Dynamisk statistisk modellering af vedligeholdelsesbehandling af børn med akut lymfoblastær leukæmi
|
|
- Astrid Lauritsen
- 7 år siden
- Visninger:
Transkript
1 Dynamisk statistisk modellering af vedligeholdelsesbehandling af børn med akut lymfoblastær leukæmi Susanne Rosthøj 2. oktober 2009
2 Akut Lymfoblastær Leukæmi (ALL) Årlig forekomst på ca 35 tilfælde i Danmark. Behandles med intensivt og langvarigt forløb med kemoterapi. Recidivfri overlevelse er ca 80%. Der findes foreløbigt ingen generelle retningslinier for den optimale behandlingsstrategi. NOPHO ALL-92: Nordisk randomiseret studie 538 patienter diagnosticeret Follow-up frem til
3 Behandlingen års varighed afhængig af risikoklassificering: Konsolidering Induktion Vedligeholdelse (9-27 months) Mål: Antal hvide blodlegemer (WBC) imellem /L. Medicin: Methotrexate (MTX) ugentligt. 6-Mercaptopurine (6MP) dagligt. Ugentlig kontrol: WBC og trombocyttal (TC).
4 The protocol Kontrol gruppen Øg 3.5 WBC ( 10 9 /L) Pause Reducer (50%) 100 Thrombocyttal ( 10 9 /L)
5 The protocol Kontrol gruppen Farmakologi gruppen Øg 3.5 WBC ( 10 9 /L) Øg hvis lave medicinkoncentrationer Pause Reducer (50%) 100 Thrombocyttal ( 10 9 /L)
6 Recidivfri overlevelse: Udfaldet af NOPHO studiet Girls control group Girls pharmacology group Boys control group Boys phamacology group Years since diagnosis År siden diagnose
7 Formål Problem: Den biologiske forståelse af vedligeholdelsesbehandlingen er utilstrækkelig. Behov for nye behandlingsstrategier. Formål: 1. At udvikle biologisk fortolkelige modeller for de parametre, som vedligeholdelsesbehandlingen bygger på (medicinkoncentrationer + WBC). 2. At undersøge om nyligt udviklede statistiske metoder indenfor kausal inferens og dynamiske behandlingsstrategier er nyttige i forbindelse med formulering af fremtidige protokoller.
8 Medicinkoncentrationerne Formulering af modeller for hvorledes medicinkoncentrationerne afhænger af de givne doser ved brug af: Lineære og ikke-linære hierarkiske modeller som tager højde for - inter-individual variation (tilfældige effekter) - heteroscedasticitet - seriel korrelation. Derved har vi opnået biologisk fortolkelige modeller.
9 Erythrocyt-MTX koncentrationerne Steady state MTX: Ikke-lineær relation mellem MTX-dosis og koncentration. E-MTX Girls Boys MTX dosis
10 Erythrocyt 6TGN koncentrationerne Steady state 6TGN: Lineær relation mellem 6MP-dosis og concentration. Men hældningen afhænger af TPMT-aktiviteten Hældning for 6MP-dosis TPMT aktivitet
11 Medicin koncentrationer som en parameter for dosisjusteringer Patient specifikke karakteristika bestemmer hvorvidt høje medicinkoncentrationer kan opnås. Betydelig inter-individuel variation. Konclusion: Medicinkoncentrationerne er næppe nyttige som et redskab for dosisjusteringer for alle patienter.
12 Statistiske metoder for dynamiske behandlingsstrategier Optimale dynamiske behandlingsstrategier: Murphy (2003), Journal of the Royal Statistical Society, series B. Statisk-optimale behandlingsstrategier: Van der Laan, Petersen and Joffe (2005), International Journal of Biostatistics.
13 Matematisk notation Baseline kovariater Z 0. K + 1 måletidspunkter, j = 1,..., K + 1. Tilstandsvariabel S j = (WBC j, TC j, ). Dosis D j. Observationsrækkefølge: (S 1, D 1, S 2, D 2,, S k, D k, S K+1 ) Observeret historie til tidpunkt j: H j = (S 1, D 1, S 2, D 2,, S j 1, D j 1, S j )
14 Potential outcomes Potential outcomes: Observeret Potentiel D 1 d 1 S 2 = S 2 (D 1 ) S 2 (d 1 ) Potentielle tilstandsproces: ( S1, S 2 ( d 1 ), S 3 ( d 1, d 2 ),, S K+1 ( d 1,, d k ) ).
15 Optimale dynamiske behandlingsstrategier Respons Y K+1. Her: Andelen af vedligeholdelsesbehandlingen for hvilken WBC er i target range. S 1 D 1 S 2 D 2 S K D K Y K+1
16 Optimale dynamiske behandlingsstrategier Respons Y K+1. Her: Andelen af vedligeholdelsesbehandlingen for hvilken WBC er i target range. Find doser d j = d j (H j ) som giver anledning til maksimal forventet respons E(Y K+1 ). S 1 D 1 S 2 D 2 S K D K Y K+1
17 Optimale dynamiske behandlingsstrategier Respons Y K+1. Her: Andelen af vedligeholdelsesbehandlingen for hvilken WBC er i target range. Find doser d j = d j (H j ) som giver anledning til maksimal forventet respons E(Y K+1 ). S 1 D 1 S 2 D 2 S K D K Y K+1
18 Optimale dynamiske behandlingsstrategier Respons Y K+1. Her: Andelen af vedligeholdelsesbehandlingen for hvilken WBC er i target range. Find doser d j = d j (H j ) som giver anledning til maksimal forventet respons E(Y K+1 ). S 1 D 1 S 2 D 2 S K D K Y K+1 Murphy formulerer modeller for den optimale dosis, e.g. log d j (H j ) = α + βd j 1 + γwbc j + δ Z 0, j = 1,, K.
19 Estimation af optimale dynamiske behandlingsstrategier Eksempel: Antikoagulationsbehandling. Estimation: - Svært! - Alternative estimationsprocedurer kunne ikke afhjælpe problemet. - Umuligt at implementere i praksis. Videre udvikling af de eksisterende metoder eller alternative tilgange er nødvendige.
20 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
21 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
22 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
23 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
24 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
25 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. To tidspunkter frem i tid: Find (d j, d j+1 ) = (d j, d j+1 )(H j ) således at E(S j+2 ( d j, d j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
26 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. To tidspunkter frem i tid: Find (d j, d j+1 ) = (d j, d j+1 )(H j ) således at E(S j+2 ( d j, d j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
27 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. To tidspunkter frem i tid: Find (d j, d j+1 ) = (d j, d j+1 )(H j ) således at E(S j+2 ( d j, d j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
28 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. To tidspunkter frem i tid: Find (d j, d j+1 ) = (d j, d j+1 )(H j ) således at E(S j+2 ( d j, d j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4
29 Statisk-optimale behandlingsstrategier Et tidspunkt frem i tid: Find d j = d j (H j ) således at E(S j+1 ) opnår ønsket værdi / range. To tidspunkter frem i tid: Find (d j, d j+1 ) = (d j, d j+1 )(H j ) således at E(S j+2 ( d j, d j+1 ) opnår ønsket værdi / range. S 1 D 1 S 2 D 2 S 3 D 3 S 4 D 4 For ethvert tidspunkt er sekvensen af doser ikke-dynamisk. Det er dog muligt at definere en statisk-optimal dynamisk behandlingsstrategi.
30 Marginale Strukturelle Modeller Et trin frem i tiden kan vi - givet historien - formulere E(S j+1 (d j )) = α + β 1 S j + β 2 D j 1 + γd j + δ Z 0. NB: Dette er ikke en traditionel regressionsmodel! Confounding: D 1 WBC 2 WBC 1 Data for WBC 1 = 4.0: D j Ssh. Vægt 0.5 1/ / / /4 4
31 Marginale Strukturelle Modeller Et trin frem i tiden kan vi - givet historien - formulere E(S j+1 (d j )) = α + β 1 S j + β 2 D j 1 + γd j + δ Z 0. NB: Dette er ikke en traditionel regressionsmodel! Confounding: D 1 WBC 2 WBC 1 Data for WBC 1 = 4.0: D j Ssh. Vægt 0.5 1/ / / /4 4
32 Model for potentiel WBC (j = 1) Først: Model for doserne. Potential outcome: log(wbc j+1 (d j )) Dosis d j = ændring af dosis. Diskret version: d j 0 50%, 50 90%, %, %, > 150%
33 Model for potentiel WBC (j = 1) Først: Model for doserne. Potential outcome: log(wbc j+1 (d j )) Dosis d j = ændring af dosis. Diskret version: d j 0 50%, 50 90%, %, %, > 150% Modellen E ( ) log(wbc j+1 (d j )) V j, Z 0 1 log(wbcj ) (d j 0 50%) + D j 1 (d j 50 90%) + D j 1 (d j %) (d j %) + X j + Z 0 (d j > 150%)
34 Data Data er meget ubalancerede og antallet af dage varierer mellem varierer. Den fulde effekt af en dosisændring forventes først at indtræde efter ca dage. Vi kan ikke ignorere antallet af dage mellem prøvetagninger! Definerer to balancerede del-datasæt: 1) 1 uge (6-8 dage) mellem prøverne (n = 3797, 316 patienter). 2) 2 uger (13-15 dage) mellem prøverne (n = 1717, 337 patienter).
35 Estimater 1 uge 2 uger Term Est. SE p Est SE p Intercept log(wbc j ) D j 1 (d j 0 50%) D j 1 (d j 50 90%) < D j 1 (d j %) D j 1 (d j %) D j 1 (d j > 150%) D j < <.01 gns. positiv 6-m-dosis <
36 Estimeret forventet potentiel WBC Et eksempel WBC j = /L, D j 1 = 400 (mg/m 2 ) 2, gennemsnitlig positiv 6-m-dosis =300 (mg/m 2 ) 2. 1 uge 2 uger Dosisændring WBC (SE) WBC (SE) [0.0, 0.5) 3.97 (0.06) 4.50 (0.17) [0.5, 0.9] 3.83 (0.01) 3.86 (0.01) (0.9, 1.1) 3.60 (0.00) 3.59 (0.00) [1.1, 1.5] 3.40 (0.01) 3.26 (0.01) (0.07) 2.88 (0.17)
37 Behandlingsstrategier Vi har nu 3 forskellige behandlingsstrategier: 1) Protokollerne 2) Strategien implementeret af lægerne 3) Strategien baseret på modellen ( statisk-optimal ) Optimal strategi baseret på modellen med 2 uger mellem prøvetagning: Hvis WBC er udenfor range: Ændr dosen så lidt som muligt for at opnå en forventet potentiel WBC i range om 2 uger. Hold pause hvis TC < /L.
38 Den statisk-optimale mod den implementerede strategi Conditional probability = Large reduction 2 = Moderate reduction 3 = No change 4 = Moderate increase 5 = Large increase Estimated choice
39 Den statisk-optimale strategi Strategien ser ud til at være mest nyttig til at afgøre hvornår dosis skal ændres, men ikke hvor meget. Hvordan skal vi vurdere performance?
40 Den statisk-optimale strategi Strategien ser ud til at være mest nyttig til at afgøre hvornår dosis skal ændres, men ikke hvor meget. Hvordan skal vi vurdere performance? En simpel sammenligning: Nuværende WBC i range: 65% Næste WBC i range: 64% For 54% disse observationer blev den statisk-optimale beslutning valgt. For 71% af disse var WBC 2 uger frem i range.
41 Konklusion Dynamiske behandlingsstrategier benyttes i behandlingen af mange slags sygdomme. Jeg har vist at - det er svært / umuligt at bestemme den optimale strategi. - at problemet er for komplekst til at bestemme en rimelig statisk-optimal strategi. Vi har brug for alternative metoder / videreudvikling af de eksisterende for at kunne opnå modeller, som kan benyttes ved formuleringen af nye protokoller. Videre arbejde: - problemer med vægtene - tidsaspektet
Faculty of Health Sciences. Miscellaneous: Styrkeberegninger Overlevelsesanalyse Analyse af matchede studier
Faculty of Health Sciences Miscellaneous: Styrkeberegninger Overlevelsesanalyse Analyse af matchede studier Forsøgsplanlægning Sammenligning af to grupper : Hvor mange personer skal vi bruge? Det kommer
Læs mereDag 6: Interaktion. Overlevelsesanalyse
Dag 6: Interaktion. Overlevelsesanalyse How does CHD depend on gender and hypertension? Males: hypertension chd01 Females: Frequency Row Pct 0 1 Total ---------+--------+--------+ 0 352 95 447 78.75 21.25
Læs mereSusanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne
Statistik og Sandsynlighedsregning 1 Indledning til statistik, kap 2 i STAT Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne 5. undervisningsuge, onsdag
Læs mereIntroduktion til overlevelsesanalyse
Faculty of Health Sciences Introduktion til overlevelsesanalyse Kaplan-Meier estimatoren Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk
Læs mereØkonometri 1. Dummyvariabler 13. oktober Økonometri 1: F10 1
Økonometri 1 Dummyvariabler 13. oktober 2006 Økonometri 1: F10 1 Dagens program Dummyvariabler i den multiple regressionsmodel (Wooldridge kap. 7.3-7.6) Dummy variabler for kvalitative egenskaber med flere
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 mereLineære normale modeller (4) udkast
E6 efterår 1999 Notat 21 Jørgen Larsen 2. december 1999 Lineære normale modeller (4) udkast 4.5 Regressionsanalyse 4.5.1 Præsentation 1 Regressionsanalyse handler om at undersøge hvordan én målt størrelse
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 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 mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs 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 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 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 mereSimpel Lineær Regression: Model
Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]
Læs mereØkonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006
Dagens program Økonometri Den simple regressionsmodel 5. september 006 Den simple lineære regressionsmodel (Wooldridge kap.4-.6) Eksemplet fortsat: Løn og uddannelse på danske data Funktionel form Statistiske
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 mereØkonometri 1. Inferens i den lineære regressionsmodel 25. september Økonometri 1: F6 1
Økonometri 1 Inferens i den lineære regressionsmodel 25. september 2006 Økonometri 1: F6 1 Oversigt: De næste forelæsninger Statistisk inferens: hvorledes man med udgangspunkt i en statistisk model kan
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 mereØkonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006
Dagens program Økonometri Den multiple regressionsmodel 8. september 006 Opsamling af statistiske resultater om den simple lineære regressionsmodel (W kap..5). Den multiple lineære regressionsmodel (W
Læs mereØkonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2
Økonometri 1 Den simple regressionsmodel 11. september 2006 Dagens program Den simple regressionsmodel SLR : Én forklarende variabel (Wooldridge kap. 2.1-2.4) Motivation for gennemgangen af SLR Definition
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 mereIntroduktion til overlevelsesanalyse
Faculty of Health Sciences Introduktion til overlevelsesanalyse Cox regression III Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Kursushjemmeside:
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/33
Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 +β 1 x +u, hvor fejlledet u,
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 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 mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Indledende om Signifikanstest Boldøvelser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Indledende om Signifikanstest Boldøvelser 1 Påstand: Et nyt præparat M virker mod migræne. Inden præparatet kan markedsføres, skal denne påstand
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 mereHvad skal vi lave? Model med hovedvirkninger Model med vekselvirkning F-test for ingen vekselvirkning. 1 Kovariansanalyse. 2 Sammenligning af modeller
Hvad skal vi lave? 1 Kovariansanalyse Model med hovedvirkninger Model med vekselvirkning F-test for ingen vekselvirkning 2 Sammenligning af modeller 3 Mere generelle modeller PSE (I17) ASTA - 14. lektion
Læs mere1 Regressionsproblemet 2
Indhold 1 Regressionsproblemet 2 2 Simpel lineær regression 3 2.1 Mindste kvadraters tilpasning.............................. 3 2.2 Prædiktion og residualer................................. 5 2.3 Estimation
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Læs mereMindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning
1 Regressionsproblemet 2 Simpel lineær regression Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning 3
Læs mereLogistisk regression
Logistisk regression Anvendt statistik Anders Tolver Jensen Institut for Grundvidenskab og Miljø Onsdag d. 25/2-2009 ATJ (IGM KU-LIFE) Logistisk regression Anvendt statistik 25/2-2009 1 / 12 (Multinomial)
Læs mereKausale modeller. Konstruktion og analyse
Kausale modeller Konstruktion og analyse 1 Kausale modeller = DAGs (Directed acyclic graphs) defineret ved Fuldstændig ordnet kausal struktur Definition af direkte kausal effekt Antagelser om fravær af
Læs mereHypotesetests, fejltyper og p-værdier
Hypotesetests, fejltyper og p-værdier Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 25, 2018 Søren Højsgaard Institut for Matematiske Fag, Aalborg Hypotesetests, Universitet
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 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 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 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 mereModul 11: Simpel lineær regression
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 11: Simpel lineær regression 11.1 Regression uden gentagelser............................. 1 11.1.1 Oversigt....................................
Læs 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 mereØkonometri Lektion 1 Simpel Lineær Regression 1/31
Økonometri Lektion 1 Simpel Lineær Regression 1/31 Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Statistisk model: Vi antager at sammenhængen
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 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 mereEr hesten halt? Diagnosticering og kvantificering af halthed vha. accelerationsdata
Institut for Matematiske Fag Er hesten halt? Diagnosticering og kvantificering af halthed vha. accelerationsdata Helle Sørensen Mød MATH på KU, november 2015 Problemstilling og mål Problemer: Heste bliver
Læs mereTest for strukturelle ændringer i investeringsadfærden
d. 6.10.2016 De Økonomiske Råds Sekretariat Test for strukturelle ændringer i investeringsadfærden Dette notat redegør for de stabilitetstest af forskellige tidsserier vedrørende investeringsadfærden i
Læs mereNoter til Specialkursus i videregående statistik
Noter til Specialkursus i videregående statistik Poul Thyregod IMM, februar 2005 Indhold Forord 6 1 Momenter og flerdimensionale stokastiske variable 7 1.0 Indledning............................. 7 1.1
Læs mereCENTER FOR KLINISKE RETNINGSLINJER
BILAG 5 - CLEARINGHOUSE Bilag 5. SfR Checkliste kilde 18. SfR Checkliste 3: Kohorteundersøgelser Forfatter, titel: Deuling J, Smit M, Maass A, Van den Heuvel A, Nieuwland W, Zijlstra F, Gelder I. The Value
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 mereVelkommen til kurset. Teoretisk Statistik. Lærer: Niels-Erik Jensen
1 Velkommen til kurset Teoretisk Statistik Lærer: Niels-Erik Jensen Plan for i dag: 1. Eks: Er euro'en skæv? 4. Praktiske informationer 2. Eks: Regressionsmodel (kap. 1) 5. Lidt om kursets indhold 3. Hvad
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
Læs mereInstitut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 6
Institut for Matematiske Fag Matematisk Modellering 1 Aarhus Universitet Eva B. Vedel Jensen 25. februar 2008 UGESEDDEL 6 Forelæsningerne torsdag den 21. februar og tirsdag den 26. februar. Jeg har gennemgået
Læs mereLineær regression: lidt mere tekniske betragtninger om R 2 og et godt alternativ
Lineær regression: lidt mere tekniske betragtninger om R 2 og et godt alternativ Per Bruun Brockhoff, DTU Compute, Claus Thorn Ekstrøm, KU Biostatistik, Ernst Hansen, KU Matematik January 17, 2017 Abstract
Læs mereModul 12: Regression og korrelation
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 12: Regression og korrelation 12.1 Sammenligning af to regressionslinier........................ 1 12.1.1 Test for ens hældning............................
Læs mereScreenings-baseret sygeplejerske navigation til kvinder med brystkræft: En RCT pilot undersøgelse
Screenings-baseret sygeplejerske navigation til kvinder med brystkræft: En RCT pilot undersøgelse Birgitte Goldschmidt Mertz Niels Kroman Brystkirurgisk Sektion, Rigshospitalet Pernille Envold Bidstrup
Læs mereEstimation og konfidensintervaller
Statistik og Sandsynlighedsregning STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Estimation og konfidensintervaller Antag X Bin(n,
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 mereStatistisk modellering og regressionsanalyse
Statistisk modellering og regressionsanalyse Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Oktober 25, 2018 Slides @ biostatistics.dk/talks/ 1 2 Hvad er statistik? Statistics is a science, not
Læs mereBehandlingsvejledning for terapiområdet Biologisk Behandling af Kroniske Inflammatoriske Tarmsygdomme
Behandlingsvejledning for terapiområdet Biologisk Behandling af Kroniske Inflammatoriske Tarmsygdomme Fagudvalg under Rådet for Anvendelse af Dyr Sygehusmedicin, RADS, er interne, rådgivende arbejdsgrupper,
Læs mereArbejdsløshed, arbejdsløshedsforsikring og konjunktursvingninger?
Arbejdsløshed, arbejdsløshedsforsikring og konjunktursvingninger? Mette Ejrnæs og Stefan Hochguertel EPRN konference 19. juni 2015 19. juni 2015 1 / 25 Motivation I Danmark har vi en arbejdsløshedsforsikringsordning
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne 7. undervisningsuge, mandag 1 Estimation og konfidensintervaller
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 mere1. Intoduktion. Undervisningsnoter til Øvelse i Paneldata
1 Intoduktion Før man springer ud i en øvelse om paneldata og panelmodeller, kan det selvfølgelig være rart at have en fornemmelse af, hvorfor de er så vigtige i moderne mikro-økonometri, og hvorfor de
Læs mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereOverlevelsesanalyse. Faculty of Health Sciences
Faculty of Health Sciences Overlevelsesanalyse Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Program Overlevelsesdata Kaplan-Meier estimatoren
Læs mereBehandlingsvejledning inklusiv lægemiddelrekommandation for behandling af patienter med myelomatose
Behandlingsvejledning inklusiv lægemiddelrekommandation for behandling af patienter med Fagudvalg under Rådet for Anvendelse af Dyr Sygehusmedicin, RADS, er interne, rådgivende arbejdsgrupper, der refererer
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 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 mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Introduktion
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Introduktion 1 Formelt Lærer: Jørgen Holm Petersen Øvelseslærere: Amalie og Marie Databehandling: SPSS Eksamen: Ugeopgave efterfulgt af mundtlig
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereForsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 8. november 2011 Videnskabelig hypotese Planlægning af et studie Endpoints Forsøgsplanlægning Stikprøvestørrelse 1 51 Instrumentelle/eksponerings variable Variationskilder
Læs mereUge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007 regressionsmodel 1 Dagens program Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5, E.2) Variansen
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 mereØkonometri: Lektion 6 Emne: Heteroskedasticitet
Økonometri: Lektion 6 Emne: Heteroskedasticitet 1 / 32 Konsekvenser af Heteroskedasticitet Antag her (og i resten) at MLR.1 til MLR.4 er opfyldt. Antag MLR.5 ikke er opfyldt, dvs. vi har heteroskedastiske
Læs mereKvantitative metoder 2
Program for i dag: Kvantitative metoder Beskrivende statistik og analyse af kvalitatitive data 1. februar 007 Test i multinomialfordelingen: Q-testet (BL.13.1-) Opsamling fra sidste gang To eksempler To-dimensionale
Læs mereSimpel Lineær Regression
Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Vi antager at sammenhængen mellem y og x er beskrevet ved y = β 0 + β 1 x + u. y: Afhængige
Læs mereKursus Introduktion til Statistik. Forelæsning 13: Summary. Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 13: Summary Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Introduktion
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Introduktion 1 Formelt Lærere: Esben Budtz-Jørgensen Jørgen Holm Petersen Øvelseslærere: Berivan+Kathrine, Amalie+Annabell Databehandling: SPSS
Læs mereMultipel regression. Data fra opgave 3 side 453: Multipel regressionsmodel: Y = α + β 1 x 1 + β 2 x 2 + ǫ. hvor ǫ N(0, σ 2 ).
Program 1. multipel regression 2. polynomiel regression (og andre kurver) 3. kategoriske variable 4. Determinationkoefficient og justeret determinationskoefficient 5. ANOVA-tabel 1/13 Multipel regression
Læs mereIntroduktion til GLIMMIX
Introduktion til GLIMMIX Af Jens Dick-Nielsen jens.dick-nielsen@haxholdt-company.com 21.08.2008 Proc GLIMMIX GLIMMIX kan bruges til modeller, hvor de enkelte observationer ikke nødvendigvis er uafhængige.
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 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 mereModersmålsbaseret undervisning-
Modersmålsbaseret undervisning- Gruppebaseret indsats på 4. klassetrin Bilag a: Analysemodel og effekter Data Serietitel og nummer Bilag til faglig rapport 2017 Titel Modersmålsbaseret undervisning Undertitel
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 merePERCIST. Joan Fledelius, Nuklearmedicinsk afdeling, Hospitalsenhed vest, Herning
PERCIST Joan Fledelius, Nuklearmedicinsk afdeling, Hospitalsenhed vest, Herning 2 Nuklearmedicinsk responsevaluering 1990 Kaplan et al: Gallium-67 imaging: A prediction of residual tumor viability and
Læs mereEpidemiologi og Biostatistik. Mogens Erlandsen, Institut for Biostatistik Uge 1, tirsdag d. 5. februar 2002
Epidemiologi og Biostatistik Mogens Erlandsen, Institut for Biostatistik Uge 1, tirsdag d. 5. februar 2002 1 Statestik Det hedder det ikke! Statistik 2 Streptomycin til behandling af lunge-tuberkulose?
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 mereEt statistisk test er en konfrontation af virkelighenden (data) med en teori (model).
Hypotesetests, fejltyper og p-værdier og er den nu også det? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet (updated: 2019-03-17) 1 / 40 Statistisk test Et statistisk test er en konfrontation
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Beskrivende statistik og analyse af kvalitatitive data 12. februar 2007 Kvantitative metoder 2: F3 1 Program for i dag: Test i multinomialfordelingen: Q-testet (BL.13.1-2) Opsamling
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 mere! Variansen på OLS estimatoren. ! Multikollinaritet. ! Variansen i misspecificerede modeller. ! Estimat af variansen på fejlleddet
Dagens program Økonometri Den multiple regressionsmodel 4. februar 003 regressionsmodel Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5)! Opsamling fra sidst
Læs mereKvadratisk regression
Kvadratisk regression Helle Sørensen Institut for Matematiske Fag Københavns Universitet Juli 2011 I kapitlet om lineær regression blev det vist hvordan man kan modellere en lineær sammenhæng mellem to
Læs mereMPH specialmodul Epidemiologi og Biostatistik
MPH specialmodul Epidemiologi og Biostatistik Repetition af variansanalyse Overlevelsesanalyse Bestemmelse af stikprøvestørrelse Matchning 30. maj 2011 www.biostat.ku.dk/~sr/mphspec11 Susanne Rosthøj (Per
Læs mereCenter for Statistik. Multipel regression med laggede responser som forklarende variable
Center for Statistik Handelshøjskolen i København MPAS Tue Tjur November 2006 Multipel regression med laggede responser som forklarende variable Ved en tidsrække forstås i almindelighed et datasæt, der
Læs mereBasal statistik Esben Budtz-Jørgensen 4. november Forsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 4. november 2008 Forsøgsplanlægning Stikprøvestørrelse 1 46 Planlægning af et studie Videnskabelig hypotese Endpoints Instrumentelle/eksponerings variable Variationskilder
Læs mereVi sætter. (Signal støj- forhold) Poul Thyregod, 25. april Specialkursus vid.stat. foraar Lad Y i angiver observationer fra i te udtagne balle.
Modellens parametre Mandag den 25 april Hierarkiske normalfordelingsmodeller Dagens program: Resume af ensidet variansanalysemodel med tilfældig effekt estimation af tilfældige effekter, fortolkning som
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 mereØkonometri 1 Forår 2006 Ugeseddel 11
Økonometri 1 Forår 2006 Ugeseddel 11 Program for øvelserne: Gruppearbejde og plenumdiskussion Introduktion til SAS øvelser SAS øvelser Øvelsesopgave 5: Paneldata estimation af indkomstligninger på danske
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 mere