Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Stratificerede analyser
|
|
- Thor Henriksen
- 6 år siden
- Visninger:
Transkript
1 Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Stratificerede analyser
2 Dødsstraf-eksempel Betyder morderens farve noget for risikoen for dødsstraf? 1
3 Dødsstraf-eksempel: data Variable: Dødsstraf og morders farve Race Dødsstraf Ja Nej Total Hvid 72 (3.2%) Sort 59 (2.4%) Total Hvide får oftere dødsstraf end sorte. Er det mon statistisk signifikant? 2
4 χ 2 -testet A A 1 A 2 Total B B 1 n 11 n 12 n 1 B 2 n 21 n 22 n 2 Total n 1 n 2 n Testet baseret på teststørrelsen χ 2 = ij (n ij E ij ) 2 E ij Stor X 2 -værdi betyder ikke uafhængighed. Under H 0 føgler teststørrelsen en χ 2 1-fordeling. 3
5 Beregning af p-værdien Observeret Forventet under H 0 Dødsstraf Ja Nej Hvid Sort Dødsstraf Ja Nej Hvid Sort Uafhængighed mellem race og dødsstraf, hvis andelen af hvide og sorte får dødsstraf er lige stor Ex. E 11 = = 62.1 χ 2 -test giver X 2 = ( ) ( )2 ( )2 ( ) p=0.078, forskellen er ikke signifikant. =
6 Confounding En variabel er en confounder for relationen mellem en exposure og outcome, hvis: variablen selv er en risikofaktor for outcome variablen er associeret til exposure (uden at være en konsekvens af den) exposure confounder outcome I dødsstraf-eksemplet har vi faktisk også information om offerets farve 5
7 Dødsstraf-eksempel X 2 = 3.11, df = 1, p =
8 Sammenhæng: morders farve - offerets farve Hvide dræber hvide, sorte dræber sorte X 2 = 3325, df = 1, p <
9 Sammenhæng: offerets farve - dødsstraf Hvis offeret er hvidt er der større risiko for dødsstraf X 2 = 88.6, df = 1, p <
10 Offerets farve er en confounder 1. Hvide slår hvide ihjel. 2. Hvis offeret er hvidt er risikoen for dødsstraf forhøjet. 1+2 betyder at risiko for dødsstraf kommer til at se høj ud for hvide mordere. Hvide mordere dømmes oftere fordi de slår hvide ihjel. Confounding kan f.eks håndteres ved at statificere efter confounderen. Dvs se på sammenhæng mellem morders race og dødsstraf for hver værdi af offerets farve. Er der stadig sammenhæng når vi ser på mordsager hvor offeret har en bestemt farve? 9
11 Dødsstraf-eksempel: stratificeret analyse Sort offer: X 2 = 0.55 df = 1, p = 0.59 Hvidt offer: X 2 = 96.5 df = 1, p <
12 Dødsstraf-eksempel: konklusion Farve på morder påvirker risiko for dødsstraf. Både når offeret er sort og hvidt er der større risiko for dødsstraf hvis morderen er sort. Denne tendens er dog kun statistisk signifikant når man kigger på sager hvor offeret er hvidt. Der er meget få dødsstraffe når offeret er sort. 11
13 Hvad gjorde vi? Race Dødsstraf Ja Nej Total Hvid 72 (3.2%) Sort 59 (2.4%) Total Opsplittede en to-vejs tabel efter en tredie variabel stratificere (epidemiologi) elaborere (sociologi) kontrollere for, betinge med (statistik) Afdækkede en skjult sammenhæng 12
14 Confounding Hvis vi glemmer at tage hensyn til en confounder, bliver vores analyse misvisende (biased). Stratificerede analyser: er den simpleste måde at medtage confounderen i analysen Stratificeres efter en confounder vil de stratificerede tabeller typisk viser en anden sammenhæng end den der er i den marginale analyse. Simpsons paradox: sammenhængen ændrede retning. Maginal analyse: hvide dømmes hårdest. Stratificeret analyse: hvide dømmes mildest. 13
15 Hvordan ved vi om vi har medtaget alle confounders? Det ved vi ikke. Meget vigtigt at tænke over dette når studiet designes. Sørg for at få målt potentielle confounders. Manglende information om confounders er ofte et problem i registerstudier. Randomiseret studie. Eksponeringen er tildelt tilfældigt og hænger derfor ikke sammen med andre variable. 14
16 Bolig vs. hjertesygdom Bolig Hjertesygdom Nej Ja Total Ejerbolig (3.1%) 2477 Lejerbolig (4.5%) 1906 χ 2 = 5.5, df = 1, p = 0.01 OR = 77/ /1821 = 0.69, 95% CI : Det må være godt at bo i ejerbolig? Mulige confounder-variable? Hvad med rygning? 15
17 Selv risikofaktor? Ryger Hjertesygdom Nej Ja Total Ja (4.9%) 1657 Nej (3.0%) 2726 χ 2 = 10.6, df = 1, p=0.001, OR = 1.68, 95% CI :
18 Associeret til exposure? Bolig Ryger Nej Ja Total Eje (28.5%) 2477 Leje (49.8%) 1906 χ 2 = 208, df = 1, P< OR = 0.40, 95% CI : Rygning er altså en confounder 17
19 Bolig vs. hjertesygdom Rygere: Bolig Hjertesygdom Nej Ja Total Ejerbolig (2.7%) 1770 Lejerbolig (3.5%) 956 Ikke rygere: OR=0.78, 95% CI: Bolig Hjertesygdom Nej Ja Total Ejerbolig (4.1%) 707 Lejerbolig (5.5%) 950 OR=0.74, 95% CI:
20 Odds-ratio-værdier OR 95% CI Ikke stratificeret 0.69 ( ) Ikke rygere 0.78 ( ) Rygere 0.74 ( ) Efter kontrol for rygning er effekten af boligtype på hjertesygdom blevet svagere måske mangler vi andre confounder-variable? 19
21 Betinget uafhængighed Boligtype og hjertesygdom er betinget uafhængige givet rygestatus, hvis bolig og hjerte sygdom er uafhænige for hver værdi af rygestatus. For hverken rygere eller ikke-rygere var sammenhængen mellem boligtype og hjertesygdom signifikant. Analysen tyder altså på at de to variable er betinget uafhængige givet rygestatus. Dødsstraf-eksemplet: Er morders farve og dødsstraf betinget uafhængige givet offerets farve? 20
22 Betinget uafhængighed mellem exposure og outcome exposure confounder outcome exposure og outcome er afhængige udelukkende fordi de begge afhænger af confounderen 21
23 Generel stratificeret analyse Confounder Z kan antage k forskellige værdier Z = 1 Z = z Z = k Outcome exp Ja Nej ja a 1 b 1... Outcome exp Ja Nej ja a z b z... Outcome exp Ja Nej ja a k b k nej c 1 d 1 nej c z d z nej c k d k ÔR 1 ÔR z ÔR k 22
24 Betinget uafhængighed Confounder Z kan antage k forskellige værdier Z = 1 Z = z Z = k Outcome exp Ja Nej ja a 1 b 1 nej c 1 d 1... Outcome exp Ja Nej ja a z b z nej c z d z... Outcome exp Ja Nej ja a k b k nej c k d k OR 1 = 1 OR z = 1 OR k = 1 23
25 Effekt-modifikation Sammenhængen mellem exposure og outcome er forskellig i deltabellerne der opnås når der statificeres efter en effektmodifikator. OR 95% CI Ikke rygere 0.78 ( ) Rygere 0.74 ( ) Rygning er en confounder i relationen mellem boligtype og hjertesygdom, men rygning ser ikke udtil at være en effektmodifikator (OR næsten ens) Næste gang skal vi lære hvordan man formeldt tester for effekt modifikation. 24
26 Effekt modifikation Effekt-modifikator Z kan antage k forskellige værdier Z = 1 Z = z Z = k Outcome exp Ja Nej ja a 1 b 1 nej c 1 d 1... Outcome exp Ja Nej ja a z b z nej c z d z... Outcome exp Ja Nej ja a k b k nej c k d k OR 1 = 0.5 OR z = 1 OR k = 3 25
27 R C-tabeller χ 2 -testet kan direkte generaliseres til R C-tabeller Observeret tabel sammenlignes med forventet tabel. Uafhængigshedshypotesen kan også testes ved γ-test 26
28 To kohoter af 70-årige fra Københavns Amt Boligstandard (god eller dårlig). Tilknytning til arbejdsmarkedet (Fuldtidsarbejde, deltidsarbejde, pensioneret og ingen tilknytning). Uddannelse (restgruppen, 9-12 års uddannelse og mere end 12 års uddannelse). Ægteskabelig status (gift eller alene). Køn Kohorteår: (1967 og 1984). 27
29 Sammenhæng mellem arbejde og bolig bolig arbj. tilknyt. god dårlig fuldtid (30.3%) deltid (17.8%) pens (17.5%) ingen (23.0%) H 0 : Uafhængighed mellem tilknytning til arejdsmarkedet og bolig Definer: p i ssh for dårlig bolig i gruppe i, i = 1,..., 4 H 0 : p 1 = p 2 = p 3 = p 4 28
30 Testresultater: arbejde vs bolig bolig arbj. tilknyt. god dårlig fuldtid (30.3%) deltid (17.8%) pens (17.5%) ingen (23.0%) χ 2 = 12.9, df = 3, p = 0.005, γ = 0.04, p = 0.60 Hvorfor er γ ikke signifikant? 29
31 Sammenhæng mellem arbejde og bolig - stratificeret bolig arbj. god dårlig fuldtid (34.3%) deltid (33.3%) pens (34.4%) ingen (34.9%) 1967: χ 2 = 0.0, df = 3, p = 0.998, γ = 0.01, p = : χ 2 = 1.3, df = 3, p = 0.725, γ = 0.00, p = 0.98 bolig arbj. god dårlig fuldtid 18 2 (10.0%) deltid 46 2 (4.2%) pens (8.2%) ingen 85 6 (6.6%) Sammenhæng mellem tilknytning til arbejdsmarkedet og bolig forsvinder når vi kontrollerer for kohorteår. De to variable er betinget uafhængige givet kohorteår. 30
32 Rygning og helbred Fordeling af rygevaner som 45- årig og senere selvrapporteret helbred som 51-årig blandt tilfældigt udvalgte mænd i Københavns Amt i rygevaner som 45 årig Total aldrig nej usædvanlig godt godt helbred som 51 årig mindre godt elendigt Total ,7% 76% 6,3% 1,0% 100% ,6% 78% 6,3% 100% ,3% 74% 8,8% 1,3% 100% ,0% 73% 15,3% 2,7% 100% ,9% 85% 8,8% 2,9% 100% ,2% 76% 9,4% 1,4% 100% 2 χ 2 = 16.2, df = 12, p = 0.18, γ = 0.242, p =
33 Stratificeret efter helbred ved 45 år 32
34 Stratificerede testresultater: rygevaner vs helbred Helbred, 45-år χ 2 df p γ se p Usædv. godt Godt Dårligt < Det globale χ 2 -test for uafhængighed Teststørrelsen er summen af testsstørrelser fra hvert stratum Summen af uafhængige χ 2 -fordelte variable er χ 2 -fordelt. Antallet af frihedsgrader er lig med summen af frihedsgraderne. χ 2 = = Antallet af frihedsgrader er lig med = 20 og derfor p = Bemærk at γ skifter fortegn mellem grupper - tyder på effektmodifikation 33
35 Globalt test: SPSS-syntaksfil Det globale χ 2 -test (PCHI.SPS) Det, der er skrevet med fed skal man selv indtaste. temporary. n of cases 1. compute chi= compute df= compute pvalue=1.0-cdf.chisq(chi,df). format chi(f8.1) / df(f3) / pvalue(8.5). LIST VARIABLES= chi df pvalue. Output: chi df pvalue
36 Stratificerede analyser: Ulemper? Stratificerede analyser med flere confoundere: lav et χ 2 -test for hver kombination af confoundernes værdier (f.eks hver kombination af køn, aldersgruppe, rygestatus, genetiskmarkør osv). Stratificerede analyser bliver uoverskuelige hvis man har mange mulige confoundere. Her er en bedre løsning: regressions-analyse 35
37 Insignifikante sammenhænge I små studier er risikoen stor for at overse selv stærke sammenhænge stor (stor risiko for type II fejl). Problem ved stratificerede analyser: tabeller bliver tynde styrken falder. Efter stratifikation overses sammenhænge Globalt χ 2 -test, Mantel-Haenszel statistik (næste gang) og regressionsanalyse (gangen efter) er mulige løsninger 36
38 Stratificerede analyser Analyse i tovejs-tabeller: kan være misvisende, f.eks pga confounding og effektmodifikation. Stratificerede analyser: undersøg sammenhæng mellem exposure og outcome for hver værdi af den mulige confounder (χ 2 -test eller γ). Betinget uafhængighed: hvis ingen af tabellerne viser sammenhæng mellem exposure og outcome (problem: data udtyndes let at overse en effekt, globalt χ 2 -test afhjælper i nogen grad problemet fordi information fra alle tabeller udnyttes samtidigt). Effekt modifikation: sammenhæng mellem exposure og outcome er forskellig i forskellige strata. Det kan ses ved at odds-ratio-erne eller γ-koefficienterne er forskellige. Mere om det næste gang hvor vil skal teste om flere odds-ratioer er ens og lave et fælles estimat. 37
Statistik 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 mereElaborering: Analyse af betingede relationer
Elaborering: Analyse af betingede relationer 1 Mordsager i Florida i perioden 1973-79 Sammenhæng mellem morderens race og forekomst af dødsdom i 4764 mordsager i Florida i 1973-1979. Dom Morder sort hvid
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 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 mereStatistik II 1. Lektion. Analyse af kontingenstabeller
Statistik II 1. Lektion Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller Logistisk regression
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 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 og skalavalidering. Opgave 1
Statistik og skalavalidering Opgave 1 Opgavens formål: Denne opgave har, ligesom det vil være tilfældet for de fleste andre øvelsesopgaver på dette kursus, flere forskellige formål. For det første et praktisk/teknisk
Læs mereStatistik II 1. Lektion. Sandsynlighedsregning Analyse af kontingenstabeller
Statistik II 1. Lektion Sandsynlighedsregning Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2- test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2- test [ki-i-anden-test] Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination af
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 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 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 mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2 -test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2 -test [ki-i-anden-test] 1 Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination
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 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 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 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 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 mereMATEMATIK A-NIVEAU. Anders Jørgensen & Mark Kddafi. Vejledende eksempler på eksamensopgaver og eksamensopgaver i matematik, 2012
MATEMATIK A-NIVEAU Vejledende eksempler på eksamensopgaver og eksamensopgaver i matematik, 2012 Kapitel 4 Statistik & sandsynlighedsregning 2016 MATEMATIK A-NIVEAU Vejledende eksempler på eksamensopgaver
Læs mereVejledende eksamensopgaver vedr. hypotesetest (stx B og stx A)
Vejledende eksamensopgaver vedr. hypotesetest (stx B og stx A) Opgave 1 I nedenstående tabel ses resultaterne af samtlige hjerteklapoperationer i 007-08 ved Odense Universitetshospital (OUH) sammenlignet
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 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 mereAnvendt Statistik Lektion 8. Multipel Lineær Regression
Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke
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 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 mereBesvarelse 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 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 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 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 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 mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Mål for sammenhæng mellem to variable
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Mål for sammenhæng mellem to variable Estimation Stikprøve Data Population Teori relativ hyppighed parameter estimat sandsynlighed parameter
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 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 mereWorkshop 6 Sundhedsprofilen metode og muligheder. Anne Helms Andreasen, Forskningscenter for Forebyggelse og Sundhed
Workshop 6 Sundhedsprofilen metode og muligheder Anne Helms Andreasen, Forskningscenter for Forebyggelse og Sundhed Metode og muligheder Design Beskrivelse af deltagere og ikke-deltagere Vægtning for design
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logistisk Regression: Definitioner For en binær (0/) variabel Y antager vi P(Y)p P(Y0)-p Eksempel: Bil til arbejde vs alder
Læs 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 mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
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 mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
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 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 mereDataanalyse. Af Joanna Phermchai-Nielsen. Workshop d. 18. marts 2013
Dataanalyse Af Joanna Phermchai-Nielsen Workshop d. 18. marts 2013 Kroniske og psykiske syge borgere (1) Sygdomsgrupper: - Kroniske sygdomme: Diabetes Hjertekarsygdomme Kroniske lungesygdomme Knogleskørhed
Læs mereEksamen i statistik 2010 Kandidatuddannelsen i folkesundhedsvidenskab
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 Eksamen i statistik 2010 Kandidatuddannelsen i folkesundhedsvidenskab Eksamensnummer: 16, 23
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 mereStatistik kommandoer i Stata opdateret 22/ Erik Parner
Statistik kommandoer i Stata opdateret 22/4 2008 Erik Parner Indledning... 1 Simple beskrivelser... 1 Data manipulation... 1 Estimation af proportioner... 2 Estimation af rater... 2 Estimation af Relativ
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 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 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 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 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 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 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 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 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 mereUge 13 referat hold 4
Uge 13 referat hold 4 Gruppearbejde 1a: Er variablen kvotient inkluderet på en hensigtsmæssig måde? Der er to problemer med kvotient: 1) Den er trunkeret ved 6.9 og 10.0, løsningen er at indføre dummyer
Læs mereKapitel 11 Lineær regression
Kapitel 11 Lineær regression Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 1 Indledning Vi modellerer en afhængig variabel (responset) på baggrund af en uafhængig variabel (stimulus),
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 mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Estimation
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Estimation Eksempel: Bissau data Data kommer fra Guinea-Bissau i Vestafrika: 5273 børn blev undersøgt da de var yngre end 7 mdr og blev herefter
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 mereConfounding og stratificeret analyse
Faculty of Health Sciences Confounding og stratificeret analyse Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Kursets form Seks fredage
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 mereBasal Statistik Kategoriske Data
Basal Statistik Kategoriske Data 8 oktober 2013 E 2013 Basal Statistik - Kategoriske data Michael Gamborg Institut for sygdomsforebyggelse Københavns Universitetshospital michael.orland.gamborg@regionh.dk
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 mereLægevidenskabelig Embedseksamen, 6. semester Forår 2009 Epidemiologi og Biostatistik Rettevejledning
Lægevidenskabelig Embedseksamen, 6. semester Forår 2009 Epidemiologi og Biostatistik Rettevejledning Opgave 1. Angiv studiets formål, design og hvilke associationsmål, der bruges. Beskriv hovedresultaterne
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 mereEpidemiologisk design I. Eksperimentelle undersøgelser. Epidemiologisk design II. Randomiserede undersøgelser. Randomisering II
Eksperimentelle undersøgelser Kim Overvad Institut for Epidemiologi og Socialmedicin Aarhus Universitet Efterår 2001 Epidemiologisk design I Observerende undersøgelser beskrivende: Undersøgelsesenheden
Læs mereSpørgeskema til FSV-studerende
Spørgeskema til FSV-studerende De følgende sider indeholder en række tabeller og et spørgeskema. For hver tabel skal du tage stilling til om du mener, at der er eller ikke er sammenhæng mellem variablene.
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 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 mereBetydningen af konjunktur og regelændringer for udviklingen i sygedagpengemodtagere
DET ØKONOMISKE RÅD S E K R E T A R I A T E T d. 20. maj 2005 SG Betydningen af konjunktur og regelændringer for udviklingen i sygedagpengemodtagere Baggrundsnotat vedr. Dansk Økonomi, forår 2005, kapitel
Læs mereStatistik Lektion 20 Ikke-parametriske metoder. Repetition Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Statistik Lektion 0 Ikkeparametriske metoder Repetition KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
Læs mereOpgave 1: Graft vs. Host disease
Opgave 1: Graft vs. Host disease Denne opgave er baseret på opgave 12.3 fra DG Altman, p. 361. Data omhandler knoglemarvstransplantation af 37 leukæmipatienter, og outcome er forekomst af graft versus
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 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 mereDeltidsfag har hårdere fysisk arbejdsmiljø og lavere timeløn
1 Deltidsfag har hårdere fysisk arbejdsmiljø og lavere timeløn I fag hvor deltidsansættelser er udbredte, får man en lavere timeløn end i fag, hvor deltidsansættelser ikke er særligt udbredte. Samtidig
Læs mereOpgavebesvarelse, Basalkursus, uge 3
Opgavebesvarelse, Basalkursus, uge 3 Opgave 1: Udskrivning af astma patienter (DGA s. 273) I en randomiseret undersøgelse foretaget af Storr et. al. (Lancet, i, 1987) sammenlignes effekten af en enkelt
Læs mereStatistikøvelse Kandidatstudiet i Folkesundhedsvidenskab 28. September 2004
Statistikøvelse Kandidatstudiet i Folkesundhedsvidenskab 28. September 2004 Formål med Øvelsen: Formålet med øvelsen er at analysere om risikoen for død er forbundet med to forskellige vacciner BCG (mod
Læs mereEpidemiologisk design I. Eksperimentelle undersøgelser. Epidemiologisk design II. Randomiserede undersøgelser. Randomisering I.
Eksperimentelle undersøgelser Epidemiologisk design I Observerende undersøgelser beskrivende: Undersøgelsesenheden er populationer regional variation migrationsundersøgelser korrelationsundersøgelser tidsrækker
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 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 kommandoer i Stata opdateret 16/3 2009 Erik Parner
Statistik kommandoer i Stata opdateret 16/3 2009 Erik Parner Indledning... 1 Hukommelse... 1 Simple beskrivelser... 1 Data manipulation... 2 Estimation af proportioner... 2 Estimation af rater... 2 Estimation
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 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 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 mereSynopsis til eksamen i Statistik
Synopsis til eksamen i Statistik Kandidatuddannelsen i Folkesundhedsvidenskab Københavns Universitet december 2010 Eksamensnummer: 12 Antal anslag: 23.839 (svarende til 9,9 normalsider) - 1 - Indholdsfortegnelse
Læs mereAnvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Læs mereLog-lineære modeller. Analyse af symmetriske sammenhænge mellem kategoriske variable. Ordinal information ignoreres.
Log-lineære modeller Analyse af symmetriske sammenhænge mellem kategoriske variable. Ordinal information ignoreres. Kontingenstabel Contingency: mulighed/tilfælde Kontingenstabel: antal observationer (frekvenser)
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 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 mereEksamen i Statistik og skalavalidering
Eksamen i Statistik og skalavalidering 2009-studieordning Til aflevering d. 22. december 2010 Efterårssemestret 2010, Kandidatuddannelsen i Folkesundhedsvidenskab Opgaven er udarbejdet af: Eksamensnummer
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 mereUdbrændthed og brancheskift
Morten Bue Rath Oktober 2009 Udbrændthed og brancheskift Hospitalsansatte sygeplejersker der viser tegn på at være udbrændte som konsekvens af deres arbejde, har en væsentligt forøget risiko for, at forlade
Læs mereSpørgeskema til FSV-studerende
Statistikøvelser tirsdag d. 10. februar og torsdag d. 18 marts 2004 / hold 2003 Statistik FSV 2. semester Spørgeskema til FSV-studerende De følgende sider indeholder en række tabeller (to-vejs-tabeller),
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 - 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 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 mereAfdeling for Anvendt Matematik og Statistik December 2006
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Inge Henningsen Afdeling for Anvendt Matematik og Statistik December 2006 i SAS (Zar kapitel 23) PROC FREQ PROC CATMOD
Læs mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs mereØvelser i epidemiologi og biostatistik, 12. april 2010 Ebeltoft-projektet: Analyse af alkoholrelaterede data mm. Eksempel på besvarelse
Øvelser i epidemiologi og biostatistik, 12. april 21 Ebeltoft-projektet: Analyse af alkoholrelaterede data mm. Eksempel på besvarelse 1. Belys ud fra data ved 5 års follow-up den fordom, at der er flere
Læs mere