After Work Statistics
|
|
- Emil Bruhn
- vor 5 Jahren
- Abrufe
Transkript
1 After Work Statistics Robert Röhle Institute of Biometry and Clinical Epidemiology 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
2 Institut für Biometrie und klinische Epidemiologie Wir sind Hilfsbereit und nett! als Wissenschaftler aktiv in der statistischen Methodenforschung und in der medizinischen Forschung vielfältig aktiv in der universitären Lehre Unsere Service Unit Biometrie Kostenlose biometrische Beratung zu medizinischen Forschungsprojekten aller Art, Anmeldung online Statistik-Ambulanz: Beratung ohne Voranmeldung immer Dienstags von 09:00-12:00 Uhr Fortbildungskurse zu allgemeinen biometrischen Themen und zu statistischer Software Übernahme der Projektbiometrie im Rahmen einer Kooperation Nähere Infos finden Sie online: Kontakt: Univ.-Prof. Dr. Geraldine Rauch (Institutsdirektorin), Institut für Biometrie und Klinische Epidemiologie (ibike) Standort Mitte (Charité Campus Mitte) Reinhardstraße 58, Berlin Standort Steglitz (Campus Benjamin-Franklin) Hindenburgdamm 30, Haus 1, Berlin 1
3 Termine & Inhalte Termin Thema So viele Tests! Die Qual der Wahl So viele Fragestellungen! Multiples Testen So viele Patienten? Fallzahlplanung Was ist dieses Odds Ratio? Logistische Regression Fehlende Information? Umgang mit fehlenden Daten Der richtige Zeitpunkt? Analyse von Ereigniszeiten Die Vielfalt der Einflüsse Gemischte Modelle Wer passt zusammen? Matching von Patienten So viele Tests! Die Qual der Wahl So viele Fragestellungen! Multiples Testen So viele Patienten? Fallzahlplanung Was ist dieses Odds Ratio? Logistische Regression Fehlende Information? Umgang mit fehlenden Daten Der richtige Zeitpunkt? Analyse von Ereigniszeiten Die Vielfalt der Einflüsse Gemischte Modelle Wer passt zusammen? Matching von Patienten. 2
4 Was ist dieses Odds Ratio? Logistische Regression Robert Röhle Institute of Biometry and Clinical Epidemiology 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
5 Inhalt 1. Motivation/Einführung 2. Das Modell der logistischen Regression 3. Wahrscheinlichkeiten, Chancen, Odds 4. Das Odds Ratio 5. Odds Ratio in der logistischen Regression 6. Störgrößen 4
6 Einfache Lineare Regression Einfluss einer erklärenden Variablen X auf eine stetige Zielvariable Y Y = α + β X Beispiel: Größe = α + β Gewicht 5
7 Multiple lineare Regression Einfluss mehrerer erklärender Variablen X 1, X 2,, X m auf eine stetige Zielvariable Y Y = α + β 1 X β m X m Beispiel: 6-Minuten-Geh-Test (nach Troosters) 6-MGT (m) = ,14 Größe - 5,32 Alter - 1,80 Gewicht + 51,31 Geschlecht [Frauen: 0; Männer: 1]) 6
8 Eine Neue Zielvariable Neue Zielvariable: nicht mehr stetig, sondern binär (= 2 Ausprägungen) Beispiele: Abitur Ja oder Nein Elfmeter wird verwandelt Ja oder Nein Lieblingsverein Hertha oder andere Mannschaft Lottogewinn Ja oder Nein Übergewicht Ja oder Nein Krankheit Ja oder Nein Mehr als 300m im 6-MGT Ja oder Nein 7
9 Binäre Zielgrößen und lineare Regression Neue Zielvariable: nicht mehr stetig, sondern binär (= 2 Ausprägungen) Key-Message 1: Bei einer binären Zielvariable ist die lineare Regression als Analysemethode nicht zulässig.! 8
10 Das Prinzip der Logistischen Regression Modellierung der Wahrscheinlichkeit für den Eintritt des Ereignisses Y P Y = p p zwischen 0 und 1 p (Chance/Odds des Eintretens von Y) zwischen 1 p 0 und log p 1 p liegt zwischen und + Modell: log p 1 p = α + β X 9
11 Wahrscheinlichkeiten, Chancen, Odds
12 Wahrscheinlichkeiten, Chancen, Odds Wahrscheinlichkeit: Anteil an Allen Anteil Gewinner an allen Teilnehmern Anteil Personen mit Therapieerfolg an allen Studienteilnehmern Chance = Odds: Verhältnis Verhältnis Gewinner zu Nichtgewinner Verhältnis Personen mit Therapieerfolg zu Personen ohne Therapieerfolg 11
13 Wahrscheinlichkeiten, Chancen, Odds Anzahl Kombinationen Lotto: Wahrscheinlichkeit Lottogewinn (1 Tipp) Eine Kombination von allen Kombination gewinnt 1 / Chance = Odds Lottogewinn (1 Tipp) Eine Kombination gewinnt und Kombinationen verlieren 1 zu oder 1:
14 Wahrscheinlichkeiten, Chancen, Odds Wahrscheinlichkeit Lottogewinn (1 Tipp) 1 / , Chance = Odds Lottogewinn (1 Tipp) 1 zu oder 1: , Key-Message 2: Bei großen Grundgesamtheiten sind Wahrscheinlichkeiten und Odds fast identisch.! 13
15 Besseres Lotto 2 Kombinationen gewinnen - 3 Kombinationen verlieren Wahrscheinlichkeit zu gewinnen: 2 / 5 = 0,40 Chance zu gewinnen: 2:3 = 0,67 Deutlicherer Unterschied zwischen Chance und Wahrscheinlichkeit 14
16 Chance (Odds) und Chancenverhältnis (Odds Ratio) 15
17 Chance (Odds) und Chancenverhältnis (Odds Ratio) Was passiert, wenn wir eine der Lottozahlen bereits wissen? Es gibt dann nur noch Kombinationen Odds (eine Zahl bekannt) = 1: Odds (keine Zahl bekannt) = 1: Odds Ratio (Lottogewinn) = Odds (eine Zahl bekannt) / Odds (keine Zahl bekannt) = (1: ) / (1: ) = 8,17 16
18 Definition Chancenverhältnis (Odds Ratio) Odds Ratio: Verhältnis der Odds für das Eintreten eines Ereignisses in einer Gruppe geteilt durch die Odds für das Eintreten eines Ereignisse in einer anderen Gruppe OR = 1: Kein Unterschied in den Chancen OR >1: Chance in der ersten Gruppe größer OR<1: Chance in der ersten Gruppe kleiner 17
19 Chance (Odds) und Chancenverhältnis (Odds Ratio) Was passiert, wenn man alle Zahlen kennt? Es gibt dann nur noch eine Kombination Odds (alle Zahlen bekannt) = 1:0 =? 18
20 Zurück zur logistischen Regression Odds für einen bestimmten Wert X = x : p log = log Odds = α + β x 1 p Odds = e α+ β x = e α e β x p = β x eα+ 1 + eα+ β x Was passiert, bei Erhöhung von x um 1? Odds x+1 = e α+ β (x+1) = e α e β x+β = e α e β x e β 19
21 Odds Ratio in der logistischen Regression Was passiert wenn man das Odds Ratio für x + 1 im Vergleich zu x berechnet? Odds x+1 Odds x = eα e β x e β e α e β x = eα e β x e β e α e β x = e β Key-Message 3: Das Odds Ratio für die Erhöhung einer Variable um eine Einheit im logistischen Regressionsmodell entspricht genau e β.! 20
22 Praktisches Beispiel Welchen Einfluss hat der HbA 1c -Wert auf die Entwicklung einer diabetischen Nephropathie nach 6 Jahren bei Typ 1 Diabetikern? Risikofaktor Koeffizient p-wert OR 95% KI (β) (e β ) Achsenabschnitt (α) -5,089 0,0001 HbA 1c (1%) 0,457 0,0001 1,58 1,33 1,88 Bender R., Ziegler A., Lange S., DMW,
23 Praktisches Beispiel - Wahrscheinlichkeiten P(diabetische Nephropathie) = e 5,1+0,46 HbA 1c 1 + e 5,1+0,46 HbA 1c Bender R., Ziegler A., Lange S., DMW,
24 Störgrößen (Confounder) HbA 1c Zusammenhang? diabetische Nephropathie Aus Wikipedia: Diabetische Nephropathie Risikofaktoren Nicht alle Diabetiker entwickeln eine diabetische Nephropathie Männer tragen ein höheres Risiko 23
25 Störgrößen (Confounder) HbA 1c Zusammenhang? diabetische Nephropathie Geschlecht 24
26 Praktisches Beispiel - Störgrößen Risikofaktor Koeffizient p-wert OR 95% KI (β) (e β ) Achsenabschnitt (α) -8,980 0,0001 HbA 1c (1%) 0,464 0,0001 1,59 1,33 1,90 Diast. Blutdruck 0,048 0,0148 1,27 1,05 1,54 (5mm Hg) Diabetesdauer 0,004 0,8220 1,02 0,85 1,22 (5 Jahre) Geschlecht (Männl. vs. Weibl.) -0,025 0,9212 0,98 0,60 1,59 Key-Message 4: Bei der (logistischen) Regression sollte nach Möglichkeit für alle bekannten Störgrößen adjustiert werden! Bender R., Ziegler A., Lange S., DMW,
27 Zusammenfassung Zielvariable bei einer logistischen Regression ist binär Geschätzt wird die Wahrscheinlichkeit für das Eintreten eines Ereignisses Wahrscheinlichkeit: Anteil von Allen Chance = Odds: Verhältnis von Gruppen Das OR bei einer logistischen Regression entspricht e β Berücksichtigung wichtiger Störgrößen und anderer Einflussgrößen (Adjustierung) bei der Regression sehr wichtig 26
28 Literaturempfehlung Schumacher M, Schulgen G (2008, 3. Auflage): Methodik klinischer Studien, Springer. Kapitel 4.9 Bender R, Ziegler A, Lange S: Logistische Regression - Artikel Nr. 14 der Statistik-Serie in der DMW, Dtsch med Wochenschr 2007, 132(S01):e33- e35 Sistrom CL, Garvan CW: Proportions, Odds, and Risk, Radiology 2004, 230:
After Work Statistics
After Work Statistics Maja Krajewska Institute of Biometry and Clinical Epidemiology maja.krajewska@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
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
MehrAfter Work Statistics
After Work Statistics Konrad Neumann Institute of Biometry and Clinical Epidemiology Konrad.Neumann@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
MehrAfter Work Statistics
After Work Statistics Ulrike Grittner Annette Aigner Institute of Biometry and Clinical Epidemiology ulrike.grittner@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
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
MehrBiometrie. Regressionsmodelle
1 Regressionsmodelle Einflussgrößen Zielgröße (Alter, Geschlecht Blutdruck) Zielgröße entscheidet über das Regressionsmodell stetige Zielgröße lineare Regression binäre Zielgröße logistische Regression
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
MehrAnwendung logistischer und linearer Regressionsmodelle zur Berechnung von adjustierten NNEs und Risikodifferenzen
Workshop der AG Statistische Methoden in der Medizin Magdeburg, 22.11.2007 Anwendung logistischer und linearer Regressionsmodelle zur Berechnung von adjustierten NNEs und Risikodifferenzen Ulrich Gehrmann
MehrLogistische Regression in SAS
Logistische Regression in SAS Oliver Kuß Medizinische Universitätsklinik, Abt. Klinische Sozialmedizin, Bergheimer Str. 58, 69115 Heidelberg, email: okuss@med.uni-heidelberg.de 3. Konferenz für SAS -Anwender
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Überlebenszeitanalyse
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Überlebenszeitanalyse Mit Datensatz Daten_Übung_Überlebenszeitanalyse.sav 1) Zeichnen Sie die Kaplan-Meier-Kurven des progressionsfreien
MehrDeprivation und regionale Unterschiede: Pumpentherapie und Stoffwechseleinstellung
Deprivation und regionale Unterschiede: Pumpentherapie und Stoffwechseleinstellung M. Auzanneau 1, S. Lanzinger 1, B. Bohn 1, J. Rosenbauer 2, W. Maier 3, R. W. Holl 1 1 Universität Ulm Institut für Epidemiologie
MehrLogistische Regression
Logistische Regression Markus Kalisch 30.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2, 4, 5, 6 Klassifikation
MehrMethode des statistischen Testens
1 Methode des statistischen Testens Fragestellung Zielgröße (Impfbeispiel: Impferfolg ja / nein) Alternativhypothese Negation Nullhypothese H 0 Wähle Teststatistik = Zusammenfassung der Studienergebnisse
MehrMethodik klinischer Studien
M. Schumacher G. Schulgen Methodik klinischer Studien Methodische Grundlagen der Planung, Durchführung und Auswertung Zweite, überarbeitete und erweiterte Auflage Sprin ger Inhaltsverzeichnis EINLEITUNG
MehrJahrestagung refonet Methodenseminar Fehlerquellen in Studien Bias und Confounding
Jahrestagung refonet Methodenseminar Fehlerquellen in Studien Bias und Confounding Dr. med. Barbara Hoffmann, MPH Claudia Pieper Was kommt Zufällige Fehler Systematische Fehler Selection bias Measurement
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge Tabellenanalyse: Kreuztabellierung und Kontingenzanalyse Philosophische Fakultät Institut für Soziologie Berufsverläufe und Berufserfolg von Hochschulabsolventen Dozent: Mike Kühne
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrKategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
MehrEin exakter Test für die Meta-Analyse von Studien mit binären Endpunkten. Oliver Kuß, Cora Gromann
Ein exakter Test für die Meta-Analyse von Studien mit binären Endpunkten Oliver Kuß, Cora Gromann Institut für Medizinische Epidemiologie, Biometrie und Informatik, Universität Halle-Wittenberg, Halle
MehrDr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung LogRA. Folie Nr. 1
2.1 Beispiele 2.2 Odds Ratio 2.3 Modell der logistischen Regression 2.3.1 Modellgleichung 2.3.2 Voraussetzungen 2.4 Schätzungen, Tests und Modellgüte 2.4.1 Schätzung der logistischen Regressionskoeffizienten
MehrÜberlebenszeitanalyse. Tempus neminem manet
Überlebenszeitanalyse Tempus neminem manet Remissionsdauer bei Leukämie Die Wirksamkeit des Medikaments 6-Mercaptopurin (6-MP) wurde in einer placebokontrollierten Studie an 42 Kindern mit akuter Leukämie
MehrDer Gefoulte soll niemals selber schießen Empirische Untersuchung einer alten deutschen Fußballerweisheit
Der Gefoulte soll niemals selber schießen Empirische Untersuchung einer alten deutschen Fußballerweisheit Kuß O 1, Kluttig A 1, Stoll O 2 1 Institut für Medizinische Epidemiologie, Biometrie und Informatik,
MehrProzessoptimierung mit statistischen Verfahren
Prozessoptimierung mit statistischen Verfahren Eine anwendungsorientierte Einführung mit destra und Minitab Bearbeitet von Lorenz Braun, Claus Morgenstern, Michael Radeck 1. Auflage 010. Buch. IX, 354
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
Mehr2-Stichprobentest für Anteilswerte
-Stichrobentest für Anteilswerte Wir betrachten den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π, π ) Ziel: Auf der Basis von Stichrobenerhebungen
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir analysieren den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π, π ) Ziel: Auf der Basis von Stichprobenerhebungen
MehrBiometrie und Statistik
DEGRO: Refresher Biometrie und Statistik Universitätsklinik und Poliklinik für Strahlentherapie, Institut für Med. Epidemiologie, Biometrie und Informatik Martin-Luther-Universität Halle-Wittenberg Inhalt
MehrAfter Work Statistics
After Work Statistics Dr. Jochen Kruppa Institute of Biometry and Clinical Epidemiology jochen.kruppa@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
MehrBiometrisches Tutorial III
Biometrisches Tutorial III Fallzahlplanung Studienplanung Modellbildung Multiples Testproblem EBM Evidenzgrade eojvrepvj ZKS Kiel Das Zentrum für klinische Studien Kiel Ziel: Unterstützung (wissenschaftsinitiierter)
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrAssoziationsstudien. Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation
Assoziationsstudien Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Inhalt Ziele von Assoziationsstudien Design von Assoziationsstudien Statistische Analysemethoden
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrEin SAS -Makro zur Schätzung des Stereotype Regressionsmodells
Ein SAS -Makro zur Schätzung des Stereotye Regressionsmodells Oliver Kuß Abt. Klinische Sozialmedizin, Universitätsklinikum Heidelberg, Bergheimer Str. 58, 69115 Heidelberg Oliver_Kuss@med.uni-heidelberg.de
MehrEpidemiologie und Statistik für Fortgeschrittene
Epidemiologie und Statistik für Fortgeschrittene Im kommenden Wintersemester bietet das Institut für Public Health den Kurs Epidemiologie und Statistik für Fortgeschrittene an. Der Kurs kann als ergänzende
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
MehrZur Statistik im neuen Genehmigungsantrag
Zur Statistik im neuen Genehmigungsantrag 21. Essener Informationstreffen, 12. März 2014 PD Dr. Nicole Heussen nheussen@ukaachen.de Institut für Medizinische Statistik RWTH Aachen Zur Statistik im neuen
MehrLogistische Regression
Logistische Regression Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Logistische Regression Beispiel 1: Herzerkrankungsdaten aus Framingham Log Odds Modell Beispiel 1: Einfluss von Blutdruck Maximum
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir betrachten den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π 1, π ) Ziel: Auf der Basis von Stichprobenerhebungen
MehrVerknüpfung von Unfall- und Mobilitätsdaten bei Analysen zur Verkehrs- und Fahrzeugsicherheit
Verknüpfung von Unfall- und Mobilitätsdaten bei Analysen zur Verkehrs- und Fahrzeugsicherheit Prof. Dr. Heinz Hautzinger Institut für angewandte Verkehrs- und Tourismusforschung e.v. (IVT) Heilbronn Mannheim
MehrAnalyse kategorieller Daten
Analyse kategorieller Daten x Tafel: In der Medizin ist der Vergleich zweier relativer Häufigkeiten wichtig. Es ist neue Operationstechnik entwickelt worden: Bei der Standardoperationsmethode stellte sich
MehrVon Kernkraftwerken zu Space Shuttles
Statistische Methoden in Forschung und Alltag Johannes Hain Lehrstuhl für Mathematik VIII Statistik Universität Würzburg 01.03.2011 Das erwartet einen Mathematik-Studenten auf der Uni... ... oder das hier:
MehrGlossar und Formelsammlung. Hazard Rate. Hazard Ratio =
Glossar und Formelsammlung Hazard Rate Die Hazard Rate steht für das Risiko, genau zum Zeitpunkt t ein Ereignis bei Überlebenszeitanalysen den Tod zu erleiden. Es handelt sich demnach um eine vom Zeitpunkt
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrKategorielle Daten. Seminar für Statistik Markus Kalisch
Kategorielle Daten Markus Kalisch 1 Phase 3 Studie: Wirksamer als Placebo? Medikament Placebo Total Geheilt 15 9 24 Nicht geheilt 10 11 21 Total 25 20 45 Grundfrage: Sind Heilung und Medikamentengabe unabhängig?
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrDeskriptive Statistik
Helge Toutenburg Christian Heumann Deskriptive Statistik Eine Einführung in Methoden und Anwendungen mit R und SPSS Siebte, aktualisierte und erweiterte Auflage Mit Beiträgen von Michael Schomaker 4ü Springer
MehrHbA1c-Vergleiche in DPV. J. Rosenbauer DPV-Anwendertreffen 2016
HbA1c-Vergleiche in DPV J. Rosenbauer DPV-Anwendertreffen 2016 HbA1c: Benchmarking, multizentrische Studien Ursachen von Verzerrungen bei HbA1c-Bestimmung Blutabnahmebedingungen Labormethode Labor Patientenkollektiv
Mehrdes Gemeinsamen Bundesausschusses über die Veröffentlichung des Modells zur Risikoadjustierung gemäß 7 Absatz 2 Satz 3 der Anlage 4 QFR-RL
Beschluss des Gemeinsamen Bundesausschusses über die Veröffentlichung des Modells zur Risikoadjustierung gemäß 7 Absatz 2 Satz 3 der Anlage 4 QFR-RL Vom 22. November 2018 Der Gemeinsame Bundesausschuss
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
MehrTabakkonsum von Jugendlichen: Zur Bedeutung der sozialen Herkunft und der Schulbildung
Bundesinstitut im Geschäftsbereich des Bundesministeriums für Gesundheit Tabakkonsum von Jugendlichen: Zur Bedeutung der sozialen Herkunft und der Schulbildung Benjamin Kuntz, Thomas Lampert Abteilung
MehrTumoren im Kindesalter in der Umgebung deutscher Kernkraftwerke Die KiKK-Studie. T. Jung Bundesamt für Strahlenschutz
Tumoren im Kindesalter in der Umgebung deutscher Kernkraftwerke Die KiKK-Studie T. Jung Bundesamt für Strahlenschutz Der Abschlussbericht online verfügbar auf der BfS-Homepage, einschließlich Zusatzinformationen
MehrUsing Structural Equations techniques for modeling the complex of risk factors for breast cancer
Abstract ID: 381; Thema: C05. Krebsepidemiologie, GMDS Mannheim 2010 Jan F. Kersten, Karl Wegscheider, Jenny Chang-Claude, Judith Heinz, Dieter Flesch-Janys Using Structural Equations techniques for modeling
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 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrÜbungen zu Public Health und Gesundheitsökonomie
Springer-Lehrbuch Übungen zu Public Health und Gesundheitsökonomie Bearbeitet von Anne Prenzler, Johann-Matthias Graf von der Schulenburg, Jan Zeidler 1. Auflage 2010. Taschenbuch. xiv, 117 S. Paperback
MehrAuswirkungen der Ernährung auf die Vorbeugung und Behandlung von Dekubitalulzera
Aus dem Institut für Gesundheits- und Pflegewissenschaft an der Medizinische Fakultät der Martin-Luther-Universität Halle-Wittenberg (Direktor: Prof. Dr. Johann Behrens) Auswirkungen der Ernährung auf
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
MehrBiometrisches Tutorial II
Biometrisches Tutorial II Montag 16-18 Uhr Sitzung 2 30.04.2018 Dr. Christoph Borzikowsky Biometrisches Tutorial II 1. ZKS Kiel Zentrum für klinische Studien Kiel 2. Statistisches Testen 3. Modellbildung
MehrBiometrisches Tutorial II
Biometrisches Tutorial II Statistisches Testen Modellbildung Effektmaße Multiples Testproblem EBM Evidenzgrade eojvrepvj Das Zentrum für klinische Studien Kiel Ziel: Unterstützung (wissenschaftsinitiierter)
MehrWas sagen uns Odds Ratio oder Risk Ratio in medizinischen Studien?
Was sagen uns Odds Ratio oder Risk Ratio in medizinischen Studien? Peggy Seehafer Anthropologin & Hebamme Hamburg 2012 Statistik in der Medizin ist nicht dazu geeignet ursächliche Zusammenhänge herauszufinden
MehrLernziele Intensivblock I2 Advanced! Epidemiologie und Gesundheitsversorgung. Advanced! I2. Tag 4 Tag 5 Tag 6
Lernziele Intensivblock I2 Advanced! Epidemiologie und Gesundheitsversorgung Stand: März 2017 Advanced! I2 Tag 4 Tag 5 Tag 6 Med. Informatik Elekt. Dokumentation & Informationssysteme Risiko & Prognose
MehrÜbung 5 im Fach "Biometrie / Q1" Thema: Wilcoxon, Chi-Quadrat, multiples Testen
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrBiometrische und Ökonometrische Methoden I! Lösungen 6
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 6 1. a) MTB > Read "H:\STUDENT\MINITAB\CNP.DAT"
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
MehrBerichtsplan zum Bericht Entwicklung und Anwendung von Modellen zur Berechnung von Schwellenwerten bei Mindestmengen für die Koronarchirurgie
Berichtsplan zum Bericht Entwicklung und Anwendung von Modellen zur Berechnung von Schwellenwerten bei Mindestmengen für die Koronarchirurgie [Auftrag B05/01b] Version 1.0 Stand: 05.09.2005 Thema: Auftraggeber:
MehrAuswertungen in der Qualitätssicherung
Auswertungen in der Qualitätssicherung Anwendertreffen Qualitätssicherung Anästhesie Landesärztekammer Baden-Württemberg, Stuttgart, 01.04.2004 Arbeitsgruppe Qualitätssicherung Anästhesie Priv.-Doz. Dr.
Mehr19 Punkte. Aufgabe 1. Einkommen niedrig mittel hoch Männer Frauen Geschlecht. a) Bestimmen Sie die fehlenden Werte!
Aufgabe 1 19 Punkte Sie haben die Einkommensdaten von 369 Personen gegeben. Diese wurden in die Gehaltsgruppen niedrige, mittlere und hohe Einkommensklassen kategorisiert - jeweils nach Frauen und Männer
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 (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrDIPLOMARBEIT HOCHSCHULE MITTWEIDA (FH) UNIVERSITY OF APPLIED SCIENCES
Nicklisch, Susanne Potenziale der Datentransformation für die Strukturanpassung bei Odds-Ratio-Analysen eingereicht als DIPLOMARBEIT an der HOCHSCHULE MITTWEIDA (FH) UNIVERSITY OF APPLIED SCIENCES Fachbereich
MehrLogistische Regression
Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie 29.04.206 Universität Hamburg Dirk Enzmann (Hamburg) Logistische Regression UHH, 29.04.206 /
MehrErgebnisse des Berliner Herzinfarktregister (BHIR) Birga Maier, Heinz Theres, Steffen Behrens, Holger Kuckuck, Walter Thimme
Unterschiede in der Umsetzung einer leitliniengerechten Therapie und in der Krankenhausletalität bei Patienten und Patientinnen mit einem akuten Herzinfarkt Ergebnisse des Berliner Herzinfarktregister
MehrPRAXISORIENTIERTE EINFÜHRUNG
GRUNDLAGEN DER STATISTIK PRAXISORIENTIERTE EINFÜHRUNG Rainer Gaupp Leiter Qualität & Prozesse 1 INHALTE DER EINFÜHRUNG Theoretische Grundlagen: Natur vs. Sozialwissenschaft. Skalentypen. Streu- und Lagemasse.
MehrTHEMA: ZUSAMMENHANGSANALYSEN FÜR KATEGORIALE VARIABLEN " TORSTEN SCHOLZ
W THEMA: ZUSAMMENHANGSANALYSEN FÜR KATEGORIALE VARIABLEN " TORSTEN SCHOLZ HERZLICH WILLKOMMEN BEI W Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education Consultant Training Dr. Torsten Scholz
MehrVorwort... v. Danksagung... vii. 1 Einführung Besonderheiten epidemiologischer Methoden... 1
Inhalt Vorwort... v Danksagung... vii 1 Einführung... 1 1.1 Besonderheiten epidemiologischer Methoden... 1 1.2 Anwendungsgebiete epidemiologischer Forschung... 5 1.3 Überblick über den weiteren Inhalt...
MehrLogistische Regression
Logistische Regression 13.11.2017 Motivation Regressionsrechnung: Untersuchung des Zusammenhangs zwischen einer (oder mehreren) Zielvariablen und einer oder mehreren erklärenden Variablen. Bisher gesehen:
MehrZusammenhangsanalyse in Kontingenztabellen
Zusammenhangsanalyse in Kontingenztabellen Bisher: Tabellarische / graphische Präsentation Jetzt: Maßzahlen für Stärke des Zusammenhangs zwischen X und Y. Chancen und relative Chancen Zunächst 2 2 - Kontingenztafel
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver
Mehr5. Übung Zusammenhänge zweier Merkmale
Querschnittsbereich 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik - Übungsmaterial - Erstellt von Mitarbeitern des IMISE und des ZKS Leipzig. Übung Zusammenhänge zweier Merkmale
MehrBundesweite Onkologische Qualitätskonferenz - Kolorektales Karzinom-
Bundesweite Onkologische Qualitätskonferenz - Kolorektales Karzinom- S. Benz, M. Gerken, M. Klinkhammer-Schalke Klink f. Allgemein-, Viszeral und Kinderchirurgie Böblingen-Sindelfingen Tumorzentrum Regensburg
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
MehrInhalt. I Aufgaben 1. 2 Statistische Methoden Lage- und Streuungsmaße Kindersegen MorbusCrohn 15
I Aufgaben 1 1 Maßzahlen aus der Epidemiologie 3 1.1 Prävalenz und Inzidenz 3 1.1.1 Krebs 3 1.1.2 Diabetes mellitus Typ II 3 1.1.3 Krankheit XY 4 1.1.4 Gebärmutterhalskrebs 4 1.1.5 Osteoporosebedingte
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
MehrEin Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen
Ein Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen Alexander Siemer Abteilung Medizinische Statistik Universität Göttingen 47. Biometrisches Kolloquium
MehrVO Biostatistik im WS 2006/2007
VO Biostatistik im WS 2006/2007 1 Beispiel 1: Herzerkrankungsdaten aus Framingham für skoeffizienten : Leukemie-Daten 2 Beispiel 1: Herzerkrankungsdaten aus Framingham Stichprobe: 1329 männliche Bewohner
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Mehr