Basal statistik. Logaritmer og kovariansanalyse. Sammenligning af målemetoder. Scatter plot af de to metoder. Faculty of Health Sciences
|
|
- Thorvald Thorsen
- 7 år siden
- Visninger:
Transkript
1 Faculty of Health Sciences Logaritmer og kovariansanalyse Basal statistik Logaritmer, Repetition, Kovariansanalyse, Interaktion Lene Theil Skovgaard 4. oktober 2016 Parret sammenligning, målemetoder med logaritmer Tosidet variansanalyse med logaritmer Kovariansanalyse: Eksempel om baseline og follow-up Sammenligning af hældninger Interaktion - igen Hjemmesider: ltsk@sund.ku.dk 1 / 80 2 / 80 Sammenligning af målemetoder Scatter plot af de to metoder (jvf. eksemplet MF vs. SV fra første forelæsning) To forskellige metoder til bestemmelse af glucosekoncentration. Ref: R.G. Miller et.al. (eds): Biostatistics Casebook. Wiley, 1980 REFE: Farvetest, der kan forurenes af urinsyre TEST: Enzymatisk test, mere specifikt for glucose. nr. REFE TEST X SD Det ser jo pænt ud..., eller? 3 / 80 4 / 80
2 Formål med undersøgelsen Parret sammenligning kunne være: Kan vi erstatte en dårlig metode med en bedre metode? Kan vi erstatte en dyr metode med en billigere metode? Kan vi bruge de to metoder i flæng? Under alle omstændigheder: Hvor store forskelle kan vi forvente at finde mellem de to metoder Og svaret er ikke: Korrelationen er Det er naturligt at se på differenser (dif=refe-test) Kvantificer individuelle differenser: Limits of agreement Test om middelværdien kan være 0: Systematisk forskel? The MEANS Procedure Variable N Mean Std Dev t Value Pr > t dif < Med en P-værdi < er der stærk indikation af bias 5 / 80 6 / 80 Limits of agreement Bland-Altman plot På basis af en normalfordelingsantagelse på differenserne finder vi referenceintervallet (normalområdet): Plot af differenser mod gennemsnit (af de to målinger på samme person), se kode s ± = ( 9.51, 29.29) med fortolkningen: Når vi måler med begge metoder på samme person, vil differensen typisk ligge i intervallet (-9.5, 29.3) På tegningen ses, at dette er en dårlig beskrivelse, idet differenserne stiger med niveauet (repræsenteret ved gennemsnittet) variationen stiger også med niveauet Store afvigelser ved høje målinger, dvs. relative afvigelser Så er det smart at se på logaritmer 7 / 80 8 / 80
3 Scatter plot Bemærk efter logaritmetransformation (her den naturlige ) Det er de oprindelige målinger, der skal logaritmetransformeres, ikke differenserne! Det er ligegyldigt, hvilken logaritmefunktion, der vælges (der er proportionalitet mellem alle logaritmer) Efter logaritmering gentages proceduren med differenser og konstruktion af limits of agreement 9 / / 80 Bland-Altman plot for logaritmer Vi udelader en outlier... og laver igen et Bland-Altman plot Der er en tydelig outlier (den mindste observation) 11 / 80 som bliver acceptabelt / 80
4 En slags konklusion Konklusion på brugbar facon The MEANS Procedure Variable N Mean Std Dev t Value Pr > t ldif < Limits of agreement på logaritmisk skala: ± = ( 0.018, 0.150) Det betyder, at der i 95% af tilfældene vil gælde < log(refe) log(test) = log( REFE TEST ) < Men hvad kan vi bruge det til? 13 / 80 Vi kan tilbagetransformere med anti-logaritmen (her er det eksponentialfunktionen exp()) og få exp( 0.018) = < TEST REFE < = exp(0.150) eller omvendt < TEST REFE < Det betyder: TEST ligger typisk mellem 14% under og 2% over REFE. 14 / 80 Limits of agreement Regninger direkte på ratio-skala tilbagetransformeret til oprindelig skala Med definitionen ratio = refe test får vi: The MEANS Procedure Variable N Mean Std Dev Std Error ratio svarende til limits of agreement: ± = (0.979, 1.159) 15 / 80 altså refe fra 2% under til 16% over test, på 2 decimaler identisk med resultatet for logaritmerne Dette er ikke altid tilfældet!! 16 / 80
5 Limits of agreement på ratio-skala Terminologi for kvantitativt outcome, f.eks. vitamin D Regressionsanalyse: Kovariaterne er også kvantitative Simpel (lineær) regression: kun en enkelt kovariat Multipel (lineær) regression: to eller flere kovariater Variansanalyse: Kovariaterne er kategoriske (grupper) Ensidet variansanalyse: kun en enkelt kovariat Tosidet variansanalyse: to kovariater Generel lineær model GLM: Begge typer kovariater i samme model Kovariansanalyse: Netop en kvantitativ og en kategorisk kovariat 17 / / 80 Sammenligning af to grupper - som ikke er helt sammenlignelige, pga en confounder: En variabel, som har en effekt på outcome er relateret til gruppen (dvs. der er forskel på værdierne i de to grupper) Herved kan opstå bias. Gruppe/behandling Outcome Eksempel: vægt blandt mænd og kvinder Mulig confounder: Højde To forskellige sammenligninger: T-test: Er der forskel på middel vægt blandt mænd og kvinder? Kovariansanalyse: Er der forskel på middel vægt for mænd og kvinder, med samme højde? Kønseffekten korrigeres for forskel i højde: Confounder To forskellige videnskabelige spørgsmål 19 / / 80
6 Eksempel om lungekapacitet, TLC Kan højden forklare forskellen på mænd og kvinder? 32 patienter skal have foretaget hjerte/lunge transplantation TLC: Total Lung Capacity (analyseret på log 10 -skala), Er der forskel på mænd og kvinder? Køn Lungekapacitet Højde Et T-test giver P=0.0009, og en estimeret fordel til mænd på 35% (13-61%), se kode s. 72 Eller er der tillige en ægte kønseffekt? 21 / / 80 Relation mellem TLC og HEIGHT Kovariansanalyse Igen på log 10 -skala, kode s. 73 Outcome: TLC, total lungekapacitet, logaritmeret Kovariater: 2 stk: Kode s. 74 Køn (sex) Højde (height), med lineær effekt Standard Parameter Estimate Error t Value Pr > t 95% Confidence Limits Intercept B sex F B sex M B..... height Ikke ligefrem oplagt i linearitet i højden, men vi prøver alligevel / 80 Bemærk: Nu er kønseffekten helt forsvundet! Højden kunne altså godt forklare den...måske 24 / 80
7 Ancova-fit (parallelle linier) Estimation af kønseffekt Se kode s. 75 i 2 forskellige modeller, nemlig med og uden højde som kovariat Outcome er log10tlc: Kovariater Mænd vs. kvinder ratio (CI) P-værdi kun kønnet 1.35 (1.13, 1.61) køn og 1.10 (0.93, 1.30) 0.24 højde Den observerede forskel i (log 10 ) lungekapacitet mellem mænd og kvinder kan altså tilskrives højdeforskellen mellem kønnene. 25 / / 80 Er der så en kønseffekt eller ej? Husk modelkontrol: Ja for mænd og kvinder har jo ikke samme niveau af lungekapacitet men forskellen i niveau kan forklares udfra den højdeforskel, der generelt er mellem mænd og kvinder måske men vi kan ikke påvise forskel mellem en mand og en kvinde med samme højde Se kode s. 75 Højde er en mellemkommende (intermediate) variabel for effekten af køn på lungekapacitet 27 / / 80
8 Additivitet eller interaktion? Vekselvirkning (interaktion) Sammenligning af parallelle regressionslinier: Kovariansanalyse: dækker sædvanligvis over situationen med to parallelle linier, altså med identiske hældninger, også kaldet additivitet Her: Effekten af højde på lungekapacitet antages at være den samme for mænd og kvinder Mere generel model tillader interaktion=vekselvirkning, altså forskellige hældninger. Det betyder: Effekten af højde afhænger af kønnet Forskellen på kønnene afhænger af højden I tilfælde af interaktion kan man ikke udtale sig om en generel effekt af hverken højde eller køn. 29 / 80 Tænkt eksempel: To inddelingskriterier: køn og rygestatus Outcome: FEV 1 Effekten af rygning afhænger af køn Forskellen på kønnene afhænger af rygestatus 30 / 80 Mulige forklaringer Eksempel: Rygnings effekt på fødselsvægt biologisk kønsforskel 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 31 / / 80
9 Model med interaktion Kode s. 76 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 / / 80 Output fra model med interaktion Omregning til de to linier: Kode s. 76 Linie for mænd: Dependent Variable: ltlc Source DF Type III SS Mean Square F Value Pr > F height sex height*sex Standard Parameter Estimate Error t Value Pr > t Intercept B height B sex F B sex M B... height*sex F B height*sex M B... log10(lung capacity) = height Linie for kvinder: log10(lung capacity) = ( 0.281) + ( ) height = height Interaktionsparameteren angiver forskellen på hældninger i de to grupper 35 / 80 Men så får vi ikke nogen konfidensgrænser... så man bør benytte programmet til udregningerne, se kode s / 80
10 SAS-udregning af de to linier Fortolkning 1. Ændring af model-sætningen: Se kode s. 77 Standard Parameter Estimate Error t Value Pr > t sex F sex M height*sex F height*sex M Her er der angivet to intercept-estimater og to hældningsestimater. 2. Benyt estimate-sætninger: Se kode s. 77 Standard Parameter Estimate Error t Value Pr > t intercept, male intercept, female slope, male slope, female I dette eksempel så vi Den observerede forskel i (log 10 ) lungekapacitet mellem mænd og kvinder kunne godt 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 Det omvendte kan også forekommer, altså at effekter dukker op, når der kontrolleres for andre Sådan et eksempel skal vi se nu 37 / / 80 Nyt eksempel: Hormoner hos P-pille brugere Valg af skala Anti Müllersk Hormon (AMH) er et hormon, som dannes i de små tidlige ægblærer (follikler) i æggestokkene. Videnskabeligt spørgsmål: Er AMH-niveauet nedsat hos P-pille brugere? Og i givet fald hvor meget? Der foreligger en undersøgelse af 732 kvinder, heraf 228, der tager P-piller Boxplottet på forrige side viser klart en tendens til hale mod høje værdier Man får derfor en ide om, at logaritmer vil være påkrævet På den anden side er der mange observationer i hver gruppe, så det er muligvis ikke strengt nødvendigt... Boxplot af logaritmetransformerede (log 10 ) AMH-værdier Heller ikke på denne skala er der perfekt symmetri 39 / / 80
11 Valg af skala Sammenligning af grupper - på logaritmisk skala er ikke altid oplagt... Man kan lade det afhænge af, hvordan man helst vil præsentere sit resultat: som en forskel i enheden antal/ml, eller som en relativ forskel, i % Hvis man vælger andre skalaer (kvadratrødder, kubikrødder etc.) kan parametrene i modellen ikke direkte fortolkes (forskellene kan ikke kvantificeres på en enkel måde). Uparret T-test giver: The TTEST Procedure Variable: logamh ppiller N Mean Std Dev Std Err Minimum Maximum Diff (1-2) ppiller Method Mean 95% CL Mean Std Dev Diff (1-2) Pooled Diff (1-2) Satterthwaite Method Variances DF t Value Pr > t Pooled Equal Satterthwaite Unequal Equality of Variances Method Num DF Den DF F Value Pr > F Folded F / / 80 Kommentarer til output Kommentarer til output,ii Der er ikke tegn på forskellige varianser i de to grupper (P=0.90) Det er derfor ligeyldigt, hvilket T-test, vi vælger at se på (de giver i øvrigt også næsten præcis det samme) P-værdien er 0.39, altså ingen evidens for forskel i AMH blandt brugere og ikke-brugere af P-piller Måske er det mere naturligt at udregne det den anden vej, altså P-pille brugere i forhold til ikke P-pille brugere, og så skal vi skifte fortegn: = 0.94, CI = ( , ) = (0.83, 1.08) Her læser vi, at P-pille brugere i gennemsnit har et ca. 6% reduceret niveau af AMH, men at konfidensintervallet strækker sig lige fra en reduktion på ca. 17% til et forøget niveau på omkring 8%. Det lyder som en ret betydelig potentiel forskel i mine ører... men altså ikke signifikant Kan der være en confounder? Alder? 43 / / 80
12 Er alder en confounder? Kovariansanalyse - justering for aldersforskel Har den en effekt på hormon-niveauet? Det skulle man tro, ud fra vores viden om, hvad hormonet afspejler Er der forskellig alder i de to grupper? Formentlig er P-pille brugerne yngre end ikke-p-pille brugerne N ppiller Obs Variable N Mean Median Std Dev alder alder Nu sammenligner vi kvinder, der tager P-piller med kvinder, der ikke tager P-piller, men som har samme alder (kode s.78): Standard Parameter Estimate Error t Value Pr > t Intercept B <.0001 alder <.0001 ppiller B <.0001 ppiller B... Parameter 95% Confidence Limits Intercept alder ppiller ppiller / 80 Alder er en confounder! 46 / 80 Kommentarer til kovariansanalyse Kommentarer til de to analyser Kvidner, der tager P-piller estimeres til et lavere niveau end kvinder, der ikke tager P-piller, med CI=(0.0965, ). Når vi tilbagetransformerer til selve koncentrationsskalaen, giver det en estimeret ratio = 0.70, med konfidensinterval ( , ) = (0.62, 0.80) Dette skal fortolkes som, at P-pille brugere ligger 30% lavere end ikke-p-pille brugerne, med konfidensinterval fra 20% til 38% under. Vi sammenfatter i en tabel: Reduktion i AMH: Model P-pille brugere vs. P-værdi ikke P-pille brugere T-test (s ) -6% (-17%, +8%) 0.39 Kovariansanalyse -30% (-38%, -20%) < (s ) 47 / / 80
13 Kovariansanalyse modellen grafisk Fortolkning af figur s. 49 Kovariansanalysen svarer til de to parallelle regressionslinier Men kan der tænkes at være interaktion? Den lodrette afstand imellem disse svarer til effekten af P-piller i kovariansanalysen s De to lodrette linier er anbragt i aldersgennemsnittene: Rød P-pille brugere Blå Ikke-P-pille brugere Disse linier ses at skære regressionslinierne i nogenlunde samme højde (dvs. værdi af logamh), og ca. svarende til det insignifikante T-test s / / 80 Figur med frie regressionslinier Fortolkning af figur s. 51 svarende til mulig interaktion Interaktionsmodellen svarer til de to ikke-parallelle regressionslinier Den lodrette afstand imellem disse varierer nu med alderen, så man ikke kan tale om en generel effekt af P-piller De to lodrette linier skærer nu regressionslinierne i præcis de gennemsnitlige værdier af logamh, svarende til det insignifikante T-test s Er de to linier ikke-parallelle? 51 / / 80
14 Regression for hver gruppe for sig Kode s. 79 ppiller=0 Standard Parameter Estimate Error t Value Pr > t Intercept <.0001 alder <.0001 Parameter 95% Confidence Limits Intercept alder ppiller=1 Standard Parameter Estimate Error t Value Pr > t Intercept <.0001 alder <.0001 Interaktion mellem P-piller og alder? De to analyser s. 53 viser, at effekten af 5 år (5 gange hældningen) kan opsummeres som i nedenstående tabel, der også tilbagetransformerer effekten til original skala: Gruppe Effekt af 5 år på log 10 -skala Tilbagetransformeret effekt Ikke P-pille brugere ( , ) 0.70 (0.64, 0.76) P-pille brugere ( , ) 0.62 (0.55, 0.69) Parameter 95% Confidence Limits Intercept alder Konfidensintervallerne er noget overlappende, så vi kan ikke umiddelbart udtale os om, hvorvidt de er signifikant forskellige. 53 / 80 Fortolkningen er, at for P-pille brugere falder AMH-niveauet med 38% på 5 år (faktoren 0.62), medens der for ikke P-pille brugere kun er tale om et fald på 30% (faktoren 0.7). 54 / 80 Interaktion mellem P-piller og alder Kommentarer til output vedr. interaktion Er der evidens for reelle forskelle i alderseffekten i de to grupper? For at undersøge dette, skal vi først gøre os klart, at spørgsmålet går på, om de to hældninger ovenfor er signfikant forskellige, altså om alderseffekten afhænger af, om man er P-pille bruger eller ej. Kode s.80 Standard Parameter Estimate Error t Value Pr > t Intercept B <.0001 alder B <.0001 ppiller B ppiller B... alder*ppiller B alder*ppiller B... Testet for ens hældninger aflæses på linien alder*ppiller, og P-værdien ses at være 0.11, altså ingen signifikans. I hvert fald ikke, hvis vi holder os til et 5% signifikansniveau. Vi kan således ikke i dette materiale påvise en forskel i alderseffekt for de to grupper, omend der synes at være tendens til en større effekt i P-pille gruppen. Vi repeterer lidt på de næste sider: 55 / / 80
15 Kovariansanalyse - den simpleste GLM er blot en (historisk betinget) betegnelse for en model med netop én kategorisk kovariat (gruppe, Class-variabel) og netop én kvantitativ kovariat. Formålet kan være (ganske som i tosidet ANOVA) at Undersøge effekten af begge kovariater fjerne bias, f.eks at korrigere for en evt. højdeforskel ved sammenligning af lungefunktion for rygere og ikke-rygere øge styrken i en randomiseret klinisk undersøgelse ved at inddrage en vigtig kovariat og derved nedbringe den uforklarede del af variationen Men husk, at man derved besvarer et andet videnskabeligt spørgsmål 57 / 80 Sammenligning af to grupper - som ikke er helt sammenlignelige, pga en confounder (x): En variabel, som har en effekt på outcome er relateret til gruppen (der er forskel på værdierne i de to grupper) Herved kan opstå bias. 58 / 80 Gruppe/behandling Confounder x Outcome Illustration af confounding og kovariansanalyse Men læg mærke til følgende: Selv om fordelingen af kovariaten er ens i de to grupper, kan det være af stor betydning at medtage den i analysen. Det kan give større styrke, hvis kovariaten er vigtig Gruppe/behandling Kovariat Outcome Men husk, at man derved besvarer et andet videnskabeligt spørgsmål 59 / / 80
16 Simuleret eksempel Metoder til at undgå bias Uden x i modellen: Ingen særlig forskel på grupperne...? Med x i modellen: Tydelig forskel på grupperne (her den lodrette afstand mellem linierne) Matchning. Dvs. udvælge individer, således at de er nogenlunde ens med hensyn til de vigtige forstyrrende kovariater. Husk at tage matchningsvariablen med som kovariat ellers kan man skabe bias pga umålte confoundere (men lad være med at fortolke dens effekt) Randomisering. Dvs. trække lod om behandling (gruppe) NB: Dette kan naturligvis kun lade sig gøre, hvis grupperne er noget, man selv bestemmer over. og det sikrer ikke ens fordelinger i den enkelte undersøgelse Korrektion Dvs. at medtage den (muligvis skævt fordelte) variabel som kovariat, også somme tider i randomiserede undersøgelser 61 / / 80 Metoder til at øge styrken Et typisk eksempel flere observationer/personer benytte fornuftige inklusions- eller eksklusionskriterier inddrage vigtige forklarende variable (kovariater) udelade irrelevante kovariater Men pas på med at gå for meget på fisketur!! på et før-og-efter studie: Vickers, A.J. & Altman, D.G.: Analysing controlled clinical trials with baseline and follow-up measurements. British Medical Journal 2001; 323: : 52 patienter med skuldersmerter randomiseres til enten Akupunktur (n=25) Placebo (n=27) og husk at fortolkningen afhænger af modellen Smerte vurderes på en 100-trins skala både før og efter behandling Høje scorer er gode 63 / / 80
17 Baseline og Follow-up Resultater vedr. skuldersmerter I princippet: Behandling Sammenligninger af de to grupper: Baseline måling Outcome Der er fokus på sammenligning af behandlingerne: Er placebo ligeså godt som akupunktur? Det lægger op til et simpelt T-test, men: Hvad nu, hvis de to grupper ikke er helt identiske fra start, selv om der er randomiseret? 65 / 80 Gennemsnitlig smertescore Behandlinseffekt placebo akupunktur differens (n=27) (n=25) (95% CI) P-value Baseline 53.9 (14.0) 60.4 (12.3) Analyse: Follow-up 62.3 (17.9) 79.6 (17.1) 17.3 (7.5; 27.1) Ændringer* 8.4 (14.6) 19.2 (16.1) 10.8 (2.3; 19.4) Ancova 12.7 (4.1; 21.3) * resultater publiceret i Kleinhenz et.al. Pain 1999; 83: / 80 Udvikling i smerter, faktisk og forventeligt Udlægning af resultater, I Baseline Akupunktur gruppen ligger lidt højere end placebo Follow-up Vi vil forvente, at akupunktur gruppen stadig ligger det samme stykke højere end placebo gruppen efter behandlingen, selv hvis behandlingen ikke virker (fuldt optrukket rød linie). Det er derfor urimeligt blot at afgøre behandlingens effekt ved at sammenligne follow-up værdier (forskellen bliver for stor i dette tilfælde) 67 / / 80
18 Udlægning af resultater, II APPENDIX Differenser/ændringer Lav baseline værdi giver forventning om stor positiv ændring (regression to the mean) Derfor forventes placebogruppen at stige mest, og akupunkturgruppen lidt mindre (den stiplede røde linie) og en direkte sammenligning af ændringer er derfor ikke rimelig (forskellen bliver for lille i dette tilfælde) Ancova vurderer forskellen under hensyntagen til, at baseline forklarer noget, men ikke al forskellen ved follow-up: Vi sammenligner personer, der har fået forskellig behandling, men som starter samme sted. 69 / 80 Programbidder svarende til diverse slides: Bland-Altman plot, s. 71 T-test, s. 72 Scatterplot. s. 73 Kovariansanalyse, s , 78 Model med interaktion, s. 77, 80 Opdelte analyser, s / 80 Bland-Altman plot Slide 8 T-test på logaritmer data a1; input refe test; datalines; /* flere datalinier her */ ; data a2; set a1; snit=(refe+test)/2; dif=refe-test; proc gplot data=a2; plot dif*snit / vref=0 lv=2 vref=9.89 vref=-9.51 vref=29.29 lv=33 haxis=axis1 vaxis=axis2 frame; axis1 value=(h=2) minor=none label=(h=3 gennemsnit ); axis2 value=(h=2) minor=none label=(a=90 R=0 H=3 differens refe-test ); symbol1 v=circle i=none c=black h=2 l=1 w=2; 71 / 80 Slide 21 ods graphics on; proc ttest data=a1; class sex; var ltlc; ods graphics off; 72 / 80
19 Scatter plot, med symboler for gruppe Kovariansanalyse - ANCOVA Slide 23 proc sgplot data=tlc; scatter x=height y=ltlc / group=sex; eller med indlagte regressionslinier, svarende til Slide 34 Slide 24 proc glm data=tlc; classes sex; model ltlc=sex height / solution clparm; proc sgplot data=tlc; reg x=height y=ltlc / group=sex; 73 / / 80 ANCOVA-plot, med parallelle linier Model med to regressionslinier Slide 25 er en naturlig del af ANCOVA-analysen, når man bruger ods graphics og plots=all ods graphics on; proc glm plots=all data=tlc; classes sex; model ltlc=sex height / solution clparm; Modelkontrol i ANCOVA Slide 28 er ligeledes en naturlig del af ANCOVA-analysen, når man bruger ods graphics og plots=all altså inkluderende interaktion Slide 34 ods graphics on; proc glm plots=all data=tlc; class sex; model ltlc=height sex sex*height / solution clparm; ods graphics off; 75 / / 80
20 Omregning til to linier Kovariansanalyse Slide proc glm data=tlc; classes sex; model ltlc=sex sex*height / noint solution clparm; 2. proc glm data=tlc; classes sex; model ltlc=sex height sex*height / solution clparm; estimate intercept, male intercept 1 sex 0 1; estimate intercept, female intercept 1 sex 1 0; estimate slope, male height 1 sex*height 0 1; estimate slope, female height 1 sex*height 1 0; Slide 46 ods graphics on; proc glm plots=(diagnosticspanel Residuals(smooth)) data=a1; class ppiller rygning; model logamh = alder ppiller / solution clparm; output out=ny p=yhat r=residual cookd=cook; ods graphics off; 77 / / 80 Opdelte analyser Test for interaktion Slide 53 Slide 55 proc sort data=a1; by ppiller; ods graphics on; proc glm plots=all data=a1; by ppiller; model logamh=alder / clparm; estimate "fald paa 5 aar" alder 5; estimate "niveau ved alder 30" intercept 1 alder 30; ods graphics off; ods graphics on; proc glm plots=(diagnosticspanel Residuals(smooth)) data=a1; class ppiller rygning; model logamh = alder ppiller ppiller*alder / solution clparm; output out=ny p=yhat r=residual cookd=cook; ods graphics off; 79 / / 80
Faculty 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 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 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 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, Kovariansanalyse, Interaktion, i R Lene Theil Skovgaard 4. marts 2019 Parret sammenligning af målemetoder, med logaritmer
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. 30. oktober 2007
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. 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 mereVejledende besvarelse af hjemmeopgave, forår 2016
Vejledende besvarelse af hjemmeopgave, forår 2016 Udleveret 1. marts, afleveres senest ved øvelserne i uge 13 (29. marts-1. april) Denne opgave fokuserer på at beskrive niveauet af hormonet AMH (højt niveau
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 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 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 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 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 mereBasal Statistik. En- og to-stikprøve problemer. Eksempel på parrede data. Eksempel på parrede data. Faculty of Health Sciences
Faculty of Health Sciences En- og to-stikprøve problemer One- and two-sample problems: Basal Statistik T-tests. Lene Theil Skovgaard 17. september 2013 1 / 67 Sammenligning af to situationer: Parret t-test
Læs mereFaculty of Health Sciences. Basal Statistik. T-tests. Lene Theil Skovgaard. 17. september 2013
Faculty of Health Sciences Basal Statistik T-tests. Lene Theil Skovgaard 17. september 2013 1 / 67 En- og to-stikprøve problemer One- and two-sample problems: Sammenligning af to situationer: Parret t-test
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 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, 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 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 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 mereVejledende besvarelse af hjemmeopgave, forår 2015
Vejledende besvarelse af hjemmeopgave, forår 2015 En stikprøve bestående af 65 mænd og 65 kvinder er blevet undersøgt med henblik på at se på en evt. sammenhæng mellem kropstemperatur og puls. På hjemmesiden
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 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 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 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 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 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 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 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 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 mereFaculty of Health Sciences. Basal Statistik. Begreber. Parrede sammenligninger. Lene Theil Skovgaard. 6. september 2016
Faculty of Health Sciences Basal Statistik Begreber. Parrede sammenligninger. Lene Theil Skovgaard 6. september 2016 1 / 88 APPENDIX Programbidder svarende til diverse slides: Indlæsning af vitamin D datasæt,
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 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 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 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 mereBasal statistik for lægevidenskabelige forskere, forår 2012 Udleveret 6.marts, afleveres senest ved øvelserne i uge 15 (
Hjemmeopgave Basal statistik for lægevidenskabelige forskere, forår 2012 Udleveret 6.marts, afleveres senest ved øvelserne i uge 15 (10.-12. april) I et randomiseret forsøg sammenlignes vitamin D behandling
Læs mereVejledende besvarelse af hjemmeopgave, forår 2017
Vejledende besvarelse af hjemmeopgave, forår 2017 På hjemmesiden http://publicifsv.sund.ku.dk/~lts/basal17_1/hjemmeopgave/hjemmeopgave.txt ligger data fra 400 fødende kvinder. Der er tale om et uddrag
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 mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Kovariansanalyse. Lene Theil Skovgaard 1. oktober 2018 1 / 12 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Bland-Altman plot,
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 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 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 mereVejledende besvarelse af hjemmeopgave, efterår 2015
Vejledende besvarelse af hjemmeopgave, efterår 2015 Udleveret 29. september, afleveres senest ved øvelserne i uge 44 (27.-30. oktober) En undersøgelse blandt fødende kvinder i Massachusetts (ref.) søger
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 mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Kovariansanalyse. Lene Theil Skovgaard 3. oktober 2017 1 / 12 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Bland-Altman plot,
Læs mereBasal Statistik. Simpel lineær regression. Simpel lineær regression. Data. Faculty of Health Sciences
Faculty of Health Sciences Simpel lineær regression Basal Statistik Regressionsanalyse. Lene Theil Skovgaard 21. februar 2017 Regression og korrelation Simpel lineær regression Todimensionale normalfordelinger
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 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 mereOpgavebesvarelse, korrelerede målinger
Opgavebesvarelse, korrelerede målinger I 18 familier bestående af far, mor og 3 børn (i veldefinerede aldersintervaller, med child1 som det ældste barn og child3 som det yngste) har man registreret antallet
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 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 mereBasal statistik. 16. september 2008
Basal statistik 16. september 2008 En- og to-stikprøve problemer sammenligning af to situationer: parret t-test Wilcoxon signed rank test logaritmetransformation sammenligning af to grupper uparret t-test
Læs mereBasal statistik for sundhedsvidenskabelige forskere, efterår 2014 Udleveret 30. september, afleveres senest ved øvelserne i uge 44 (
Hjemmeopgave Basal statistik for sundhedsvidenskabelige forskere, efterår 2014 Udleveret 30. september, afleveres senest ved øvelserne i uge 44 (28.-30. oktober) En stor undersøgelse søger at afdække forhold
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 mereFilen indeholder 45 linier, først en linie med variabelnavnene (bw og rmr) og derefter 44 datalinier, hver med disse to oplysninger.
Opgavebesvarelse, Resting metabolic rate I filen 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., Am.
Læs mereKommentarer til opg. 1 og 3 ved øvelser i basalkursus, 3. uge
Kommentarer til opg. 1 og 3 ved øvelser i basalkursus, 3. uge Opgave 1. Data indlæses i 3 kolonner, som f.eks. kaldessalt,pre ogpost. Der er således i alt tale om 26 observationer, idet de to grupper lægges
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 mereBasal statistik for lægevidenskabelige forskere, forår Udleveret 12. marts, afleveres senest ved øvelserne i uge 14 (2.-4.
Hjemmeopgave Basal statistik for lægevidenskabelige forskere, forår 2013 Udleveret 12. marts, afleveres senest ved øvelserne i uge 14 (2.-4.april) I forbindelse med reagensglasbehandling blev 100 par randomiseret
Læs mereVejledende besvarelse af hjemmeopgave, efterår 2017
Vejledende besvarelse af hjemmeopgave, efterår 2017 Udleveret 3. oktober 2017, afleveres senest ved øvelserne i uge 44 (31. okt.-2. nov. 2017) På hjemmesiden http://publicifsv.sund.ku.dk/~lts/basal17_2/hjemmeopgave/hjemmeopgave.txt
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Normalfordelingen Statistik og Sandsynlighedsregning 2 Repetition og eksamen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige fejl på
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 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 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 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 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 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 mereBasal statistik 19. september Eksempel: To metoder, som forventes at skulle give samme resultat:
En- og to-stikprøve problemer, september 2006 1 Basal statistik 19. september 2006 En- og to-stikprøve problemer sammenligning af to situationer: parret t-test Wilcoxon signed rank test logaritmetransformation
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. 18. september 2007
Basal statistik 18. september 2007 En- og to-stikprøve problemer sammenligning af to situationer: parret t-test Wilcoxon signed rank test logaritmetransformation sammenligning af to grupper uparret t-test
Læs mereBasal statistik for sundhedsvidenskabelige forskere, efterår 2015 Udleveret 29. september, afleveres senest ved øvelserne i uge 44 (27.-30.
Hjemmeopgave Basal statistik for sundhedsvidenskabelige forskere, efterår 2015 Udleveret 29. september, afleveres senest ved øvelserne i uge 44 (27.-30. oktober) En undersøgelse blandt fødende kvinder
Læs mereBasal statistik. 18. september 2007
Basal statistik 18. september 2007 En- og to-stikprøve problemer sammenligning af to situationer: parret t-test Wilcoxon signed rank test logaritmetransformation sammenligning af to grupper uparret t-test
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 mereEksempel: To metoder, som forventes at skulle give samme resultat: MF: Transmitral volumetric flow, bestemt ved Doppler ekkokardiografi
En- og to-stikprøve problemer 1 En- og to-stikprøve problemer 2 Basal statistik 13. februar 2007 En- og to-stikprøve problemer sammenligning af to situationer: parret t-test Wilcoxon signed rank test logaritmetransformation
Læs mereFaculty of Health Sciences. Basal statistik. Den generelle lineære model mv. Lene Theil Skovgaard. 14. marts 2017
Faculty of Health Sciences Basal statistik Den generelle lineære model mv. Lene Theil Skovgaard 14. marts 2017 1 / 96 Den generelle lineære model mv. Ikke-lineære sammenhænge Opbygning af modeller Sammenligning
Læs mereBasal Statistik. Simpel lineær regression. Simpel lineær regression. Data. Faculty of Health Sciences
Faculty of Health Sciences Simpel lineær regression Basal Statistik Regressionsanalyse. Lene Theil Skovgaard 5. februar 2018 Regression og korrelation Simpel lineær regression Todimensionale normalfordelinger
Læs mereBasal statistik for lægevidenskabelige forskere, forår Udleveret 12. februar, afleveres senest ved øvelserne i uge 10 (6.-9.
Hjemmeopgave Basal statistik for lægevidenskabelige forskere, forår 2018 Udleveret 12. februar, afleveres senest ved øvelserne i uge 10 (6.-9.marts) I forbindelse med reagensglasbehandling blev 100 par
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 mereFaculty of Health Sciences. Basal Statistik. Regressionsanalyse. Lene Theil Skovgaard. 26. september 2017
Faculty of Health Sciences Basal Statistik Regressionsanalyse. Lene Theil Skovgaard 26. september 2017 1 / 85 Simpel lineær regression Regression og korrelation Simpel lineær regression Todimensionale
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 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 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 mere1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ
Indhold 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) 2 1.1 Variation indenfor og mellem grupper.......................... 2 1.2 F-test for ingen
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 meregrupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
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 mereBasal Statistik Variansanalyse. 24 september 2013
Basal Statistik Variansanalyse 24 september 2013 Michael Gamborg Institut for sygdomsforebyggelse Københavns Universitetshospital michael.orland.gamborg@regionh.dk Lene Theil Skovgaard biostat.ku.dk/~lts/basal/overheads/anova.pdf
Læs merePhd-kursus i Basal Statistik, Opgaver til 2. uge
Phd-kursus i Basal Statistik, Opgaver til 2. uge Opgave 1: Sædkvalitet Filen oeko.sav på hjemmesiden indeholder datamateriale til belysning af forskellen i sædkvalitet mellem SAS-ansatte og mænd, der lever
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 mereModule 4: Ensidig variansanalyse
Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2
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 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 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 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 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 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 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 mere