statistiques SPSS
sortie de l’utilisation de la méthode Kaplan-Meier dans les statistiques SPSS
les statistiques SPSS génèrent beaucoup de résultats pour la méthode Kaplan-Meier: les fonctions de survie et les tracés de censure, et un certain nombre de tableaux: les moyennes et médianes pour le temps de survie, le résumé du traitement des cas et les tableaux comparatifs globaux., Si vous avez des différences statistiquement significatives entre les fonctions de survie, vous devrez également interpréter le tableau de comparaisons par paires, vous permettant de déterminer où se situent les différences entre vos groupes. Dans les sections ci-dessous, nous nous concentrons sur le tableau des comparaisons globales, ainsi que sur le graphique des fonctions de survie.,
Remarque: Si vous n’êtes pas sûr de savoir comment interpréter et rapporter les statistiques descriptives de la moyenne et des médianes pour le temps de survie, ou les pourcentages du tableau récapitulatif du traitement des CAs, qui fait partie des tests d’hypothèses dont nous avons parlé dans la section hypothèses plus tôt, nous vous montrons comment procéder dans notre guide Kaplan-Meier amélioré. Si vous constatez des différences statistiquement significatives entre vos distributions de survie, nous expliquons également comment interpréter et signaler le tableau de comparaisons par paires., Vous devrez également exécuter des procédures supplémentaires dans les statistiques SPSS pour effectuer ces comparaisons par paires, car les 13 étapes de la procédure de Test dans la section Statistiques SPSS ci-dessus n’incluent pas la procédure pour les comparaisons par paires.
statistiques SPSS
Fonctions de survie
le premier et le meilleur endroit pour commencer à comprendre et interpréter vos résultats est généralement avec le graphique des fonctions de survie cumulatives pour les différents groupes du facteur entre sujets (c.-à-d., les trois groupes d’intervention: le « programme d’hypnothérapie », « le timbre à la nicotine » et l’utilisation de la « e-cigarette » groupes). Il s’agit d’un graphique de la proportion de survie cumulative par rapport au temps pour chaque groupe d’intervention et est étiqueté graphique des fonctions de survie dans les statistiques SPSS. Ce graphique est illustré ci-dessous:
publié avec l’autorisation écrite de SPSS Statistics, IBM Corporation.
le graphique ci-dessus vous aidera à comprendre comment les distributions de survie se comparent entre les groupes., Une fonction utile du graphique est d’illustrer si les courbes de survie se croisent (c’est-à-dire s’il existe une « interaction » entre les distributions de survie). Cela a des implications sur la puissance des tests statistiques pour détecter les différences entre les distributions de survie. En outre, vous devez décider si les courbes de survie ont la même forme, même si elles sont au-dessus ou au-dessous l’une de l’autre. Cela a des implications pour le choix du test statistique utilisé pour analyser les résultats de la méthode de Kaplan-Meier (c.-à-d.,, que vous utilisiez le test log rank, le test de Breslow ou le test Tarone-Ware, comme discuté plus loin).
l ‘ « événement » qui vous intéresse est généralement considéré comme délétère (p. ex. échec ou décès). Par conséquent, ce n’est pas quelque chose que vous voulez se produire. Toutes choses étant égales par ailleurs (p. ex., la censure des cas), plus il y a d’événements, plus la proportion de survie cumulative est faible et plus la courbe de survie sur le graphique est basse (c.-à-D. sur l’axe des y)., En tant que telle, une courbe de survie de groupe qui apparaît « au-dessus » de la courbe de survie d’un autre groupe est généralement considérée comme démontrant un effet bénéfique/avantageux.
Nous pouvons voir à partir de notre graphique que la proportion de survie cumulative semble être beaucoup plus élevée dans le groupe hypnothérapie par rapport aux groupes patch à la nicotine et E-cigarette, qui ne semblent pas différer considérablement (bien que l’intervention patch à la nicotine semble avoir un petit avantage sur la survie; c’est-à-dire moins de participants, Il semblerait que le programme d’hypnothérapie prolonge considérablement le temps jusqu’à ce que les participants reprennent le tabagisme (c’est-à-dire l’événement) par rapport aux autres interventions. Cependant, si nous examinons la dernière proportion de survie cumulative des courbes, nous pouvons voir que la proportion de participants qui n’avaient pas repris le tabac à la fin de l’étude ne semble pas si différente entre les groupes d’intervention (environ 10%). Nous examinerons plus tard si ces courbes de survie sont statistiquement significativement différentes.,
Remarque: Après avoir inspecté le diagramme de survie cumulatif dans la section précédente, il est judicieux de regarder les éléments descriptifs de vos résultats en utilisant le tableau des moyennes et médianes pour le temps de survie. Cela aidera à clarifier les différents temps de survie pour vos groupes. Pour ce faire, vous devez interpréter les valeurs médianes et leurs intervalles de confiance à 95%. Vous pouvez également tracer les temps de survie médians des groupes au-dessus du diagramme de survie illustré ci-dessus., Dans notre guide Kaplan-Meier amélioré, nous expliquons comment interpréter et rapporter les statistiques SPSS produites à partir du tableau des moyennes et médianes pour le temps de survie.
statistiques SPSS
choisir entre les tests statistiques: le test log rank, le test de Breslow et le test Tarone-Ware
Il existe trois tests statistiques qui peuvent être sélectionnés dans les statistiques SPSS qui testent si les fonctions de survie sont égales., Il s’agit du test log rank (Mantel, 1966), du test Breslow (Breslow, 1970; Gehan, 1965) et du test Tarone-Ware (Tarone & Ware, 1977), que nous avons tous sélectionnés pour être produits dans la procédure de Test dans la section Statistiques SPSS ci-dessus. Ces trois tests sont présentés dans le tableau comparatif global, comme indiqué ci-dessous:
publié avec l’autorisation écrite de SPSS Statistics, IBM Corporation.
Les Trois tests comparent une différence pondérée entre le nombre d’événements observés (c.-à-d.,, la reprise du tabagisme) et le nombre d’événements attendus à chaque point de temps, mais diffèrent dans la façon dont ils calculent le poids. Nous discutons des différences entre ces trois tests statistiques et quel test choisir dans notre guide Kaplan-Meier amélioré.
Il est assez courant de constater que les trois tests vous mèneront à la même conclusion (c.-à-d.,, ils rejetteront tous l’hypothèse nulle ou ils ne le feront pas tous), mais le test que vous choisissez devrait dépendre de la façon dont vous vous attendez à ce que les distributions de survie diffèrent afin de tirer le meilleur parti des différentes pondérations que chaque test attribue aux points temporels (c.-à-d., augmenter la puissance statistique). Malheureusement, vous ne pouvez pas compter sur un meilleur test – cela dépendra de vos données. Si vous choisissez l’approche consistant à choisir un test particulier, vous devrez le faire avant d’analyser vos données., Vous ne devriez pas les exécuter tous, puis simplement choisir celui qui a la » meilleure » valeur p pour votre étude (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
Dans notre exemple, le test de classement de journal est le plus approprié, nous discutons les résultats de ce test dans la section suivante.,
statistiques SPSS
comparaison des interventions
Pour utiliser le test log rank, vous devez interpréter la ligne « Log Rank (Mantel-Cox) » dans le tableau des comparaisons globales, comme indiqué ci-dessous:
ociété. Le test de rang logarithmique teste l’hypothèse nulle selon laquelle il n’y a pas de différence dans les distributions de survie globale entre les groupes (p. ex., les groupes d’intervention) de la population., Pour tester cette hypothèse nulle, le test de rang log calcule une statistique χ2 (la colonne » Chi-carré »), qui est comparée à une distribution χ2 à deux degrés de liberté (la colonne » df »). Afin de déterminer si les distributions de survie sont statistiquement significativement différentes, vous devez consulter le « Sig. »colonne qui contient la valeur p pour ce test. Vous pouvez voir que la valeur de signification de ce test est .000. Cela ne signifie pas que p = .000, mais que p < .0005., Si vous voulez connaître la valeur p réelle, vous pouvez double-cliquer sur le tableau et passer votre souris sur la valeur p pertinente, comme indiqué ci-dessous:
publié avec l’autorisation écrite de SPSS Statistics, IBM Corporation.
Vous pouvez maintenant voir que la valeur de p est réellement .000002 (i.e., p = .000002). La raison pour laquelle il apparaît initialement que p = .000 selon le résultat n’étant indiqué dans le tableau à 3 décimales., Cependant, il est rare que vous citiez une si petite valeur p, Vous pouvez donc simplement indiquer que p < .0005.
Si p < .05, vous avez un résultat statistiquement significatif et pouvez conclure que les distributions de survie des différents types d’intervention ne sont pas égales dans la population (c.-à-d. qu’elles ne sont pas toutes les mêmes). D’autre part, si p > .05, vous n’avez pas de résultat statistiquement significatif et ne pouvez pas conclure que les distributions de survie sont différentes dans la population (c.-à-d., ils sont tous les mêmes/égalité). Dans cet exemple, puisque p = .000002, nous avons un résultat statistiquement significatif. Autrement dit, les distributions de survie sont différentes dans la population.
Remarque: Si vous constatez des différences statistiquement significatives entre vos distributions de survie, comme nous le faisons dans notre exemple, vous devez maintenant interpréter et rapporter les résultats du tableau de comparaisons par paires. Le tableau des comparaisons par paires n’est pas produit automatiquement en utilisant les 13 étapes de la procédure d’essai dans la section Statistiques SPSS ci-dessus., Au lieu de cela, vous devrez exécuter des étapes supplémentaires dans les statistiques SPSS, que nous vous montrons dans notre guide Kaplan-Meier amélioré. Vous pouvez accéder au guide Kaplan-Meier amélioré en vous abonnant aux statistiques de Laerd.