Lægevidenskabelig Embedseksamen, 6. semester Forår 2009 Epidemiologi og Biostatistik Rettevejledning
|
|
- Frida Eriksen
- 7 år siden
- Visninger:
Transkript
1 Lægevidenskabelig Embedseksamen, 6. semester Forår 2009 Epidemiologi og Biostatistik Rettevejledning Opgave 1. Angiv studiets formål, design og hvilke associationsmål, der bruges. Beskriv hovedresultaterne kort. Formålet med studiet er at sammenligne vægtøgning i mandlige japanske skifteholds arbejdere i forhold til dags-arbejdere. Design: Der er tale om et follow-up studie, hvor man over 14 år fra 1991 til 2005 har indrulleret i alt 7254 mandlige arbejdere på et japansk stålværk og fulgt deres BMI-øgning i forhold til skifteholdsarbejde vs. dagsarbejde. Brugte associationsmål er OR for BMI-øgning på 5, 7,5 og 10% i forhold til BMI ved indgang i studiet samt regressionskoefficienten fra en lineær regression af procentuel BMIøgning fra studieindgang. Hovedresultater: Korrigeret for BMI, alder, ryge- og drikke-vaner samt fysisk aktivitet fandt man en forhøjet risiko for BMI-øgning i alle 3 niveauer blandt skifteholdsarbejdere i forhold til dagsarbejdere, OR 5% = 1.14 ( ), OR 7,5% = 1.13 ( ) og OR 10% = 1.13 ( ). Sammenhængen ses også i en lineær regression af den procentuelle BMI-øgning β = (0.497, 0.671). Opgave 2. a) Angiv den undersøgte eksponering, og beskriv hvorledes den blev bestemt. Angiv tillige udfaldene, der studeres, og hvordan disse er blevet bestemt. b) Redegør for mulige informationsproblemer i studiet og vurder om de har konsekvenser for studiets interne validitet. 2a) Eksponeringen er skifteholdsarbejde (efter en nærmere defineret plan) i forhold til dagsarbejde. Oplysningerne er indhentet fra lønningslisterne i maj måned hvert år. Udfaldene er hhv. 5, 7,5 og 10% øgning af BMI i forhold til indgangen i studiet samt procentuel øgning af BMI i forhold til indgangen i studiet. BMI er beregnet fra højde og vægt indhentet ved de årlige helbredschecks. 2b) Indplacering i eksponeringsklasserne må antages at være ganske sikker, eftersom det er gjort ud fra lønningslisterne. Så der er ingen grund til at tro, at misklassifikation af eksponering når et omfang, der giver nævneværdig bias. Skulle der mod forventning være flere fejl, så er det ikke tænkeligt, at en eventuel misklassifikationen afhænger af hvor stor deres BMI-øgning er, hvorfor en sådan misklassifikation vil være ikkedifferentieret. Bestemmelse af højde og vægt vil være forbundet med en vis usikkerhed: 1
2 Hvor præcis er den automatiske vægt, står personen rank, når der måles etc. Alle er målt og vejet iført lette indendørsklæder og det giver en svag overvurdering af vægt og dermed BMI; en overvurdering hvis omfang kan være forskellig fra person til person afhængig af tøjet. Men det er næppe tilfældet at disse målefejl skulle afhænge af, om arbejderne er på skiftehold eller ej, og derfor vil vi forvente at det er ikke-differentieret. Ikke-differentieret misklassifikation vil for såvel OR som den lineære regressionskoefficient betyde bias mod ingen effekt og kan derfor ikke forklare den effekt, man har observeret. Opgave 3. Redegør for mulige selektionsproblemer i studiet og vurder, om de har konsekvenser for studiets interne validitet. At vi reelt ikke kender studiepopulationen er problematisk. Specielt eftersom vi kan se af de sparsomme tal for de multivariate data, at bortfaldet er skævt fordelt: des højere BMI-øgning, des større bortfald. Dvs. bortfaldet er mindst enkelt-skævt. Men vi ved ikke, hvordan det fordeler sig i forhold til daghold/skiftehold, så vi kan ikke afgøre, om det er dobbelt-skævt. Kun hvis bortfaldet er dobbelt-skævt vil det kunne give anledning til bias af OR. At personer med høj BMI-øgning er mere tilbøjelige til at bortfalde kan til gengæld her give bias mod mindre effekt i den lineære regression også selvom bortfaldet ikke er associeret med eksponeringsgrupperne. Er bortfaldet dobbelt-skævt, kan det påvirke regressionskoefficienten i begge retninger afhængig af fordelingen af bortfaldet: er det skifteholdarbejderne, der har det største bortfald, vil vi også her have bias mod en mindre regressionskoefficient. Under alle omstændigheder vil den reducerede studiepopulation give mindre styrke og større risiko for type 2 fejl, så det kan ikke forklare de statistisk signifikante resultater, der er observeret. Sammenfattende kan vi ikke udelukke dobbeltskævt bortfald som for begge associationsmål kan give bias i begge retninger. Men de enkelt-skæve bortfald, vi er sikre på er til stede, kan ikke forklare de effekter, der er observeret i studiet. Opgave 4. I Table 1 angives den ukorrigerede incidensrate for en BMI stigning på mindst 5% blandt personer med skifteholdsarbejde til at være 76.3 per 1000 år. a) Beregn det tilhørende 95% sikkerhedsinterval. b) Hvad er fortolkningen af dette interval? 2
3 4a) Incidensraten er fundet som 1395 cases (dvs personer med en BMI stigning på mindst 5%) i en løbet at en samlet risikotid på år. Et 95% sikkerhedsinterval bliver [72.35; 80.36] per 1000 år. Mellemregningerne fremgår af følgende tabel rate pr 1000 år ln rate selnrate lower upper b) Fortolkning af sikkerhedsintervallet: Med 95% sikkerhed/sandsynlighed vil den sande værdi af incidensraten blandt japanske skifteholdsarbejdere være større end per 1000 år og mindre end per 1000 år. Opgave 5 Vi ser fortsat på oplysningerne i Table 1. a) Beregn incidensrate ratioen for en BMI stigning på mindst 5% blandt skifteholdsarbejdere relativt til personer med dagarbejde. b) Beregn også det tilhørende 95% sikkerhedsinterval. c) Test hypotesen om samme incidensrate blandt personer med skifteholdsarbejde og personer med arbejde om dagen. Hvad er fortolkningen af p-værdien? d) Hvorfor er resultaterne beregnet i spørgsmål a), b) og c) ikke de samme som de resultater der præsenteres i Table 3 vedrørende betydningen af Job schedule type (shift/day)? 5a) Incidensraten blandt dagarbejdere er 70.5 per 1000 år (=1716 / år), så incidensrate ratioen bliver 76.3 / 70.5 = b) Et 95% sikkerhedsinterval for incidensrateratioen bliver [1.01; 1.16]. Mellemregningerne fremgår af følgende tabel IRR lnirr selnirr lower upper c) Hypotesen er IRR = 1 eller ln(irr) = 0. Teststørrelsen bliver z 2.156, så p-værdien bliver Hypotesen om samme incidensrate i de to grupper forkastes derfor. Fortolkning af p-værdien. Er der samme incidensrate i de to grupper vil incidensrate ratioen være 1.08 eller mere ekstrem (i forhold til 1) omkring 3 ud af 100 gange. 3
4 5d) I spørgsmål 5a), b) og c) beregnede vi ukorrigerede incidensrateratioer baseret på den samlede opfølgningstid. I tabel 3 beregnes korrigerede odds ratioer (øverst alderskorrigeret, nederst korrigeret for en række confoundere) fra en såkaldt pooled logistisk regression, hvor opfølgningstiden opdeles i 1 årsintervaller. Opgave 6. I Table 2 angives gennemsnit og standardafvigelse for alder, BMI, højde og vægt blandt deltagerne i hver af de to grupper. Tabellen oplyser desuden om andel deltagere med et dagligt alkoholindtag, andel rygere og andelen af personer, som sjældent dyrker motion. a) Brug disse oplysninger til at beregne et 95% prædiktionsinterval højden blandt for personer med skifteholdsarbejde og angiv hvilke forudsætninger der skal være opfyldt for at dette prædiktionsinterval kan bruges. b) Beregn et 95% sikkerhedsinterval for forskellen i højde (dag skiftehold) mellem de to grupper (dag skiftehold). c) Beregn for hver gruppe et 95% sikkerhedsinterval for andelen af rygere. 6a) Gennemsnit og spredning angives til hhv cm og 6.0 cm, så et 95% prædiktionsinterval for højden blandt skifteholdsarbejdere bliver [157.0; 180.6] cm. Hvis højdens fordeling i denne popualtion kan beskrives med en normalfordeling, vil man forvente at 95% af skifteholdsarbejderne har en højde som ligger i dette interval. 6b) Et 95% sikkerhedsinterval for højdeforskellen bliver [0.12; 0.68] cm. Mellemregningerne fremgår af følgende tabel dag skiftehold n mean sd sem differens 0.4 se(dif) % CI: lower % CI: upper c) Et 95% sikkerhedsinterval for andel af rygere blandt dagarbejdere bliver [0.558; 0.588]. For skifteholdsarbejdere får [0.662; 0.696]. Mellemregningerne fremgår af følgende tabel Andel rygere ryger I alt prop se(prop) lower upper Dag skiftehold Opgave 7 a) Med henblik på mulig confounding, gør rede for, hvad Table 2 fortæller om rygevaner, og gør rede for, hvilke oplysninger, vi yderligere må have for at afgøre, om 4
5 rygning er en confounder for associationen mellem arbejdsform (skiftehold eller dagarbejde) og BMI stigning (<5% eller 5%) b) Forfatterne har ment at alder, BMI, drikkevaner, rygevaner og fysisk aktivitet er confoundere for associationen mellem arbejdsform og BMI-stigning. Er den alderskorrigerede oddsratio biased pga. confounding af BMI, drikkevaner, rygevaner og fysisk aktivitet? Begrund dit svar. 7a) Table 2 viser at 57.3% af dagsarbejderne og 67.9% af skifteholdsarbejderne ryger. Det betyder, at rygning er skævt fordelt mellem de to eksponeringsgrupper. For at afgøre, om rygning er confounder for sammenhængen mellem arbejdsform og BMI-stigning mangler vi at vide, om rygning er en selvstændig årsag til BMI-øgning, og om rygning er en del af årsagskæden fra skifteholdsarbejde til BMI-øgning. Det sidste er nok ikke tilfældet. 7b) Nej, der er ingen forskel i de to estimater, og dermed er der ingen bias. Opgave 8 Diskuter om confounderproblematikken er løst i tilstrækkelig grad i denne artikel og vurder konsekvenserne for den interne validitet. Forfatterne har justeret deres analyser for nogle potentielle confoundere, og der var ingen forskel mellem de alders-korrigerede og de multivariable-korrigerede OR estimater. Vi ved ikke, om der var ændringer i β koefficienten, da vi ikke har information om det alderskorrigeret estimat. Men der er mulighed for residual confounding i begge associationsmål, da drikke-, ryge-, og motionsvaner var groft kodet (Ja/Nej). Der er også mulighed for confounding af ukendte eller umålte confoundere, f.eks. SES og uddannelse, som forfatterne dog i diskussionsafsnittet argumenterer for er meget ens blandt de to grupper. Kost- og spise-mønstre kan variere mellem de to eksponeringsgrupper. Andre studier har vist, at skifteholdsarbejdere indtager flere måltider end dagarbejdere. For at kost- og spise-mønstre kan være confoundere, skal et ekstra måltid og frituremad være uafhængige risikofaktorer for BMI-øgning (hvilket de nok er), og de må ikke være led i årsagskæden. Anekdotemæssigt, kan man godt argumentere for at skifteholdsarbejde, med varierende måltids tidspunkter og evt. søvnmangel kan bidrage til et øget indtag af frituremad. Derfor er disse kost- og spise-mønstre nok et led i årsagskæden mellem skifteholdsarbejde og BMI-stigning, og derfor ikke confoundere. Det er svært at afgøre, om der reelt kan være confounding i så stort et omfang, at det kan forklare de observerede effekter. Opgave 9 I Table 3 præsenteres resultaterne af en række logistiske regressionsanalyser. Vi vil her se på den fuldt justerede analyse af prædiktorer for en BMI stigning på mindst 5%. Betragt to personer, Tanaka og Fujita, som begge deltager i undersøgelsen. Tanaka og Fujita har følgende værdier af prædiktorerne i Table 3: Tanaka Fujita 5
6 Job schedule shift day BMI Age Drinking habits every day not every day Smoking habits smoker non-smoker Habitual exercise presence absence a) Beregn en odds ratio (uden sikkerhedsinterval) som beskriver Tanakas odds for en BMI stigning på mindst 5% relativt til Fujitas odds. b) Hvad er Tanakas sandsynlighed for en BMI stigning på mindst 5%, hvis Fujitas sandsynlighed kan beregnes til at være 0.35? 9a) Først beregnes Tanakas og Fuijitas odds ratio relativt til en reference person. Vi får hhv og 0.509, jf tabellen nedenfor Tanaka Fujita relativt til reference Tanakas odds ratio relativt til Fujitas bliver derfor 1.35 (= / 0.509). 9b) Fujitas sandsynlighed (risiko) er 0.35, så hans odds er (= 0.35 /(1 0.35)). Tanakas odds er derfor (=1.35 * 0.538) og hans risiko bliver derfor 0.42 (=0.725 /( )). Opgave 10 I Table 4 vises resultaterne af en multipel lineær regression hvor den afhængige variabel er den procentvise BMI stigning, d.v.s. BMI slut BMI start 100% BMIstart Regressionskoefficienterne (unstandardized coefficients) viser betydningen af de betragtede prædiktorer. a) Hvad er fortolkningen af regressionskoefficienten og det tilhørende 95% sikkerhedsinterval for Job schedule type? b) Sammenlign resultaterne i Table 3 og Table 4. Er der nogle af de 6 betragtede prædiktorer hvis betydning for en BMI stigning vurderes væsentligt forskelligt i de to typer analyser? 10a) Regressionskoefficienten for Job schedule er Det betyder at den forventede stigning i BMI er procentpoint højere for en person med skifteholdsarbejde 6
7 sammenlignet med en person i dagarbejde, når de to personer i øvrigt er ens for så vidt angår alder, BMI, alkohol-, ryge- og motionsvaner. 10b) Af tabel 3 fremgår det at skifteholdsarbejde, øget BMI, rygning og ingen motion forøger risikoen for en BMI stigning over 5% og også over de to andre grænseværdier. På tilsvarende vis ses det at høj alder og dagligt alkoholforbrug nedsætter risikoen. Dette følger at OR er enten større end 1 eller mindre end 1. Af tabel 4 fremgår det at den forventede procentvise BMI stigning vokser hvis man har skifteholdsarbejde, højt BMI og ikke dyrker motion, mens den forventede procentvise BMI stigning reduceres, hvis alderen er høj, hvis man drikker dagligt og hvis man ryger. Rygning vurderes derfor forskelligt i de to analyser. I tabel 3 er rygning en (ikkesignifikant) risikofaktor for en stor procentvis BMI stigning, mens rygning i Tabel 4 er en beskyttende faktor for en procentvis BMI stigning. Opgave 11 I en europæisk undersøgelse har man også undersøgt sammenhængen mellem skifteholdsarbejde og ændring i BMI. For en BMI stigning på mindst 10% fandt man ved hjælp af en logistisk regressionsanalyse en alderskorrigeret odds ratio på 1.32 (95% CI: 1.14; 1.53) for skifteholdsarbejde relativt til dagarbejde. a) Hvad er det tilsvarende estimat i den japanske undersøgelse? b) Sammenlign dette estimat med det tilsvarende den japanske estimat ved at teste hypotesen om samme alderskorrigerede odds ratio i de to studier. 11a) I artiklens Table 3 ses det, at det tilsvarende estimat i den japanske undersøgelse er 1.11 med 95% CI: 0.99; b) De to odds ratioer sammenlignes ved at se på differensen af log-værdierne. Teststørrelsen bliver z = / = 1.81, svarende til en p-værdi på 7%. Mellemregningerne fremgår af følgende tabel ln-værdi seln OR low upp OR low upp diff Der er således ikke signifikant forskel på de to studiers fund. 7
8 Opgave 12 Angiv forfatternes hovedkonklusion og diskuter den eksterne validitet af studiets fund. Hovedkonklusionen er, at skifteholdsarbejde er en uafhængig risikofaktor for vægt-øgning i japanske arbejdere. Det er sikkert rimeligt at antage, at disse resultater kan overføres til andre mandlige japanske arbejdere på lignende arbejdspladser, der har lignende skifteholdsskemaer. Dog er der mulighed for residual confounding i dette studie, så direkte overførsel af OR resultaterne skal foretages med forsigtighed. Da forfatterne henviser til lignende resultater i litteraturen om kvindelige sygeplejersker i vesten (på nattehold), kan hovedtrækkene i resultaterne nok overføres mere generelt, med de forbehold at kost, rygevaner osv. varierer meget mellem kulturer sådan at de enkelte associationsmåls estimater nok ikke kan overføres. 8
Besvarelse af opgavesættet ved Reeksamen forår 2008
Besvarelse af opgavesættet ved Reeksamen forår 2008 10. marts 2008 1. Angiv formål med undersøgelsen. Beskriv kort hvordan cases og kontroller er udvalgt. Vurder om kontrolgruppen i det aktuelle studie
Læs mereEn teoretisk årsagsmodel: Operationalisering: Vurdering af epidemiologiske undersøgelser. 1. Informationsproblemer Darts et eksempel på målefejl
Vurdering af epidemiologiske undersøgelser Jørn Attermann. februar 00 I denne forelæsning vil vi se på fejl, som kan have betydning for fortolkningen af resultater fra epidemiologiske undersøgelser. Traditionelt
Læs mereMåleproblemer. Fejlkilder og tolkningsproblemer. Usikkerhed og bias. Stikprøveusikkerhed. Epidemiologi og Biostatistik (version
Måleproblemer A B Fejlkilder og tolkningsproblemer Svend Juul, 19. september 2007 C D 1 2 Usikkerhed og bias De vigtigste kilder til usikkerhed og bias Præcision, sikkerhed, reproducerbarhed, ryster ikke
Læs mereEn teoretisk årsagsmodel: Operationalisering: Vurdering af epidemiologiske undersøgelser. 1. Informationsproblemer Eksempler på målefejl
Vurdering af epidemiologiske undersøgelser Jørn Attermann 6. februar 2006 I denne forelæsning vil vi se på fejl, som kan have betydning for fortolkningen af resultater fra epidemiologiske undersøgelser.
Læs mereSKRIFTLIG EKSAMEN I BIOSTATISTIK OG EPIDEMIOLOGI Cand.Scient.San, 2. semester 20. februar 2015 (3 timer)
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N SKRIFTLIG EKSAMEN I BIOSTATISTIK OG EPIDEMIOLOGI
Læs mereIntern validitet: Fejlkilder og tolkningsproblemer i epidemiologiske undersøgelser
Intern validitet: Fejlkilder og tolkningsproblemer i epidemiologiske undersøgelser Jørn Attermann 23. september 2009 Vurdering af den interne validitet af en epidemiologisk undersøgelse: Informationsproblemer
Læs mereVurdering af epidemiologiske undersøgelser igen
Vurdering af epidemiologiske undersøgelser igen kob Grove 13. februar, 2006 Program Confounding og effektmodifikation Hvad er confounding Hvad er effektmodifikation Er der confounding eller effektmodifikation
Læs mereEpidemiologi og Biostatistik Opgaver i Biostatistik Uge 4: 2. marts
Århus 27. februar 2011 Morten Frydenberg Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 4: 2. marts Epibasic er nu opdateret til version 2.02 (obs. der er ikke ændret ved arket C-risk) Start med
Læs mereAnalyse af binære responsvariable
Analyse af binære responsvariable Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet 23. november 2012 Har mænd lettere ved at komme ind på Berkeley? UC Berkeley
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Mantel-Haenszel analyser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Mantel-Haenszel analyser Mantel-Haenszel analyser Sidst lærte vi om stratificerede analyser. I dag kigger vi på et specialtilfælde: både exposure
Læs mereFejlkilder. Ulrik Schiøler Kesmodel. Rikke Guldberg Øjvind Lidegaard
Fejlkilder Ulrik Schiøler Kesmodel Rikke Guldberg Øjvind Lidegaard Fejlkilder 1. Selektionsproblemer 2. Informationsproblemer 3. Confounding Generelle overvejelser I Det estimat for hyppighed, som vi måler
Læs mereREEKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N REEKSAMEN I EPIDEMIOLOGISKE METODER IT
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 mereKommentarer til spørgsmålene til artikel 1: Ethnic differences in mortality from sudden death syndrome in New Zealand, Mitchell et al., BMJ 1993.
Kommentarer til spørgsmålene til artikel 1: Ethnic differences in mortality from sudden death syndrome in New Zealand, Mitchell et al., BMJ 1993. 1. Det anføres, at OR for maorier vs. ikke-maorier er 3.81.
Læs mereVurdering af epidemiologiske undersøgelser. Epidemiologisk forskning
Vurdering af epidemiologiske undersøgelser Epidemiologisk forskning Mogens Vestergaard Institut for Epidemiologi og Socialmedicin Aarhus Universitet mv@soci.au.dk At belyse en videnskabelig hypotese ved
Læs mereMålsætning. Vurdering af epidemiologiske undersøgelser
Vurdering af epidemiologiske undersøgelser Målsætning Mogens Vestergaard Institut for Epidemiologi og Socialmedicin Aarhus Universitet At belyse en videnskabelig problemstilling ved at indsamle, analysere
Læs mereConfounding. Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk. Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab
Afdeling for Social medicin Confounding Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 28. maj 2015 l Dias nummer 1 Sidste
Læs mereORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
Læs mereRE-EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N RE-EKSAMEN I EPIDEMIOLOGISKE METODER IT
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 mereMorten Frydenberg Biostatistik version dato:
Caerphilly studiet Design og Data Biostatistik uge 14 mandag Morten Frydenberg, Afdeling for Biostatistik Poisson regression En primær tidsakse og ikke stykkevise konstante rater Cox proportional hazard
Læs mere1. februar Lungefunktions data fra tirsdags Gennemsnit l/min
Epidemiologi og biostatistik Uge, torsdag 3. februar 005 Morten Frydenberg, Afdeling for Biostatistik. og hoste estimation sikkerhedsintervaller antagelr Normalfordelingen Prædiktion Statistisk test (ud
Læs mereConfounding. Mads Kamper-Jørgensen, lektor, Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab
Afdeling for Social medicin Confounding Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk, Institut for Folkesundhedsvidenskab Sundhed og informatik l 6. juni 2017 l Dias nummer 1 Sidste gang Vi snakkede
Læs mereORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Stratificerede analyser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Stratificerede analyser Dødsstraf-eksempel Betyder morderens farve noget for risikoen for dødsstraf? 1 Dødsstraf-eksempel: data Variable: Dødsstraf
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 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 mereEpidemiologiske associationsmål
Epidemiologiske associationsmål Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 21. april 2016 l Dias nummer 1 Sidste gang
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 mere4. september 2003. π B = Lungefunktions data fra tirsdags Gennemsnit l/min
Epidemiologi og biostatistik Uge, torsdag 28. august 2003 Morten Frydenberg, Institut for Biostatistik. og hoste estimation sikkerhedsintervaller antagelr Normalfordelingen Prædiktion Statistisk test (udfra
Læs mereFejlkilder. Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Marts 2011
Fejlkilder Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Marts 2011 Læringsmål Tilfældig variation Selektionsproblemer Informationsproblemer Confounding Effekt modifikation
Læs mereLogistisk regression. Statistik Kandidatuddannelsen i Folkesundhedsvidenskab
Logistis regression Statisti Kandidatuddannelsen i Folesundhedsvidensab Multipel logistis regression Antagelser: Binære observationer (Y i, i=,.,n) f.es Ja/Nej Høj/Lav Død/Levende Kodet: / 0 Y i uafhængige
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 mereVurdering af epidemiologiske undersøgelser igen
Vurdering af epidemiologiske undersøgelser igen kob Grove 12. september, 2005 Program Confounding og effektmodifikation Hvad er confounding Hvad er effektmodifikation Er der confounding eller effektmodifikation
Læs mereORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
Læs mereEpidemiologiske associationsmål
Epidemiologiske associationsmål Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 16. april 2015 l Dias nummer 1 Sidste gang
Læs mereLøsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06)
Afdeling for Biostatistik Bo Martin Bibby 23. november 2006 Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06) Vi betragter 4699 personer fra Framingham-studiet. Der er oplysninger om follow-up
Læs mere6. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag)
Institut for Epidemiologi og Socialmedicin Institut for Biostatistik. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag) Opgave 1 Læs afsnit.1 i An Introduction to Medical Statistics, specielt
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 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 merePopulation attributable fraction
Population attributable fraction Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 2. juni 2015 l Dias nummer 1 Sidste gang
Læs mere6. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag)
Institut for Folkesundhed Afdeling for Biostatistik Afdeling for Epidemiologi. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag) Opgave 1 Udgangspunktet for de følgende spørgsmål er artiklen:
Læs mere9. Chi-i-anden test, case-control data, logistisk regression.
Biostatistik - Cand.Scient.San. 2. semester Karl Bang Christensen Biostatististisk afdeling, KU kach@biostat.ku.dk, 35327491 9. Chi-i-anden test, case-control data, logistisk regression. http://biostat.ku.dk/~kach/css2014/
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 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 mereNoter til SfR checkliste 3 Kohorteundersøgelser
Noter til SfR checkliste 3 Kohorteundersøgelser Denne checkliste anvendes til undersøgelser som er designet til at besvare spørgsmål af typen hvad er effekten af denne eksponering?. Den relaterer sig til
Læs mereKursus i Epidemiologi og Biostatistik. Epidemiologiske mål. Studiedesign. Svend Juul
Kursus i Epidemiologi og Biostatistik Epidemiologiske mål Studiedesign Svend Juul 1 Pludselig uventet spædbarnsdød (vuggedød, Sudden Infant Death Syndrome, SIDS) Uventet dødsfald hos et rask spædbarn (8
Læs mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
Læs mereMorten Frydenberg Biostatistik version dato:
Tye og Tye 2 fejl Statistisk styrke Biostatistik uge 2 mandag Morten Frydenberg, Afdeling for Biostatistik Styrkeovervejelser i lanlægning af et studie Logistisk regression Præterm fødsel, rygning, alder,
Læs mereKorrelation Pearson korrelationen
-9- Eidemiologi og biostatistik. Forelæsning Uge, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Korrelation Kliniske målinger - Kliniske målinger og variationskilder - Estimation af størrelsen
Læs merePræcision og effektivitet (efficiency)?
Case-kontrol studier PhD kursus i Epidemiologi Københavns Universitet 18 Sep 2012 Søren Friis Center for Kræftforskning, Kræftens Bekæmpelse Valg af design Problemstilling? Validitet? Præcision og effektivitet
Læs mereEffektmålsmodifikation
Effektmålsmodifikation Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 21. april 2015 l Dias nummer 1 Sidste gang Vi snakkede
Læs mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mereORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2200 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
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 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 mereOR stiger eksponentielt med forskellen i BMI komplicet model svær at forstå og analysere simpel model
Epidemiologi og biostatistik. Uge 5, torsdag. marts 1 Morten Frydenberg, Institut for Biostatistik. 1 Analyse af overlevelsesdata (ventetidsdata) Censurering (højre + andet) Kaplan-Meyer kurver Det statistiske
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 mereEt psykisk belastende arbejde har store konsekvenser for helbredet
Flere gode år på arbejdsmarkedet 5. maj 2017 Et psykisk belastende arbejde har store konsekvenser for helbredet Risikoen for at have et dårligt psykisk helbred mere end fordobles for personer med et belastende
Læs mereSelektionsbias. Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk. Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab
Selektionsbias Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 21. maj 2015 l Dias nummer 1 Sidste gang Vi snakkede om Præcision:
Læs mereSammenhængsanalyser. Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt.
Sammenhængsanalyser Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt. rygevaner som 45 årig * helbred som 51 årig Crosstabulation rygevaner
Læs mereStatistik II 4. Lektion. Logistisk regression
Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Uafhængighedstestet
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Uafhængighedstestet Eksempel: Bissau data Data kommer fra Guinea-Bissau i Vestafrika: 5273 børn blev undersøgt da de var yngre end 7 mdr og blev
Læs mereProgram. Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve I SAS. Øvelse: effekt af diæter
Program Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Øvelse: effekt af diæter. Repetition fra sidst... Parrede og ikke-parrede
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 mereEt fysisk hårdt arbejdsliv har store konsekvenser for helbred og tilbagetrækning
Flere gode år på arbejdsmarkedet 5. maj 2017 Et fysisk hårdt arbejdsliv har store konsekvenser for helbred og tilbagetrækning Et hårdt arbejdsliv har store konsekvenser for helbredet og tilknytningen til
Læs mereEksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik.
Epidemiologi og biostatistik. Uge, tirsdag. Erik Parner, Institut for Biostatistik. Generelt om statistik Dataanalysen - Deskriptiv statistik - Statistisk inferens Sammenligning af to grupper med kontinuerte
Læs mereMPH Introduktionsmodul: Epidemiologi og Biostatistik 23.09.2003
Opgave 1 (mandag) Figuren nedenfor viser tilfælde af mononukleose i en lille population bestående af 20 personer. Start og slut på en sygdoms periode er angivet med. 20 15 person number 10 5 1 July 1970
Læs mereEks. 1: Kontinuert variabel som i princippet kan måles med uendelig præcision. tid, vægt,
Statistik noter Indhold Datatyper... 2 Middelværdi og standardafvigelse... 2 Normalfordelingen og en stikprøve... 2 prædiktionsinteval... 3 Beregne andel mellem 2 værdier, eller over og unden en værdi
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 mere2 Epidemiologi og biostatistik. Uge 5, mandag 26. september 2005 Michael Væth, Institut for Biostatistik
... september 1 Epidemiologi og biostatistik. Uge, mandag. september Michael Væth, Institut for Biostatistik. Ikke parametrisk statistiske test : Analyse af overlevelsesdata (ventetidsdata) Censurering
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 mereEpidemiologi og Biostatistik Opgaver i Biostatistik Uge 7: 23. marts
Århus 19. marts 2011 Morten Frydenberg Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 7: 23. marts Epibasic er nu opdateret til version 2.04 med arkene Str any og weighted Alle tabeller og tegninger
Læs mereStudiedesigns: Kohorteundersøgelser
Studiedesigns: Kohorteundersøgelser Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 3. maj 2016 l Dias nummer 1 Sidste gang
Læs mereEpidemiologiske mål Studiedesign
Epidemiologiske mål Studiedesign Svend Juul Pludselig uventet spædbarnsdød Sudden Infant Death Syndrome, SIDS Uventet dødsfald hos et rask spædbarn. Obduktion o.a. giver ingen forklaring. Hyppigheden -doblet
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 mereEffektmålsmodifikation
Effektmålsmodifikation Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab Sundhed og informatik l 25. april 2017 l Dias nummer 1 Sidste gang
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 mereVirksomhedspraktik til flygtninge
Virksomhedspraktik til flygtninge Af Lasse Vej Toft, LVT@kl.dk Formålet med dette analysenotat er, at give viden om hvad der har betydning for om flygtninge kommer i arbejde efter virksomhedspraktik Analysens
Læs mereHyppigheds- og associationsmål. Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Februar 2011
Hyppigheds- og associationsmål Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Februar 2011 Læringsmål Incidens Incidens rate Incidens proportion Prævalens proportion
Læs mereResumé: En statistisk analyse resulterer ofte i : Et estimat θˆmed en tilhørende se
Epidemiologi og biostatistik. Uge, torsdag 5. februar 00 Morten Frydenberg, Institut for Biostatistik. Type og type fejl Statistisk styrke Nogle speciale metoder: Normalfordelte data : t-test eksakte sikkerhedsintervaller
Læs mereNoter til SfR checkliste 4 - Casekontrolundersøgelser
Noter til SfR checkliste 4 - Casekontrolundersøgelser Denne checkliste anvendes til undersøgelser, som er designet til at besvare spørgsmål af typen hvilke faktorer forårsagede denne hændelse?, og inddrager
Læs mereTræningsaktiviteter dag 3
Træningsaktiviteter dag 3 I træningsaktiviteterne skal I arbejde videre med Framingham data og risikoen for hjertesygdom. I skal dels lave MH-analyser som vi gjorde i timerne og dels lave en multipel logistisk
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 mereVurdering af det Randomiserede kliniske forsøg RCT
Vurdering af det Randomiserede kliniske forsøg RCT Evidensbaseret Praksis DF Region Nord Marts 2011 Jane Andreasen, udviklingsterapeut og forskningsansvarlig, MLP. Ergoterapi- og fysioterapiafdelingen,
Læs mereEpidemiologi og Biostatistik (version 19.09.2008)
En model Fejlkilder og tolkningsproblemer i epidemiologiske undersøgelser Jørn Attermann. september 008 For meningsfuldt at kunne diskutere fejlkilder og fortolkningsproblemer må vi have en model for det,
Læs mereEksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet
Eksamen ved Københavns Universitet i Kvantitative forskningsmetoder Det Samfundsvidenskabelige Fakultet 14. december 2011 Eksamensnummer: 5 14. december 2011 Side 1 af 6 1) Af boxplottet kan man aflæse,
Læs mere25. april Probability of Developing Coronary Heart Disease in 6 years. Women (Aged 35-70) 160 No Yes
25. april 2. gang: Introduktion til Logistisk Regression Morten Frydenberg 22 Institut for Biostatistik, Århus Universitet MPH. studieår specialmodul Cand. San. uddannelsen. studieår Hvorfor logistisk
Læs mereØvelse 7: Aktuar-tabeller, Kaplan-Meier kurver og log-rank test
Øvelse 7: Aktuar-tabeller, Kaplan-Meier kurver og log-rank test Formålet med øvelsen er at analysere risikoen for død forbundet med forskelligt alkoholforbrug. I denne øvelse skal analyserne foretages
Læs mere13.1 Substrat Polynomiel regression Biomasse Kreatinin Læsefærdighed Protein og højde...
Modul 13: Exercises 13.1 Substrat.......................... 1 13.2 Polynomiel regression.................. 3 13.3 Biomasse.......................... 4 13.4 Kreatinin.......................... 7 13.5 Læsefærdighed......................
Læs mere24. februar Analyse af overlevelsesdata (ventetidsdata) Ikke parametrisk statistiske test : Det statistiske modelbegreb Modelselektion
. februar 00 Ikke parametrisk statistiske test : Ideen bag Epidemiologi og biostatistik. Uge, mandag. februar 00 Morten Frydenberg, Institut for Biostatistik. To grupper: Mann-Whitney / Wilcoxon testet
Læs mereMorten Frydenberg 25. april 2006
. gang: Introduktion til Logistisk Regression Morten Frydenberg 26 Afdeling for Biostatistik, Århus Universitet MPH. studieår specialmodul 4 Cand. San. uddannelsen. studieår Hvorfor logistisk regression
Læs mere13.1 Substrat Polynomiel regression Biomasse Kreatinin Læsefærdighed Protein og højde...
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 13: Exercises 13.1 Substrat........................................ 1 13.2 Polynomiel regression................................
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 merePostoperative komplikationer
Løsninger til øvelser i kategoriske data, oktober 2008 1 Postoperative komplikationer Udgangspunktet for vurdering af den ny metode må være en nulhypotese om at der er samme komplikationshyppighed, 20%.
Læs mereRegneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)
Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen
Læs mereVed undervisningen i epidemiologi/statistik den 8. og 10. november 2011 vil vi lægge hovedvægten på en fælles diskussion af følgende fire artikler:
Kære MPH-studerende Ved undervisningen i epidemiologi/statistik den 8. og 10. november 2011 vil vi lægge hovedvægten på en fælles diskussion af følgende fire artikler: 1. E.A. Mitchell et al. Ethnic differences
Læs mereStatistiske principper
Statistiske principper 1) Likelihood princippet - Maximum likelihood estimater - Likelihood ratio tests - Deviance 2) Modelbegrebet - Modelkontrol 3) Sufficient datareduktion 4) Likelihood inferens i praksis
Læs mereHver anden vil benytte øget åbningstid i dagtilbud
Børnefamiliers dagtilbud og arbejdsliv 17. maj 18 Hver anden vil benytte øget åbningstid i dagtilbud Halvdelen af alle lønmodtagere med børn mellem -13 år ville benytte sig af udvidede åbningstider i deres
Læs mere