Overlevelse efter AMI. Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Køn og alder betragtes som confoundere.

Størrelse: px
Starte visningen fra side:

Download "Overlevelse efter AMI. Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Køn og alder betragtes som confoundere."

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 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 mere

Regressionsanalyser. Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer.

Regressionsanalyser. 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 mere

Logistisk Regression - fortsat

Logistisk 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 mere

Statistikøvelse Kandidatstudiet i Folkesundhedsvidenskab 28. September 2004

Statistikøvelse 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 mere

Eksamen Bacheloruddannelsen i Medicin med industriel specialisering

Eksamen 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 mere

Multipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression

Multipel 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 mere

Multipel 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 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 mere

Mantel-Haenszel analyser. Stratificerede epidemiologiske analyser

Mantel-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 mere

Log-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. Log-lineære modeller Analyse af symmetriske sammenhænge mellem kategoriske variable. Ordinal information ignoreres. Kontingenstabel Contingency: mulighed/tilfælde Kontingenstabel: antal observationer (frekvenser)

Læs mere

Logistisk regression. Statistik Kandidatuddannelsen i Folkesundhedsvidenskab

Logistisk 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 mere

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Eksamensopgave E05. Socialklasse og kronisk sygdom

Statistik 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 mere

Det kunne godt se ud til at ikke-rygere er ældre. Spredningen ser ud til at være nogenlunde ens i de to grupper.

Det 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 mere

Eksamen i statistik 2009-studieordning

Eksamen 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 mere

Kausalitet. Introduktion til samfundsvidenskabelig metode. Samfundsvidenskabelig metode. Hvad er metode? Hvad er kausalitet.

Kausalitet. 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 mere

Kursus 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 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 mere

Øvelser 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 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 mere

Statistik og skalavalidering Synopsis. Eksamensnumre 15, 33 og 45

Statistik 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 mere

Morten Frydenberg 26. april 2004

Morten 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 mere

Morten Frydenberg Biostatistik version dato:

Morten 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 mere

Lineær regression. Simpel regression. Model. ofte bruges følgende notation:

Lineær 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 mere

Multipel Lineær Regression

Multipel 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 mere

Basal statistik. 30. oktober 2007

Basal 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 mere

Basal statistik. 30. oktober Den generelle lineære model

Basal 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 mere

Besvarelse af juul2 -opgaven

Besvarelse 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 mere

Besvarelse af vitcap -opgaven

Besvarelse 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 mere

Kvant 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. 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 mere

Reeksamen Bacheloruddannelsen i Medicin med industriel specialisering. Eksamensdato: Tid: kl

Reeksamen 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

- 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 mere

Logistisk regression

Logistisk 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 mere

Ikke-parametriske tests

Ikke-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 mere

MPH specialmodul i epidemiologi og biostatistik. SAS. Introduktion til SAS. Eksempel: Blodtryk og fedme

MPH 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 mere

KA 4.2 Kvantitative Forskningsmetoder Forår 2010

KA 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 mere

Vejledende besvarelse af hjemmeopgave i Basal Statistik, forår 2014

Vejledende 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 mere

Faculty 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 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 mere

Logistisk regression

Logistisk 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 mere

Øvelser i epidemiologi og biostatistik, 12. april 2010 Ebeltoft-projektet: Analyse af alkoholrelaterede data mm. Eksempel på besvarelse

Øvelser i epidemiologi og biostatistik, 12. april 2010 Ebeltoft-projektet: Analyse af alkoholrelaterede data mm. Eksempel på besvarelse Øvelser i epidemiologi og biostatistik, 12. april 21 Ebeltoft-projektet: Analyse af alkoholrelaterede data mm. Eksempel på besvarelse 1. Belys ud fra data ved 5 års follow-up den fordom, at der er flere

Læs mere

Økonometri: 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 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 mere

Lineær 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 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 mere

Eksamen Bacheloruddannelsen i Medicin med industriel specialisering. Eksamensdato: Tid: kl

Eksamen 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 mere

Vi vil analysere effekten af rygning og alkohol på chancen for at blive gravid ved at benytte forskellige Cox regressions modeller.

Vi 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 mere

Logistisk regression 2

Logistisk 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 mere

1. Lav en passende arbejdstegning, der illustrerer samtlige enkeltobservationer.

1. 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 mere

Logistisk regression

Logistisk 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 mere

Faculty of Health Sciences. Logistisk regression: Kvantitative forklarende variable

Faculty 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 mere

Morten Frydenberg 14. marts 2006

Morten 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 mere

Opgavebesvarelse, Basalkursus, uge 3

Opgavebesvarelse, 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 mere

Oplæg til den første skalavalideringsøvelse. Eksamens opgaven i 2004

Oplæg 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 mere

Overlevelsesanalyse. Faculty of Health Sciences

Overlevelsesanalyse. 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 mere

Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06)

Løsning 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 mere

Løsning til opgave i logistisk regression

Løsning 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 mere

Eksamen i Statistik for Biokemikere, Blok januar 2009

Eksamen 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 mere

Statistik 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 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 mere

Program. Logistisk regression. Eksempel: pesticider og møl. Odds og odds-ratios (igen)

Program. 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 mere

Logistisk regression. Basal Statistik for medicinske PhD-studerende November 2008

Logistisk 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 mere

Postoperative komplikationer

Postoperative 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 mere

OR stiger eksponentielt med forskellen i BMI komplicet model svær at forstå og analysere simpel model

OR 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

Statistik & Skalavalidering

Statistik & 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 mere

Vi ønsker at konstruere normalområder for stofskiftet, som funktion af kropsvægten.

Vi 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 mere

9. Chi-i-anden test, case-control data, logistisk regression.

9. 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 mere

Statistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable

Statistik 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 mere

Statikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression

Statikstik 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 mere

Hypoteser 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) 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 mere

Statistik Lektion 17 Multipel Lineær Regression

Statistik 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 mere

3. SPSS Output. Descriptives. [DataSet1] C:\Users\Thomas\Desktop\Eservice_i_produktgruppen_Bekldning.sav

3. 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 mere

Lineær og logistisk regression

Lineær 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 mere

Reestimation af eksportrelationerne april 2000

Reestimation 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 mere

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Anvendt 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 mere

Statistik Lektion 16 Multipel Lineær Regression

Statistik 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 mere

Besvarelse af opgave om Vital Capacity

Besvarelse 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 mere

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Anvendt 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 mere

Vejledende besvarelse af hjemmeopgave

Vejledende 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 mere

Reeksamen i Statistik for Biokemikere 6. april 2009

Reeksamen 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 mere

Basal statistik. 21. oktober 2008

Basal 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 mere

Dag 6: Interaktion. Overlevelsesanalyse

Dag 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 mere

OR stiger eksponentielt med forskellen i BMI. kompliceret model svær at forstå og analysere

OR 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 mere

Vejledende besvarelse af hjemmeopgave i Basal statistik for lægevidenskabelige forskere, forår 2013

Vejledende 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 mere

Eksamen i statistik 2010 Kandidatuddannelsen i folkesundhedsvidenskab

Eksamen 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 mere

25. april Probability of Developing Coronary Heart Disease in 6 years. Women (Aged 35-70) 160 No Yes

25. 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 mere

CLASS temp medie; MODEL rate=temp medie/solution; RUN;

CLASS 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 mere

Vejledende besvarelse af hjemmeopgave, forår 2017

Vejledende 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 mere

Afdeling for Anvendt Matematik og Statistik December 2006

Afdeling 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 mere

Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april

Epidemiologi 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 mere

β = SDD xt SSD t σ 2 s 2 02 = SSD 02 f 02 i=1

β = 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 mere

Statistik og skalavalidering. Opgave 1

Statistik 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 mere

2 Epidemiologi og biostatistik. Uge 5, mandag 26. september 2005 Michael Væth, Institut for Biostatistik

2 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 mere

Klasseøvelser dag 2 Opgave 1

Klasseøvelser dag 2 Opgave 1 Klasseøvelser dag 2 Opgave 1 1.1. Vi sætter først working directory og data indlæses: library( foreign ) d

Læs mere

Løsning til øvelsesopgaver dag 4 spg 5-9

Løsning 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 mere

Statistik 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 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 mere

Uge 13 referat hold 4

Uge 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 mere

MPH specialmodul i epidemiologi og biostatistik. SAS. Introduktion til SAS. Eksempel: Blodtryk og fedme

MPH 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 mere

Variansanalyse i SAS. Institut for Matematiske Fag December 2007

Variansanalyse 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 mere

Besvarelse af opgave om Vital Capacity

Besvarelse 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 mere

Normalfordelingen. Statistik og Sandsynlighedsregning 2

Normalfordelingen. 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 mere

Basal Statistik Logistisk Regression. Dagens Tekst E Sædvanlig Linear Regression (Repetition) Basal Statistik - Logistisk regression 1

Basal 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 mere

Synopsis til eksamen i Statistik

Synopsis 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 mere

Opgavebesvarelse vedr. overlevelsesanalyse

Opgavebesvarelse 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 mere

Regressionsanalyse i SAS

Regressionsanalyse 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 mere

Statistiske Modeller 1: Kontingenstabeller i SAS

Statistiske 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 mere

Vejledende besvarelse af hjemmeopgave, efterår 2015

Vejledende 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 mere

Opgavebesvarelse, logistisk regression

Opgavebesvarelse, 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