Zur Statistik im neuen Genehmigungsantrag
|
|
- Friederike Franke
- vor 8 Jahren
- Abrufe
Transkript
1 Zur Statistik im neuen Genehmigungsantrag 21. Essener Informationstreffen, 12. März 2014 PD Dr. Nicole Heussen Institut für Medizinische Statistik RWTH Aachen
2 Zur Statistik im neuen Genehmigungsantrag
3 Beispiel Genehmigungsantrag goettingen.de/de/media/stab_tierschutz/muster_fuer_einen_tierversuchsantrag.pdf Wissenschaftliche Fragestellung
4 Beispiel Genehmigungsantrag goettingen.de/de/media/stab_tierschutz/muster_fuer_einen_tierversuchsantrag.pdf Gesamtzahl Dropout Rate? Anzahl der Gruppen, Behandlungen Aufteilung? Bezeichnung
5 Beispiel Genehmigungsantrag goettingen.de/de/media/stab_tierschutz/muster_fuer_einen_tierversuchsantrag.pdf biometrische Argumente für die vorgesehene Anzahl der Tiere Mittelwerte, Standardabweichungen, Zuteilungsverhältnis, Quellen? Primärer Zielparameter Einheit, Zeitpunkt?
6 Beispiel Genehmigungsantrag goettingen.de/de/media/stab_tierschutz/muster_fuer_einen_tierversuchsantrag.pdf statistisches Modell Design, statistische Hypothesen? Signifikanzniveau global, adjustiert? Power = 80% Unterschied zwischen welchen Gruppen, Mittelwerte? Effekt
7 Beispiel Genehmigungsantrag goettingen.de/de/media/stab_tierschutz/muster_fuer_einen_tierversuchsantrag.pdf statistisches Modell Design, statistische Hypothesen? Signifikanzniveau global, adjustiert? Power = 80% Unterschied zwischen welchen Gruppen, Mittelwerte? Effekt aber:
8 Effekt nach Cohen Ausgehend von der Annahme, dass das mittlere Uterusgewicht bei Kontrollen 0.12g beträgt und eine Steigerung um 50% erwartet wird, führt dies auf ein erwartetes mittleres Gewicht in einer Behandlungsgruppe (welcher?) von 0.18g. für 4 geplante Vergleiche Effekt d=0.5 nach Cohen relevanter Unterschied 50%
9 benötigte Tierzahl (je Gruppe, zweiseitiges Signifikanzniveau 5%, Power 80%) z 2 z 2 1 /2 1 kontinuierlicher Zielparameter: N binärer Zielparameter: van Belle G. Statistical Rules of Thumb. Wiley, N 2 ( ) 1 2
10 Beispiel Genehmigungsantrag Tiere (40 zuzüglich einer Dropout Rate von 20%) Gruppe Kontrolle Estradiol DaidzeinD1 DaidzeinD2 DaidzeinD3 Anzahl* Ratten *gerundete optimale Aufteilung nach Dunnett
11 Beispiel Genehmigungsantrag BasierendaufdenDatenvonVorversuchen[Literatur]istbeiKontrolltieren3MonatenachOvarektomievoneinem mittleren Uterusgewicht von 0.12g mit einer Standardabweichung von 0.03g auszugehen. Über die zu erwartenden Werten in den Behandlungsgruppen liegen keine Informationen vor. Als relevanter Effekt wird eine Zunahme des Uterusgewichts bei behandelten Tieren von mindestens 50% angesehen. Eine Steigerung von 50% führt auf ein erwartetes mittleres Uterusgewicht von 0.18g. Die Abschätzung der notwendigen Anzahl von Tieren erfolgt auf Grund fehlender weiterer Informationen auf der Basis eines unverbundenen, zweiseitigen t Test zum Signifikanzniveau und einer Power von 80%. in Gramm [g], 3 Monate nach Fütterung + Hypothesen Blockfaktoren, Kovariablen Aufteilung, Randomisierung
12 Beispiel Genehmigungsantrag Die Analyse basiert auf einer einfaktoriellen Varianzanalyse (ANOVA) mit der Zielvariablen Uterusgewicht und dem Faktor Behandlung (Kontrolle, Estradiol, DiazielD1 D3). Die Vergleich der 4 Behandlungsgruppen zur Kontrollgruppe erfolgt mit Hilfe der Dunnett Prozedur. Globale Signifikanzniveau: =5%. Das Signifikanzniveau der Einzelvergleiche wird durch die Dunnett Prozedur kontrolliert. Der geschätzte Mittelwert des Uterusgewichts in der Kontrollgruppe beträgt 0.12g. Eine Erhöhung um 50% ist relevant, weil Die Standardabweichung des Uterusgewichts der Kontrollgruppe beträgt 0.03g. In den Behandlungsgruppe wird eine Standardabweichung in ähnlicher Größenordnung erwartet.
13 Ausblick Arbeitsgruppe Biometrie im Antrag kommentierte Beispielanträge standardisiertes statistisches Gutachten Checkliste für die Begutachtung
14 Checkliste Biometrisches Gutachten Aspekt Spezifikation Signifikanzniveau Festlegung des Signifikanzniveaus, üblicherweise 5% (ein vs. zweiseitig) Power Festlegung der Power, üblicherweise 80% Hauptfragestellung Zielparameter (Definition) Zielparameter (Messskala) Behandlungsfaktoren Vergleichsgruppen Vergleichszeitpunkt statistische Hypothese Spezifikation der Fragestellung Spezifikation des Parameters zur Beantwortung der Hauptfragestellung Spezifikation der möglichen Ausprägungen des Zielparameters und Charakterisierung der Messskala als nominal, ordinal oder metrisch Spezifikation der Behandlungen Spezifikation und Anzahl der zu vergleichenden Gruppen Zeitpunkt(e) der geplanten Vergleiche Formulierung der statistischen Hypothese im Einklang mit der Hauptfragestellung, Charakterisierung als Überlegenheits, Äquivalenzoder Nicht Unterlegenheitsnachweis
15 Checkliste Biometrisches Gutachten Design Untersuchungseinheit Blockfaktoren Matchingfaktoren Kovariablen Balancierung Interim Analysen statistisches Modell Charakterisierung als Complete Randomized Design, Block Design, Factorial Design, Crossover Design, Repeated Measures Design,... Einheit, der (zufällig) eine von mehreren Behandlungen zugewiesen wird Spezifikation (z.b. Käfig, Mausstamm) einschließlich der möglichen Ausprägungen Spezifikation (z.b. Alter, Geschlecht) einschließlich der möglichen Ausprägungen Spezifikation (z.b. Ausgangsgewicht) einschließlich der möglichen Ausprägungen Zuteilungsverhältnis: 1:1 oder 1:2 Randomisierung bzw. Zuteilung Gruppensequentielle Designs, Adaptive Designs, Anzahl der Zwischenauswertungen und Zeitpunkte z.b. T Test, Chi Quadrat Test, log Rank Test, ANOVA Modell, multiple Testprozeduren, Annahmen bzgl. des Tests zur Prüfung der Hypothese, etc.
16 Checkliste Biometrisches Gutachten Effektmaß Dropout Raten Software Stichprobenumfang je Gruppe Gesamtstichprobenumfang Annahmen über die Größenordnung des Effektmaßes unter Angabe der Quelle, z.b. Ergebnisse aus Vorversuchen, Literatur, etc. geschätzte Dropout Rate und Annahmen über den Dropout Mechanismus verwendete Software zur Berechnung der benötigten Anzahl von Versuchstieren, z.b. ADDPLAN, nquery, SAS,... Anzahl vorgesehener Tiere für jede Gruppe innerhalb des Versuchs Gesamtzahl aller Tiere, die in dem beantragten Versuch benötigt werden unter Berücksichtigung aller Gruppen und Zeitpunkte
17 noch Fragen? 21. Essener Informationstreffen, 12. März 2014 PD Dr. Nicole Heussen Institut für Medizinische Statistik RWTH Aachen
Biometrie im neuen Antragsverfahren
8. Fortbildungsveranstaltung der GV-SOLAS für Tierschutzbeauftragte und Behördenvertreter Warum biometrische Planung? Einfachste Antwort: Weil es im Genehmigungsantrag so vorgesehen ist. 2 Warum biometrische
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
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
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
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
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
MehrSTATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG
STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem
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
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
MehrInhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16
Vorwort 1 1. Kapitel: Der Stellenwert der Statistik für die sozialwissenschaflliche Forschung 1 1. Zur Logik (sozial-)wissenschaftlicher Forschung 1 1. Alltagswissen und wissenschaftliches Wissen 1 2.
MehrABCD Konfidenzintervalle und Tests für ordinale Daten in Multi-Centre-Studien bei vorliegenden Baselinewerten
Konfidenzintervalle und Tests für ordinale Daten in Multi-Centre-Studien bei vorliegenden Baselinewerten Alexander Siemer Boehringer Ingelheim Pharma KG Statistische Methoden in der Diagnostik Berlin,.-..00
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
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori Berechnen der Effektgröße f aus empirischen Daten und Bestimmung
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Anmerkung 1 Mann-Whitney U-Test 1 Wilcoxon-Test 3 Kruskal-Wallis H-Test 3 Literatur 6 Anmerkung In Kapitel 8 der Bücher wird erwähnt, dass für nichtparametrische Daten
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Arbeitsblatt SPSS Kapitel 8 Seite Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon aus, dass Sie die Datei elporiginal.sav geöffnet haben.
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrAfter 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
MehrUniv.-Prof. Dr. Georg Wydra Methoden der Physiotherapie II Elemente einer empirischen Arbeit
Univ.-Prof. Dr. Georg Wydra Methoden der Physiotherapie II Elemente einer empirischen Arbeit Prof. Dr. Georg Wydra Sportwissenschaftliches Institut der Universität des Saarlandes 1 Elemente einer empirischen
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
MehrTest auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)
Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
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
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
MehrHypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
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)
MehrKapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 6-6) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrStatistik III. Einfaktorielle Varianzanalyse (ANOVA), Regressionsanalyse und Verfahren bei Messwiederholung mit SPSS.
Statistik III Einfaktorielle Varianzanalyse (ANOVA), Regressionsanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse
MehrStichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
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
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
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
MehrSeminar: Statistische Planung und Auswertung randomisierter kontrollierter klinischer Studien
Seminar: Statistische Planung und Auswertung randomisierter kontrollierter klinischer Studien Prof. Dr. Anne-Laure Boulesteix Dr. Mathias Fuchs, M.Sc. Roman Hornung, M.Sc. M.Sc. Silke Janitza Institut
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
Mehr10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
MehrHypothesenbasierende Untersuchungen. Hypothesenbasierende Untersuchungen
Hypothesenbasierende Untersuchungen Hypothesenbasierende Untersuchungen Unterschiedshypothesen Zusammenhangshypothesen Veränderungshypothesen Äquivalenzhypothesen PD Dr. Sven Reese, LMU München 1 Definition:
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
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 =
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
MehrStatistische Matching-Verfahren
Statistische Matching-Verfahren Erste Statistik-Tage 2012 Bamberg Fürth 26./27. Juli 2012 in Bamberg Prof. Dr. Susanne Rässler Lehrstuhl für Statistik und Ökonometrie in den Sozial- und Wirtschaftswissenschaften
MehrPROC NPAR1WAY. zum Durchführen des U-Tests für zwei unverbundene Stichproben (für quantitative nicht-normalverteilte Merkmale)
PROC NPAR1WAY zum Durchführen des U-Tests für zwei unverbundene Stichproben (für quantitative nicht-normalverteilte Merkmale) Allgemeine Form: PROC NPAR1WAY DATA=name Optionen ; VAR variablenliste ; CLASS
MehrAfter Work Statistics
After Work Statistics Robert Röhle Institute of Biometry and Clinical Epidemiology robert.roehle@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie und klinische Epidemiologie
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:
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrBiometrische Planung von Versuchsvorhaben
Biometrische Planung von Versuchsvorhaben Einführung in das Prinzip der Lehrstuhl für Mathematik VIII Statistik http://statistik.mathematik.uni-wuerzburg.de/~hain Ziel des Vortrags Im nachfolgenden Vortrag
Mehr5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrEinführung in die Statistik
Elmar Klemm Einführung in die Statistik Für die Sozialwissenschaften Westdeutscher Verlag INHALTSVERZEICHNIS 1. Einleitung und Begrifflichkeiten 11 1.1 Grundgesamtheit, Stichprobe 12 1.2 Untersuchungseinheit,
MehrÜberlebenszeit- und Rezidivanalysen
Institut für Medizinische Biometrie Überlebenszeit- und Rezidivanalysen Dr. Christoph Meisner Gliederung 1. Ergebnisqualität in der Onkologie: u.a. Analyse der kumulierten Inzidenz von Ereignissen im Zeitverlauf
MehrAufgaben zur Varianzanalyse
Aufgaben zur Varianzanalyse 1. Eine Firma möchte eine von fünf verschieden Maschinen kaufen: A, B, C, D oder E. Zur Entscheidungsfindung werden die Maschinen nach folgendem Experiment getestet: Es werden
MehrVarianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
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.
MehrSoftware oder Tabellen (nicht Thema dieser Veranstaltung).
p-wert p-wert Der p-wert ist die Wahrscheinlichkeit, dass die Testgröße den beobachteten Wert oder einen noch extremeren Wert (,,weiter weg von H 0 ) annimmt unter der Bedingung, dass H 0 wahr ist. Bemerkungen
MehrInhaltsverzeichnis DESKRIPTIVE STATISTIK. 1 Grundlagen Grundbegriffe Skalen... 15
Inhaltsverzeichnis 1 Grundlagen... 13 1.1 Grundbegriffe...13 1.2 Skalen... 15 DESKRIPTIVE STATISTIK 2 Eindimensionale Häufigkeitsverteilungen...16 2.1 Häufigkeiten... 16 2.1.1 Grundbegriffe... 16 2.1.2
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
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.
MehrStichwortverzeichnis. E Extrapolation, außerhalb des Datenbereichs 230
335 Stichwortverzeichnis A Abweichung 12 mittlere 13 Additivität 141 Anova siehe Varianzanalyse Anpassungsgüte 252, 279 χ 2 -Test zur 270 279 mehr als zwei Klassen 272 274 Anpassungstest (χ 2 ) 270 278
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
MehrBiostatistik. 4y Springer. Wolfgang Köhler Gabriel Schachtel Peter Voleske. Vierte, aktualisierte und erweiterte Auflage
Wolfgang Köhler Gabriel Schachtel Peter Voleske Biostatistik Vierte, aktualisierte und erweiterte Auflage Mit 65 Abbildungen und 50 Tabellen 4y Springer Einleitung 1 Kapitel I: Merkmalsauswahl 5 1 Wahl
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
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...
Mehr1 GRUNDLAGEN Grundbegriffe Skalen...15
Inhaltsverzeichnis 1 GRUNDLAGEN...13 1.1 Grundbegriffe...13 1.2 Skalen...15 DESKRIPTIVE STATISTIK 2 EINDIMENSIONALE HÄUFIGKEITSVERTEILUNGEN...16 2.1 Häufigkeiten...16 2.1.1 Grundbegriffe...16 2.1.2 Klassieren
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
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
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
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
MehrUnsystematische Störvariablen
wirken auf AV, variieren aber nicht mit UV haben keinen Einfluss auf Unterschiede zwischen den Bedingungen Unsystematische Störvariablen (Eid, Gollwitzer & Schmitt, 2010, S. 56f) Es gibt individuelle Unterschiede
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
MehrBremer Institut für Präventionsforschung und Sozialmedizin Biometrie im Antrag: Biometrische Planung von Tierversuchen
Biometrie im Antrag: Biometrische Planung von Tierversuchen Iris Pigeot 2. Fortbildungsveranstaltung der GV-SOLAS für Tierschutzbeauftragte Berlin, 27. Mai 2009 Überblick 1. Das Studienprotokoll 2. Das
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
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
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
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
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
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
MehrZusammenhangsanalyse mit SPSS. Messung der Intensität und/oder der Richtung des Zusammenhangs zwischen 2 oder mehr Variablen
- nominal, ordinal, metrisch In SPSS: - Einfache -> Mittelwerte vergleichen -> Einfaktorielle - Mehrfaktorielle -> Allgemeines lineares Modell -> Univariat In SPSS: -> Nichtparametrische Tests -> K unabhängige
MehrBiometrische und Ökonometrische Methoden II Lösungen 2
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 2 1. a) Zunächst wird die Tafel
MehrBemerkungen zu statistischen Tests
Bemerkungen zu statistischen Tests Einseitige vs. zweiseitige Tests Die Entscheidung für eine einseitige oder zweiseitige Alternative hängt von der Fragestellung ab. Eine einseitige Alternative ist dann
MehrStatistik für Naturwissenschaftler
Hans Walser Statistik für Naturwissenschaftler Haupt Verlag Bern Stuttgart Wien Inhaltsverzeichnis Vorwort 13 1 Beschreibende Statistik 15 1.1 Mittelwerte 15 1.1.1 Minimum der Abstände 15 1.1.2 Der Mediän
MehrSigmaStat Nina Becker, Christoph. Rothenwöhrer. Copyright 2004 Systat Software, Inc.
SigmaStat 3.11 Copyright 2004 Systat Software, Inc. http://www.systat.com Nina Becker, Christoph Rothenwöhrer Die Aufgabe der Statistik ist die Zusammenfassung von Daten, deren Darstellung, Analyse und
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
Mehr1 EINLEITUNG Allgemeines Kapitelübersicht Gebrauch dieses Buches Verwenden zusätzlicher Literatur...
Inhaltsverzeichnis 1 EINLEITUNG... 1 1.1 Allgemeines... 1 1.2 Kapitelübersicht... 2 1.3 Gebrauch dieses Buches... 3 1.4 Verwenden zusätzlicher Literatur... 4 DESKRIPTIVE STATISTIK 2 GRUNDLAGEN... 5 2.1
MehrProjektskizze: Studie/ Auswertung/ Publikation
Projektskizze: Studie/ Auswertung/ Publikation Name: PD Dr. Dr. Robert Bals, CAPNetz C11 Datum: 30. 8. 2007 Institution(en)/Autor(en): Klinikum der Universität Marburg Klinik für Innere Medizin mit Schwerpunkt
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrAntrag auf biometrische und datentechnische Unterstützung von medizinischen Forschungsprojekten
Antrag auf biometrische und datentechnische Unterstützung von medizinischen Forschungsprojekten Angaben zur Person Anrede Frau Titel Professor Herr Doktor Name Vorname Email Telefon Klinik-/Institutsbezeichnung
MehrMittelwertvergleiche, Teil II: Varianzanalyse
FB 1 W. Ludwig-Mayerhofer Statistik II 1 Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil II: FB 1 W. Ludwig-Mayerhofer Statistik II 2 : Wichtigste Eigenschaften Anwendbar auch bei mehr als
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
Mehr