Statistische Analyse von Ereigniszeiten

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Statistische Analyse von Ereigniszeiten"

Transkript

1 Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007

2 1 2 3

3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit (Wochen) für alle Patienten bekannt. keine Zensierung! Lebensdauer eines Patienten typischerweise nicht normalverteilt; Verteilung ist in der Regel schief. Berechnen für jeden Zeitpunkt t den Anteil der lebenden Patienten: Ŝ(t) = Zahl der Individuen mit Überlebenszeit t Zahl aller Individuen im Datensatz Verwenden typischerweise statt Mittelwert.

4 : Leukemiedaten (unzensiert) > leuk.surv<-survfit(surv(surv),data=leuk) > summary(leuk.surv) time n.risk n.event survival std.err lower 95% CI upper 95% CI NA NA NA

5 : Leukemiedaten (unzensiert) Survival Weeks

6 : Leukemiedaten (unzensiert) > leuk.surv n events median 0.95LCL 0.95UCL Survival Weeks

7 Konfidenzintervall für t m wahre mediane Überlebenszeit (d.h. S(t m ) = 0.5, S(t) wahre Überlebenswahrscheinlichkeit) Ŝ o (t) sei obere 95%-Konfidenzschranke für S(t) (d.h. P[Ŝo (t) S(t)] 0.975) Obere Konfidenzschranke für ist Zeitpunkt ˆt o mit Ŝ o (t o ) = 0.5, denn P[t m ˆt o ] = P[Ŝo (t m ) Ŝo (ˆt o )] = } {{ } P[Ŝo (t m ) S(t m )] } {{ } =0.5 =0.5

8 : Prostata-Daten (zensiert) Randomisierte Studie zum Vergleich von Diethylstilbestrol (DES) mit Plazebo zur Behandlungen von Prostatakrebs. Die Zielvariable ist die Zeit zwischen Behandlung und Tod oder Studienende. Bei Patienten die bis zum Ende der Studie überleben, kann die vollständige Lebensdauer nicht festgestellt werden rechtszensierte Daten Fragestellung: Verlängert die Behandlung mit DES die Überlebensdauer von Patienten mit Prostatakrebs?

9 : Prostata-Daten (zensiert) PatNr. Treatment Time Status PatNr. Treatment Time Status

10 : Kaplan-Meier Kurven Survival probability Placebo DES Time since start of treatment (month)

11 : Kaplan-Meier Kurven > summary(survfit(surv(time,status)~treatment,data=prostate, >+ conf.type= none,se.fit=f)) Treatment=1 Treatment=2 time n.risk n.event survival time n.risk n.event survival

12 Kaplan-Meier-Kurve Kaplan-Meier-Kurve für Gruppe k time: t 1 t 2 t n geordnete Ereignis-Zeitpunkte n.risk: Zahl r kj der Ind. unter Risiko unmittelbar vor t j n.event: Zahl d kj der Ereignisse im Zeitpunkt t j survival: Kaplan-Meier-Kurve ( Ŝ k (t) = Π j:tj t 1 d ) kj r kj

13 Der ist eine nicht-parametrischer zum Vergleich von K Gruppen bezüglich einer Ereigniszeit mit der Null-Hypothese H 0 : Verteilung der Ereigniszeit in allen Gruppen gleich ist auch gültig bei zensierten Daten (bei unzensierten Daten equivalent zum Savage-).

14 : > survdiff(surv(time,status)~treatment,data=prostate) N Observed Expected (O-E)^2/E (O-E)^2/V Treatment= Treatment= Chisq= 4.4 on 1 degrees of freedom, p=

15 zum Vergleich von zwei Gruppen k = 1, 2 t 1 t 2 t n alle geordneten Ereigniszeitpunkte (d.h. von beiden Gruppen) r j = r 1j + r 2j Gesamtzahl unter Risiko zum Zeitpkt. t j. d j = d 1j + d 2j Gesamtzahl Ereignisse zum Zeitpkt. t j. Unter H 0 erwartete Zahl der Ereignisse in Gruppe k zum Zeitpunkt t j Ekj = rkj dj r j

16 zum Vergleich von zwei Gruppen k = 1, 2 (O-E): Summe der Differenzen zwischen beobachteter und erwarteter Zahl an Ereignissen in Gruppe k U k = n (E kj d kj ) j=1 V: Schätzer der Varianz von U k (Summe der Varianzen von d kj gegeben r j und d j ) (O-E)ˆ2/V bei zwei Gruppen und chisq i.a.: statistik des s U1 2 /V 1 = U2 2 /V 2 χ 2 (df = 1)

17 zum Zeitpunkt t T die Zeit bis zum Ereignis (z.b. Tod). Die zum Zeitpunkt t is definiert als 1 h(t) = lim P(t T t + s T t) s 0 s Wenn das Zeitintervall [t, t + s] sehr kurz ist, dann ist h(t) s P(t T t + s T t) die bedingte Wahrscheinlichkeit, dass das Ereignis im Zeitintervall [t, t + s] stattfindet gegeben, dass das Ereignis nicht schon vor t stattgefunden hat.

18 funktion Die funktion λ(t) zeigt, wie sich das Risiko für das Ereignis im Laufe der Zeit verändert: ist λ(t) in t konstant, so bleibt das Risiko über die Zeit konstant; steigt (fällt) λ(t) mit der Zeit, so steigt (fällt) das Risiko mit der Zeit. Bedingen auf T t in der Def. der ist wichtig: unbedingte Wahrsch. mit 100 J. zu sterben ist klein, da die Wahrsch. 100 zu werden ebenfalls klein ist; bedingt darauf 100 geworden zu sein, ist die Wahrsch. mit 100 zu sterben jedoch groß (jedenfalls grösser als z.b. mit 30 zu sterben gegeben 30 geworden zu sein).

19 Kummulierte funktion Integrierte bzw. kummulierte funktion: H(t) = t 0 h(u) du Die kummulierte funktion bestimmt die Überlebenswahrscheinlichkeiten: S(t) = P(T > t) = exp{ H(t)}

20 Schätzung der - und kummulierten funktion Schätzung der funktion (wird sehr selten verwendet) 1 ĥ(t j ) = t j+1 t tj dj r j Nelson-Aalen-Schätzer der kummulierten funktion Ĥ NA (t) = ĥ(t j ) (t j+1 t tj ) = j:t j t d j r j j:t j t Breslow-Schätzer der Überlebensfunktion Ŝ B (t) = exp{ ĤNA(t)} (Alternative zum K.-M.-Schätzer; wird selten verwendet)

21 : Leukemiedaten Placebo-Gruppe Integrated Time Time

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 12. Mai 2015 c Roland Rau Survival Analysis 1 / 24 Hausaufgabe 1 Schreiben Sie die Log-Likelihood Gleichung

Mehr

Diagnose und Prognose: Kurzfassung 4

Diagnose 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

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 03. Juni 2014 Roland Rau Survival Analysis 1 / 39 Hausaufgabe Vorarbeiten der vergangenen Woche: setwd("c:\\sommer2014")

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 05. Mai 2015 c Roland Rau Survival Analysis 1 / 18 Zensierung & Trunkierung: Nicht vollständig beobachtete

Mehr

Nonparametric estimation of the probability of default 1

Nonparametric estimation of the probability of default 1 probability of default 1 probability of default 2 probability of default 3 Fixierte Studienzeit Fixierter Anteil an Toten (z.b. 80%) Fixierte Beobachtungsz. A B C D E 10 20 30 A B C D E 10 20 35 A B C

Mehr

Berechnung des LOG-RANK-Tests bei Überlebenskurven

Berechnung des LOG-RANK-Tests bei Überlebenskurven Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse Schätzung Lifetime Values von Spenn mit Hilfe Überlebensanalyse Einführung in das Verfahren am Beispiel Einzugsgenehmigung Überlebensanalysen o Ereignisdatenanalysen behandeln das Problem, mit welcher

Mehr

Einführung in die Survival-Analyse (Modul: Methoden II)

Einführung in die Survival-Analyse (Modul: Methoden II) Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 14. Mai 2013 c Roland Rau Survival-Analyse 06. Sitzung 1 / 23 Hinweis: Interview mit Prof. Matthias

Mehr

= P (t T < t + t)/ t P (T > t)

= P (t T < t + t)/ t P (T > t) Kapitel 9 Survival-Analyse Die Survival-Analyse modelliert Überlebenszeiten (Hosmer Jr, Lemeshow & May, 2008; Klein & Moeschberger, 2003). Diese geben allgemein an, wieviel Zeit bis zum Eintreten eines

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 19. Mai 2015 Roland Rau Survival Analysis 1 / 26 Nächste & übernächste Woche Nächste Woche: Projektwoche

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 24. Juni 2014 Roland Rau Survival Analysis 1 / 23 Link zum Editorial des International Journal of Epidemiology

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 22. April 2014 c Roland Rau Survival Analysis 1 / 23 Erinnerung: Prüfungsmodalitäten Nr. Termine evtl.

Mehr

Studiendesign und Statistik: Interpretation publizierter klinischer Daten

Studiendesign 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,

Mehr

Überlebenszeitanalyse Teil 15 der Serie zur Bewertung wissenschaftlicher Publikationen

Überlebenszeitanalyse Teil 15 der Serie zur Bewertung wissenschaftlicher Publikationen ÜBERSICHTSARBEIT Überlebenszeitanalyse Teil 5 der Serie zur Bewertung wissenschaftlicher Publikationen Isabella Zwiener, Maria Blettner, Gerhard Hommel ZUSAMMENFASSUNG Hintergrund: Zum Vergleich von zwei

Mehr

Kaplan-Meier-Schätzer

Kaplan-Meier-Schätzer Kaplan-Meier-Schätzer Ausgangssituation Zwei naive Ansätze zur Schätzung der Survivalfunktion Unverzerrte Schätzung der Survivalfunktion Der Kaplan-Meier-Schätzer Standardfehler und Konfidenzintervall

Mehr

Einführung in statistische Testmethoden

Einführung in statistische Testmethoden Einführung in statistische Testmethoden und die Bearbeitung von Messdaten mit Excel 1. Beispielhafte Einführung in den Gebrauch von Testmethoden 2. Typen von Messwerten, Verteilungen 3. Mittelwert, Varianz,

Mehr

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des. Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

Übersicht. VL Forschungsmethoden. Ereignisdatenanalyse

Übersicht. VL Forschungsmethoden. Ereignisdatenanalyse VL Forschungsmethoden Ereignisdatenanalyse 1 2 3 4 5 Übersicht VL Forschungsmethoden Event Data (1/45) Harold Macmillan, PM 1957-1963 The greatest challenge in politics: events, my dear boy, events Was

Mehr

Vorlesung L6: Statistische Tests

Vorlesung L6: Statistische Tests Vorlesung L6: Statistische Tests Prof Dr Joerg Hasford Institut für medizinische Informationsverarbeitung, Biometrie und Epidemiologie LudwigMaximiliansUniversität Email: has@ibemedunimuenchende Hypothesen

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00.

Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. 1 Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses

Mehr

Interaktive internetbasierte Auswertung der Krebsregister am OSP Stuttgart mittels der Software OCDM Online Clinical Data Mining Version 2.

Interaktive internetbasierte Auswertung der Krebsregister am OSP Stuttgart mittels der Software OCDM Online Clinical Data Mining Version 2. Interaktive internetbasierte Auswertung der Krebsregister am OSP Stuttgart mittels der Software OCDM Online Clinical Data Mining Version 2.5 Handbuch 4. August 2009 c Random Research, c/o Institut für

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 Vergleich zweier Stichproben, nichtparametrische Tests Prof. Dr. Achim Klenke http://www.aklenke.de 11. Vorlesung: 27.01.2012 1/86 Inhalt 1 Tests t-test 2 Vergleich zweier

Mehr

Grundzüge der Ereignisdatenanalyse

Grundzüge der Ereignisdatenanalyse Grundzüge der Ereignisdatenanalyse Regressionsmodelle Sommersemester 2009 Regressionsmodelle Event History Analysis (1/48) Übersicht Wiederholung Exponential- und Weibull-Modell Weitere Modelle Regressionsmodelle

Mehr

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften

Mehr

Statistische Modelle und Methoden in der Analyse von Lebenszeitdaten

Statistische Modelle und Methoden in der Analyse von Lebenszeitdaten Diplomstudiengang Mathematik DIPLOMARBEIT Statistische Modelle und Methoden in der Analyse von Lebenszeitdaten vorgelegt von: Patricia Glomb Betreuende Gutachterin: Zweitgutachter: Prof. Dr. Christine

Mehr

Prüfen von Mittelwertsunterschieden: t-test

Prüfen von Mittelwertsunterschieden: t-test Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test

Mehr

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten

Mehr

Statistische Auswertung der Daten von Blatt 13

Statistische Auswertung der Daten von Blatt 13 Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Statistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00.

Statistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00. 1 Statistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14. Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall

Mehr

Survival Analysis. Rene.Boeheim@jku.at. December 2008

Survival Analysis. Rene.Boeheim@jku.at. December 2008 Survival Analysis René Böheim Rene.Boeheim@jku.at December 2008 Basierend auf Cleves, Gould, and Gutierrez (2004), An Introduction to Survival Analysis using Stata, Revised Edition, Stata Press, Texas.

Mehr

Die Analyse von Überlebenszeiten

Die Analyse von Überlebenszeiten Die Analyse von Überlebenszeiten Heinz Tüchler Einleitung Welche Vorgänge lassen sich untersuchen? Überlebenskurven und damit zusammenhängende Berechnungen dienen der Darstellung und dem Vergleich von

Mehr

Einführung in die Logistische Regression. Fortbildung zur 19.Informationstagung Tumordokumentation

Einführung in die Logistische Regression. Fortbildung zur 19.Informationstagung Tumordokumentation Einführung in die Logistische Regression Fortbildung zur 9.Informationstagung Tumordokumentation Bernd Schicke, Tumorzentrum Berlin FB Bayreuth, 29.März 20 Gliederung Einleitung Schätzen von Maßzahlen

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke

Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten Frank Konietschke Abteilung für Medizinische Statistik Universität Göttingen 1 Übersicht Beispiele CGI (repeated measures) γ-gt

Mehr

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen

Mehr

Tumorregister München

Tumorregister München Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English P-NET: Neuroendokr. Pankreastu. Survival Diagnosejahr 1998-14 Patienten 368 Erkrankungen 368 Fälle in Auswertung 292 Erstellungsdatum

Mehr

Ereignisanalyse. Sterbetafel-Methode Kaplan-Meier-Verfahren Cox-Regression. Kurt Holm. Almo Statistik-System

Ereignisanalyse. Sterbetafel-Methode Kaplan-Meier-Verfahren Cox-Regression. Kurt Holm. Almo Statistik-System Ereignisanalyse Sterbetafel-Methode Kaplan-Meier-Verfahren Cox-Regression Kurt Holm Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at 2013 1 Im Text wird häufig auf das

Mehr

Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet.

Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet. 11.01.2012 Prof. Dr. Ingo Klein Klausur zur VWA-Statistik Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet. Aufgabe 1:

Mehr

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25 Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen

Mehr

Beurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln

Beurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich

Mehr

Vorlesung L6: Statistische Tests

Vorlesung L6: Statistische Tests Vorlesung L6: Statistische Tests Verena Hoffmann Institut für medizinische Informationsverarbeitung, Biometrie und Epidemiologie LudwigMaximiliansUniversität Email: hoffmann@ibe.med.unimuenchen.de Lernziele

Mehr

Welche statistische Auswertung für welche Datenlage?

Welche statistische Auswertung für welche Datenlage? Welche statistische Auswertung für welche Datenlage? 2-stündiges Seminar im Rahmen des Promotionskollegs Institut für Medizinische Biometrie http://www.uni-tuebingen.de/biometry/ Silcherstr. 5,72076 Tuebingen

Mehr

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel

Mehr

Statistik II für Betriebswirte Vorlesung 2

Statistik II für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander

Mehr

Primärer Endpunkt Fallzahlkalkulation...

Primärer Endpunkt Fallzahlkalkulation... Prospective randomized multicentre investigator initiated study: Randomised trial comparing completeness of adjuvant chemotherapy after early versus late diverting stoma closure in low anterior resection

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test

Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test 1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test

Mehr

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen

Mehr

Tumorregister München

Tumorregister München Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD- C92: Myeloische Leukämie Survival Diagnosejahr 1988-1997 1998-14 Patienten 436 3 653 Erkrankungen 436 3 667 Fälle in Auswertung

Mehr

Multivariate Analyse: Einführung in das COX-Modell

Multivariate Analyse: Einführung in das COX-Modell Auswertung Multivariate Analyse: Einführung in das COX-Modell Deskriptive Statistik Häufigkeiten, Univariate Statistiken, Explorative Datenanalyse, Kreuztabellen) Induktive Statistik, Vergleich von Mittelwerten

Mehr

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging

Mehr

Tumorregister München

Tumorregister München Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD-1 C91.: Akute lymphat. Leukämie Survival Diagnosejahr 1988-1997 1998-14 Patienten 179 752 Erkrankungen 179 752 Fälle in

Mehr

Ereignisanalyse. Petra Stein / Marcel Noack

Ereignisanalyse. Petra Stein / Marcel Noack Ereignisanalyse Petra Stein / Marcel Noack 12. Juli 2007 Inhaltsverzeichnis 1 Einleitung 3 2 Grundlagen 6 2.1 Regression für Längschnittdaten?................ 6 2.2 Unterscheidungen: A vs. B....................

Mehr

Christian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG

Christian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau

Mehr

Tumorregister München

Tumorregister München Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD-1 C9: Plasmozytom Survival Diagnosejahr 1988-1997 1998-14 Patienten 445 3 754 Erkrankungen 445 3 757 Fälle in Auswertung

Mehr

Tumorregister München

Tumorregister München Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD- C5: Mammakarzinom (Männer) Survival Diagnosejahr 1988-1997 1998-14 Patienten 59 425 Erkrankungen 59 429 Fälle in Auswertung

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

UNIVERSITÄT POTSDAM Institut für Mathematik

UNIVERSITÄT POTSDAM Institut für Mathematik UNIVERSITÄT POTSDAM Institut für Mathematik Modellierung der Lebensdauer von Systemen Diplomarbeit Antonia Runge Mathematische Statistik und Wahrscheinlichkeitstheorie Universität Potsdam Institut für

Mehr

Laden des Datensatzes und erstellen eines Survival-Objektes. Laden des Datensatzes und Data Cleaning

Laden des Datensatzes und erstellen eines Survival-Objektes. Laden des Datensatzes und Data Cleaning Laden des Datensatzes und erstellen eines Survival-Objektes Laden des Datensatzes und Data Cleaning Das Laden des Datensatzes sollte wenig Schwierigkeiten verursachen. Nachdem Sie mittels setwd("c:/sommer2015/survival")

Mehr

5. Empirische Analyse der Arbeitslosigkeitsdauer

5. Empirische Analyse der Arbeitslosigkeitsdauer 5. Empirische Analyse der Arbeitslosigkeitsdauer Statistische Konzepte der Verweildaueranalyse Verweildauer S sei diskrete Zuvallsvariable (z.b. Monate) 1. Abgangsrate (hazard rate) ϕ(s) = P (S = s S >

Mehr

Statistik für Studenten der Sportwissenschaften SS 2008

Statistik für Studenten der Sportwissenschaften SS 2008 Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher

Mehr

Messwerte. 20 30 40 50 60 70 80 Gewicht in kg. Messwerte

Messwerte. 20 30 40 50 60 70 80 Gewicht in kg. Messwerte 2. Public Health Methoden 2.1 Epidemiologie Zusätzliche Abbildungen (1) Ergänzende Abbildung zu Kap. 2.1.4 Validität und Reliabilität Web-Abb. 2.1.1 Schematische Darstellung der Bestimmung des Körpergewichts

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang

Mehr

Klausur: Einführung in die Statistik

Klausur: Einführung in die Statistik 1 Lösungen immer unter die jeweiligen Aufgaben schreiben. Bei Platzmangel auf die Rückseite schreiben (dann Nummer der bearbeiteten Aufgabe mit anmerken!!!). Lösungen, die nicht auf den Aufgabenblättern

Mehr

6. METRISCHE UND KATEGORIALE MERKMALE

6. METRISCHE UND KATEGORIALE MERKMALE 6. METRISCHE UND KATEGORIALE MERKMALE wenn an einer Beobachtungseinheit eine (oder mehrere) metrische und eine (oder mehrere) kategoriale Variable(n) erhoben wurden Beispiel: Haushaltsarbeit von Teenagern

Mehr

Ein bisschen Statistik

Ein bisschen Statistik Prof. Dr. Beat Siebenhaar ein bisschen Statistik 1 Ein bisschen Statistik (orientiert an Hüsler/Zimmermann (006) mit Umsetzung auf die linguistische Fragen) 1. Datentypen und Grafik Grafische Darstellungen

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Commercial Banking Kreditgeschäft Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Bedingte Marginale Ausfallwahrscheinlichkeit (BMAW t ) (Saunders: MMR ) prob (Ausfall in Periode t kein Ausfall

Mehr

Tumorregister München

Tumorregister München Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD-1 C62: Hodentumor Survival Diagnosejahr 1988-1997 1998-214 Patienten 935 3 262 Erkrankungen 95 3 33 Fälle in Auswertung

Mehr

Marktforschung I. Marktforschung I 2

Marktforschung I. Marktforschung I 2 Marktforschung I Marktforschung I Einführung in die Testtheorie (Toporowski) Mathematische Grundlagen (Toporowski) Varianzanalyse (Toporowski) Regressionsanalyse (Boztuğ) Diskriminanzanalyse (Hammerschmidt)

Mehr

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97. Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

2. Statistische Methoden in der Diagnostik. Elemente des Studiendesigns

2. Statistische Methoden in der Diagnostik. Elemente des Studiendesigns 2. Statistische Methoden in der Diagnostik Elemente des Studiendesigns Diagnosestudien in der Medizin Klassifikation in krank - nicht krank basierend auf diagnostischem Test Beispiel: Diagnose von Brustkrebs

Mehr

Klausur Statistik Lösungshinweise

Klausur Statistik Lösungshinweise Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Einfache statistische Testverfahren

Einfache statistische Testverfahren Einfache statistische Testverfahren Johannes Hain Lehrstuhl für Mathematik VIII (Statistik) 1/29 Hypothesentesten: Allgemeine Situation Im Folgenden wird die statistische Vorgehensweise zur Durchführung

Mehr

Ergänzungsbericht zum Tätigkeitsbericht 2013 über die Ergebnisse der externen vergleichenden Qualitätssicherung

Ergänzungsbericht zum Tätigkeitsbericht 2013 über die Ergebnisse der externen vergleichenden Qualitätssicherung Ergänzungsbericht zum Tätigkeitsbericht 2013 über die Ergebnisse der externen vergleichenden Qualitätssicherung Transplantationszentrum Deutsches Herzzentrum Berlin nach 11 Abs. 5 TPG - veröffentlicht

Mehr

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 SFB 833 Bedeutungskonstitution Kompaktkurs Datenanalyse Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 Messen und Skalen Relativ (Relationensystem): Menge A von Objekten und eine oder mehrere Relationen

Mehr

Rentenbeginn und Lebenserwartung

Rentenbeginn und Lebenserwartung Rentenbeginn und Lebenserwartung Sebastian Jeworutzki 16.04.2009 Sebastian Jeworutzki Rentenbeginn und Lebenserwartung 1/25 1 Einleitung 2 GEK-Daten Informationen zum Datensatz Datenqualität 3 Rentenarten

Mehr

Predictive accuracy in survival analysis:

Predictive accuracy in survival analysis: Predictive accuracy in survival analysis: The ROC curve and related measures Petra Wolf 1. Dezember 2011 1 / 48 Einleitung Receiver Operating Characteristic Kurven ROC Analyse in Fall-Kontroll-Studien

Mehr

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.) ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Mehr

Tumorregister München

Tumorregister München Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD- C12, C13: Hypopharynxtumor Survival Diagnosejahr 1988-1997 1998-14 Patienten 4 1 5 Erkrankungen 451 1 5 Fälle in Auswertung

Mehr

Tumorregister München

Tumorregister München Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD- C2: Zungentumor (ohne Zungengrund) Survival Diagnosejahr 1988-1997 1998-14 Patienten 325 1 112 Erkrankungen 326 1 115 Fälle

Mehr

Zwei einfache Kennzahlen für große Engagements

Zwei einfache Kennzahlen für große Engagements Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt

Mehr

8. Methoden der klassischen multivariaten Statistik

8. Methoden der klassischen multivariaten Statistik 8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von

Mehr

15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit

15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit 5.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Einführendes Beispiel ( Erhöhung der Sicherheit bei Flugreisen ) Die statistische Wahrscheinlichkeit, dass während eines Fluges ein Sprengsatz an Bord

Mehr

Analyse extremer Ereignisse unter dem Einfluss von Langzeitkorrelationen

Analyse extremer Ereignisse unter dem Einfluss von Langzeitkorrelationen Das BMBF-Vorhaben Skalenanalyse hydrologischer und hydrometeorologischer Zeitreihen Analyse extremer Ereignisse unter dem Einfluss von Langzeitkorrelationen Jan F. Eichner Armin Bunde, Jan W. Kantelhardt

Mehr

Verweildaueranalyse (mit Cox-Regressionen)

Verweildaueranalyse (mit Cox-Regressionen) Verweildaueranalyse mit Cox-Regressionen) 14. Februar 215 Verweildaueranalyse Grundlagen Folie 2 Grundbegriffe der Überlebenszeitanalyse: Survival Fkt., Hazardrate Es sei T die Überlebenszeit als stetige,

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr