Overlevelse efter AMI. Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Køn og alder betragtes som confoundere.
|
|
- Jan Bjerregaard
- 6 år siden
- Visninger:
Transkript
1 Overlevelse efter AMI Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Diabetes VF (Venticular fibrillation) WMI (Wall motion index) CHF (Cardiac Heart Failure) Køn og alder betragtes som confoundere. 1
2 Den kausale model 2
3 Analyser af risikoen for død P(Død CHF,WMI,VF,DIABETES,SEX,AGE) Resultaterne er konfounder korrigerede mål for Den totale effekt af CHF Den direkte effekt af WMI, VF, DIABETES, SEX, AGE 3
4 P(Død WMI,VF,DIABETES,SEX,AGE) Resultaterne er konfounder korrigerede mål for den totale effekt af WMI Estimaterne af effekten af de øvrige variable er ufuldstændige mål for den indirekte effekt af VF,DIABETES,SEX,AGE P(Død VF,DIABETES,SEX,AGE) Resultaterne er konfounder korrigerede mål for den totale effekt af VF 4
5 P(Død DIABETES,SEX,AGE) Resultaterne er konfounder korrigerede mål for den totale effekt af diabetes Alle analyser skal foretages ved hjælp af Cox modellen fordi der er tale om censurerede overlevelsesdata 5
6 Indirekte effekter er også interessante Kortlægning af indirekte effekter kræver regressionsanalyser af de øvrige variable 6
7 Regressionsanalyser til kortlægning af indirekte effekter Regressionsanalyse Analysetype P(CHF WMI,VF,DIABETES,SEX,AGE) logistisk P(WMI VF,DIABETES,SEX,AGE) General lineær model P(VF DIABETES,SEX,AGE) logistisk P(DIABETES SEX,AGE) logistisk P(SEX,AGE)? 7
8 Analyseplan Databeskrivelse Omkodninger, som man kan forudse, at man får brug for Regressionsanalyserne Konklusioner 8
9 Databeskrivelsen Frekvenstabeller Histogrammer Krydstabeller med den centrale variabel i forhold til alle de andre 9
10 Sex Valid Frequency Percent Valid Percent Cumulative Percent 1 male ,5 30,5 30,5 2 female ,5 69,5 100,0 Total ,0 100,0 diabetes Frequency Percent Valid Percent Cumulative Percent Valid 0 absent ,9 90,0 90,0 1 present ,0 10,0 100,0 Total ,9 100,0 Missing System 2,1 Total ,0 10
11 vf ventricular fibrillation Valid Frequency Percent Valid Percent Cumulative Percent 0 absent ,8 92,8 92,8 1 present 136 7,2 7,2 100,0 Total ,0 100,0 chf Clinical heart pump failure Valid Frequency Percent Valid Percent Cumulative Percent 0 absent ,7 47,7 47,7 1 present ,3 52,3 100,0 Total ,0 100,0 11
12 status Freq. Percent Valid Percent Cumulative Percent Valid 0 alive ,3 48,3 48,3 7 dead - other reason 10,5,5 48,9 8 dead - other reason 2,1,1 49,0 9 dead from MI ,0 51,0 100,0 Total ,0 100,0 Første problem, der skal overvejes: Interesserer vi os for død pga. MI eller død pga. alle årsager Dead * status status Crosstabulation Count Dead Total,00 1,00 status status 7 dead - 8 dead - 9 dead 0 alive other reason other reason from MI Total
13 age The hearts ability to pump Frequency 100 Frequency Mean =67,00 Std. Dev. =11,442 N = ,00 3,00 Mean =1,40 Std. Dev. =0,413 N =1.878 age The hearts ability to pump 13
14 time Frequency ,00 time 6,00 8,00 1 Mean =4,55 Std. Dev. =2,852 N =
15 Tovejsanalyser med død som den ene variabel sex sex Total 1 male 2 female Dead Total,00 alive 1,00 dead,00 alive Count % within sex sex 42,8% 57,2% 100,0% Count % within sex sex 50,8% 49,2% 100,0% Count % within sex sex 48,3% 51,7% 100,0% Value df Asymp. Sig. (2-sided) Pearson Chi-Square 10,026(b) 1,002 Likelihood Ratio 10,055 1,002 N of Valid Cases 1878 Exact Sig. (2-sided) Exact Sig. (1-sided) Asymp. Value Std. Error(a) Approx. T(b) Approx. Sig. Ordinal by Ordinal Gamma -,158,049-3,181,001 N of Valid Cases
16 sex sex Total 1 male 2 female Diabetes Dead Total,00 alive 1,00 dead,00 alive Count % within sex sex 42,8% 57,2% 100,0% Count % within sex sex 50,8% 49,2% 100,0% Count % within sex sex 48,3% 51,7% 100,0% Value df Asymp. Sig. (2-sided) Pearson Chi-Square 10,026(b) 1,002 Likelihood Ratio 10,055 1,002 N of Valid Cases 1878 Exact Sig. (2-sided) Exact Sig. (1-sided) Asymp. Value Std. Error(a) Approx. T(b) Approx. Sig. Ordinal by Ordinal Gamma -,158,049-3,181,001 N of Valid Cases
17 vf ventricular fibrillation Total 0 absent 1 present VF Dead Total,00 alive 1,00 dead,00 alive Count % within vf ventricular fibrillation 49,6% 50,4% 100,0% Count % within vf ventricular fibrillation 32,4% 67,6% 100,0% Count % within vf ventricular fibrillation 48,3% 51,7% 100,0% Value df Asymp. Sig. (2-sided) Pearson Chi-Square 15,023(b) 1,000 Likelihood Ratio 15,377 1,000 N of Valid Cases 1878 Exact Sig. (2-sided) Exact Sig. (1-sided) Asymp. Value Std. Error(a) Approx. T(b) Approx. Sig. Ordinal by Ordinal Gamma,346,083 3,930,000 N of Valid Cases
18 chf Clinical heart pump failure Total 0 absent 1 present CHF Dead Total,00 alive 1,00 dead,00 alive Count % within chf Clinical heart pump failure 66,6% 33,4% 100,0% Count % within chf Clinical heart pump failure 31,7% 68,3% 100,0% Count % within chf Clinical heart pump failure 48,3% 51,7% 100,0% Value df Asymp. Sig. (2-sided) Pearson Chi-Square 229,290(b) 1,000 Likelihood Ratio 234,081 1,000 N of Valid Cases 1878 Exact Sig. (2-sided) Exact Sig. (1-sided) Asymp. Value Std. Error(a) Approx. T(b) Approx. Sig. Ordinal by Ordinal Gamma,623,030 16,142,000 N of Valid Cases
19 Age & WMI Dead N Mean Std. Deviation Std. Error Mean age age,00 alive , ,90099, ,00 dead ,5951 9,92699,31874 wmi The hearts,00 alive 908 1,5280,35578,01181 ability to pump 1,00 dead 970 1,2763,42487,01364 age age wmi Equal variances assumed Equal variances not assumed Equal variances assumed Equal variances not assumed Levene's Test for Equality of Variances F Sig. t df Sig. (2- tailed) 13,399,000-19, ,000-19, ,694,000 33,136,000 13, ,000 13, ,394,000 Alle faktorer ser ud til at være risikofaktorer for død 19
20 Forudseelige omkodninger STATUS er allerede omkodet til DEAD Vi får brug for AGE 2, AGE 3 og WMI 2, WMI 3 for at teste lineariteten af effekterne i regressionsmodellerne WMI er en ratioskala. Vi får måske brug for logaritmen til WMI i regressionsanalysen med WMI som afhængig variabel. Man kan lige så godt foretage disse omkodninger med det samme! 20
21 Plan for regressionsanalyserne Startmodel = model med alle 2-vejs interaktioner samt 2. og 3. grads ledene af de kvantitative variable Baglæns modelsøgning 21
22 P(DIABETES SEX,AGE) logistisk regression Step 1 a age sex(1) age2 age3 age by sex(1) age2 by sex(1) age3 by sex(1) Constant Første model: intet er signifikant Variables in the Equation B S.E. Wald df Sig. Exp(B),411,982,175 1,676 1,508 19,327 22,584,732 1,392 2E+008 -,005,015,096 1,757,995,000,000,039 1,844 1,000 -,891 1,033,743 1,389,410,013,016,663 1,415 1,013,000,000,551 1,458 1,000-13,111 21,727,364 1,546,000 a. Variable(s) entered on step 1: age, sex, age2, age3, age * sex, age2 * sex, age3 * sex. Step 1 a age sex(1) Constant Næstsidste model: Alder er insignifikant a. Variable(s) entered on step 1: age, sex. Variables in the Equation B S.E. Wald df Sig. Exp(B),008,007 1,190 1,275 1,008 -,473,163 8,415 1,004,623-2,414,528 20,942 1,000,089 22
23 Step 1 a Step 1 a age sex(1) Constant Næstsidste model: Alder er insignifikant a. Variable(s) entered on step 1: age, sex. sex(1) Constant a. Variable(s) entered on step 1: sex. Variables in the Equation B S.E. Wald df Sig. Exp(B),008,007 1,190 1,275 1,008 -,473,163 8,415 1,004,623-2,414,528 20,942 1,000,089 Slutmodel Variables in the Equation B S.E. Wald df Sig. Exp(B) -,520,158 10,862 1,001,595-1,857, ,587 1,000,156 Kvinders risiko for at få diabetes er kun 60 % af mændenes risiko Sammenlign risikoestimaterne i den næstsidste og den sidste model. Værdier og standardfejl påvirkes af at alderen er med i modellen 23
24 P(VF DIABETES,SEX,AGE) logistisk regression Næstsidste model: VF afhænger ikke af nogen af de andre variable Step 1 a age Constant a. Variable(s) entered on step 1: age. Variables in the Equation B S.E. Wald df Sig. Exp(B) -,007,008,822 1,365,993-2,087,516 16,374 1,000,124 Overvej hvilke konsekvenser dette resultat har for kravene for confounderkontrol i forbindelse med VFs effekt på andre variable (totalt og/eller direkte) 24
25 P(WMI VF,DIABETES,SEX,AGE) general lineær model Modelsøgning efterfulgt af modelkontrol Midtvejsmodel efter elimination af interaktioner Tests of Between-Subjects Effects Dependent Variable: wmi The hearts ability to pump Source Corrected Model Intercept vf diabetes sex age age2 age3 sex * age sex * age2 sex * age3 Error Total Corrected Total Type III Sum of Squares df Mean Square F Sig. 23,660 a 9 2,629 16,608,000, , ,511 41,133,000 3, ,768 23,804,000, , ,375 1,375 2,369,124,375 1,375 2,371,124, ,661 1,661 4,175,041,675 1,675 4,264, , , , , a. R Squared =,074 (Adjusted R Squared =,070) 25
26 Fjern interaktion mellem SEX*AGE3 Tests of Between-Subjects Effects Dependent Variable: wmi The hearts ability to pump Source Corrected Model Intercept vf diabetes sex age age2 age3 sex * age sex * age2 Error Total Corrected Total Type III Sum of Squares df Mean Square F Sig. 22,985 a 8 2,873 18,120,000,521 1,521 3,286,070 6, ,523 41,139,000 3, ,716 23,434,000,001 1,001,004,949,002 1,002,010,920,018 1,018,112,738,024 1,024,154,695,000 1,000,002,966,004 1,004,023, , , , , a. R Squared =,072 (Adjusted R Squared =,068) Helt anderledes resultater modelsøgningen fortsætter 26
27 Slutmodel lineær model effekt af alder uden interaktioner Parameter Estimates Dependent Variable: wmi The hearts ability to pump Parameter Intercept [vf=0] [vf=1] [diabetes=0] [diabetes=1] [sex=1] [sex=2] age B Std. Error t Sig. Lower Bound Upper Bound 1,501,070 21,377,000 1,363 1,639,229,035 6,460,000,160,299 0 a.....,151,031 4,923,000,091,211 0 a.....,093,021 4,494,000,052,133 0 a ,007,001-8,631,000 -,009 -,006 a. This parameter is set to zero because it is redundant. Er det en god model? Levene's Test of Equality of Error Variances a Dependent Variable: wmi The hearts ability to pump F df1 df2 Sig., ,811 Tests the null hypothesis that the error variance of the dependent variable is equal across groups. a. Design: Intercept+vf+diabetes+sex+age 95% Confidence Interval 27
28 Residualerne Frequency Mean =-3,70E-15 Std. Dev. =0,999 N = ,00-4,00 Standardized Residual for wmi = age+sex+wf+diab Pæn symmetrisk fordeling, men man får fornemmelsen af, at der er tale om en blanding af to grupper. 28
29 P(CHF WMI,VF,DIABETES,SEX,AGE) logistisk Slutmodellen SEX uden betydning - + kvadratisk effect af WMI Step 1 a wmi wmi2 vf(1) diabetes(1) age Constant Variables in the Equation B S.E. Wald df Sig. Exp(B) -4,427,959 21,318 1,000,012,917,335 7,496 1,006 2,502,962,228 17,766 1,000 2,616,388,186 4,369 1,037 1,474,066, ,601 1,000 1,068 -,148,749,039 1,844,863 a. Variable(s) entered on step 1: wmi, wmi2, vf, diabetes, age. Samlet effekt af WMI Logit skalaen: WMI+0.917WMI 2 Odds ratio effekt = exp(-4.427wmi+0.917wmi 2 ) Beregn disse variable i materialet og plot dem mod WMI 29
30 Den kvadratiske effekt af WMI på CHF -1,00 COMPUTE WMIeefekt = * wmi * wmi2 - -3,00-4,00-5,00 R Sq Quadratic =1 Frequency The hearts ability to pump -6, ,50 1,00 1,50 The hearts ability to pump 2,50 3,00 0 1,00 The hearts ability to pump 3,00 Mean =1,40 Std. Dev. =0,413 N =
31 Effekten på odds ratioskalaen 0,30 COMPUTE expwmi = exp(wmieefekt) 0,25 0,20 0,15 0,10 0,05 0,50 1,00 1,50 2,50 3,00 The hearts ability to pump WMI reference værdien er lig med = 0 Vælg WMI = 2 som reference i stedet 31
32 WMI = 2 Logit effekt = -5,186 Odds ratio effekt = Odds ratio effekt med WMI2 som reference = OReffekt/ expwmi ,50 1,00 1,50 2,50 3,00 The hearts ability to pump 32
33 P(Tid til død CHF,WMI,VF,DIABETES,SEX,AGE) Cox analyse Først databeskrivelse vha. Kaplan Meier Derefter modelsøgning Til sidst model kontrol Survival Functions Survival Functions 1,0 0,8 Clinical heart pump failure absent present absent-censored present-censored 1,0 0,8 ventricular fibrillation absent present absent-censored present-censored Cum Survival 0,6 0,4 Cum Survival 0,6 0,4 0,2 0,2 0,0 0,0 4,00 time 6,00 8,00 1 4,00 time 6,00 8,
34 Survival Functions Survival Functions 1,0 0,8 diabetes absent present absent-censored present-censored 1,0 0,8 sex male female male-censored female-censored Cum Survival 0,6 0,4 Cum Survival 0,6 0,4 0,2 0,2 0,0 0,0 4,00 time 6,00 8,00 1 4,00 time 6,00 8,
35 Slutmodellen med estimater af direkte effekter Køn har ingen betydning for overlevelse efter AMI Interaktioner mellem AGE og CHF DIABETES og VF DIABETES OG WMI Variables in the Equation age chf wmi vf diabetes age2 wmi2 age*chf diabetes*vf diabetes*wmi vf*wmi 95,0% CI for Exp(B) B SE Wald df Sig. Exp(B) Lower Upper -,035,033 1,190 1,275,965,906 1,029 1,683,513 10,763 1,001 5,384 1,969 14,717-2,898,454 40,782 1,000,055,023,134 1,376,338 16,600 1,000 3,960 2,042 7,676 -,800,272 8,652 1,003,449,264,766,001,000 9,245 1,002 1,001 1,000 1,001,753,166 20,660 1,000 2,123 1,534 2,936 -,017,007 5,191 1,023,984,970,998 1,072,329 10,594 1,001 2,921 1,532 5,569,947,206 21,096 1,000 2,578 1,721 3,862 -,633,285 4,943 1,026,531,304,928 35
36 Samlet effekt af diabetes og VF Parametre (hovedvirkninger er røde, inteaktioner er blå) DIAB = 0 DIAB= VF = VF = Samlet effekt DIAB = 0 DIAB=1 VF = VF =
37 Samlet effekt af AGE og CHF Ingen CHF: Effekt af alder og CHF = *Age *AGE 2 + CHF: Effekt af alder og CHF = *Age *AGE 2 6,00 lnrr effekt af alder + chf givet chf = 0 age lnrr Effekt af AGE og CHF givet CHF=1 age 4,
38 Samlet effekt af alder og CHF på RR skalaen 40 RR effekt af alder + chf givet chf = 0 age RR Effekt af AGE og CHF givet CHF=1 age 5 RR effekt af alder + chf givet chf = 0 age RR Effekt af AGE og CHF givet CHF=1 age
39 Samlet effekt af DIABETES og WMI Ingen DIAB: Effekt = *WMI *WMI 2 + DIAB: Effekt = *WMI *WMI 2 1,00 lnrr effekt af DIAB og WMI give DIAB=0 The hearts ability to pump lnrr effekt af DIAB og WMI give DIAB=1 The hearts ability to pump lnrr effekt af DIAB og WMI give DIAB=0 The hearts ability to pump lnrr effekt af DIAB og WMI give DIAB=1 The hearts ability to pump -1,00 - R Sq Quadratic =1 R Sq Quadratic =1-3,00 0,50 1,00 1,50 2,50 39
40 Overlevelse WMI=0.5, VF = 0, CHF = 0 Age = middel Survival Function for patterns 1-2 1,0 diabetes absent present 0,8 Cum Survival 0,6 0,4 0,2 0,0 4,00 6,00 8,00 time Bedre chancer for at overleve med diabetes! 40
41 Overlevelse WMI=2, VF = 0, CHF = 0 Age = middel Survival Function for patterns 1-2 1,0 diabetes absent present 0,8 Cum Survival 0,6 0,4 0,2 0,0 4,00 6,00 8,00 time Meget bedre chancer for at overleve uden diabetes 41
42 Er det en god model? Partiale residualer 2000 Partial residual for age R Sq Linear = 2 4,00 6,00 8,00 time 42
43 1, ,00000 Partial residual for wmi 0, , ,00000 R Sq Linear = 3-1, ,00 6,00 8,00 time 43
44 0, ,25000 Partial residual for chf 000-0, , ,75000 R Sq Cubic =9 4,00 6,00 8,00 time 44
45 Den direkte effekt af diabetes på overlevelsen er medieret og modificeret af de andre variable. Hvad med den totale effekt? Kan den beskrives vha. en Cox model? Husk, at Diabetes ikke ser ud til at afhænge af alderen! Alderen er derfor ikke en confounder af Diabetes effekten. 45
46 Cox analyse med DIABETES og SEX som de eneste forklarende variable Ingen interaktion mellem effekterne af de to variable Slut model Variables in the Equation B SE Wald df Sig. Exp(B) sex -,198,068 8,445 1,004,820 diab,559,093 36,205 1,000 1,750 46
47 1, , ,80000 Partial residual for sex 000-0,25000 Partial residual for diab 0, , , ,50000 R Sq Linear = 1,22E R Sq Linear = 2-0, , ,00 6,00 8,00 4,00 6,00 8,00 time time 47
48 Kaplan-Meier kurver Survival Functions Survival Functions sex = 0 sex = female 1,0 0,8 diabetes absent present absent-censored present-censored 1,0 0,8 diabetes absent present absent-censored present-censored Cum Survival 0,6 0,4 Cum Survival 0,6 0,4 0,2 0,2 0,0 0,0 4,00 time 6,00 8,00 1 4,00 time 6,00 8,00 1 Mænd Kvinder 48
49 Log-minus-log kurver 0 sex female diabetes absent present log minuss log - -4,00-6,00-8,00 4,00 6,00 8,00 time En svag tendens til at hazard forholdet for personer med og uden diabetes bliver større jo længere tid der er gået 4,00 6,00 8,00 49
Generelle lineære modeller
Generelle lineære modeller Regressionsmodeller med én uafhængig intervalskala variabel: Y en eller flere uafhængige variable: X 1,..,X k Den betingede fordeling af Y givet X 1,..,X k antages at være normal
Læs mereRegressionsanalyser. Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer.
Regressionsanalyser Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer. Hvilke faglige problemer kan man løse vha. regressionsanalyser? 1 Regressionsanalyser Det primære problem
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 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 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 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 mereMultipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model
Multipel regression M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Y j 1 X 1j 2 X 2j... m X mj j eller m Y j 0 i 1 i X ij j BEMÆRK! j svarer til individ
Læs 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 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 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 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 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 mereEksamen i statistik 2009-studieordning
Kandidatuddannelsen i Folkesundhedsvidenskab Det sundhedsvidenskabelige fakultet Københavns Universitet 21.12.2010 Eksamen i statistik 2009-studieordning Underviser Svend Kreiner Udarbejdet af eksamens
Læs mereKausalitet. Introduktion til samfundsvidenskabelig metode. Samfundsvidenskabelig metode. Hvad er metode? Hvad er kausalitet.
Introduktion til samfundsvidenskabelig metode Samfundsvidenskabelig metode IT-Universitetet September 2007 Mikkel Leihardt Hvad er metode? Metode er regler og retningslinjer for, hvordan vi undersøger
Læs mereKursus i varians- og regressionsanalyse Data med detektionsgrænse. Birthe Lykke Thomsen H. Lundbeck A/S
Kursus i varians- og regressionsanalyse Data med detektionsgrænse Birthe Lykke Thomsen H. Lundbeck A/S 1 Data med detektionsgrænse Venstrecensurering: Baggrundsstøj eller begrænsning i måleudstyrets følsomhed
Læs mereØvelser i epidemiologi og biostatistik, 6. april 2010 Baseline-informationer fra Ebeltoft datasættet Eksempel på besvarelse
Øvelser i epidemiologi og biostatistik, 6. april 2010 Baseline-informationer fra Ebeltoft datasættet Eksempel på besvarelse 1. Hvor stor en andel af deltagerne var mænd? Var der samme andel i de tre randomiseringsgrupper?.
Læs mereStatistik og skalavalidering Synopsis. Eksamensnumre 15, 33 og 45
Statistik og skalavalidering Synopsis Københavns Universitet Folkesundhedsvidenskab, 7. semester Typografiske enheder: 22.615 December 2010 Indholdsfortegnelse 1.0 Indledning... 3 1.1 Karakteristika af
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 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 mereLineær regression. Simpel regression. Model. ofte bruges følgende notation:
Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til
Læs mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs mereBasal statistik. 30. oktober 2007
Basal statistik 30. oktober 2007 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Kovariansanalyse Parametriseringer Lene Theil Skovgaard, Biostatistisk Afdeling
Læs mereBasal statistik. 30. oktober Den generelle lineære model
Basal statistik 30. oktober 2007 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Kovariansanalyse Parametriseringer Lene Theil Skovgaard, Biostatistisk Afdeling
Læs mereBesvarelse af juul2 -opgaven
Besvarelse af juul2 -opgaven Spørgsmål 1 Indlæs data Dette gøres fra Analyst med File/Open, som sædvanlig. Spørgsmål 2 Lav regressionsanalyser for hvert køn af igf1 vs. alder for præpubertale (Tanner stadium
Læs mereBesvarelse af vitcap -opgaven
Besvarelse af -opgaven Spørgsmål 1 Indlæs data Dette gøres fra Analyst med File/Open, som sædvanlig. Spørgsmål 2 Beskriv fordelingen af vital capacity og i de 3 grupper ved hjælp af summary statistics.
Læs 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 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 mere- Medlemsundersøgelse, Danske Fysioterapeuter, Juni 2010. Danske Fysioterapeuter. Kvalitet i træning
Danske Fysioterapeuter Kvalitet i træning Undersøgelse blandt Danske Fysioterapeuters paneldeltagere 2010 Udarbejdet af Scharling Research for Danske Fysioterapeuter juni 2010 Scharling.dk Side 1 af 84
Læs mereLogistisk regression
Logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk 21. marts 2013 Dagens program Chi-i-anden (χ 2 )-testet Sandsynligheder,
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 mereMPH specialmodul i epidemiologi og biostatistik. SAS. Introduktion til SAS. Eksempel: Blodtryk og fedme
MPH specialmodul i epidemiologi og biostatistik. SAS Introduktion til SAS. Display manager (programmering) Vinduer: program editor (med syntaks-check) log output reproducerbart (program teksten kan gemmes
Læs mereKA 4.2 Kvantitative Forskningsmetoder Forår 2010
KA 4.2 Kvantitative Forskningsmetoder Forår 2010 Besvar alle spørgsmål. Brug ikke mere end én side af tekst på de åbne spørgsmål som er markeret * Answer all questions. Do not write more than one page
Læs mereVejledende besvarelse af hjemmeopgave i Basal Statistik, forår 2014
Vejledende besvarelse af hjemmeopgave i Basal Statistik, forår 2014 Garvey et al. interesserer sig for sammenhængen mellem anæstesi og allergiske reaktioner (se f.eks. nedenstående reference, der dog ikke
Læs mereFaculty of Health Sciences. Basal Statistik. Logistisk regression mm. Lene Theil Skovgaard. 5. marts 2018
Faculty of Health Sciences Basal Statistik Logistisk regression mm. Lene Theil Skovgaard 5. marts 2018 1 / 22 APPENDIX vedr. SPSS svarende til diverse slides: To-gange-to tabeller, s. 3 Plot af binære
Læs mereLogistisk regression
Logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Kursushjemmeside: www.biostat.ku.dk/~sr/forskningsaar/regression2012/
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 mereØkonometri: Lektion 5. Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol
Økonometri: Lektion 5 Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol 1 / 35 Veksekvirkning: Motivation Vi har set på modeller som Price
Læs mereLineær regression i SAS. Lineær regression i SAS p.1/20
Lineær regression i SAS Lineær regression i SAS p.1/20 Lineær regression i SAS Simpel lineær regression Grafisk modelkontrol Multipel lineær regression SAS-procedurer: PROC REG PROC GPLOT Lineær regression
Læs 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 mereVi vil analysere effekten af rygning og alkohol på chancen for at blive gravid ved at benytte forskellige Cox regressions modeller.
Løsning til øvelse i TTP dag 3 Denne øvelse omhandler tid til graviditet. Et studie vedrørende tid til graviditet (Time To Pregnancy = TTP) inkluderede 423 par i alderen 20-35 år. Parrene blev fulgt i
Læs mereLogistisk regression 2
Logistisk rgrssion 2 Indhold: Logit Logistisk rgrssion Paramtrisring Vkslvirkning 1 Sammnhæng mllm rygvanr og hjrtsygdomm CHD : Hjrtsygdom MI : dligr hjrtsygdomm Sammnligning af gruppr gørs vha odds ratio!
Læs mere1. Lav en passende arbejdstegning, der illustrerer samtlige enkeltobservationer.
Vejledende besvarelse af hjemmeopgave Basal statistik, efterår 2008 En gruppe bestående af 45 patienter med reumatoid arthrit randomiseres til en af 6 mulige behandlinger, nemlig placebo, aspirin eller
Læs mereLogistisk regression
Logistisk regression Test af antagelsen om lineære effekter Modelkonstruktion og modelsøgning Hvilke variable og hvilke interaktioner skal inkluderes i regressionsmodellerne? 1 Logistiske regressionsmodeller
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 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 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 mereOplæg til den første skalavalideringsøvelse. Eksamens opgaven i 2004
Oplæg til den første skalavalideringsøvelse Eksamens opgaven i 2004 validering af skala til måling af tilfredshed med fysiske forhold i danske folkeskoler Items: a) Om lokalerne var uhensigtsmæssigt indrettede
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 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 mereLøsning til opgave i logistisk regression
Løsning til øvelser i logistisk regression, november 2008 1 Løsning til opgave i logistisk regression 1. Først indlæses data, og vi kan lige sørge for at danne en dummy-variable for cml, som indikator
Læs mereEksamen i Statistik for Biokemikere, Blok januar 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Eksamen i Statistik for Biokemikere, Blok 2 2008 09 19. januar 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet
Læs 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 mereProgram. Logistisk regression. Eksempel: pesticider og møl. Odds og odds-ratios (igen)
Faculty of Life Sciences Program Logistisk regression Claus Ekstrøm E-mail: ekstrom@life.ku.dk Odds og odds-ratios igen Logistisk regression Estimation og inferens Modelkontrol Slide 2 Statistisk Dataanalyse
Læs mereLogistisk regression. Basal Statistik for medicinske PhD-studerende November 2008
Logistisk regression Basal Statistik for medicinske PhD-studerende November 2008 Bendix Carstensen Steno Diabetes Center, Gentofte & Biostatististisk afdeling, Københavns Universitet bxc@steno.dk www.biostat.ku.dk/~bxc
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 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 mereStatistik & Skalavalidering
å Statistik & Skalavalidering Synopsis til mundtlig eksamen d. 24. januar 2011 K ø b e n h a v n s U n i v e r s i t e t K a n d i d a t u d d a n n e l s e n i F o l k e s u n d h e d s v i d e n s k
Læs mereVi ønsker at konstruere normalområder for stofskiftet, som funktion af kropsvægten.
Opgavebesvarelse, Resting metabolic rate I filen T:\rmr.txt findes sammenhørende værdier af kropsvægt (bw, i kg) og hvilende stofskifte (rmr, kcal pr. døgn) for 44 kvinder (Altman, 1991 og Owen et.al.,
Læs 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 mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
Læs mereHypoteser om mere end to stikprøver ANOVA. k stikprøver: (ikke ordinale eller højere) gælder også for k 2! : i j
Hypoteser om mere end to stikprøver ANOVA k stikprøver: (ikke ordinale eller højere) H 0 : 1 2... k gælder også for k 2! H 0ij : i j H 0ij : i j simpelt forslag: k k 1 2 t-tests: i j DUER IKKE! Bonferroni!!
Læs mereStatistik Lektion 17 Multipel Lineær Regression
Statistik Lektion 7 Multipel Lineær Regression Polynomiel regression Ikke-lineære modeller og transformation Multi-kolinearitet Auto-korrelation og Durbin-Watson test Multipel lineær regression x,x,,x
Læs mere3. SPSS Output. Descriptives. [DataSet1] C:\Users\Thomas\Desktop\Eservice_i_produktgruppen_Bekldning.sav
3. SPSS Output DESCRIPTIVES VARIABLES=DEM DEM5 DEM10 DEM11 /STATISTICS=MEAN STDDEV MIN MAX. Descriptives [DataSet1] C:\Users\Thomas\Desktop\Eservice_i_produktgruppen_Bekldning.sav Descriptive Statistics
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 mereReestimation af eksportrelationerne april 2000
Danmarks Statistik MODELGRUPPEN Arbejdspapir* Tony Maarsleth Kristensen 14. marts 2000 Reestimation af eksportrelationerne april 2000 Resumé: I papiret præsenteres en reestimation af eksportrelationerne
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 mereStatistik Lektion 16 Multipel Lineær Regression
Statistik Lektion 6 Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk
Læs mereBesvarelse af opgave om Vital Capacity
Besvarelse af opgave om Vital Capacity hentet fra P. Armitage & G. Berry: Statistical methods in medical research. 2nd ed. Blackwell, 1987. Spørgsmål 1: Indlæs data og konstruer en faktor (klassevariabel)
Læs 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 mereVejledende besvarelse af hjemmeopgave
Vejledende besvarelse af hjemmeopgave Basal statistik, efterår 2013 Udleveret 1. oktober, afleveres senest ved øvelserne i uge 44 (29. oktober-1. november) I forbindelse med en undersøgelse af vitamin
Læs mereReeksamen i Statistik for Biokemikere 6. april 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for Biokemikere 6. april 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet er på
Læs mereBasal statistik. 21. oktober 2008
Basal statistik 21. oktober 2008 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Parametriseringer Kovariansanalyse Esben Budtz-Jørgensen, Biostatistisk Afdeling
Læs 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 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 mereVejledende besvarelse af hjemmeopgave i Basal statistik for lægevidenskabelige forskere, forår 2013
Vejledende besvarelse af hjemmeopgave i Basal statistik for lægevidenskabelige forskere, forår 2013 I forbindelse med reagensglasbehandling blev 100 par randomiseret til to forskellige former for hormonstimulation.
Læs 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 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 mereCLASS temp medie; MODEL rate=temp medie/solution; RUN;
Ugeopgave 2.1 Bakterieprøver fra patienter transporteres ofte til laboratoriet ved stuetemperatur samt mere eller mindre udsat for luftens ilt. Dette er især uheldigt for prøver som indeholder anaerobe
Læs mereVejledende besvarelse af hjemmeopgave, forår 2017
Vejledende besvarelse af hjemmeopgave, forår 2017 På hjemmesiden http://publicifsv.sund.ku.dk/~lts/basal17_1/hjemmeopgave/hjemmeopgave.txt ligger data fra 400 fødende kvinder. Der er tale om et uddrag
Læs 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 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 mereβ = SDD xt SSD t σ 2 s 2 02 = SSD 02 f 02 i=1
Lineær regression Lad x 1,..., x n være udfald af stokastiske variable X 1,..., X n og betragt modellen M 2 : X i N(α + βt i, σ 2 ) hvor t i, i = 1,..., n, er kendte tal. Konkret analyseres (en del af)
Læs 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 mere2 Epidemiologi og biostatistik. Uge 5, mandag 26. september 2005 Michael Væth, Institut for Biostatistik
... september 1 Epidemiologi og biostatistik. Uge, mandag. september Michael Væth, Institut for Biostatistik. Ikke parametrisk statistiske test : Analyse af overlevelsesdata (ventetidsdata) Censurering
Læs mereKlasseøvelser dag 2 Opgave 1
Klasseøvelser dag 2 Opgave 1 1.1. Vi sætter først working directory og data indlæses: library( foreign ) d
Læs mereLøsning til øvelsesopgaver dag 4 spg 5-9
Løsning til øvelsesopgaver dag 4 spg 5-9 5: Den multiple model Vi tilføjer nu yderligere to variable til vores model : Køn og kolesterol SBP = a + b*age + c*chol + d*mand hvor mand er 1 for mænd, 0 for
Læs mereStatistik 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 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 mereMPH specialmodul i epidemiologi og biostatistik. SAS. Introduktion til SAS. Eksempel: Blodtryk og fedme
MPH specialmodul i epidemiologi og biostatistik. SAS Introduktion til SAS. Display manager (programmering) Vinduer: program editor (med syntaks-check) log output reproducerbart (program teksten kan gemmes
Læs mereVariansanalyse i SAS. Institut for Matematiske Fag December 2007
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Institut for Matematiske Fag December 2007 Variansanalyse i SAS 2 Tosidet variansanalyse Residualplot Tosidet variansanalyse
Læs mereBesvarelse af opgave om Vital Capacity
Besvarelse af opgave om Vital Capacity I filen cadmium.txt ligger observationer fra et eksempel omhandlende lungefunktionen hos arbejdere i cadmium industrien (hentet fra P. Armitage & G. Berry: Statistical
Læs 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 mereBasal Statistik Logistisk Regression. Dagens Tekst E Sædvanlig Linear Regression (Repetition) Basal Statistik - Logistisk regression 1
Basal Statistik Logistisk Regression Judith L. Jacobsen, PhD. Lene Theil Skovgaard http://staff.pubhealth.ku.dk/~lts/basal13_ jlj@statcon.dk Dagens Tekst Logistisk regression Binære data Logit transformation
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 mereOpgavebesvarelse vedr. overlevelsesanalyse
Opgavebesvarelse vedr. overlevelsesanalyse Opgaven går ud på at vurdere effekten af azathioprine på overlevelsen hos 216 patienter med primær biliær cirrhose (PBC), ref. Christensen et al. (1985). Data
Læs mereRegressionsanalyse i SAS
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Inge Henningsen Afdeling for Anvendt Matematik og Statistik December 2006 Regressionsanalyse uden gentagelser Regressionsanalyse
Læs mereStatistiske Modeller 1: Kontingenstabeller i SAS
Statistiske Modeller 1: Kontingenstabeller i SAS Jens Ledet Jensen October 31, 2005 1 Indledning Som vist i Notat 1 afsnit 13 er 2 log Q for et test i en multinomialmodel ækvivalent med et test i en poissonmodel.
Læs mereVejledende besvarelse af hjemmeopgave, efterår 2015
Vejledende besvarelse af hjemmeopgave, efterår 2015 Udleveret 29. september, afleveres senest ved øvelserne i uge 44 (27.-30. oktober) En undersøgelse blandt fødende kvinder i Massachusetts (ref.) søger
Læs mereOpgavebesvarelse, logistisk regression
Opgavebesvarelse, logistisk regression Data ligger i rop.xls på kursushjemmesiden: http://staff.pubhealth.ku.dk/ jufo/courses/logistic/ Når du har gemt data på din computer, kan det indlæses i SAS med
Læs mere