Konfidenzintervalle. die anschauliche Alternative zum p-wert...
|
|
- Berthold Baum
- vor 7 Jahren
- Abrufe
Transkript
1 Konfidenzintervalle die anschauliche Alternative zum p-wert...
2 Grundidee des Konfidenzintervalls Studie Realität Studienergebnis falsch-positiver Rückschluß??? Realität???? Studie 10 %
3 Grundidee des Konfidenzintervalls Problem des Signifikanztests: ja/nein-antwort Klinischer Bezug in p 0.05??? 95%-Konfidenzintervall: Bereich um Effektmaß der Studie, in dem mit 95%-iger Sicherheit wahrer Wert des Effektmaßes liegt ( ) 30 % Punktschätzer (Studienergebnis) Bereichschätzer (95%-KI)
4 Grundidee des Konfidenzintervalls Problem des Signifikanztests: ja/nein-antwort Klinischer Bezug in p 0.05??? 95%-Konfidenzintervall: Bereich um Effektmaß der Studie, in dem mit 95%-iger Sicherheit wahrer Wert des Effektmaßes liegt ( ) ( 1 α ) Konfidenzintervall: Bereich um den Punktschätzer (Studie), welcher den wahren Wert mit Sicherheit 1 α enthält. 1 α = Konfidenzniveau α = Irrtumswahrscheinlichkeit
5 Konfidenzintervall einer Häufigkeit relative Häufigkeit h, binäre Zielgröße h ± 1.96 h(1 h) (95% - KI ) n h ± 2.57 h(1 h) n (99% - KI ) h: relative Häufigkeit in der Studie n: Fallzahl der Studie
6 Konfidenzintervall einer Häufigkeit Beispiel: Nachstarrate unter 350 Kataraktoperationen Nachstar-OP notwendig bei 70 Eingriffen n = 350, h = 70 / 350 = 20 % h ± 1.96 = 0.20 ± 1.96 h (1 h) n 0.20 (1 0.20) ± 0.04 h unten = = 0.16 h oben = = % - KI = ( 16 % ; 24 % )
7 Intervallbreite = Präzision der Aussage n = 10 h = 3 / 10 = 30% n = 100 h = 30 / 100 = 30% n = 1000 h = 300 / 1000 = 30% 95%-KI = ( 0.02 ; 0.58 ) 95%-KI = ( 0.21 ; 0.39 ) 95%-KI = ( 0.27 ; 0.33 )
8 Konfidenzintervall eines Effektmaßes 95 %-Konfidenzintervall des Effektmaßes der Studie: Bereich um den Studienwert des Effektmaßes, in dem mit 95%iger Sicherheit der wahre Wert des Effektmaßes liegt wahrer Effekt Effektmaß Studie ( ) 10 %
9 Konfidenzintervall eines Effektmaßes Grundidee des 95%-KI des absoluten Risikos: symmetrischer Bereich um Effektmaß-Wert der Studie hängt sonst nur noch ab von Patientenzahl (n) der Studie Studienwert ± 1.96 * irgendwas Wurzel aus der Patientenzahl n sichert 95%ige Aussagesicherheit
10 Konfidenzintervall eines Effektmaßes Berechnung des 95%-KI des absoluten Risikos: Komplikationsrate h K = 10% nach konservativer Versorgung Komplikationsrate h W = 20% nach Stift-gestützter Versorgung ( h W h K ) ± 1.96 * (20% - 10%) ± 1.96 h K (1 h K ) + h W (1 h W ) n 10% * 90% + 20% * 80% % ± 9.8 % 95%-Konfidenzintervall: ( 0.2 % ; 19.8 % )
11 Konfidenzintervall eines Effektmaßes 0 % 10 % ( ) absolute Risikodifferenz [%]
12 Konfidenzintervall eines Effektmaßes Signifikanzaussagen mittels 95%-KI des absoluten Risikos: statistische Signifikanz: 0 ist nicht im 95%-KI enthalten 0 ( ) absolutes Risiko signifikant erhöht
13 Konfidenzintervall eines Effektmaßes Signifikanzaussagen mittels 95%-KI des absoluten Risikos: statistische Signifikanz: 0 ist nicht im 95%-KI enthalten 0 ( absolutes Risiko signifikant gesenkt ) ( absolutes Risiko signifikant erhöht ) ( absolute Risiken nicht signifikant erhöht / gesenkt ( ) )
14 Konfidenzintervall eines Effektmaßes 0 % 10 % ( ) absolute Risikodifferenz [%] Die Komplikationsraten zwischen konservativ und Stift-gestützt versorgten Endodontien sind statistisch signifikant verschieden.
15 Konfidenzintervall eines Effektmaßes Beispielstudie: Prognose von Wurzelstift-gestützter versus konservativer Versorgung von Prämolaren primärer Endpunkt: Komplikation im Zeitraum 5 Jahre nach Ende der Versorgung [ja / nein] klinisch relevanter Vorteil: Unterschied der Komplikationsraten um mindestens 10 Prozent
16 Konfidenzintervall eines Effektmaßes Beispielstudie: Prognose von Wurzelstift-gestützter versus konservativer Versorgung von Prämolaren primärer Endpunkt: Komplikation im Zeitraum 5 Jahre nach Ende der Versorgung [ja / nein] klinisch relevanter Vorteil: Unterschied der Komplikationsraten um mindestens 10 Prozent mögliche Risikofaktoren: Versorgungsart [Stift / konservativ] Kiefer [Oberkiefer / Unterkiefer] Oralhygiene [hinreichend / suboptimal] Nachbarversorgungen [keine / progn. relevante] Alter bei Versorgung [< 40 Jahre / > 40 Jahre] etc. etc.
17 Konfidenzintervall eines Effektmaßes 0 % 10 % absolute Risikodifferenz [%] Stift ( ) Oberkiefer ( ) Oralhygiene ( ) Nachbarvers. ( ) Alter < 40 ( )
18 Konfidenzintervall eines Effektmaßes Interpretation des 95%-KI des absoluten Risikos: klinische Relevanz: Lage des Studienwerts statistische Signifikanz: 0 ist nicht im KI enthalten Aussagepräzision: Breite des KI Kommentar: genauso im Falle eines quantitativen primären Endpunkts mit 95%-Konfidenzintervall des Median-Abstands möglich!
19 hunting for significance... (IV) Komplikationsraten 10% versus 20% bei wachsender Fallzahl n n = 30 Zähne pro Gruppe: 95%-KI = ( 0.09 ; 0.29 ) n = 60 Zähne pro Gruppe: 95%-KI = ( 0.06 ; 0.26 ) n = 90 Zähne pro Gruppe: 95%-KI = ( 0.01 ; 0.21 ) n = 120 Zähne pro Gruppe: 95%-KI = ( 0.01 ; 0.19 ) 10% ( ( ( ( ) ) ) )
20 hunting for significance... (V) Komplikationsraten 10% versus 20% bei wachsender Fallzahl n n = 30 Zähne pro Gruppe: 95%-KI = ( 0.09 ; 0.29 ) p = n = 60 Zähne pro Gruppe: 95%-KI = ( 0.06 ; 0.26 ) p = n = 90 Zähne pro Gruppe: 95%-KI = ( 0.01 ; 0.21 ) p = n = 120 Zähne pro Gruppe: 95%-KI = ( 0.01 ; 0.19 ) p = n = 150 Zähne pro Gruppe: 95%-KI = ( 0.02 ; 0.18 ) p = 0.014
21 hunting for significance... (VI) Also: Werden nur genug Patienten eingebracht, zeigt jede Studie ein signifikantes Ergebnis!!! Statistische Signifikanz ist keine klinische Relevanz!!!
22 rumgedreht: Fallzahlplanung (I) Fakt: je größer die Fallzahl, desto schmaler das Intervall Idee: Intervallbreite vorgeben, daraus Fallzahl bestimmen also: Fallzahlplanung abhängig von Vorinformation!!! ( h W h K ) ± 1.96 * h K (1 h K ) + h W (1 h W ) n
23 Fallzahlplanung (II) Unterschied: h W = 20 % (Stift-gestützt) h K = 10 % (konservativ) Intervallbreite: maximal ± 5 % 0 % 10 % ( ) ±5%
24 Fallzahlplanung (III) Unterschied: h W = 20 % (Stift-gestützt) h K = 15 % (konservativ) Intervallbreite: maximal ± 5 % 0 % 5 % ( ) ±5%
25 Fallzahlplanung (IV) Unterschied: h W = 20 % (Stift-gestützt) h K = 15 % (konservativ) Intervallbreite: maximal ± 2,5 % 0 % 5 % ( ) ±2,5%
26 Fallzahlplanung (VII) Intervallbreite Zähne pro Gruppe ± 2.5 % 1276 ± 5 % 319 ± 7.5 % 142 ± 10 % 80 realistische Empfehlung: 142 Zähne pro Gruppe drop out-rate: 10% Nettofallzahl: 160 Zähne pro Gruppe
27 Fallzahlplanung (VIII) Intervallbreite Zähne pro Gruppe δ = 20% - 5% // δ = 20% - 10% ± 2.5 % 1276 // 1537 ± 5 % 319 // 385 ± 7.5 % 142 // 171 ± 10 % 80 // 97 realistische Empfehlung:???
28 Fallzahlplanung (VIII) Intervallbreite Zähne pro Gruppe δ = 20% - 5% // δ = 20% - 10% ± 2.5 % 1276 // 1537 ± 5 % 319 // 385 ± 7.5 % 142 // 171 ± 10 % 80 // 97 realistische Empfehlung: 385 Zähne pro Gruppe drop out-rate: 10% Nettofallzahl: 424 Zähne pro Gruppe
29 Fallzahlplanung () Faustregel 1: Je geringer der nachzuweisende klinisch relevante Unterschied gefordert wird, desto höher die Fallzahl der Studie! Faustregel 2: Je geringer die einzuhaltende Intervallbreite, desto höher die Fallzahl der Studie! Faustregel 3: Je geringer der einzuhaltende α-fehler gefordert wird (also je höher das Konfidenzniveau), desto höher die Fallzahl der Studie! ( h W h K ) ± 1.96 * h K (1 h K ) + h W (1 h W ) n
30 Wiedergabe in Publikationen Zentrales Qualitätskriterium: dokumentierte Fallzahlplanung Vorgabe, welcher Unterschied als klinisch relevant erachtet wird Vorgabe zum Mindestwert des Effektmaßes der Studie Vorgabe zum Niveau des KI (meistens 95% oder 99%) Vorgabe zur statistischen Signifikanz der Studie Vorgabe, welche Breite des KI maximal zugelassen wird Vorgabe zur Aussagepräzision der Studie
31 Wiedergabe in Publikationen Zentrales Qualitätskriterium: dokumentierte Fallzahlplanung Vorgabe, welcher Unterschied als klinisch relevant erachtet wird Vorgabe zum Mindestwert des Effektmaßes der Studie Vorgabe zum Niveau des KI (meistens 95% oder 99%) Vorgabe zur statistischen Signifikanz der Studie Vorgabe, welche Breite des KI maximal zugelassen wird Vorgabe zur Aussagepräzision der Studie damit nach Studienende: klare Entscheidungsregel, ob Ergebnis klinisch relevant ist klar, dass Negativ-Ergebnisse nicht Fallzahl-bedingt sind GOOD CLINICAL PRACTICE (GCP)
32 Fallzahlplanung bei stetigem Endpunkt Faustregel 1: Je geringer der nachzuweisende klinisch relevante Unterschied gefordert wird, desto höher die Fallzahl der Studie!
33 Fallzahlplanung bei stetigem Endpunkt Faustregel 1b: Je größer die Streuung in einem stetigen primären Endpunkt, desto höher die Fallzahl der Studie!
34 Zusammenfassung: Fallzahlplanung Vorgehen entlang Konfidenzintervallen: 1. genaues Festlegen eines (!) primären Endpunkts (wenn möglich binär mit Interpretation Erfolg? [ja / nein]) 2. Vorgabe des klinisch relevanten Unterschieds δ in dessen Auftrittshäufigkeiten 3. Vorgabe der maximal tolerablen Breite ± B und des Konfidenzniveaus (1 α) zum Konfidenzintervall dieses Unterschied in den Auftrittshäufigkeiten 4. Fallzahlvariation entlang Eingabewerten B und δ 5. Fallzahlempfehlung inclusive 10% 20% drop outs höhere Fallzahl bei kleinerem Unterschied δ kleinerer Breite B
35 take home messages 1. Statistische Signifikanz: Übertragbarkeit 2. Klinische Relevanz: Patientennutzen 3. Statistische Signifikanz ist keine klinische Relevanz! 4. Wiedergabe von Studienergebnissen auf zwei Ebenen: Konfidenzintervall (statistische Signifikanz) Effektmaß (klinische Relevanz) 5. Qualitätskriterien in einer Studienpublikation: primärer klinischer Endpunkt (am besten binär) korrekte Kennwerte für Effektmaß der Studie (Mediane, %,...) Konfidenzintervall oder p-wert für Signifikanz dieses Effektmaß nachvollziehbare Fallzahlplanung
Methode des statistischen Testens
1 Methode des statistischen Testens Fragestellung Zielgröße (Impfbeispiel: Impferfolg ja / nein) Alternativhypothese Negation Nullhypothese H 0 Wähle Teststatistik = Zusammenfassung der Studienergebnisse
MehrI. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.
MehrStatistische Signifikanz versus Klinische Relevanz der Sch(l)uss von der Studie in die Realität
Institut für Medizinische Biometrie und Epidemiologie Statistische Signifikanz versus Klinische Relevanz der Sch(l)uss von der Studie in die Realität Zum Nacharbeiten Die TonoPen-Studie Dissertationsprojekt
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrVII. Inhaltsverzeichnis
VII Inhaltsverzeichnis Vorwort XIII Teil 1 Datentypen 1 Datentypen 3 1.1 Kommt es wirklich darauf an? 3 1.2 Daten auf einer Intervallskala 3 1.3 Daten auf einer Ordinalskala 4 1.4 Daten auf einer Nominalskala
MehrEinführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen
Einführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen PD Dr. Thomas Sudhop PD Dr. Thomas Sudhop Ringvorlesung - Biometrie 25.10.2016 Seite 1 Klinische Prüfung Biomedizinisches
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrMultiples Testen wer hat schon immer nur eine Fragestellung?
Multiples Testen wer hat schon immer nur eine Fragestellung? 1 Lernziele - Gründe für Multiplizität nennen können - Das dahintersteckende Problem erklären können - Verschiedene Lösungsmöglichkeiten aufzählen
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrFragebogen Fallzahlberechnung / -begründung
Ihre Adress- und Projektdaten Ansprechpartner Firma + Adresse Telefon Email Projektbezeichnung Projektbeschreibung Unser Angebot Nach Zusendung des Fragebogens nehmen wir mit Ihnen unverbindlich Kontakt
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrQualität von Publikationen randomisierter Nicht-Unterlegenheitsund Äquivalenzstudien
Qualität von Publikationen randomisierter Nicht-Unterlegenheitsund Äquivalenzstudien, Nicole Burchardi, Michael Niestroj, Meinhard Kieser Nicht-Unterlegenheit und Äquivalenz Überlegenheit Test vs. Placebo
MehrMethodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 13 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 19.05.15 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrBeschreibende Statistik Deskriptive Statistik. Schließende Statistik Inferenzstatistik. Schluss von der Stichprobe auf die Grundgesamtheit
Beschreibende Statistik Deskriptive Statistik Schließende Statistik Inferenzstatistik Beschreibung der Stichprobe Schluss von der Stichprobe auf die Grundgesamtheit Keine Voraussetzungen Voraussetzung:
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrProf. Dr. Rainer Koch Juli 1997, Februar 2008
Prof. Dr. Rainer Koch Juli 1997, Februar 2008 Hinweise zur biometrischen Planung der notwendigen Anzahl Patienten in klinischen Studien oder Anzahl Versuchstiere im Fall a) des Vergleichs von prozentualen
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrBewertung klinischer Relevanz zwischen 0.2 und ärztlichem Urteil
Bewertung klinischer Relevanz zwischen 0.2 und ärztlichem Urteil Meinhard Kieser Institut für Medizinische Biometrie und Informatik Universität Heidelberg Inhalt Klinische Relevanz was ist das und wo liegt
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrWie schreibe ich (m)eine Dissertation???
Wie schreibe ich (m)eine Dissertation??? Arbeitsmethodik und Standards Frank Krummenauer Promovierendensymposium Mülheim, 10. Juni 2011 Redaktionelle Aspekte Übliche Gliederung einer medizinischen Dissertation:
MehrKonfidenzintervalle. SeKo. Heute. Konjunktion, Disjunktion, bedingte Wahrscheinlichkeit
Übung Methodenlehre I, SeKo Vivien Röder Professur für Forschungsmethodik & Evaluation Wiederholung Wahrscheinlichkeitstheorie Konjunktion, Disjunktion, bedingte Wahrscheinlichkeit P(Methodenverständnis
MehrDiagnose und Prognose: Kurzfassung 4
Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode
MehrSoftware oder Tabellen (nicht Thema dieser Veranstaltung).
p-wert p-wert Der p-wert ist die Wahrscheinlichkeit, dass die Testgröße den beobachteten Wert oder einen noch extremeren Wert (,,weiter weg von H 0 ) annimmt unter der Bedingung, dass H 0 wahr ist. Bemerkungen
Mehr= 3. Kapitel 4: Normalverteilung.. und Standardnormalverteilung und: das Konfidenzintervall..
Kapitel : Normalverteilung.. und Standardnormalverteilung und: das Konfidenzintervall.. Mittelwert = Summe aller Einzelwerte / n = durchschnittliche Ausprägung, wenn alle gleich viel hätten. Streuung =
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
MehrStudy fact sheet für ID: Knapp, 2009
Study fact sheet für ID: Knapp, 2009 (Name, Jahr (ggf. a,b,c)) 1. Vollständige Referenz Knapp P, Raynor DK, Woolf E, Gardner PH, Carrigan N, McMillan B. Communicating the risk of side effects to patients.
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrEs können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrKlausur in Biomathematik WS 2005 / 2006 Montag, den 6. Februar 2006
Name: Klausur in Biomathematik WS 2005 / 2006 Montag, den 6. Februar 2006 Matrikelnummer: Unterschrift: Aufgabe 1: Deskriptive Statistik Im Rahmen einer klinischen Studie werden 28 Patienten entsprechend
MehrKonfidenzintervalle. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Konfidenzintervalle Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Münzspiel Experiment 100 Münzwürfe: Stefan gewinnt bei "Kopf" Hypothesen H 0 : Stefan wird so oft gewinnen
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrKlausur in Biomathematik WS 2005 / 2006 Montag, den 6. Februar 2006
Name: Klausur in Biomathematik WS 2005 / 2006 Montag, den 6. Februar 2006 Matrikelnummer: Unterschrift: Aufgabe 1: Deskriptive Statistik Wir betrachten ein Merkmal, das intervall-, aber nicht verhältnisskaliert
MehrKlausur in "Biomathematik" WS 2007 / 2008 Montag, den 28. Januar 2008
Klausur in "Biomathematik" WS 2007 / 2008 Montag, den 28. Januar 2008 Name: Matrikelnummer: Unterschrift: Aufgabe 1: Bei einer klinischen Therapiestudie wird bei allen Patienten der Wert eines quantitativen
MehrQualitätssicherung bei Fallpauschalen und Sonderentgelten. Qualitätsmerkmale (Krankenhausvergleich)
Qualitätssicherung bei Fallpauschalen und Sonderentgelten Qualitätsmerkmale (Krankenhausvergleich) Qualitätssicherung bei Fallpauschalen und Sonderentgelten Hinweise zur Auswertung Erfaßt und statistisch
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrStudiendesign und Statistik: Interpretation publizierter klinischer Daten
Studiendesign und Statistik: Interpretation publizierter klinischer Daten Dr. Antje Jahn Institut für Medizinische Biometrie, Epidemiologie und Informatik Universitätsmedizin Mainz Hämatologie im Wandel,
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
Mehr11. Sitzung Auswertungsstrategien; Darstellung von Forschungsergebnissen
11. Sitzung Auswertungsstrategien; Darstellung von Forschungsergebnissen 1 Gliederung der Vorlesung 1. Probleme der Auswertung bei quantitativem Vorgehen 2. Probleme der Auswertung bei qualitativem Vorgehen
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrBreite eines Konfidenzintervalls*
Breite eines Konfidenzintervalls* Aufgabennummer: 1_446 Aufgabentyp: Typ 1 T Typ 2 Aufgabenformat: Multiple Choice (2 aus 5) Grundkompetenz: WS 4.1 Bei einer Meinungsbefragung wurden 500 zufällig ausgewählte
MehrU N I V E R S I T Ä T S M E D I Z I N B E R L I N. After Work Statistics
U N I V E R S I T Ä T S M E D I Z I N B E R L I N After Work Statistics Institut für Biometrie und klinische Epidemiologie Wir sind Hilfsbereit und nett! als Wissenschaftler aktiv in der statistischen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrSystematische Reviews und Meta-Analysen
Systematische Reviews und Meta-Analysen Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Medizinische Universität Graz Szenario Sollen wir Julians Mittelohrentzündung
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
MehrEffektgrößen. Evidenz-basierte Medizin und Biostatistik, Prof. Andrea Berghold
Effektgrößen 2x2Tafel Therapie Medikament 1 Medikament 2 Summe Misserfolg 450 = a 300 = c 750 = (a+c) Endpunkt Erfolg 550 = b 700 = d 1250 = (b+d) Vergleich von 2 Therapien; Endpunkt binär Summe 1000 =
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
MehrWB 11 Aufgabe: Hypothesentest 1
WB 11 Aufgabe: Hypothesentest 1 Ein Medikament, das das Überleben eines Patienten sichern soll, wird getestet. Stelle Null- und Alternativhypothese auf und beschreibe die Fehler 1. Art und 2. Art. Welcher
MehrStoffverteilungsplan Mathematik Leistungskurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit
Lambacher Schweizer Q3.1 Grundlegende Begriffe der Grundlagen der Wahrscheinlichkeitstheorie: Beschreiben von Zufallsexperimenten (Laplace-Experimente) unter Verwendung der Begriffe Ergebnis, Ergebnismenge,
MehrAfter Work Statistics
After Work Statistics Robert Röhle Institute of Biometry and Clinical Epidemiology robert.roehle@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie und klinische Epidemiologie
MehrMöglichkeiten und Grenzen von Mindestmengen als Regulierungsinstrument
Möglichkeiten und Grenzen von Mindestmengen als Regulierungsinstrument in der GKV Rechtssymposium des G-BA am 25. Januar 2012 in Berlin Prof. Dr. Friedhelm Hase 1 Qualitätssicherung in der gesundheitlichen
MehrKLAUSUR IN BIOMATHEMATIK WS 2007/08 MONTAG, DEN 28. JANUAR 2008
KLAUSUR IN BIOMATHEMATIK WS 2007/08 MONTAG, DEN 28. JANUAR 2008 Name: Matrikelnummer: Unterschrift: Aufgabe 1: Welche der folgenden Aussagen ist falsch? A. Der Median ist weniger stark von Ausreißern beeinflusst
MehrMedizinische Statistik
Medizinische Statistik Angewandte Biometrie für Ärzte und Gesundheitsberufe Bearbeitet von Wilhelm Gaus, Rainer Muche 1. Auflage 2013. Buch. 640 S. Hardcover ISBN 978 3 7945 2931 5 Format (B x L): 16,5
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrStatistisches Testen: Signifikanz und Relevanz Christiane Spiel
Fakultät für Psychologie Statistisches Testen: Signifikanz und Relevanz Christiane Spiel Themen Wissenschaftstheoretischer Hintergrund Statistische Hypothesenprüfung Der Signifikanztest Probleme des Signifikanztests
MehrInstitut für Medizinische Biometrie und Epidemiologie
Institut für Medizinische Biometrie und Epidemiologie Randomisierte klinische Studie zum Patienten-bezogenen Nutzen der Biologischen Zellregulations-Therapie im Rahmen einer stationären AHB nach Knie-Totalendoprothetik
MehrTabelle 1: Mittelwerte der Messwerte aller Probanden je Messzeitpunkt nach Messverfahren. 03:00 Uhr 18,2 ±3,9 mmhg 19,5 ±4,1 mmhg 19,2 ±3,6 mmhg
7 Anhang Tabelle 1: Mittelwerte der Messwerte aller Probanden je Messzeitpunkt nach Messverfahren Tonometrie nach Median der Selbstto- Median der Selbstto- Goldmann nometrie stationär nometrie ambulant
Mehrentschieden hat, obwohl die Merkmalsausprägungen in der Grundgesamtheit voneinander abhängig sind.
Bsp 1) Die Wahrscheinlichkeit dafür, dass eine Glühbirne länger als 200 Stunden brennt, beträgt 0,2. Wie wahrscheinlich ist es, dass von 10 Glühbirnen mindestens eine länger als 200 Stunden brennt? (Berechnen
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrStudy fact sheet für ID: Knapp, 2004
Study fact sheet für ID: Knapp, 2004 (Name, Jahr (ggf. a,b,c)) 1. Vollständige Referenz Knapp P, Raynor DK, Berry DC. Comparison of two methods of presenting risk information to patients about the side
MehrTranskript des Vortrags: Bewertung klinischer Relevanz - zwischen 0.2 und ärztlichem Urteil
IQWiG-Herbst-Symposium 2011 Transkript des Vortrags: Bewertung klinischer Relevanz - zwischen 0.2 und ärztlichem Urteil Referent: Prof. Dr. Meinhard Kieser Datum des Vortrags: 25.11.2011, 13:45 bis 14:15
MehrRisiken einschätzen: die wahren Ursachen feststellen. Marloes Maathuis Seminar für Statistik ETH Zürich
Risiken einschätzen: die wahren Ursachen feststellen Marloes Maathuis Seminar für Statistik ETH Zürich Beispiele von Risiken Eat breakfast if you want to reduce your risk of coronary heart disease (The
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
MehrStoffverteilungsplan Mathematik Grundkurs. Lambacher Schweizer Stochastik ISBN Klassenarbeit
Q3.1 Grundlegende Begriffe der Grundlagen der Wahrscheinlichkeitstheorie: Beschreiben von Zufallsexperimenten (Laplace-Experimente) unter Verwendung der Begriffe Ergebnis, Ergebnismenge, Ereignis und Wahrscheinlichkeit
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
Mehr