Die minimal klinisch relevante Differenz aus biometrischer Sicht
|
|
- Waldemar Kurzmann
- vor 6 Jahren
- Abrufe
Transkript
1 Die minimal klinisch relevante Differenz aus biometrischer Sicht Joachim Röhmel (Bremen) Vortrag bei der GMDS 2010 am 6. September in Mannheim Vortrag basiert auf gemeinsamen Überlegungen mit Hermann Kulmann (Bayer Schering Pharma, Berlin) und Friedhelm Leverkus (Pfizer, Berlin) Einige Ursachen der momentan aktuellen Diskussion zur klinischen Relevanz von Ergebnissen klinischer Studien Hochzeit für Meta-Analysen grosse Stichproben schmale Konfidenzintervalle statistische Signifikanz bereits bei kleinen Effekten Cochrane Handbook NICE 6 stufige Evidenzskala Nutzen und Zusatznutzen Bewertungen des IQWiG Cohen s d small effect, medium effect, large effect 1
2 Statistische Signifikanz bei kleinen Effekten Prof. J. Windeler: Relevanz von Effektstärken; GFR Workshop Arzneiverordnung in der Praxis Januar 2010 Prof. em. Dr. med. Frank P. Meyer: Nachfolgend soll diese Meta- Analyse aus industrieunabhängiger Sicht analysiert werden. Bewertet wurden fünf Studien: UKPDS (3), PROactive (4), ADVANCE (5), ACCORD (6) und VADT (7)
3 Kausik K Ray et al Lancet 2009, All cause mortality: wie passt 9.1%(I) vs 8.4%(S) zusammen mit RR(I/S)=1.02 In der Meta-Analyse von Ray et al. wird das random effects model zur Kombination von Ergebnissen aus mehreren Studien verwendet. Die dabei eingehenden Zahlenangaben der Einzelstudien werden dabei mit Gewichten versehen, die sich umgekehrt proportional zu den beobachteten Varianzen verhalten. Das ist eine Standardvorgehensweise bei Meta-Analysen. Nun sind Gewichte nicht ohne weiteres übertragbar, wenn zu einem Modell der Absoluten Risiko Reduktion (ARR) übergegangen wird (FP Meyer). Zudem sind die Gewichte auch nicht aus den Zahlen der Teilnehmer und Ereignisse pro Studie nachträglich ermittelbar, weil die Schätzer und die Varianzen der Studien selbst durch Kovariable und andere Stratifikationsfaktoren beeinflusst sind. 3
4 Cave bei selbstgestrickten MAs Eine MA, bei der studienspezifischen Charakteristika unbeachtet bleiben, allen Studien das gleiche Gewicht (20% bei 5 Studien) gegeben wird die Zahlen der Studienteilnehmer und Events über alle Studien hinweg einfach aufsummiert werden bei der daraus durch Subtraktion ein ARR berechnet wird, kann schwerlich als gutes Beispiel für statistisch signifikante Effekte herhalten, die aber klinisch irrelevant sind, selbst wenn sie aus industrieunabhängiger Sicht stammen. Über die Anfänge der Diskussion zur klinischen Relevanz in D Victor 1987 Heidrich/Trampisch/Röhmel (~ ) Diehm/Trampisch/Lange/Schmidt 1996 Windeler/Conradt 1999 IQWiG (S. Lange, G. Skipka, T. Kaiser) aktuell 4
5 Revised NfG treatment of PAOD, deadline for comments May 2001 Quotations from 8.3 Main therapeutic studies As walking distance is a weak symptomatic endpoint it should be emphasised that it is the lower boundary of the confidence interval for the treatment effect between the verum and the placebo that must be considered for a judgement of clinical relevance. The definition of a clinically unimportant margin, which should not be included in the 95% confidence interval for the difference of group means, may be potentially useful
6 These 1 Es gibt keine universelle Konstante für klinische Relevanz weder bei Erfolgsraten noch bei effect size noch bei klinische Relevanz ist in Abhängigkeit der klinischen Relevanz des Endpunkts zu sehen. Hierarchie von Endpunkten weak symptomatic endpoints (schmerzfreie Gehstrecke) psychometrische Skalen Mortalität 6
7 These 2 Wenn ein MCID* δ in einem klinischen Endpunkt als klinisch relevant angesehen wird, muss es möglich sein, klinische Zulassungs-Studien durchzuführen, bei denen erwartet werden kann, dass der wahre (aber unbekannte) Unterschied zwischen den untersuchten Therapien (z.b. Test versus Plazebo) gerade δ beträgt. * Minimal Clinically Important Difference (on group level) Dies wird ermöglicht durch die Einführung eines Grau Bereichs GrauBereich 7
8 These 3 Anhaltspunkte für die Abschätzung von MCIDs erhält man, wenn man dafür die (geplanten) Effektgrössen klinischer Studien mit konventioneller Fallzahlschätzung zugrunde legt. Andernfalls müsste man der Mehrzahl der in der Vergangenheit geplanten und durchgeführten Zulassungs- Studien nachsagen, dass sie für nicht relevante Effekte geplant waren. Hier kann zwar nicht von einer Validierung, wohl aber von einer impliziten Konsensbildung der klinischen Fachöffentlichkeit ausgegangen werden. These 4 Statistisches Testen gegen Irrelevanzgrenzen beim Nachweis des Zusatznutzens ist nicht für Umsonst zu haben. Statistisches Testen gegen Irrelevanzgrenzen (ins Positive verschobene Hypothesen) muss bereits bei der Planung klinischer Studien berücksichtigt werden. Will man Sponsoren bei der Planung klinischer Studien nicht verleiten, zu optimistische Effektgrößen anzunehmen, so müssen Irrelevanzgrenzen sich auch an der Machbarkeit (Fallzahl) orientieren. 8
9 Zur Wahl von δ i 17 Das vorgeschlagene Verfahren Einzel-Schritte: hypothetische Fallzahlschätzung für zwei Behandlungen: Test und Referenz Zielgröße (prae-post-differenz): X i ~N(µ i,σ 2 ) mit i {T,R}, σ 2 und δ r bekannt, 90% power Stichprobenumfänge: n T = n R = n Setze δ i gleich der Untergrenze des (hypothetischen) zweiseitigen 95%-Konfidenzintervalls für µ T µ R. Ersetze dabei die Mittelwertsdifferenz XT X R durch δ r 18 δ i = δ r u σ 2 n 2 9
10 Berücksichtigt man noch, dass die Fallzahl aus Formeln ermittelt wird, dann ergibt sich δ i = u 1 α u 2 1 β + u 1 β δ r α = 5%, β = 10% δ δ i 0. 4 r 19 Unpraktikable Fallzahlen Zweiseitiger Test mit α = 0.05 und 1 β = 0.9 an der Stelle δ r n "vorgeschlagen" n gegenwärtig = δ r δr δ i 2 =
11 gemeinsame Verteilung der unteren 95% CI Grenze (eines zweiseitigen CI) und des Mittelwert Unterschiedes bei nr =nt=86, einem wahren Unterschied delta=0.5 und Streuung s=1 beobachtete untere 95% CI Grenze Beobachteter Mittelwertsunterschied Konsequenzen des vorgeschlagenen Verfahrens auf die Power Angenommen der wahre Effekt ist δ r = 0.5 und δ i =0.2 Wenn beta (konventionell) = 0.10, 0.05, und Dann beträgt die power 50%, 60%, und 90% 11
12 percentile cumulative distribution functions of the lower bound of the 95% CI when the true effect size = 0.5 and the power (in the classical sense) equals 1-beta beta=0.20, n=64 beta=0.10, n=86 beta=0.05, n=106 beta=0.01, n=149 beta=0.0003, n= observed value of the lower bound of the 95% CI These 5 Der Punktschätzer und das Konfidenzintervall für die Differenz der Mittelwerte bilden die Basis für die Beurteilung der klinischen Relevanz M Kieser, D Hauschke. Assessment of clinical relevance by considering point estimates and associated confidence intervals. Pharmaceutical Statistics 4, 2005,
13 13
14 Eine Eigenschaft der vorgeschlagenen Irrelevanzgrenzen Tatsächlich sind die im vorgeschlagenen Verfahren aus δ r errechenbaren Grenzen δ i geeignet, mit angemessener Power abzusichern, dass die beobachtete Mittelwertsdifferenz sicher über der Irrelevanzgrenze liegt, wenn der wahre Effekt gleich der Relevanzgrenze angenommen wird, und eine traditionelle Fallzahlschätzung vorgenommen wird. These 6 Wenn das Konfidenzintervall für die Differenz der Mittelwerte vollständig unterhalb des im Studienprotokoll geplanten Effekts liegt, so muss der Effekt als klinisch nicht relevant bezeichnet werden, auch wenn er statistisch signifikant sein sollte. Die Planung bekommt eine bedeutendere Rolle, so dass keine zu optimistischen Schätzungen gemacht werden, bei denen hinterher eine Menge Verrenkungen gemacht werden, um einen Misserfolg noch in einen Erfolg umzumünzen. 14
15 These 7 Zur Beurteilung klinischer Relevanz aus Meta-Analysen* sind wichtige weitere Gegebenheiten zu berücksichtigen, z.b. Heterogenität der Populationen, der verwendeten Zielvariablen Ähnlichkeit und Unähnlichkeit von Skalen effect size, Responder Definitionen der Schätzer aus Zielvariablen Qualität der Studien Vermischung teriärer, sekundärer und primärer Zielvariablen group level data, patient level data * Workshop der AG Pharmazeutische Forschung in der Biometrischen Gesellschaft, Frankfurt, 12. November 2010 Zusammenfassung Verschiedene Thesen sind vorgeschlagen, um Wege zur Einführung von ins Positive verschobene Hypothesen zu ermöglichen. klinische Relevanz ist in Abhängigkeit der klinischen Relevanz des Endpunkts zu sehen. klinische Studien zu erwarteten klinisch relevanten Effekten müssen weiterhin möglich sein. Für viele Endpunkte gibt es einen impliziten Konsens über klinisch relevante Effekte. eine Balance zwischen Irrelevanzgrenzen und Machbarkeit ist anzustreben. Konfidenzintervall und Punktschätzer ergeben erst das vollständige Bild. Signifikante Abweichungen zwischen Planung und Ergebnis sind immer ein Anlass zur Sorge. 15
Die Bedeutung der klinischen Relevanz für f r die Machbarkeit klinischer Studien Eine Herausforderung für r den Kliniker und Biometriker
Die Bedeutung der klinischen Relevanz für f r die Machbarkeit klinischer Studien Eine Herausforderung für r den Kliniker und Biometriker Prof. Dr. Dieter Hauschke Köln, den 18.06.2010 Klinische Relevanz,
MehrStatistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
Mehrt-tests Lösung: b) und c)
t-tests 2015 Assessmentmodul 1 - Frage B10: Ein Team von Gesundheitspsychologinnen hat ein Programm entwickelt, das die Studierenden der Universität Zürich dazu anregen soll, mehr Sport zu treiben. In
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
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
MehrRelevanz von Effektstärken
Relevanz von Effektstärken Jürgen Windeler, Stefanie Thomas Medizinischer Dienst des Spitzenverbandes Bund der Krankenkassen (MDS) Berlin, 26.01.2010 ganz aktuell Januar-Ausgabe 2010... war weder das absolute
MehrPlanung von Humanstudien Fallzahlberechnung
Planung von Humanstudien Fallzahlberechnung Hans-Peter Helfrich Universität Bonn 5. November 2015 H.-P. Helfrich (Universität Bonn) Planung von Humanstudien 5. November 2015 1 / 15 Einführung 1 Einführung
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrEinführung in die Statistik zur Tierversuchsplanung
Einführung in die Statistik zur Tierversuchsplanung und -auswertung Prof. Peter Pilz Fachbereich Biologie So viele Tiere wie nötig, so wenig Tiere wie möglich Statistik Schließende Statistik Statistische
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
MehrPflege Deine Vorurteile! A statistician is a person who draws a mathematically precise line from an unwarranted assumption to a foregone conclusion.
Pflege Deine Vorurteile! A statistician is a person who draws a mathematically precise line from an unwarranted assumption to a foregone conclusion. Statistik als wissenschaftliche Qualitätskontrolle Quo
MehrVon der Idee zum richtigen Studiendesign
BMBF- und DFG-Förderung für klinische Studien: Rahmenbedingungen und Erfolgsfaktoren Von der Idee zum richtigen Studiendesign Unterstützung durch das Institut für Biometrie und Klinische Forschung Dr.
MehrIQWiG im Dialog 2015 Wie konfirmatorisch ist HTA? Zusammenfassung
IQWiG im Dialog 2015 Wie konfirmatorisch ist HTA? Zusammenfassung Stefan Lange Stellvertretender Institutsleiter Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen Schluss mit lustig?? IQWiG
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
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
Mehrdas Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
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 =
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
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
MehrBeurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung
Beurteilung von Analysenwerten im Hinblick auf eine Grenzwertüberschreitung K. Molt Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 3. Juni 2007 K. Molt (Fachgeb. IAC) 3. Juni 2007 1 / 41
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 =
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
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
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
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
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrAdipositas, Diabetes und Schlaganfall Prof. Dr. Joachim Spranger
Adipositas, Diabetes und Schlaganfall Prof. Dr. Joachim Spranger Charité-Universitätsmedizin Berlin Adipositas- und Stoffwechselzentrum Campus Benjamin Franklin Hindenburgdamm 30 12200 Berlin The New Yorker
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrPrimärer 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
MehrDossierbewertung A11-30 Version 1.0 Apixaban Nutzenbewertung gemäß 35a SGB V
2 Nutzenbewertung 2.1 Kurzfassung der Nutzenbewertung Hintergrund Der G-BA hat mit Schreiben vom 14.12.2011 das IQWiG mit der Nutzenbewertung des Wirkstoffs Apixaban gemäß 35a SGB V beauftragt. Die Bewertung
MehrKonfidenzintervalle 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
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrUpdate Antihypertensiva
Update Antihypertensiva Dr. med. Markus Diethelm 26.11.2015 Blutdruck-Zielwerte für Europa ESC/ESH 2004 2007 2013 < 140/90 < 140/90 < 140/90 Vaskuläre Erkrankung* < 130/80 < 130/80 < 140/90 Diabetes mellitus
MehrIQWiG im Dialog Bewertung der klinischen Relevanz bei der Nutzenbewertung
IQWiG im Dialog 2010 Bewertung der klinischen Relevanz bei der Nutzenbewertung Ein formalisiertes Vorgehen zur Bewertung der Relevanz von Gruppenunterschieden auf Skalen Stefan Lange, Thomas Kaiser, Yvonne
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
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
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
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
MehrEine 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 9. Dezember 2009 Bernd Klaus, Verena Zuber
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
AUFGABEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters eintrat, und zwar lag der Wert bei
MehrGesamtcholesterin Region A Region B <170 (optimal) 80 >=170 (Risiko)
GRUNDAUFGABEN ZU DEN 1-STICHPROBENVERGLEICHEN 1. In einer Studie wurde ein Blutparameter am Beginn und am Ende einer Therapie bestimmt. Es ergab sich, dass bei 35 Probanden eine Veränderung des Parameters
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Juni 2014 Waldherr / Christodoulides Einführung in Quantitative Methoden 1/46 Anpassungstests allgemein Gegeben: Häufigkeitsverteilung
MehrDipl.-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
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
MehrInterventionsstudien
Interventionsstudien Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Medizinische Universität Graz Vorgangsweise der EBM 1. Formulierung der relevanten und
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.
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
MehrNichtparametrische 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
MehrAnalytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatine an HD SHARP ist da! Christoph Wanner Würzburg
Statine an HD SHARP ist da! Christoph Wanner Würzburg n=9479 HD 2540 PD 490 CKD 6408 CKD3 2086 CKD4 2552 CKD5 1236 20 mg Simvastatin/ 10 mg Ezetimibe versus Placebo über 4,9 Jahre Verlaufsbeobachtung 62
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
MehrEin universelles Bayes-Design für einarmige Phase II-Studien mit binärem zeitlich erfasstem Endpunkt
Ein universelles Bayes-Design für einarmige Phase II-Studien mit binärem zeitlich erfasstem Endpunkt Joachim Gerß joachim.gerss@ukmuenster.de Institute of Biostatistics and Clinical Research Overview 1.
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrPflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.
Pflichtlektüre: Kapitel 12 - Signifikanztest Überblick Signifikanztest Populationsparameter Ein Verfahren zur Überprüfung von Hypothesen, Grundlage bilden auch hier Stichprobenverteilungen, das Ergebnis
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
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
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.
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
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)
MehrInferenzstatistik und Hypothesentests. Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis.
Statistik II und Hypothesentests Dr. Michael Weber Aufgabenbereich Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis. Ist die zentrale Fragestellung für alle statistischen
MehrStats for dummies. PD Dr. med. Michael Koller Head Data Center STCS. 29th Nov 2016 Research lunch
Stats for dummies PD Dr. med. Michael Koller Head Data Center STCS 29th Nov 2016 Research lunch Inhalt Quiz One-sample proportions Bsp 1: Diabetische Retinopathie Bsp 2: Der erste Schultag Two-sample proportions
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
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.
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrBiometrische Verfahrensweise mit Heterogenität im IQWiG aktueller Stand und Ausblick
IQWiG im Dialog 17.06.2011, Köln Biometrische Verfahrensweise mit Heterogenität im IQWiG aktueller Stand und Ausblick Guido Skipka Agenda Identifizierung und Quantifizierung von Heterogenität Identifizierung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrBerechnung 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
MehrKonfidenzintervalle. die anschauliche Alternative zum p-wert...
Konfidenzintervalle die anschauliche Alternative zum p-wert... Grundidee des Konfidenzintervalls Studie Realität Studienergebnis falsch-positiver Rückschluß??? Realität???? Studie 10 % Grundidee des Konfidenzintervalls
MehrStatistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße
Angewandte Statistik und Informatik in den Biowissenschaften Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße Jörg Schmidtke, Kerstin Schmidt Schnickmannstraße
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
MehrBerechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien
Berechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien Mandy Hildebrandt 1,2, Ralf Bender 1 und Maria Blettner 2 1 Institut für Qualität und Wirtschaftlichkeit im
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
MehrBeschluss. I. Die Anlage XII wird in alphabetischer Reihenfolge um die Wirkstoffkombination Indacaterol/Glycopyrronium wie folgt ergänzt:
Beschluss des Gemeinsamen Bundesausschusses über eine Änderung der Arzneimittel-Richtlinie (AM-RL): Anlage XII - Beschlüsse über die Nutzenbewertung von Arzneimitteln mit neuen Wirkstoffen nach 35a SGB
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,
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrInhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
MehrBAnz AT B4. Beschluss
Beschluss des Gemeinsamen Bundesausschusses über eine Änderung der Arzneimittel-Richtlinie (AM-RL): Anlage XII - Beschlüsse über die Nutzenbewertung von Arzneimitteln mit neuen Wirkstoffen nach 35a SGB
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
Mehr1 Verteilungsfunktionen, Zufallsvariable etc.
4. Test M3 ET 27 6.6.27 4. Dezember 27 Regelung für den.ten Übungstest:. Wer bei den Professoren Dirschmid, Blümlinger, Vogl oder Langer die UE aus Mathematik 2 gemacht hat, sollte dort die WTH und Statistik
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
Mehr