• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Kap10 Chance
 

Kap10 Chance

on

  • 1,195 views

kap 10 fletcher chance slump hypotes estimation p-värde p-value

kap 10 fletcher chance slump hypotes estimation p-värde p-value

Statistics

Views

Total Views
1,195
Views on SlideShare
1,193
Embed Views
2

Actions

Likes
0
Downloads
8
Comments
0

1 Embed 2

http://www.slideshare.net 2

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Kap10 Chance Kap10 Chance Presentation Transcript

    • Chance, kap 10 Ludvigsson (från Fletcher)
    • 2 sätt att tackla slumpen • hypotes-testning: p-värde • estimation: uppskatta det sanna värdet
    • Falskt-positiva Falskt-negativa (resultat) Sann skillnad Ja Nej typ 1 fel Slutsats på signifik. korrekt (alfa) basen av typ 2 fel stat. test icke-sign. korrekt (beta)
    • fel att fråga om det är slumpen som kan ha lett till resulaten • inferential statistics: Hur sannolikt är det att slumpen är avgörande för de fynd vi har?
    • P-värde • P-probability; Om det inte finns någon skillnad mellan två grupper. Om vi gjorde om vår studie oändligt många gånger; andelen gånger vi skulle “få en skillnad”.
    • P-värde
    • P-värden: dikotoma eller exakta? • P<0.05 (1 på 20 att man har ett falskt- positivt (alfa) värde) • Godtycklig - arbiträr (gräns) • Vissa omständigheter, acceptera högre p- värden • Vi redovisar exakta värden, “p<0.05” är sällsynt
    • Statistisk och klinisk signifikans...? • Noll-hypotes = ingen skillnad i utfall Fai l to t jec rej Re ect
    • Olika statistiska test ed ed t rv ec se p Ex Chi-2: b O summan av observerade/ förväntade 2
    • Chi-2-test • X2 = summa (observerade - förväntade)2 • Förväntade 55* 7 62 60 7 62 42 6 48 97 13 110 97 13 110 * 97/110 x 62
    • Andra statistiska modeller (multipla variabler) Logist. Cox
    • Typ 2 fel - att en behandling inte fungerar typ 2 - sockerbetor
    • Typ 2 fel - II • Författare inte skicka in negativa studier • Understryka att subgrupper: pos resultat • Understryka varför man inte hittade skillnader Statistisk power = 1- beta (20%), alltså 20% power
    • Punktestimat konfidensintervall • med p-värde vet vi inget om effektens styrka • P-värde 0.04 kan vara OR=1.15 eller OR=75 • Med konfidensintervall: effektens styrka
    • Konfidensintervall 2 • 95% CI = 19 gånger av 20 som man genomför studien ligger punktestimatet inom gränserna för 95% CI • Ger information om statistisk power
    • Konfidensintervall
    • Sample size • Effekt-storlek (fler patienter behövs för att upptäcka små skillnader • Typ 1 fel (alfa) - 5%. Men om man vill vara riktigt säker (farlig behandling till patienter som “ändå kan botas”): välj lägre typ 1 fel • Typ 2 fel (beta) - 20% risk att missa en sann skillnad • Karakteristika hos data - variation inom patienten (ex. blodtryck); antal pos. utfall?
    • Sample size 2 • De flesta sjukdomar vi studerar=kroniska. • Sällan möjligt att md 100 pat i varje “arm” visa på skillnader (fig 10.5) • Statistisk analys efter genomförd studie - behövs inte
    • Equivalence trial 3 dgr amoxi vs. 5 dgr amoxi Viktigt: Kunna hitta små skillnader bias* drar mot noll •cross over •drop out •misklassificering
    • Hitta sällsynta händelser- rare events Post-marketing surveillance, ex. Artis Stora antal patienter...
    • Mutlipla jämförelser fyra utfall, 12 subgrupper 1 2 3 4 5 6 7 8 9 10 11 12 D HF MI AP ...48
    • Subgrupps-analyser • Slumpvis positivt fynd (typ 1 fel) • Missa faktisk skillnad i subgrupper p.g.a. låg power
    • Sekundär-analyser • Kliniskt signifikant skillnad? • Slumpvis fynd? • Antal subgrupper? • P-värdet? • Fanns hypotesen med på förhand? • Många “extra-hypoteser”?