Observationsstudier II
|
|
- Kurt Schmidt
- 6 år siden
- Visninger:
Transkript
1 Observationsstudier II Erik Gahner Larsen Kausalanalyse i offentlig politik
2 Eksamensdato Dato for aflevering: 2. juni, klokken Nye datoer Vejledning Tentativ udgave: 15. maj Ideelle tidspunkter?
3 Gæsteforelæsning Evalueringen af offentlige politikker Mandag den 18. april Se den opdaterede læseplan!
4 AGORA Tid: Onsdag d. 4. maj Hele dagen fra kl (al undervisning er aflyst) Sted: SDU O100 - ved hovedindgangen Følgende oplægsholdere er allerede præsenteret (flere på vej): Martin Lidegaard, medlem af folketinget for Radikale Venstre og forhenværende udenrigsminister Flemming Rose, fhv. kulturredaktør på Jyllands-Posten Andreas Kamm, generalsekretær i Dansk Flygtningehjælp Yderligere oplysninger på
5 Dagsorden Observationsstudier, recap Mange observationer: Matching metoden Færre (aggregerede) observationer: Syntetisk kontrol metoden Komparative casestudier
6 Observationsstudier Husk: Observationsstudier er studier hvor forskeren... ikke kontrollerer datagenerationsprocessen og der ikke er randomiseret variation Logikken i eksperimenter og observationsstudier er den samme Problem: Sammenligningen af observationer, der ikke er sammenlignelige Stimulitildelingen er ikke tilfældig Vi skal approksimere det eksperimentelle ideal i vores observationsstudier
7 Observationsstudier og kausal inferens Vi har stadig et stimuli! A study without a treatment is neither an experiment nor an observational study. (Rosenbaum 2002, 1) To grupper: Stimuli og kontrol I eksperimenter: Grupperne er sammenlignelige (med undtagelse af stimuli) Kontrolvariable påvirker ikke stimulitildeling Sandsynligheden for at få stimuli er kendt På grund af randomisering P(W i) = 0.5, for alle i ved stimuli og kontrol Uafhængig: (Y (1), Y (0), X) W
8 Observationsstudier og kausal inferens De bedste observationsstudier bygger på logikken fra eksperimenter I eksperimenter er vi interesseret i gennemsnitseffekter (ATE) I mange observationsstudier er vi interesseret i gennemsnitlige stimulieffekter for stimuligruppen (ATT) ATT = E[Y (1) Y (0) W = 1] Giver os mulighed for at evaluere effekten for de enheder der har fået stimuli Kontrafaktisk gennemsnit: E[Y (0) W = 1]
9 Observationsstudier og kausal inferens I observationsstudier kender vi ikke stimulitildelingsmekanismen Vi ved blot, at den ikke altid er tilfældig P(W i) 0.5 Når kontrolvariable, X, påvirker stimulitildelingen: Matching Matching refers to a variety of procedures that restrict and reorganize the original sample in preparation for a statistical analysis. (Gelman og Hill 2007, 206)
10 Matching Med andre ord: Matching hjælper os med at skabe mere sammenlignelige grupper Hvordan? Maksimerer balancen på kontrolvariable Gør stimuli og kontrolgruppe identitiske før stimulitildeling Fundamental antagelse: balance på observerede variable balance på uobserverede variable
11 Matching Resultat: Vi kan sammenligne sammenlignelige enheder Hvad kan vi lære fra enheder, vi ikke kan sammenligne med noget? Intet. Mangler kontrafaktisk scenarie. Løsningen er et distancemål (D ij ), der måler distancen mellem to enheder i forhold til deres værdier på kontrolvariablene Der findes forskelige distancemål
12 Eksakt matching (stratificeret matching) To muligheder for afstand mellem to enheder Ingen afstand mellem observationer Uendelig afstand D ij = { 0 if Xi = X j if X i X j Problem: Dimensionalitetsproblemet/curse of dimensionality (Sekhon 2009, 497) Fungerer bedst med få variable der er kategoriske
13 Propensity score En løsning på dimensionalitetsproblemet Propensity score: the propensity towards exposure to treatment 1 given the observed covariates x (Rosenbaum og Rubin 1983, 43) Propensity score: p i Pr(W i X i ) Sandsynlighed for at få stimuli givet kontrolvariable Distance: D ij = p i p j I praksis: En propensity score for hver enhed (en ekstra kolonne i vores datasæt) Evt. de forudsagte sandsynligheder fra en logistisk regression
14 Designantagelser Antagelse 1: Pr[W X, Y (1), Y (0)] = Pr(W X) (Unconfoundedness) Forskellige personer har forskellige propensity scores (Rubin 2004). Eksempler: Ældre mænd har sandsynligheden 0,8 for at få stimuli Yngre mænd har sandsynligheden 0,6 for at få stimuli Ældre kvinder har sandsynligheden 0,5 for at få stimuli Yngre kvinder har sandsynligheden 0,2 for at få stimuli
15 Designantagelser Antagelse 2: 0 < p i < 1 (sandsynligheden er mellem 0 og 1, i.e. overlap) Overlap (common support) Hvad hvis p i = 1 eller p i = 0? Ekskluder observationer for hvem p i er tæt på 0 eller 1 (tommelfingerregel: ekskluder ved p i < 0.1 og p i > 0.9)
16 Eksempel, overlap før og efter matching
17 Overlap før og efter matching Tjek om der er overlap før og efter Har vi fået identiske grupper? I så fald: ingen observerbare forskelle
18 Hvad er et godt match? Hvor tætte skal to observationer være, før vi har et godt match? Vi smider observationer ud fra vores datasæt Sæt en caliper der er grænseværdien for, hvor stor en distance vi vil acceptere Pre-stimuli kontrolvariable Vælg relevante kontrolvariable Relevante Pre-stimuli (Ikke noget, der kan blive påvirket af stimuli)
19 Matching, forskellige metoder Nearest neighbor matching (med eller uden caliper) Radius matching Genetic matching Coarsened exact matching
20 Nearest neighbor og specifikke valg Nærmeste nabo. Vælg den nabo i kontrolgruppen, der ligger tættest på stimulienheden Trade-off: Bias og varians Antal matches Match 1 NN: Mindre bias, mere varians Match 1:n NN: Mindre varians, mere bias Med eller uden erstatning? Med erstatning: Mindre bias, mere varians Uden erstatning: Mindre varians, potentiel bias Tommelfingerregel: match med erstatning
21 Balance Forskellige måder at teste balancen Forskelle i andele/gennemsnit (t-test, Fisher exact test) Distributionen (QQ plot, Kolmogorov-Smirnov test) Igen: Vi ønsker identitiske grupper (med undtagelse af stimuli) Ingen observerbare forskelle
22 Hvorfor brugere forskere matching? (Miller 2015, 31)
23 Eksempel: Den kausale effekt af uddannelse på politisk deltagelse Kam og Palmer (2008): Et klassisk stimulitildelingsproblem Logikken: matches respondents who attended college with those who did not by using a propensity score, or predicted likelihood of attending college based upon an individual s preadult experiences and characteristics. The matching process mimics random assignment, thus producing two groups whose levels of participation can then be compared, having essentially controlled for preadult experiences and characteristics. (p. 613) Each respondent who received the treatment (i.e., a respondent who went to college, in our research question) is matched with a set of untreated respondents (i.e., respondents who did not attend college) that have similar propensity scores. This technique is called nearest-neighbor matching. (Kam og Palmer 2008, 620)
24 Propensity scores, før matching
25 Propensity scores, efter matching
26 Eksempel: Den kausale effekt af uddannelse på politisk deltagelse Problem: Propensity scores tæt på 1 Henderson og Chatfield (2011, 652): we observe that clustering around 1 is so pronounced that the p-scores for the top 5% of college-attenders range in value from to In fact, over half of all attenders have propensity scores greater than.9 and over a quarter have scores greater than.99. In contrast, only 14 nonattenders have propensities greater than.9 (3%) and only 5 (1%) have propensities greater than.95, with the highest propensity for any nonattender being.9889.
27 Eksempel: Den kausale effekt af uddannelse på politisk deltagelse Kam og Palmer (2008): Ingen effekt Mayer (2011): Uddannelse øger den politiske deltagelse Henderson og Chatfield (2011): Uddannelse øger den politiske deltagelse Kam og Palmer (2011): Ingen kausal effekt
28 Eksempel: Effekten af samfundstjeneste på kriminalitet Klement (2015): Comparing the effects of community service and imprisonment on reconviction: results from a quasi-experimental Danish study Udfaldsvariabel: Domsrate Stimuli: Samfundstjeneste (kontrolgruppe: fængsel) Design: Kvasieksperiment Sample: Danske kriminelle Resultat: Samfundstjeneste Mindre tilbagefald
29 Unmatched
30 Matched
31 Begrænsninger og udfordringer med matching Intet studie er bedre end dets design Without an experiment, a natural experiment, a discontinuity, or some other strong design, no amount of econometric or statistical modeling can make the move from correlation to causation persuasive. (Sekhon 2009, 503) Matching has no advantage relative to regression for inferring causation or dealing with endogeneity (Miller 2015, 2) Flere trin, flere steder det kan gå galt Researcher Degrees of Freedom Misvisende forskning Først når vi har sammenlignelige grupper, bør man estimere den kausale effekt
32 Begrænsninger og udfordringer med matching Matching løser ikke FPCI Gode designs er løsningen Randomisering balance Balance randomisering Hovedpointe: viden om observerbare forskelle mellem stimuli og kontrolgrupper kan hjælpe os med at reducere bias i vores effektestimater
33 Syntetisk kontrol Ved færre observationer: syntetisk kontrol metoden for komparative case studier Målsætning: Estimere effekten af stimuli/intervention på få observationer Især applicerbart på komparative casestudier Ét land gennemfører en reform, andre gør ikke Én stat i USA forbyder noget, andre gør ikke Største svaghed: arbitrært valg af kontrolgruppe Vi er interesseret i et vægtet gennemsnit af alle potentielle sammenligningsenheder der bedst ligner den enhed, vi ønsker at studere Ligesom med matching
34 Komparative casesstudier Design: Afbrudt tidsseriedesign med en kontrolgruppe En eller flere målinger før og efter intervention En stimuligruppe/enhed får intervention En kontrolgruppe/enhed får ikke intervention Hvordan laver vi de rette kontrafaktiske sammenligninger? Hvilke enheder skal vi sammenligne? To eller flere?
35 Syntetisk kontrol Reform finder sted i Danmark, men ikke i andre lande Vi har værdier før og efter reformen i Danmark og andre lande Det vi ønsker at lave er en kontrolgruppe Et syntetisk Danmark Begivenhed finder sted i Odense Kommune, men ikke andre kommuner Svært at sammenligne Odense Kommune med de andre kommuner Samme opgave: Lave en syntetisk kontrol Syntetisk kontrol Statistisk værktøj til kvalitative studier
36 Model J+1 regioner, T perioder J: mulige kontrolreigioner T: antal perioder T 0 : antal prestimuli perioder (1 T 0 < T ) Region 1 påvirkes af stimuli i perioden T 0 + 1,..., T. Yjt N : Udfald for region j i periode t uden stimuli/intervention Yjt I : Udfald for region j i periode t med stimuli/intervention Effekt af stimuli/intervention: α jt = Yjt I Y jt N
37 Model Intervention, D jt : 1 hvis region j er tildelt stimuli i periode t Observeret udfald for reigion j i periode t: Y jt = Yjt N + α jtd jt Kun region { 1 får stimuli - og kun efter T 0 1 if j = 1 and t > T0 D jt = 0 otherwise. Hovedinteresse: Estimere α 1t, altså effekten af interventionen på region 1 α1t = Y 1t Y1t N Husk: Y 1t er observeret Vi er interesseret i estimationen af det kontrafaktiske scenarie
38 Model Kontrafaktisk scenarie er givet ved en faktormodel: = δ t + θ t Z j + λ t µ j + ε jt Hvor: Y N jt δ t (delta): ukendt faktor med konstant faktorladning på tværs af enheder θ t (theta): ukendte parametre Z j: kontrolvariable der ikke er påvirket af stimuli λ t (lambda): ukendte fælles faktorer µ j (my): ukendte faktorladninger ε (epsilon): uobserverede kortvarige chok Hovedpointe: Forskellige reaktioner til flere uobserverede faktorer
39 Model Uobserverede faktorer kan være problematiske Vi kan matche på pre-stimuli perioderne for at kontrollere for heterogene reaktioner til uobserverede faktorer Potentiel syntetisk kontrol givet et sæt af vægte, W W = (w2,..., w J+1 ) Hver vægt er større end nul (w j 0 for j = 2,..., J + 1) Summen af disse værdier er 1 (w w J+1 = 1) For hver værdi er der en syntetisk kontrol Et vægtet gennemsnit for kontrolregionerne Udfaldet for hver syntetisk kontrol er givet ved: J+1 j=2 J+1 w j Y jt = δ t + θ t j=2 J+1 w j Z i + λ t j=2 w j µ j + J+1 j=2 w j ε jt
40 Model Den syntetiske kontrol estimator er så: α1t = Y 1t J+1 j=2 w j Y jt Y jt : udfald for region j i periode t. α 1t : effekten af intervention/stimuli Kontrafaktisk scenarie: kombinationen af enheder, der ikke har fået stimuli, som bedst ligner vores interventionsenhed før interventionen Tænk en tidsseriegraf hvor vi vil have kontrol og stimuli til at være identiske før en intervention
41 Eksempel: Californiens Proposition 99 (Abadie et al. 2010) Politik: Øgede priser på cigaretter (øget skat) Data: Paneldata for amerikanske stater ( ) Udfald: Tobaksforbrug Interventionsår: 1988 Region: Californien Syntetisk Californien: vægtet gennemsnit af potentielle kontrolstater Vægte valgt med henblik på at den syntetiske kontrol bedst forudsiger værdierne på predictors af cigaretforbrug før interventionen (Proposition 99) Andre stater der efterfølgende implementerede store kontrolprogrammer er ekskluderet
42 Eksempel: Californiens Proposition 99 (Abadie et al. 2010)
43 Eksempel: Californiens Proposition 99 (Abadie et al. 2010)
44 Eksempel: Californiens Proposition 99 (Abadie et al. 2010)
45 Eksempel: Californiens Proposition 99 (Abadie et al. 2010) Placebotests Hvordan? RMSE Interventionen bliver givet til hver af de 38 kontrolstater Estimerer stimulieffekten for hver stat, hvis den implementerede kontrolprogrammet i stedet for Californien
46 Eksempel: Californiens Proposition 99 (Abadie et al. 2010)
47 Eksempel: Californiens Proposition 99 (Abadie et al. 2010)
48 Eksempel: Effekten af terror på økonomien (Abadie og Gardeazabal 2003) Region: Baskerlandet Udfald: BNP pr. indbygger Intervention: Terror We approach this problem by comparing the economic evolution of the Basque Country during the terrorist era with that of a weighted combination of other Spanish regions chosen to resemble the characteristics of the Basque Country before terrorism. We conceptualize such a weighted average of other Spanish regions as a synthetic" Basque Country without terrorism, against which we can compare the actual Basque Country with terrorism." (p. 116)
49 Eksempel: Effekten af terror på økonomien (Abadie og Gardeazabal 2003)
50 Eksempel: Effekten af Tysklands genforening på Vesttysklands økonomi (Abadie et al. 2015)
51 Eksempel: Effekten af Tysklands genforening på Vesttysklands økonomi (Abadie et al. 2015)
52 Eksempel: Effekten af Tysklands genforening på Vesttysklands økonomi (Klößner et al. 2016)
53 Eksempel: Effekten af Tysklands genforening på Vesttysklands økonomi (Klößner et al. 2016)
54 Hvad med SUTVA? Vi antager stadig, at der ikke er interaktioner mellem enhederne Hvorfor? Ikke muligt at estimere effekten af en intervention hvis der er brud på SUTVA
55 Matching og syntetisk kontrol i Stata og R Matching: forskellige pakker i både Stata og R Kontakt mig hvis I har brug for hjælp Syntetisk kontrol: brug Synth pakken til både Stata og R Kontakt mig hvis I har brug for hjælp
56 Næste gang Gæsteforelæsning Mandag, kl i U31A
Potentielle udfald og kontrafaktisk kausalitet
Potentielle udfald og kontrafaktisk kausalitet Erik Gahner Larsen Kausalanalyse i offentlig politik Kontrafaktisk kausalitet Dagsorden Kausalitet og kontrafaktiske scenarier Teoretisk framework: Neyman-Rubin
Læs mereEtiske og praktiske overvejelser
Etiske og praktiske overvejelser Erik Gahner Larsen Kausalanalyse i offentlig politik Eksamen og vejledning Dato for aflevering: 2. juni, klokken 12.00 Vejledning I: I dag, efter klokken 13 Send mig hvad
Læs mereBasic statistics for experimental medical researchers
Basic statistics for experimental medical researchers Sample size calculations September 15th 2016 Christian Pipper Department of public health (IFSV) Faculty of Health and Medicinal Science (SUND) E-mail:
Læs mereStatistik for MPH: 7
Statistik for MPH: 7 3. november 2011 www.biostat.ku.dk/~pka/mph11 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mereDoodleBUGS (Hands-on)
DoodleBUGS (Hands-on) Simple example: Program: bino_ave_sim_doodle.odc A simulation example Generate a sample from F=(r1+r2)/2 where r1~bin(0.5,200) and r2~bin(0.25,100) Note that E(F)=(100+25)/2=62.5
Læs mereNaturlige eksperimenter
Naturlige eksperimenter Erik Gahner Larsen Kausalanalyse i offentlig politik Dagsorden Eksperimenter og naturlige eksperimenter Naturlige eksperimenter Styrker og svagheder Eksempler Tre typer: RDD, IV,
Læs mereReexam questions in Statistics and Evidence-based medicine, august sem. Medis/Medicin, Modul 2.4.
Reexam questions in Statistics and Evidence-based medicine, august 2013 2. sem. Medis/Medicin, Modul 2.4. Statistics : ESSAY-TYPE QUESTION 1. Intelligence tests are constructed such that the average score
Læs mereMeasuring the Impact of Bicycle Marketing Messages. Thomas Krag Mobility Advice Trafikdage i Aalborg, 27.08.2013
Measuring the Impact of Bicycle Marketing Messages Thomas Krag Mobility Advice Trafikdage i Aalborg, 27.08.2013 The challenge Compare The pilot pictures The choice The survey technique Only one picture
Læs mereEFFEKTMÅLING AF SOCIALE INDSATSER
EFFEKTMÅLING AF SOCIALE INDSATSER MAIKEN PONTOPPIDAN SFI DET NATIONALE FORSKNINGSCENTER FOR VELFÆRD MEGET BRUGTE ORD Effekt Evidens Dokumentation Krav om effekt og dokumentation fylder meget i kommuner,
Læs mereEksamen Bacheloruddannelsen i Medicin med industriel specialisering. Eksamensdato: Tid: kl
Eksamen 2018 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 20-02-2018 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mereObservationsstudier I
Observationsstudier I Erik Gahner Larsen Kausalanalyse i offentlig politik Seminaropgaven Send mig gerne hvad I har Deadline 31. marts Tænk ikke så meget over antal sider Vejledning Dato for aflevering:
Læs mereStatistik for MPH: oktober Attributable risk, bestemmelse af stikprøvestørrelse (Silva: , )
Statistik for MPH: 7 29. oktober 2015 www.biostat.ku.dk/~pka/mph15 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs merek UAFHÆNGIGE grupper Oversigt 1 Intro eksempel 2 Model og hypotese 3 Beregning - variationsopspaltning og ANOVA tabellen 4 Hypotesetest (F-test)
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalse, ANOVA Peder Bacher DTU Compute, Dnamiske Sstemer Bgning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lngb Danmark e-mail:
Læs mereCross-Sectorial Collaboration between the Primary Sector, the Secondary Sector and the Research Communities
Cross-Sectorial Collaboration between the Primary Sector, the Secondary Sector and the Research Communities B I R G I T T E M A D S E N, P S Y C H O L O G I S T Agenda Early Discovery How? Skills, framework,
Læs mereDansk Evalueringsselskabs Konference 2016 læringsseminar 9: Brug af matching metoder til identifikation af kausale effekter
Dansk Evalueringsselskabs Konference 2016 læringsseminar 9: Brug af matching metoder til identifikation af kausale effekter 8. september, 2016 Astrid Kiil Kort om mig Cand.oecon. fra SDU i 2008 Ph.d. i
Læs mereForelæsning 11: Envejs variansanalyse, ANOVA
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereKommunale data og økonomiske analyser Hvilke muligheder er der i de kommunale data for at måle effekt (og omkostningseffektivitet?
Kommunale data og økonomiske analyser Hvilke muligheder er der i de kommunale data for at måle effekt (og omkostningseffektivitet?) Professor Dorte Gyrd-Hansen Leder, Center for Sundhedsøkonomisk Forskning
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 mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereLinear Programming ١ C H A P T E R 2
Linear Programming ١ C H A P T E R 2 Problem Formulation Problem formulation or modeling is the process of translating a verbal statement of a problem into a mathematical statement. The Guidelines of formulation
Læs mereBILAG 2 METODE OG FORSKNINGSDESIGN
Til Undervisningsministeriet Dokumenttype Bilag Dato August 2014 BILAG 2 METODE OG FORSKNINGSDESIGN BILAG 2 FORSKNINGSDESIGN INDHOLD 1. Design- og metodebilag 1 1.1 Forskningsdesign 1 1.2 Analysemetoder
Læs mereBILAG 2 DESIGN OG METODE- BILAG
Til Undervisningsministeriet Dokumenttype Bilag Dato August 2014 BILAG 2 DESIGN OG METODE- BILAG BILAG 2 DESIGN OG METODEBILAG INDHOLD Design- og metodebilag Error! Bookmark not defined.1 1.1 Forskningsdesign
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 mereVejledende studieplan for kvantitativ metode og statistik FYS 514 Modul 14 efteråret 2017
Vejledende studieplan for kvantitativ metode og statistik FYS 514 Modul 14 efteråret 2017 Generelle kommentarer. Undervisningen følger lærebogen og det må kraftigt anbefales at anskaffe denne. Bogen koster
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereAgenda. The need to embrace our complex health care system and learning to do so. Christian von Plessen Contributors to healthcare services in Denmark
Agenda The need to embrace our complex health care system and learning to do so. Christian von Plessen Contributors to healthcare services in Denmark Colitis and Crohn s association Denmark. Charlotte
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 mereStikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader
Stikprøver og stikprøve fordelinger Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Statistik Statistisk Inferens: Prediktere og forekaste værdier af
Læs mereapplies equally to HRT and tibolone this should be made clear by replacing HRT with HRT or tibolone in the tibolone SmPC.
Annex I English wording to be implemented SmPC The texts of the 3 rd revision of the Core SPC for HRT products, as published on the CMD(h) website, should be included in the SmPC. Where a statement in
Læs mereSpecial VFR. - ved flyvning til mindre flyveplads uden tårnkontrol som ligger indenfor en kontrolzone
Special VFR - ved flyvning til mindre flyveplads uden tårnkontrol som ligger indenfor en kontrolzone SERA.5005 Visual flight rules (a) Except when operating as a special VFR flight, VFR flights shall be
Læs mereSammenligning af sammenlignelige observationer: kausalitet, matching og observationsdata 1
politica, 46. årg. nr. 1 2014, 60-78 Mogens K. Justesen og Robert Klemmensen Sammenligning af sammenlignelige observationer: kausalitet, matching og observationsdata 1 Artiklen giver en introduktion til
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 mereSkriftlig Eksamen Kombinatorik, Sandsynlighed og Randomiserede Algoritmer (DM528)
Skriftlig Eksamen Kombinatorik, Sandsynlighed og Randomiserede Algoritmer (DM58) Institut for Matematik og Datalogi Syddansk Universitet, Odense Torsdag den 1. januar 01 kl. 9 13 Alle sædvanlige hjælpemidler
Læs mereStatistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge
Statistik og Sandsynlighedsregning 2 Repetition og eksamen Overheads til forelæsninger, mandag 7. uge 1 Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange
Læs mereOverheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.
Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.
Læs mereProgram: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19
Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større
Læs mereØjnene, der ser. - sanseintegration eller ADHD. Professionshøjskolen UCC, Psykomotorikuddannelsen
Øjnene, der ser - sanseintegration eller ADHD Professionshøjskolen UCC, Psykomotorikuddannelsen Professionsbachelorprojekt i afspændingspædagogik og psykomotorik af: Anne Marie Thureby Horn Sfp o623 Vejleder:
Læs mereVina Nguyen HSSP July 13, 2008
Vina Nguyen HSSP July 13, 2008 1 What does it mean if sets A, B, C are a partition of set D? 2 How do you calculate P(A B) using the formula for conditional probability? 3 What is the difference between
Læs mereIkke-parametriske tests
Ikke-parametriske tests 2 Dagens menu t testen Hvordan var det nu lige det var? Wilcoxson Mann Whitney U Kruskall Wallis Friedman Kendalls og Spearmans correlation 3 t-testen Patient Drug Placebo difference
Læs 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 mereGeneralized Probit Model in Design of Dose Finding Experiments. Yuehui Wu Valerii V. Fedorov RSU, GlaxoSmithKline, US
Generalized Probit Model in Design of Dose Finding Experiments Yuehui Wu Valerii V. Fedorov RSU, GlaxoSmithKline, US Outline Motivation Generalized probit model Utility function Locally optimal designs
Læs mereTrolling Master Bornholm 2012
Trolling Master Bornholm 1 (English version further down) Tak for denne gang Det var en fornøjelse især jo også fordi vejret var med os. Så heldig har vi aldrig været før. Vi skal evaluere 1, og I må meget
Læs mereKursus 02323: Introducerende Statistik. Forelæsning 12: Forsøgsplanlægning. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 12: Forsøgsplanlægning Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
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 meremen nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller
Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =
Læs mereBILAG 2 METODE OG FORSK- NINGSDESIGN
Til Undervisningsministeriet Dokumenttype Bilag Dato Marts 2014 BILAG 2 METODE OG FORSK- NINGSDESIGN BILAG 2 METODE OG FORSKNINGSDESIGN INDHOLD 1. Design- og metodebilag 1 1.1 Forskningsdesign 1 1.2 Analysemetoder
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 mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereUNISONIC TECHNOLOGIES CO.,
UNISONIC TECHNOLOGIES CO., 3 TERMINAL 1A NEGATIVE VOLTAGE REGULATOR DESCRIPTION 1 TO-263 The UTC series of three-terminal negative regulators are available in TO-263 package and with several fixed output
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 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 mereKvant Eksamen December 2010 3 timer med hjælpemidler. 1 Hvad er en continuous variable? Giv 2 illustrationer.
Kvant Eksamen December 2010 3 timer med hjælpemidler 1 Hvad er en continuous variable? Giv 2 illustrationer. What is a continuous variable? Give two illustrations. 2 Hvorfor kan man bedre drage konklusioner
Læs mereTo the reader: Information regarding this document
To the reader: Information regarding this document All text to be shown to respondents in this study is going to be in Danish. The Danish version of the text (the one, respondents are going to see) appears
Læs mereVIDEN PÅ TVÆRS AF EFFEKTDESIGN METTE DEDING, SFI CAMPBELL
VIDEN PÅ TVÆRS AF EFFEKTDESIGN METTE DEDING, SFI CAMPBELL PRIMÆR VS. SEKUNDÆR EFFEKTFORSKNING Primær effektforskning Studium af grunddata. Undersøgelsesdesign afhænger af problemstilling og datamuligheder.
Læs mereKvantitative og kvalitative metoder. Søren R. Frimodt-Møller, 19. oktober 2012
Kvantitative og kvalitative metoder Søren R. Frimodt-Møller, 19. oktober 2012 Program 1. Forskningsspørgsmål 2. Kvantitative vs. kvalitative metoder 3. Eksempler på konkrete forskningsmetoder 4. Sampling-begrebet
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 mereHvordan kan man evaluere effekt?
Hvordan kan man evaluere effekt? Dato 26.01.2012 Dette notat giver en kort introduktion til to tilgange til effektevaluering, som er fremherskende på det sociale område: den eksperimentelle og den processuelle
Læs mereRichter 2013 Presentation Mentor: Professor Evans Philosophy Department Taylor Henderson May 31, 2013
Richter 2013 Presentation Mentor: Professor Evans Philosophy Department Taylor Henderson May 31, 2013 OVERVIEW I m working with Professor Evans in the Philosophy Department on his own edition of W.E.B.
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 mereSign variation, the Grassmannian, and total positivity
Sign variation, the Grassmannian, and total positivity arxiv:1503.05622 Slides available at math.berkeley.edu/~skarp Steven N. Karp, UC Berkeley FPSAC 2015 KAIST, Daejeon Steven N. Karp (UC Berkeley) Sign
Læs mereA multimodel data assimilation framework for hydrology
A multimodel data assimilation framework for hydrology Antoine Thiboult, François Anctil Université Laval June 27 th 2017 What is Data Assimilation? Use observations to improve simulation 2 of 8 What is
Læs mereMultivariate Extremes and Dependence in Elliptical Distributions
Multivariate Extremes and Dependence in Elliptical Distributions Filip Lindskog, RiskLab, ETH Zürich joint work with Henrik Hult, KTH Stockholm I II III IV V Motivation Elliptical distributions A class
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs mereExercise 6.14 Linearly independent vectors are also affinely independent.
Affine sets Linear Inequality Systems Definition 6.12 The vectors v 1, v 2,..., v k are affinely independent if v 2 v 1,..., v k v 1 is linearly independent; affinely dependent, otherwise. We first check
Læs mereHvordan isolerer vi sammenhængen mellem indsats og resultat? Propensity score matching som metode til effektevaluering
Hvordan isolerer vi sammenhængen mellem indsats og resultat? Propensity score matching som metode til effektevaluering Niels Matti Søndergaard Metodekonsulent Danmarks Evalueringsinstitut (EVA) Rasmus
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 mereSidste gang: One-way(ensidet)/one-factor ANOVA I dag: Two-factor ANOVA (Analysis of variance) Two-factor ANOVA med interaktion
VARIANSANALYSE 2 Sidste gang: One-way(ensidet)/one-factor ANOVA I dag: (Analysis of variance) med interaktion Problem: Hvordan håndterer vi forsøg, hvor effekten er forårsaget af to faktorer og en evt.
Læs mereDepartment of Public Health. Case-control design. Katrine Strandberg-Larsen Department of Public Health, Section of Social Medicine
Department of Public Health Case-control design Katrine Strandberg-Larsen Department of Public Health, Section of Social Medicine Case-control design Brief summary: Comparison of cases vs. controls with
Læs mere1 Sammenligning af 2 grupper Responsvariabel og forklarende variabel Afhængige/uafhængige stikprøver... 2
Indhold 1 Sammenligning af 2 grupper 2 1.1 Responsvariabel og forklarende variabel......................... 2 1.2 Afhængige/uafhængige stikprøver............................ 2 2 Sammenligning af 2 middelværdier
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 mereSeminaropgave: Præsentation af idé
Seminaropgave: Præsentation af idé Erik Gahner Larsen Kausalanalyse i offentlig politik Dagsorden Opsamling på kausalmodeller Seminaropgaven: Praktisk info Præsentation Seminaropgaven: Ideer og råd Kausalmodeller
Læs mereHvad skal vi lave? Responsvariabel og forklarende variabel Afhængige/uafhængige stikprøver
Hvad skal vi lave? 1 Sammenligning af 2 grupper Responsvariabel og forklarende variabel Afhængige/uafhængige stikprøver 2 Sammenligning af 2 middelværdier Uafhængige stikprøver Uafhængige stikprøver -
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 mereTransparency International Danmark på Roskilde Festival 2018: Har indsatsen nyttet noget?
Transparency International Danmark på Roskilde Festival 2018: Har indsatsen nyttet noget? Udarbejdet af frivillige Frederik Carl Windfeld og Kim Alexander Byrial Juárez Jensen samt sekretariatet i Transparency
Læs mereEn Introduktion til SAS. Kapitel 5.
En Introduktion til SAS. Kapitel 5. Inge Henningsen Afdeling for Statistik og Operationsanalyse Københavns Universitet Marts 2005 6. udgave Kapitel 5 T-test og PROC UNIVARIATE 5.1 Indledning Dette kapitel
Læs mereMotivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser
Motivation Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser Rasmus Waagepetersen October 26, 2018 Eksempel: En landmåler får til opgave at måle længden λ fra A til B. Entreprenøren
Læs mereUser Manual for LTC IGNOU
User Manual for LTC IGNOU 1 LTC (Leave Travel Concession) Navigation: Portal Launch HCM Application Self Service LTC Self Service 1. LTC Advance/Intimation Navigation: Launch HCM Application Self Service
Læs mereMeasuring Evolution of Populations
Measuring Evolution of Populations 2007-2008 5 Agents of evolutionary change Mutation Gene Flow Non-random mating Genetic Drift Selection Populations & gene pools Concepts a population is a localized group
Læs mereInternationalt uddannelsestilbud
t Internationalt uddannelsestilbud Lyngby-Taarbæk Vidensby Forberedende analyse blandt udenlandske ansatte 9. maj 2013 AARHUS COPENHAGEN MALMÖ OSLO SAIGON STAVANGER VIENNA 1 1. BAGGRUND Denne rapportering
Læs mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs mereFejlbeskeder i Stofmisbrugsdatabasen (SMDB)
Fejlbeskeder i Stofmisbrugsdatabasen (SMDB) Oversigt over fejlbeskeder (efter fejlnummer) ved indberetning til SMDB via webløsning og via webservices (hvor der dog kan være yderligere typer fejlbeskeder).
Læs mereProject Step 7. Behavioral modeling of a dual ported register set. 1/8/ L11 Project Step 5 Copyright Joanne DeGroat, ECE, OSU 1
Project Step 7 Behavioral modeling of a dual ported register set. Copyright 2006 - Joanne DeGroat, ECE, OSU 1 The register set Register set specifications 16 dual ported registers each with 16- bit words
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 mereForelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
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 mereFejlbeskeder i SMDB. Business Rules Fejlbesked Kommentar. Validate Business Rules. Request- ValidateRequestRegist ration (Rules :1)
Fejlbeskeder i SMDB Validate Business Rules Request- ValidateRequestRegist ration (Rules :1) Business Rules Fejlbesked Kommentar the municipality must have no more than one Kontaktforløb at a time Fejl
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 mereAktivering af Survey funktionalitet
Surveys i REDCap REDCap gør det muligt at eksponere ét eller flere instrumenter som et survey (spørgeskema) som derefter kan udfyldes direkte af patienten eller forsøgspersonen over internettet. Dette
Læs mereWooldridge, kapitel 19: Carrying out an Empirical Project. Information og spørgsmål vedr. eksamen. Økonometri 1: Afslutningsforelæsning 2
Økonometri 1 Afslutningsforelæsning 19. maj 2003 Økonometri 1: Afslutningsforelæsning 1 Evalueringer Kun 23 har udfyldt evalueringsskemaerne ud af ca. 120 tilmeldte til eksamen Resultatet kan ses på hjemmesiden
Læs mere1 Sandsynlighed Sandsynlighedsbegrebet Definitioner Diskret fordeling Betinget sandsynlighed og uafhængighed...
Indhold 1 Sandsynlighed 1 1.1 Sandsynlighedsbegrebet................................. 1 1.2 Definitioner........................................ 2 1.3 Diskret fordeling.....................................
Læs mereProgram. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
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 mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
Læs mereEngelsk. Niveau D. De Merkantile Erhvervsuddannelser September Casebaseret eksamen. og
052431_EngelskD 08/09/05 13:29 Side 1 De Merkantile Erhvervsuddannelser September 2005 Side 1 af 4 sider Casebaseret eksamen Engelsk Niveau D www.jysk.dk og www.jysk.com Indhold: Opgave 1 Presentation
Læs mereEvaluating Germplasm for Resistance to Reniform Nematode. D. B. Weaver and K. S. Lawrence Auburn University
Evaluating Germplasm for Resistance to Reniform Nematode D. B. Weaver and K. S. Lawrence Auburn University Major objectives Evaluate all available accessions of G. hirsutum (TX list) for reaction to reniform
Læs mereBusiness Rules Fejlbesked Kommentar
Fejlbeskeder i SMDB Validate Business Request- ValidateRequestRegi stration ( :1) Business Fejlbesked Kommentar the municipality must have no more than one Kontaktforløb at a time Fejl 1: Anmodning En
Læs mereHelp / Hjælp
Home page Lisa & Petur www.lisapetur.dk Help / Hjælp Help / Hjælp General The purpose of our Homepage is to allow external access to pictures and videos taken/made by the Gunnarsson family. The Association
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 2. oktober Økonometri 1: F8 1
Økonometri 1 Inferens i den lineære regressionsmodel 2. oktober 2006 Økonometri 1: F8 1 Dagens program Opsamling om asymptotiske egenskaber: Asymptotisk normalitet Asymptotisk efficiens Test af flere lineære
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 mereKombinationer af lande- og individdata. Multilevel analyse.
Kombinationer af lande- og individdata Multilevel analyse No 1 of 27 Kombinationer af lande- og individdata Multilevel analyse Henrik Lolle Indlæg ved arrangement i Selskab for Surveyforskning: Kunsten
Læs mere