Basal statistik. 30. oktober 2007
|
|
- Per Jespersen
- 5 år siden
- Visninger:
Transkript
1 Basal statistik 30. oktober 2007
2 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Kovariansanalyse Parametriseringer
3 Lene Theil Skovgaard, Biostatistisk Afdeling Institut for Folkesundhedsvidenskab, Københavns Universitet
4 Den generelle lineære model, oktober Multipel regressionsanalyse (Repetition) Generel form: Y = β 0 + β 1 x β k x k + ǫ Ide: x erne kan være hvadsomhelst! De behøver ikke være kvantitative (højde, vægt...) Begrebet lineær model dækker over en model der kan skrives op som ovenfor med hvad som helst som x er. SAS Analyst: Statistics/ANOVA/Linear models
5 Den generelle lineære model, oktober Eksempel: Ensidet varians-analyse Identifikation af k grupper vha dummy variable: x 1 er 1 hvis person er i første gruppe og 0 ellers x 2 er 1 hvis person er i anden gruppe og 0 ellers. x k 1 er 1 hvis person er i k-1 gruppe og 0 ellers model: Y = β 0 + β 1 x β k 1 x k 1 + ǫ Med denne kodning vil β 0 svare til niveau for k te gruppe; β 1 er forskel i niveau mellem første og k te gruppe; β 2 er forskel i niveau mellem anden og k te gruppe; osv...
6 Den generelle lineære model, oktober Ensidet variansanalyse i SAS Det er netop den kodning der bruges i SAS, når gruppe-variabel angives som kategorisk ( Statistics/Anova/Linear Models/Class ). Standard Parameter Estimate Error t Value Pr > t Intercept B <.0001 Traening Aktiv B Traening Ingen B Traening Kontrol B Traening Passiv B... SAS output fra den velkendte øvelsesopgave Alder ved gang Bemærk: Ved omkodning af gruppe niveauer kan man få en vilkårlig forskel frem!
7 Den generelle lineære model, oktober Eksempel: Tosidet varians-analyse uden interaktion k 1 k 2 grupper, identificeret ved to Class-variable med hhv k 1 og k 2 niveauer: x (1) i z (2) j er 1 hvis person antager i te level af første variabel og 0 ellers er 1 hvis person antager j te level af anden variabel og 0 ellers Model: Y = µ + α 1 x (1) α k1 1x (1) k β 1z (2) β k2 1z (2) k ǫ. µ svarer til niveau for gruppe med k 1 te level hhv k 2 te level af første hhv anden variabel; α i er forskel i niveau mellem personer med hhv i te level og k 1 te level af første variabel; β j er forskel i niveau mellem personer med hhv j te level og k 2 te level af anden variabel.
8 Den generelle lineære model, oktober Tosidet variansanalyse uden interaktion i SAS Igen er det den kodning der bruges i SAS, når variable angives som kategoriske ( Statistics/Anova/Linear Models/Class ). Standard Parameter Estimate Error t Value Pr > t Intercept B <.0001 abstid B abstid B abstid B... sas_ansat ja B sas_ansat ne B... SAS output fra den velkendte øvelsesopgave Sædkvalitet
9 Den generelle lineære model, oktober Eksempel: Tosidet variansanalyse med interaktion Ekstra dummy variabel Model: vi,j = x (1) i z (2) j Y =µ + α 1 x (1) α k1 1x (1) k β 1z (2) β k2 1z (2) k γ 1 v 1,1 + + γ (k1 1) (k 2 1)v k 1 1,k ǫ. γ erne er den del af forskel i niveau mellem personer der kan tilskrives synergi-effekten mellem variabel 1 og 2. I epidemiologiske termer: Variabel 1 modificerer effekten af variabel 2. Bemærk: Når der er interaktion, giver det ikke længere mening at tolke α er og β er som overall forskelle i niveauer!
10 Den generelle lineære model, oktober Tosidet variansanalyse med interaktion i SAS Igen er det den kodning der bruges i SAS, når variable angives som kategoriske ( Statistics/Anova/Linear Models/Class ) og vekselvirkning inkluderes ( Statistics/Anova/Linear Models/Model/Cross ). Standard Parameter Estimate Error t Value Pr > t Intercept B <.0001 sas_ansat ja B sas_ansat ne B... abstid B abstid B abstid B...
11 Den generelle lineære model, oktober sas_ansat*abstid ja B sas_ansat*abstid ja B sas_ansat*abstid ja B... sas_ansat*abstid ne B... sas_ansat*abstid ne B... sas_ansat*abstid ne B... Source DF Type I SS Mean Square F Value Pr > F sas_ansat abstid sas_ansat*abstid Source DF Type III SS Mean Square F Value Pr > F sas_ansat abstid sas_ansat*abstid
12 Den generelle lineære model, oktober Generelt: Mere parametrisering µ ij = µ + α i + β j + γ ij. I eksempel ovenfor: Niveau for sas ansat ne med abstid 1 = ( 0.753), Niveau for sas ansat ne med abstid 2 = ( 0.244), Niveau for sas ansat ne med abstid 3 = 4.468, Niveau for sas ansat ja med abstid 1 = ( 0.493) + ( 0.753) , Niveau for sas ansat ja med abstid 2 = ( 0.493) + ( 0.244) + ( 0.121), Niveau for sas ansat ja med abstid 3 = ( 0.493).
13 Den generelle lineære model, oktober Men: Outcome var jo logaritmetransformeret! Vi skal transformere tilbage: Frem med log, tilbage med exp sas_ansat abstid på log-skala tilbagetransformeret 1: kort nej 2: mellem : lang : kort ja 2: mellem : lang
14 Den generelle lineære model, oktober Sådan ser de fittede værdier (ŷ) ud rent grafisk
15 Den generelle lineære model, oktober Tænkt eksempel på vekselvirkning (interaktion): To inddelingskriterier: køn og rygestatus Outcome: FEV 1 Effekten af rygning afhænger af køn Forskellen på kønnene afhænger af rygestatus
16 Den generelle lineære model, oktober Mulige forklaringer: biologisk forskel på effekt af rygning holder vist ikke i praksis, men eksemplet er jo også blot tænkt måske ryger kvinderne ikke helt så meget antal pakkeår confounder for køn måske virker rygningen som en relativ (%-vis) nedsættelse af FEV 1 kunne undersøges ved en longitudinel undersøgelse
17 Den generelle lineære model, oktober Eksempel: Rygnings effekt på fødselsvægt
18 Den generelle lineære model, oktober Interaktion/vekselvirkning mellem mængden og varigheden af rygningen Der er effekt af mængden, men kun hvis man har røget længe. Der er effekt af varigheden, og denne effekt øges med mængden. Effekten af mængden afhænger af... og effekten af varigheden afhænger af...
19 Den generelle lineære model, oktober Modelreduktion - kvadratsummer Når man arbejder med mere komplicerede lineære modeller (f.eks. Class-variable med mere end 2 niveauer), så er det ikke tilstrækkeligt at lave t test på regressionskoefficienter. I stedet bruges F test til sammenligning af kvadratsummer. Modelkvadratsum i (ŷ i ȳ) 2 Forklaret variation: Hvor meget varierer de predikterede værdier? (stort er godt, men pas på fortolkningen af selve størrelsen!) Residualkvadratsum i (y i ŷ i ) 2 Tilbageblevet variation: Hvor store er modelafvigelserne? (småt er godt)
20 Den generelle lineære model, oktober Skematiseret= Variansanalysetabel DF Model k Residual n k 1 Total n 1 Sum Sq i (ŷ i ȳ) 2 i (y i ŷ i ) 2 i (y i ȳ) 2 Mean Sq = Sum Sq/DF F = Mean Sq(Model) Mean Sq(Residual) Sædkoncentration, 6 grupper: oeko*abstinenstid Sum of Source DF Squares Mean Square F Value Pr > F Model Error Corrected Total
21 Den generelle lineære model, oktober Modelreduktion - F test Vi skal sammenligne to modeller: Kan vi nøjes med at bruge den simpleste af dem? NB: Modellerne skal være nestede, dvs. den ene fremkommer af den anden, typisk ved at sætte parametre til nul ( fjerne effekter ). Se på ændring i kvadratsum. Hvor meget mindre forklares af den simplere model? Sum Sq = Sum Sq(Model 1 ) Sum Sq(Model 2 ) Sum Sq > 0, altid (flere parametre kan forklare mere variation). Hvor stor må den blive? F = Mean Sq Mean Sq(Residual) Mean Sq = Sum Sq/ DF
22 Den generelle lineære model, oktober Variansanalysetabel Source DF Type I SS Mean Square F Value Pr > F sas_ansat abstid sas_ansat*abstid Source DF Type III SS Mean Square F Value Pr > F sas_ansat abstid sas_ansat*abstid Bemærk at der er 2 slags kvadratsummer! (I virkeligheden er der 4...) Brug altid Type III og test kun en relevant virkning af gangen (ingen hovedvirkninger, der indgår i vekselvirkninger!). Hvis reduceret model accepteres, lav da ny analyse for denne model.
23 Den generelle lineære model, oktober Fittede værdier (ŷ) i den reducerede model uden interaktion
24 Den generelle lineære model, oktober Et nyt begreb: Kovariansanalyse er blot en betegnelse for en (generel) lineær model med netop en gruppering (Class-variabel) og en kvantitativ variabel. Formålet kan være at fjerne bias eller at øge styrken i undersøgelsen. Bias ved sammenligning af grupper Forekommer, hvis der er forskel på fordelingen af en betydningsfuld kovariat i to grupper Eksempel: Sammenligning af lungefunktion hos mænd og kvinder de er jo ikke lige høje
25 Den generelle lineære model, oktober Metoder til at undgå bias Matchning. Dvs. udvælge individer, således at de er nogenlunde ens med hensyn til de vigtige forstyrrende kovariater. (Dette kan gøres parvist eller i større grupper) Randomisering. Dvs. trække lod om behandling (gruppe) NB: Dette kan naturligvis kun lade sig gøre, hvis grupperne er noget, man selv bestemmer over. Men læg mærke til følgende: Selv om fordelingen af kovariater er ens i de to grupper, kan det være af stor betydning at medtage dem i analysen. Det giver større styrke!
26 Den generelle lineære model, oktober Eksempel om lungekapacitet, TLC 32 patienter skal have foretaget hjerte/lunge transplantation TLC (Total Lung Capacity) bestemmes ved hjælp af helkrops plethysmografi Er der forskel på mænd og kvinder? OBS SEX AGE HEIGHT TLC 1 F F M M M M
27 Den generelle lineære model, oktober Box plots til sammenligning af kønnene: Tydelig kønsforskel for såvel TLC som HEIGHT
28 Den generelle lineære model, oktober Marginale sammenligninger (t-tests) Variable: TLC SEX N Mean Std Dev Std Error F M Variances T DF Prob> T Unequal Equal For H0: Variances are equal, F = 1.22 DF = (15,15) Prob>F = Variable: HEIGHT SEX N Mean Std Dev Std Error F M Variances T DF Prob> T Unequal Equal For H0: Variances are equal, F = 1.30 DF = (15,15) Prob>F =
29 Den generelle lineære model, oktober Relation mellem tlc og height: Kan højdeforskellen alene forklare forskellen i lungekapacitet?
30 Den generelle lineære model, oktober Kovariansanalyse Sammenligning af parallelle regressionslinier Model: y gi = α g + βx gi + ǫ gi g = 1, 2; i = 1,...,n g Hvad sker der, hvis vi glemmer x i modellen? 1. Bias. Hvis x 1 x 2, bliver forskellen forkert vurderet. 2. Inefficiens. Selv om x 1 = x 2, mister vi styrke (spredning for stor).
31 Den generelle lineære model, oktober Illustration af kovariansanalyse
32 Den generelle lineære model, oktober Bemærk: Selv om fordelingen af kovariater er ens i de to grupper, kan det være af stor betydning at medtage dem i analysen. Det giver større styrke! Uden x i modellen: Ingen særlig forskel på grupperne Med x i modellen: Tydelig forskel på grupperne
33 Den generelle lineære model, oktober Vekselvirkning Hvem siger, at linierne nødvendigvis skal være parallelle? Mere generel model: y gi = α g + β g x gi + ǫ gi g = 1,2; i = 1,...,n g Når β 1 β 2, siger vi, at der er vekselvirkning, eller interaktion. Det betyder: Effekten af højde afhænger af kønnet Forskellen på kønnene afhænger af højden Her kan man ikke udtale sig om en generel effekt af højde eller køn.
34 Den generelle lineære model, oktober Relation mellem tlc og height:
35 Den generelle lineære model, oktober I forsøg på at skaffe varianshomogenitet, logaritmerer vi tlc... men det hjælper ikke rigtigt...
36 Den generelle lineære model, oktober Specifikation af model Model med vekselvirkning: I SAS Analyst: Statistics/ANOVA/Linear models indsætte height som kvantitativ variabel indsætte sex som kategorisk (Class-variabel) Under Model-knap kan man indsætte cross -led
37 Den generelle lineære model, oktober Output Dependent Variable: ltlc Sum of Source DF Squares Mean Square F Value Pr > F Model <.0001 Error Corrected Total R-Square Coeff Var Root MSE ltlc Mean Source DF Type I SS Mean Square F Value Pr > F sex height height*sex
38 Den generelle lineære model, oktober Source DF Type III SS Mean Square F Value Pr > F sex height height*sex Standard Parameter Estimate Error t Value Pr > t Intercept B sex F B sex M B... height B height*sex F B height*sex M B...
39 Den generelle lineære model, oktober Omregning til de to linier: Linie for mænd: log10(lung capacity) = height Linie for kvinder: log10(lung capacity) = ( 0.281) + ( ) height = height
40 Den generelle lineære model, oktober SAS-udregning af de to linier Bibehold interaktionen sex*height Udelad den marginale effekt height Udelad intercept (under Model) Output: Dependent Variable: ltlc Sum of Source DF Squares Mean Square F Value Pr > F Model <.0001 Error Uncorrected Total
41 Den generelle lineære model, oktober Source DF Type III SS Mean Square F Value Pr > F sex height*sex Standard Parameter Estimate Error t Value Pr > t sex F sex M height*sex F height*sex M
42 Den generelle lineære model, oktober Modelreduktion Vi kunne ikke se nogen vekselvirkning og udelader den af modellen Dependent Variable: ltlc Sum of Mean Source DF Squares Square F Value Pr > F Model Error Corrected Total R-Square C.V. Root MSE LTLC Mean Source DF Type I SS Mean Square F Value Pr > F sex height
43 Den generelle lineære model, oktober Source DF Type III SS Mean Square F Value Pr > F sex height Standard Parameter Estimate Error t Value Pr > t Intercept B sex F B sex M B... height Bemærk: Nu er kønseffekten forsvundet!
44 Den generelle lineære model, oktober I dette eksempel så vi Fortolkning Den observerede forskel i (log 10 ) lungekapacitet mellem mænd og kvinder kan tilskrives højdeforskellen mellem kønnene. Der kan dog stadig være en kønsforskel op til ± = ( 0.030,0.114), svarende til intervallet (0.933, 1.300) for ratio en, dvs. op til en 30% øget lungefunktion hos mænd
45 Den generelle lineære model, oktober Det kan også forekomme, at Tilsyneladende ens grupper (f.eks. blodtryk hos mænd og kvinder) udviser forskelle, når der bliver korrigeret for inhomogeniteter (f.eks. fedmegrad) Man skal huske alle variable med potentiel betydning for outcome!
46 Den generelle lineære model, oktober Husk modelkontrol, f.eks:
47 Den generelle lineære model, oktober Tænkt eksempel på relaterede kovariater (confounding): Kolesterol vs. chokoladespisning og køn... Kolesterol og chokoladespisning er positivt relaterede for hvert køn separat negativt relaterede for mennesker Ingen særlig kønsforskel i kolesterol og dog...
48 Den generelle lineære model, oktober Eksempel: Fedmegrad og blodtryk obese: vægt/idealvægt bp: systolisk blodtryk OBS SEX OBESE BP 1 male male male male female female
49 Den generelle lineære model, oktober Marginale sammenligninger af kønnene (t-tests): Først outcome, logaritmeret blodtryk, lbp Statistics Lower CL Upper CL Lower CL Variable sex N Mean Mean Mean Std Dev Std Dev lbp female lbp male lbp Diff (1-2) T-Tests Variable Method Variances DF t Value Pr > t lbp Pooled Equal lbp Satterthwaite Unequal Equality of Variances Variable Method Num DF Den DF F Value Pr > F lbp Folded F Vi ser ikke nogen udtalt forskel på mænd og kvinder.
50 Den generelle lineære model, oktober og så kovariaten, logaritmeret fedmegrad, lobese Statistics Lower CL Upper CL Lower CL Variable sex N Mean Mean Mean Std Dev Std Dev lobese female lobese male lobese Diff (1-2) T-Tests Variable Method Variances DF t Value Pr > t lobese Pooled Equal <.0001 lobese Satterthwaite Unequal <.0001 Equality of Variances Variable Method Num DF Den DF F Value Pr > F lobese Folded F Her ses en oplagt forskel i fedmegrad for mænd og kvinder, så hvis fedmegrad også hænger sammen med blodtryk...
51 Den generelle lineære model, oktober Og det gør den, i hvert fald for kvinder: sex=female The CORR Procedure 2 Variables: bp obese sex=male The CORR Procedure 2 Variables: bp obese Spearman Correlation Coefficients, N = 58 Prob > r under H0: Rho=0 Spearman Correlation Coefficients, N = 44 Prob > r under H0: Rho=0 bp obese bp obese bp <.0001 obese <.0001 bp obese
52 Den generelle lineære model, oktober Model med vekselvirkning: Dependent Variable: lbp Sum of Source DF Squares Mean Square F Value Pr > F Model Error Corrected Total R-Square Coeff Var Root MSE lbp Mean Source DF Type I SS Mean Square F Value Pr > F lobese sex lobese*sex
53 Den generelle lineære model, oktober Source DF Type III SS Mean Square F Value Pr > F lobese sex lobese*sex Standard Parameter Estimate Error t Value Pr > t Intercept B <.0001 lobese B sex female B sex male B... lobese*sex female B lobese*sex male B... Ingen tydelig vekselvirkning, vi udelader den.
54 Den generelle lineære model, oktober Model uden vekselvirkning (parallelle linier): Dependent Variable: lbp Sum of Source DF Squares Mean Square F Value Pr > F Model Error Corrected Total R-Square Coeff Var Root MSE lbp Mean Source DF Type I SS Mean Square F Value Pr > F lobese sex
55 Den generelle lineære model, oktober Source DF Type III SS Mean Square F Value Pr > F lobese <.0001 sex Standard Parameter Estimate Error t Value Pr > t Intercept B <.0001 lobese <.0001 sex female B sex male B... Så kom der pludselig en rimeligt tydelig kønsforskel!!
56 Den generelle lineære model, oktober Illustration af blodtryk vs. fedmegrad
57 Den generelle lineære model, oktober Outcome= Forklarende variable = Kovariater Respons Dikotom Kategorisk Kategoriske og kontinuerte Dikotom Ordinal ikke basalt odds ratio er, prediktion af sandsynlighed for event 2*2-tabeller 2*k-tabeller Logistisk regression odds ratio er, prediktion af sandsynligheder for f.eks. stadier f.eks. proportional odds modeller Kvantitativ forskelle i niveau for behandlinger, køn etc. med Normalf. parret/uparret ensidet/tosidet Multipel regression residualer T-test Variansanalyse Kovariansanalyse uden Normalf. desværre kun let at teste, dvs. ingen estimater residualer Mann-Whitney Kruskal-Wallis Robust multipel ikke alt basalt Wilcoxon signed rank Friedman regression Censureret hazard ratio er, effekt på dødsintensiteter ikke basalt Log-rank test Cox regression Multi-level struktur af tidsforløb, forskel på behandlingsgrupper ikke basalt Varianskomponentmodeller Modeller for gentagne målinger
Basal statistik. 30. oktober Den generelle lineære model
Basal statistik 30. oktober 2007 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Kovariansanalyse Parametriseringer Lene Theil Skovgaard, Biostatistisk Afdeling
Læs mereBasal statistik. 21. oktober 2008
Basal statistik 21. oktober 2008 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Parametriseringer Kovariansanalyse Esben Budtz-Jørgensen, Biostatistisk Afdeling
Læs mereBasal statistik. Logaritmer og kovariansanalyse. Nyt eksempel vedr. sammenligning af målemetoder. Scatter plot af de to metoder
Faculty of Health Sciences Logaritmer og kovariansanalyse Basal statistik Logaritmer. Kovariansanalyse Lene Theil Skovgaard 29. september 2015 Parret sammenligning, målemetoder med logaritmer Tosidet variansanalyse
Læs mereFaculty of Health Sciences. Basal statistik. Logaritmer. Kovariansanalyse. Lene Theil Skovgaard. 29. september 2015
Faculty of Health Sciences Basal statistik Logaritmer. Kovariansanalyse Lene Theil Skovgaard 29. september 2015 1 / 84 Logaritmer og kovariansanalyse Parret sammenligning, målemetoder med logaritmer Tosidet
Læs mereLineær regression. Simpel regression. Model. ofte bruges følgende notation:
Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til
Læs mereMultipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model
Multipel regression M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Y j 1 X 1j 2 X 2j... m X mj j eller m Y j 0 i 1 i X ij j BEMÆRK! j svarer til individ
Læs mereBesvarelse af vitcap -opgaven
Besvarelse af -opgaven Spørgsmål 1 Indlæs data Dette gøres fra Analyst med File/Open, som sædvanlig. Spørgsmål 2 Beskriv fordelingen af vital capacity og i de 3 grupper ved hjælp af summary statistics.
Læs mereBesvarelse af juul2 -opgaven
Besvarelse af juul2 -opgaven Spørgsmål 1 Indlæs data Dette gøres fra Analyst med File/Open, som sædvanlig. Spørgsmål 2 Lav regressionsanalyser for hvert køn af igf1 vs. alder for præpubertale (Tanner stadium
Læs mereOpgaver til ZAR II. Afdeling for Anvendt Matematik og Statistik Michael Sørensen Oktober Opgave 1
Københavns Universitet Afdeling for Anvendt Matematik og Statistik Statistik for biokemikere Inge Henningsen Michael Sørensen Oktober 2003 Opgaver til ZAR II Opgave 1 Et datasæt består af 20 observationer.
Læs mereEksamen i Statistik for Biokemikere, Blok januar 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Eksamen i Statistik for Biokemikere, Blok 2 2008 09 19. januar 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet
Læs mereGenerelle lineære modeller
Generelle lineære modeller Regressionsmodeller med én uafhængig intervalskala variabel: Y en eller flere uafhængige variable: X 1,..,X k Den betingede fordeling af Y givet X 1,..,X k antages at være normal
Læs mereDet kunne godt se ud til at ikke-rygere er ældre. Spredningen ser ud til at være nogenlunde ens i de to grupper.
1. Indlæs data. * HUSK at angive din egen placering af filen; data framing; infile '/home/sro00/mph2016/framing.txt' firstobs=2; input id sex age frw sbp sbp10 dbp chol cig chd yrschd death yrsdth cause;
Læs mereLineær regression i SAS. Lineær regression i SAS p.1/20
Lineær regression i SAS Lineær regression i SAS p.1/20 Lineær regression i SAS Simpel lineær regression Grafisk modelkontrol Multipel lineær regression SAS-procedurer: PROC REG PROC GPLOT Lineær regression
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs mereLineær og logistisk regression
Faculty of Health Sciences Lineær og logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Dagens program Lineær regression
Læs mereModul 11: Simpel lineær regression
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 11: Simpel lineær regression 11.1 Regression uden gentagelser............................. 1 11.1.1 Oversigt....................................
Læs mereReeksamen i Statistik for Biokemikere 6. april 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for Biokemikere 6. april 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet er på
Læs mereCLASS temp medie; MODEL rate=temp medie/solution; RUN;
Ugeopgave 2.1 Bakterieprøver fra patienter transporteres ofte til laboratoriet ved stuetemperatur samt mere eller mindre udsat for luftens ilt. Dette er især uheldigt for prøver som indeholder anaerobe
Læs mereOverlevelse efter AMI. Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Køn og alder betragtes som confoundere.
Overlevelse efter AMI Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Diabetes VF (Venticular fibrillation) WMI (Wall motion index) CHF (Cardiac Heart Failure) Køn og alder betragtes
Læs mereOpgavebesvarelse, Basalkursus, uge 2
Opgavebesvarelse, Basalkursus, uge 2 Opgave 1. Filen "space.txt" fra hjemmesiden ser således ud: salt pre post 1 71 61 1 65 59 1 52 47 1 68 65......... 0 52 77 0 54 80 0 52 79 Data indlæses i 3 kolonner,
Læs mereMPH specialmodul Epidemiologi og Biostatistik
MPH specialmodul Epidemiologi og Biostatistik Kvantitative udfaldsvariable 23. maj 2011 www.biostat.ku.dk/~sr/mphspec11 Susanne Rosthøj (Per Kragh Andersen) 1 Kapitelhenvisninger Andersen & Skovgaard:
Læs mereØvelser til basalkursus, 5. uge. Opgavebesvarelse: Knogledensitet hos unge piger
Øvelser til basalkursus, 5. uge Opgavebesvarelse: Knogledensitet hos unge piger I alt 112 piger har fået målt knogledensitet (bone mineral density, bmd) i 11-års alderen (baseline værdi). Pigerne er herefter
Læs mereBesvarelse af opgave om Vital Capacity
Besvarelse af opgave om Vital Capacity hentet fra P. Armitage & G. Berry: Statistical methods in medical research. 2nd ed. Blackwell, 1987. Spørgsmål 1: Indlæs data og konstruer en faktor (klassevariabel)
Læs mereStatistik og Sandsynlighedsregning 2. IH kapitel 12. Overheads til forelæsninger, mandag 6. uge
Statistik og Sandsynlighedsregning 2 IH kapitel 12 Overheads til forelæsninger, mandag 6. uge 1 Fordelingen af én (1): Regressionsanalyse udfaldsvariabel responsvariabel afhængig variabel Y variabel 2
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
Læs mereMultipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression
Multipel Linear Regression Repetition Partiel F-test Modelsøgning Logistisk Regression Test for en eller alle parametre I jagten på en god statistisk model har vi set på følgende to hypoteser og tilhørende
Læs mereVejledende besvarelse af hjemmeopgave i Basal statistik for lægevidenskabelige forskere, forår 2013
Vejledende besvarelse af hjemmeopgave i Basal statistik for lægevidenskabelige forskere, forår 2013 I forbindelse med reagensglasbehandling blev 100 par randomiseret til to forskellige former for hormonstimulation.
Læs mereØvelser til basalkursus, 5. uge. Opgavebesvarelse: Knogledensitet hos unge piger
Øvelser til basalkursus, 5. uge Opgavebesvarelse: Knogledensitet hos unge piger I alt 112 piger har fået målt knogledensitet (bone mineral density, bmd) i 11-års alderen (baseline værdi). Pigerne er herefter
Læs mereRegressionsanalyse i SAS
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Inge Henningsen Afdeling for Anvendt Matematik og Statistik December 2006 Regressionsanalyse uden gentagelser Regressionsanalyse
Læs mereHypoteser om mere end to stikprøver ANOVA. k stikprøver: (ikke ordinale eller højere) gælder også for k 2! : i j
Hypoteser om mere end to stikprøver ANOVA k stikprøver: (ikke ordinale eller højere) H 0 : 1 2... k gælder også for k 2! H 0ij : i j H 0ij : i j simpelt forslag: k k 1 2 t-tests: i j DUER IKKE! Bonferroni!!
Læs mereVejledende besvarelse af hjemmeopgave i Basal Statistik, forår 2014
Vejledende besvarelse af hjemmeopgave i Basal Statistik, forår 2014 Garvey et al. interesserer sig for sammenhængen mellem anæstesi og allergiske reaktioner (se f.eks. nedenstående reference, der dog ikke
Læs mereEn Introduktion til SAS. Kapitel 5.
En Introduktion til SAS. Kapitel 5. Inge Henningsen Afdeling for Statistik og Operationsanalyse Københavns Universitet Marts 2005 6. udgave Kapitel 5 T-test og PROC UNIVARIATE 5.1 Indledning Dette kapitel
Læs mereβ = SDD xt SSD t σ 2 s 2 02 = SSD 02 f 02 i=1
Lineær regression Lad x 1,..., x n være udfald af stokastiske variable X 1,..., X n og betragt modellen M 2 : X i N(α + βt i, σ 2 ) hvor t i, i = 1,..., n, er kendte tal. Konkret analyseres (en del af)
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Eksamensopgave E05. Socialklasse og kronisk sygdom
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Eksamensopgave E05 Socialklasse og kronisk sygdom Data: Tværsnitsundersøgelse fra 1986 Datamaterialet indeholder: Køn, alder, Højest opnåede
Læs mereEpidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april
Århus 8. april 2011 Morten Frydenberg Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april Opgave 1 ( gruppe 1: sp 1-4, gruppe 5: sp 5-9 og gruppe 6: 10-14) I denne opgaveser vi på et
Læs mereØkonometri: Lektion 5. Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol
Økonometri: Lektion 5 Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol 1 / 35 Veksekvirkning: Motivation Vi har set på modeller som Price
Læs mereKursus i varians- og regressionsanalyse Data med detektionsgrænse. Birthe Lykke Thomsen H. Lundbeck A/S
Kursus i varians- og regressionsanalyse Data med detektionsgrænse Birthe Lykke Thomsen H. Lundbeck A/S 1 Data med detektionsgrænse Venstrecensurering: Baggrundsstøj eller begrænsning i måleudstyrets følsomhed
Læs mereOpgavebesvarelse, brain weight
Opgavebesvarelse, brain weight (Matthews & Farewell: Using and Understanding Medical Statistics, 2nd. ed.) Spørgsmål 1 Data er indlagt på T:/Basalstatistik/brain.txt og kan indlæses direkte i Analyst med
Læs mereEksamen Bacheloruddannelsen i Medicin med industriel specialisering
Eksamen 2016 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 17-02-2015 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs merek normalfordelte observationsrækker (ensidet variansanalyse)
k normalfordelte observationsrækker (ensidet variansanalyse) Lad x ij, i = 1,...,k, j = 1,..., n i, være udfald af stokastiske variable X ij og betragt modellen M 1 : X ij N(µ i, σ 2 ). Estimaterne er
Læs mereVi ønsker at konstruere normalområder for stofskiftet, som funktion af kropsvægten.
Opgavebesvarelse, Resting metabolic rate I filen T:\rmr.txt findes sammenhørende værdier af kropsvægt (bw, i kg) og hvilende stofskifte (rmr, kcal pr. døgn) for 44 kvinder (Altman, 1991 og Owen et.al.,
Læs mere1 Hb SS Hb Sβ Hb SC = , (s = )
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.
Læs mereVariansanalyse i SAS. Institut for Matematiske Fag December 2007
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Institut for Matematiske Fag December 2007 Variansanalyse i SAS 2 Tosidet variansanalyse Residualplot Tosidet variansanalyse
Læs mereBasal statistik. 30. januar 2007
Basal statistik 30. januar 2007 Deskriptiv statistik Typer af data Tabeller Grafik Summary statistics Lene Theil Skovgaard, Biostatistisk Afdeling Institut for Folkesundhedsvidenskab, Københavns Universitet
Læs mereBesvarelse af opgave om Vital Capacity
Besvarelse af opgave om Vital Capacity I filen cadmium.txt ligger observationer fra et eksempel omhandlende lungefunktionen hos arbejdere i cadmium industrien (hentet fra P. Armitage & G. Berry: Statistical
Læs mereOpgavebesvarelse, brain weight
Opgavebesvarelse, brain weight (Matthews & Farewell: Using and Understanding Medical Statistics, 2nd. ed.) For 20 nyfødte mus er der i tabellen nedenfor anført oplysning om kuldstørrelsen (fra 3 til 12
Læs mereBasal statistik. Logaritmer og kovariansanalyse. Sammenligning af målemetoder. Scatter plot af de to metoder. Faculty of Health Sciences
Faculty of Health Sciences Logaritmer og kovariansanalyse Basal statistik Logaritmer, Repetition, Kovariansanalyse, Interaktion Lene Theil Skovgaard 4. oktober 2016 Parret sammenligning, målemetoder med
Læs mereVariansanalyse i SAS 1. Institut for Matematiske Fag December 2007
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Institut for Matematiske Fag December 2007 Variansanalyse i SAS 1 Ensidet variansanalyse Bartlett s test Tukey s test PROC
Læs mereMultipel regression 22. Maj, 2012
Data: Det færøske kviksølv-studie Simpel linær regression Confounding Multipel lineær regression Fortolkning af parametre Vekselvirkning Kollinearitet Modelkontrol Multipel regression 22. Maj, 2012 Esben
Læs mereMorten Frydenberg 26. april 2004
Introduktion til Logistisk Regression Morten Frydenberg, Inst. f. Biostatistik RESUME: 2 2. gang: 2002 Institut for Biostatistik, Århus Universitet MPH. studieår Specialmodul 4 Cand. San. uddannelsen.
Læs mereAfdeling for Anvendt Matematik og Statistik Januar Regressionsanalyse i SAS 2. Regressionsanalyse med GLM Sammenligning af regressionslinier
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Inge Henningsen Afdeling for Anvendt Matematik og Statistik Januar 2007 2 Regressionsanalyse med GLM Sammenligning af regressionslinier
Læs mereEksamen i Statistik for biokemikere. Blok
Københavns Universitet Det Naturvidenskabelige Fakultet Eksamen i Statistik for biokemikere. Blok 2 2007. 3 timers skriftlig prøve. Alle hjælpemidler - også blyant - er tilladt. Opgavesættet er på 8 sider.
Læs mereEksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning
1 Multipel regressions model Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning PSE (I17) ASTA - 11. lektion
Læs mereStatistik Lektion 16 Multipel Lineær Regression
Statistik Lektion 6 Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk
Læs mereLogistisk Regression - fortsat
Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative
Læs mereReeksamen i Statistik for biokemikere. Blok
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for biokemikere. Blok 2 2007-2008. 3 timers skriftlig prøve. Alle hjælpemidler - også blyant - er tilladt. Opgavesættet er
Læs mere1 Multipel lineær regression
1 Multipel lineær regression Regression med 2 eksponeringsvariable Fortolkning og estimation AnovaTabel og multipel R 2 Ensidet variansanalyse: Dummy kodning Kovariansanalyse og effektmodifikation Tosidet
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mere1 Multipel lineær regression
Indhold 1 Multipel lineær regression 2 1.1 Regression med 2 eksponeringsvariable......................... 2 1.2 Fortolkning og estimation................................ 3 1.3 AnovaTabel og multipel R
Læs mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereReeksamen Bacheloruddannelsen i Medicin med industriel specialisering. Eksamensdato: Tid: kl
Reeksamen 2018 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 13-08-2018 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mere1. Lav en passende arbejdstegning, der illustrerer samtlige enkeltobservationer.
Vejledende besvarelse af hjemmeopgave Basal statistik, efterår 2008 En gruppe bestående af 45 patienter med reumatoid arthrit randomiseres til en af 6 mulige behandlinger, nemlig placebo, aspirin eller
Læs mereMorten Frydenberg 14. marts 2006
Introduktion til Logistisk Regression Morten Frydenberg, Inst. f. Biostatistik 1 RESUME: 2 2. gang: 2006 Institut for Biostatistik, Århus Universitet MPH 1. studieår Specialmodul 4 Cand. San. uddannelsen
Læs meremen nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller
Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =
Læs mereIkke-parametriske tests
Ikke-parametriske tests 2 Dagens menu t testen Hvordan var det nu lige det var? Wilcoxson Mann Whitney U Kruskall Wallis Friedman Kendalls og Spearmans correlation 3 t-testen Patient Drug Placebo difference
Læs mereInstitut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 6
Institut for Matematiske Fag Matematisk Modellering 1 Aarhus Universitet Eva B. Vedel Jensen 25. februar 2008 UGESEDDEL 6 Forelæsningerne torsdag den 21. februar og tirsdag den 26. februar. Jeg har gennemgået
Læs mereVejledende besvarelse af hjemmeopgave
Vejledende besvarelse af hjemmeopgave Basal statistik, efterår 2013 Udleveret 1. oktober, afleveres senest ved øvelserne i uge 44 (29. oktober-1. november) I forbindelse med en undersøgelse af vitamin
Læs mereVejledende besvarelse af hjemmeopgave, efterår 2018
Vejledende besvarelse af hjemmeopgave, efterår 2018 Udleveret 1. oktober, afleveres senest ved øvelserne i uge 44 (30. oktober.-1. november). Der er foretaget en del undersøgelser af krigsveteraner og
Læs mereStatistiske Modeller 1: Kontingenstabeller i SAS
Statistiske Modeller 1: Kontingenstabeller i SAS Jens Ledet Jensen October 31, 2005 1 Indledning Som vist i Notat 1 afsnit 13 er 2 log Q for et test i en multinomialmodel ækvivalent med et test i en poissonmodel.
Læs mereEpidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse
Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Institut for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression Regressionsanalyse Regressionsanalyser
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π
Læs mereMantel-Haenszel analyser. Stratificerede epidemiologiske analyser
Mantel-Haensel analyser Stratificerede epidemiologiske analyser 1 Den epidemiologiske synsvinkel: 1) Oftest asymmetriske (kausale) sammenhænge (Eksposition Sygdom/død) 2) Risikoen vurderes bedst ved hjælp
Læs mereStatistik Lektion 17 Multipel Lineær Regression
Statistik Lektion 7 Multipel Lineær Regression Polynomiel regression Ikke-lineære modeller og transformation Multi-kolinearitet Auto-korrelation og Durbin-Watson test Multipel lineær regression x,x,,x
Læs mereDagens Tekst. Sammenligning Flere Grupper F Basal Statistik Variansanalyse. Basal Statistik - Variansanalyse 1
Basal Statistik Variansanalyse Judith L. Jacobsen, PhD. Lene Theil Skovgaard http://staff.pubhealth.ku.dk/~lts/basal09_1/ jlj@statcon.dk Dagens Tekst ANOVA Ikke-parametriske test Fordelingsantagelse En-sidet
Læs merePhd-kursus i Basal Statistik, Opgaver til 2. uge
Phd-kursus i Basal Statistik, Opgaver til 2. uge Opgave 1: Sædkvalitet Filen oeko.txt på hjemmesiden indeholder datamateriale til belysning af forskellen i sædkvalitet mellem SAS-ansatte og mænd, der lever
Læs mereVejledende besvarelse af hjemmeopgave, efterår 2016
Vejledende besvarelse af hjemmeopgave, efterår 2016 Udleveret 4. oktober, afleveres senest ved øvelserne i uge 44 (1.-4. november) Normal aktivitet af enzymet plasma kolinesterase er en forudsætning for
Læs mereBasal Statistik. Sammenligning af grupper. Vitamin D eksemplet. Praktisk håndtering af data. Faculty of Health Sciences
Faculty of Health Sciences Sammenligning af grupper Basal Statistik Sammenligning af grupper, Variansanalyse Lene Theil Skovgaard 7. februar 2017 Sammenligning af to grupper: T-test Dimensionering af undersøgelser
Læs mereFaculty of Health Sciences. Basal Statistik. Sammenligning af grupper, Variansanalyse. Lene Theil Skovgaard. 7. februar 2017
Faculty of Health Sciences Basal Statistik Sammenligning af grupper, Variansanalyse Lene Theil Skovgaard 7. februar 2017 1 / 96 Sammenligning af grupper Sammenligning af to grupper: T-test Dimensionering
Læs mereBasal statistik. Logaritmer og kovariansanalyse. Sammenligning af målemetoder. Scatter plot af de to metoder. Faculty of Health Sciences
Faculty of Health Sciences Logaritmer og kovariansanalyse Basal statistik Logaritmer, Repetition, Kovariansanalyse, Interaktion Lene Theil Skovgaard 1. oktober 2018 Parret sammenligning af målemetoder,
Læs mereFaculty of Health Sciences. Basal statistik. Logaritmer, Repetition, Kovariansanalyse, Interaktion. Lene Theil Skovgaard. 1.
Faculty of Health Sciences Basal statistik Logaritmer, Repetition, Kovariansanalyse, Interaktion Lene Theil Skovgaard 1. oktober 2018 1 / 92 Logaritmer og kovariansanalyse Parret sammenligning af målemetoder,
Læs mereRegressionsanalyser. Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer.
Regressionsanalyser Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer. Hvilke faglige problemer kan man løse vha. regressionsanalyser? 1 Regressionsanalyser Det primære problem
Læs mereEksamen i Statistik for biokemikere. Blok
Eksamen i Statistik for biokemikere. Blok 2 2007. Vejledende besvarelse 22-01-2007, Niels Richard Hansen Bemærkning: Flere steder er der givet en argumentation (f.eks. baseret på konfidensintervaller)
Læs mereOR stiger eksponentielt med forskellen i BMI. kompliceret model svær at forstå og analysere
Epidemiologi og biostatistik. Uge 5, torsdag 5. september 003 Morten Frydenberg, Institut for Biostatistik. 1 Analyse af overlevelsesdata (ventetidsdata) Censurering (højre + andet) Kaplan-Meyer kurver
Læs mereEpidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Afdeling for Biostatistik. Eksempel: Systolisk blodtryk
Eksempel: Systolisk blodtryk Udgangspunkt: Vi ønsker at prædiktere det systoliske blodtryk hos en gruppe af personer. Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Afdeling for Biostatistik.
Læs mereEpidemiologi og Biostatistik
Kapitel 1, Kliniske målinger Epidemiologi og Biostatistik Introduktion til skilder (varianskomponenter) måleusikkerhed sammenligning af målemetoder Mogens Erlandsen, Institut for Biostatistik Uge, torsdag
Læs mere12. september Epidemiologi og biostatistik. Forelæsning 4 Uge 3, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Regressionsanalyse
. september 5 Epidemiologi og biostatistik. Forelæsning Uge, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression
Læs mereFaculty of Health Sciences. Logistisk regression: Kvantitative forklarende variable
Faculty of Health Sciences Logistisk regression: Kvantitative forklarende variable Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Sammenhæng
Læs mereVi vil analysere effekten af rygning og alkohol på chancen for at blive gravid ved at benytte forskellige Cox regressions modeller.
Løsning til øvelse i TTP dag 3 Denne øvelse omhandler tid til graviditet. Et studie vedrørende tid til graviditet (Time To Pregnancy = TTP) inkluderede 423 par i alderen 20-35 år. Parrene blev fulgt i
Læs mereFaculty of Health Sciences. Basal statistik. Logaritmer, Repetition, Kovariansanalyse, Interaktion. Lene Theil Skovgaard. 12.
Faculty of Health Sciences Basal statistik Logaritmer, Repetition, Kovariansanalyse, Interaktion Lene Theil Skovgaard 12. februar 2018 1 / 88 Logaritmer og kovariansanalyse Parret sammenligning af målemetoder,
Læs mere2. januar 2015 Proj.nr. 2001474 Version 1 LRK/EHBR/EVO/CCM/MT. Rapport
Rapport Projekt: Fedtkvalitet i moderne svineproduktion Betdning af jodtal for udbtter af kogeskinker Lars Kristensen, Eva Honnens de Lichtenberg Broge, Eli Vibeke Olsen, Chris Claudi- Magnussen 2. januar
Læs meren r x rs x r = 1 n r s=1 (x rs x r ) 2, s=1
(a) Denne opgave bygger på resultaterne fra 2 forsøg med epo-behandling af for tidligt fødte børn, idet gruppe 1 og 3 stammer fra første forsøg, mens gruppe 2 og 4 stammer fra det andet. Det må antages,
Læs mereLogistisk regression
Logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Kursushjemmeside: www.biostat.ku.dk/~sr/forskningsaar/regression2012/
Læs mereLøsning til øvelsesopgaver dag 4 spg 5-9
Løsning til øvelsesopgaver dag 4 spg 5-9 5: Den multiple model Vi tilføjer nu yderligere to variable til vores model : Køn og kolesterol SBP = a + b*age + c*chol + d*mand hvor mand er 1 for mænd, 0 for
Læs mereProgram. 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. 1/12
Program 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. 1/12 Ensidet variansanalyse: analyse af grupperede data Nedbrydningsrate for tre typer af opløsningsmidler (opgave 13.8 side 523) Sorption
Læs mereVejledende besvarelse af hjemmeopgave, forår 2018
Vejledende besvarelse af hjemmeopgave, forår 2018 Udleveret 12. februar, afleveres senest ved øvelserne i uge 10 (6.-9.marts) I forbindelse med reagensglasbehandling blev 100 par randomiseret til to forskellige
Læs mereEksamen i Statistik for biokemikere. Blok
Københavns Universitet Det Naturvidenskabelige Fakultet Eksamen i Statistik for biokemikere. Blok 2 2006. 3 timers skriftlig prøve. Alle hjælpemidler - også blyant - er tilladt. Opgavesættet er på 6 sider.
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logistisk Regression: Definitioner For en binær (0/) variabel Y antager vi P(Y)p P(Y0)-p Eksempel: Bil til arbejde vs alder
Læs mere