişkili grup arasında dikotomik bir bağımlı değişken üzerinde farklılıklar olup olmadığını belirlemek için kullanılır. Eşleştirilmiş örnek t testi ile benzer olduğu düşünülebilir, ancak sürekli bir bağımlı değişkene değil, dikotomik bir bağımlı değişkene sahiptir. İki’den fazla tekrarlayan dikotomik ölçümünüz varsa, Cochran’ın Q testini kullanabilirsiniz.

Ho: Öncesi ve sonrası oranlar arasında fark yoktur

Örnekler:

Bir patoloji uzmanına mideden alınan bir preparat gösteriliyor ve buna tanısnın ne olduğu soruluyor? Malign (kötü huylu) veya Benign (iyi huylu)? Daha sonra 1 hafta bir eğitim verildikten sonra aynı preparatlar tekrar gösterilip, aynı sorular soruluyor.

COCHRAN’S Q

Cochran’s Q testi, en az üç ilişkili grup arasında dikotomik bir bağımlı değişken üzerinde farklılıklar olup olmadığını belirlemek için kullanılır. Friedman testi/tekrarlayan ölçümlerde ANOVA ile benzer olduğu düşünülebilir, ancak sürekli bir bağımlı değişkene değil, dikotomik bir bağımlı değişkene sahiptir.

Ho: Bağımlı düzeyler arasında oranlar arasında fark yoktur

Örnekler:

Akciğer kanseri olan bir grup hastaya Kemoterapi verilmesi planlanıyor. kemoterapiden önce lenf bezi tutulumu (var/yok), Kemoterapinin hemen bitiminde ve kemoterapi bittikten 6 ay sonra bir daha bakılıyor.

MARJİNAL HOMOJENİTE TESTİ

MH testi, iki ilişkili grup arasında kategorik (>2 grup, j) bir bağımlı değişken üzerinde farklılıklar olup olmadığını belirlemek için kullanılır.

Ho: Bağımlı değişkenin her bir kategorisi,j, için öncesi ve sonrası oranlar arasında fark yoktur.

Örnekler:

Belli grup cerraha, eğitim vermeden ve eğitim verdikten sonra hangi ameliyat tekniğini (4 farklı ameliyat seçeneği var) seçecekleri soruluyor.

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