Using Structural Equations techniques for modeling the complex of risk factors for breast cancer

Größe: px

Ab Seite anzeigen:

Download "Using Structural Equations techniques for modeling the complex of risk factors for breast cancer"

Ralph Waldfogel
vor 7 Jahren
Abrufe

1 Abstract ID: 381; Thema: C05. Krebsepidemiologie, GMDS Mannheim 2010 Jan F. Kersten, Karl Wegscheider, Jenny Chang-Claude, Judith Heinz, Dieter Flesch-Janys Using Structural Equations techniques for modeling the complex of risk factors for breast cancer Jan F. Kersten Institut für Medizinische Biometrie und Epidemiologie Universitätsklinikum Hamburg-Eppendorf Beispiel: Die MARIE-Studie MARIE ist eine bevölkerungsbezogene Studie, die in den Jahren 2002 bis 2005 durchgeführt wurde, um mögliche Risikofaktoren für die Entstehung von Brustkrebs nach den Wechseljahren zu ermitteln. Der Name MARIE steht für -Risikofaktoren-Erhebung. Es sollten möglichst alle neuerkrankten Frauen zwischen 50 und 74 Jahren im Zeitraum von aus den Regionen Rhein-Neckar-Karlsruhe und Hamburg teilnehmen. Studien-Anlage: Fall-Kontroll-Studie: N = postmenopausale Frauen n = (invasive Karzinome: n invasiv = 3.323) Datenerhebung: Das klassische Auswertungsverfahren: Logistische Regression bereits umfassend publiziert 1

2 SEM-Formulierung der logistischen Regression Typ SEM in der Marie-Studie Das analoge (triviale) SEM-Modell sollte das gleiche Ergebnis hervorbringen wie die klassische logistische Regression. Das ist z.b. bei Einsatz von Mplus der Fall. Chancen: Interdependenzen können abgebildet werden latente Variable sind modellierbar Was sind die interessanten und interessierenden Hintergrundvariablen? Möglicherweise sind diese Variablen nicht direkt beobachtbar! 2

3 SEM-Ansatz latente Variable Typ SEM-Ansatz latente Variable Typ 3

4 SEM-Ansatz latente Variable Typ Die latenten Variablen lassen sich mit den erhobenen manifesten Variablen schätzen Dafür braucht man sog. Messmodelle, die die latenten Variablen zu den zugehörigen Messvariablen in Beziehung setzen. SEM-Ansatz Messmodell für sozioökonomischen Typ 4

5 SEM-Ansatz Messmodell Typ SEM-Ansatz Messmodell Typ 5

6 SEM-Ansatz Messmodell ist multidimensional Typ SEM-Ansatz Messmodelle Odds Ratio: 1,12 Typ Odds Ratio: 0,40 Odds Ratio: 3,11 6

7 SEM in der Marie-Studie Das analoge (triviale) SEM-Modell sollte das gleiche Ergebnis hervorbringen wie die klassische logistische Regression. Das ist z.b. bei Einsatz von Mplus der Fall. Chancen: Interdependenzen können abgebildet werden latente Variable sind modellierbar SEM in der Marie-Studie Das analoge (triviale) SEM-Modell sollte das gleiche Ergebnis hervorbringen wie die klassische logistische Regression. Das ist z.b. bei Einsatz von Mplus der Fall. Chancen: Interdependenzen können abgebildet werden latente Variable sind modellierbar 7

8 SEM Beispiel für indirekte Effekte Odds Ratio: 1,03 Odds Ratio: 0,99 Typ Endogenes SEM Beispiel für indirekte Effekte 0,96 1,03 0,99 Typ Endogenes 8

9 Software Mplus-Aspekte: binäre Zielgrößen sind direkt abbildbar (logistische Modelle) kategoriale Einflussgrößen sind modellierbar stetige Einflussgrößen sind modellier- und mit kategorialen verknüpfbar latente Variable sind modellierbar Chancen: SEM-Modellierung in der Epidemiologie Die unterstellten Zusammenhänge zwischen den einzelnen gemessenen Variablen lassen sich inhaltlich untersuchen und bewerten. Strukturgleichungsmodelle sind anschaulich und gut vermittelbar zusätzliche Erkenntnisse: Indirekte Wirkpfade, die einen längeren Weg nehmen, sind darstellbar Latente Variable können über Messmodelle modelliert werden Herausforderungen: Die konkrete Modellspezifikation unterliegt einer gewissen Subjektivität Inhaltlich sind die Modelle schwer per Maßzahl gegeneinander abzuwägen, Ausblick: Fit-Maße sind jedoch verfügbar (bspw. AIC, BIC) Präsentation eines Gesamtmodells und Würdigung der gew. Erkenntnisse 9

10 Ausblick: SEM-Ansatz zur Marie-Studie Typ Körperfettverteilung Vielen Dank für Ihre Aufmerksamkeit! 10

Ähnliche Dokumente

Berechnung von Strukturgleichungsmodellen mit Amos. Im folgenden kurze Einführung: Arbeiten mit Amos Graphics

Oliver Schiling Handout:: Amos 6.0 / Graphics 1 Berechnung von Strukturgleichungsmodellen mit Amos Was kann Amos? Klassische Strukturgleichungsmodelle (Kovarianzstrukturanalysen, Pfadmodelle mit/ohne latente