När kan man para statistik

You have to refer to this web page if you use this data elsewhere. Exactly how you refer to this page depends on your situation (or the journal you are submitting to). An example might be:
Ronny Gunnarsson.

"Att välja statistisk metod" [on ]. Available on: resultat was retrieved October 28,

Rekommenderad läsning före denna webbsida

Vad ni får ut från för att läsa denna webbsida

Introduktion mot statistik Observationer samt variabler Signifikansnivå Korrelation samt regression

Denna webbsida berättar ifall olika statistiska metoder samt när man är kapabel använda dem. för att läsa denna sidan (några gånger) kommer för att ge dig enstaka förståelse från dem omröstning man måste göra samt hur man väljer statistisk teknik. ni kommer sannolikt behärska välja statistisk teknik för ditt eget plan när ni studerat detta enstaka stund. Glöm ej för att först gå igenom lästipsen liksom ger dig enstaka bas för för att förstå denna sidan.

Statistikens fågelperspektiv

Statistik består från två huvuddelar; beskrivande statistik samt analytisk statistik. Beskrivande statistik försöker förklara observationerna, vanligen genom för att ange en centralmått samt en spridningsmått.

Analytisk statistik försöker dra slutsatser från observationerna.

Denna webbsida handlar angående omröstning från statistisk teknik för den analytiska statistiken. Figuren visar en fågelperspektiv över analytisk statistik såsom besitter två huvudinriktningar:

• Gruppjämförelser (en team mot en fixt värde, matchade alternativt omatchade grupper) tillsammans ingen alternativt begränsad justering för andra faktorer.
• Sambandsanalys.

  Den görs ständigt inom ett enda samling (även angående detta skenbart förmå titta ut likt flera grupper).

Parametriska alternativt icke-parametriska metoder?

Statistiska metoder vilket används inom analytisk statistik kunna delas upp inom parametriska respektive icke-parametriska metoder. Så när ni är tydlig tillsammans med den beskrivande statistiken är detta dags för att bestämma ifall den analytiska statistiken skall använda parametriska alternativt icke-parametriska metoder (följ länken samt läs mer ifall detta innan ni läser vidare här).

Parametriska test kallas dem test likt äger vissa lite hårdare krav framför allt på hur mätvärdena skall artikel fördelade.

detta första samt viktigaste kravet är för att variablerna skall mätas tillsammans intervallskala. Dessutom kräver dem för att variabeln skall artikel normalfördelad.

Statistiska parametriska test är en typ av statistisk analys som används för att testa hypoteser om populationens medelvärde och varians

Dessutom krävs angående man jämför två alternativt fler grupper för att variansen (spridningen) inom dem olika grupperna är ungefär lika massiv. angående din variabel mäts tillsammans intervallskalan bör ni undersöka angående dina mätvärden möter villkoren för för att få använda parametriska tester.

Grundregeln är för att använda parametriska metoder ifall dina observationer möter villkoren för detta.

inom annat fall använd icke-parametriska metoder. Parametriska metoder är lite känsligare samt besitter större chans för att hitta vad ni letar efter.

Till exempel när vi jämför olika grupper i en urvalsundersökning

detta är vanligt för att man inom enstaka samt identisk lärande utvärderar vissa variabler tillsammans med parametriska metoder samt andra variabler tillsammans med icke-parametriska.

Gruppjämförelse alternativt samvariationsanalys?

Det kunna bevisas för att göra enstaka lätt  gruppjämförelse alternativt för att utvärdera identisk sak tillsammans “samvariation tillsammans med multifaktoriella modeller” (vanligen tillsammans någon sorts regressionsanalys) ger identisk effekt.

detta är faktiskt så för att dem flesta gruppjämförelser är egentligen bara en specialfall från samvariation tillsammans med multifaktoriella modeller. agerar detta då någon roll ifall jag använder statistiska metoder för gruppjämförelse alternativt samvariation tillsammans multifaktoriella modeller?

Ja detta gör det!

Det är ganska vanligt för att detta finns störande faktorer likt påverkar resultatet nära enstaka gruppjämförelse. modell på sådana störande faktorer förmå artikel kön, ålder, för att existera rökare, för att äga sockersjuka, etc. ifall ni använder gruppjämförelse önskar ni antagligen göra sub-analys från olika undergrupper för för att titta hur dem påverkar resultatet.

Detta medför några allvarliga problem:

• Du måste antagligen göra flera separata gruppjämförelser vilket då leder mot flera p-värden (ett för varenda gång ni gör ett gruppjämförelse). Låt oss liksom modell anta för att ni besitter tre variabler där ni förmå utvärdera skillnad mellan grupperna.

  Låt oss anta för att dessa utfallsvariabler är minskning inom dödlighet, minskning inom andelen patienter såsom får hjärtinfarkt samt slutligen minskning inom kolesterolnivå inom blodet. Detta medför då tre olika p-värden (om oss använder p-värden för för att visa på skillnad mellan grupperna) när oss utvärderar skillnad mellan våra två grupper, en p-värde för varenda utfallsvariabel.

  angående oss dessutom önskar göra undersökning från undergrupper för kön, ålder (över alternativt beneath 65 år), angående patienten äger sockersjuka samt ifall dem är rökare behöver oss räkna fram 3*2*2*2*2=48 p-värden.
  Att räkna fram många p-värden kräver justering från signifikansnivån på bas från multipel testning.

  tillsammans många undergrupper blir detta snabbt så för att justeringen från signifikansnivån blir så massiv för att detta blir många svårt, möjligen omöjligt, för att påvisa ett skillnad mellan grupperna.

• När ni delar upp inom undergrupper blir antalet tillgängliga observationer inom varenda undergrupp många mindre samt detta ökar risken för för att dina statistiska analyser äger för litet antal observationer för för att uppnå enstaka rimlig statistisk styrka.

Alternativet mot för att göra gruppjämförelser är för att använda samvariation tillsammans med multifaktoriella modeller.

ni förmå då ta tillsammans varenda relevanta variabler inom enstaka enda statistisk körning såsom omfattar samtliga observationer. ni gör då enstaka separat granskning för fanns samt enstaka från utfallsvariablerna (utfallsvariablerna kallas inom den beräkningen beroende variabel). samtliga andra variabler såsom kön, ålder, sockersjuka samt rökning samt grupptillhörighet tas tillsammans med liksom oberoende variabler.

inom ovanstående modell innebär detta framräknande från 3*(1+1+1+1+1)=15 mått (såsom p-värden alternativt odds ratio, etc) på vad liksom betyder något inom gruppjämförelsen. Storleken på justeringen från signifikansnivån såsom ni måste göra för för att producera 15 mått (exempelvis p-värden) är många mindre jämfört tillsammans med ifall ni räknar fram 48 mått.

Slutsatsen är för att använd lätt gruppjämförelse tillsammans ingen justering för andra faktorer angående ni ej äger något behov från för att justera för andra faktorer.

Detta inträffar bara inom väl genomförda randomiserade kontrollerade studier. inom samtliga andra situationer (och även ibland när ni besitter gjort ett randomiserad kontrollerad studie) så är detta många bättre för att göra gruppjämförelse genom för att analysera samvariation tillsammans med multifaktoriella modeller.

detta är speciellt viktigt när man jämför grupper genom historiskt insamlade information, så kallade retrospektiva studier (exempelvis journalgranskningar såsom görs inom efterhand) där störande faktorer ständigt finns.

Viktiga aspekter för att beakta inom olika situationer

Randomiserade kontrollerade studier (RCT)

Huvudsyftet tillsammans med randomisering mot olika grupper är för att minska risken för systematiska felkällor.

Huvudsyftet tillsammans med randomisering är ej för att producera grupper såsom är lika, även angående randomisering oftast äger den önskade bieffekten. detta är viktigt för att förstå för att enstaka skillnad mellan grupper är kapabel uppstå även angående individerna fördelas slumpmässigt (randomiseras) mot dem olika grupperna.

angående ett skillnad mellan grupperna uppstår är kapabel man överväga för att justera för detta genom för att göra gruppjämförelsen tillsammans samvariation tillsammans med multifaktoriella modeller. angående ni använder samvariation tillsammans multifaktoriella modeller låter ni grupptillhörighet existera ett från dem oberoende variablerna medan dem variabler där grupperna skiljer sig åt inom baseline (första mätningen) också tas tillsammans vilket oberoende variabler.

Dikotoma tester för screening alternativt diagnostik

Normalt behövs enstaka “Gold standard” (=referensmetod) för för att utvärdera en nytt test tillsammans sensitivitet, specificitet, likelihood ratio alternativt prediktiva värden.

Gold standard är ett tillåten referensmetod likt förhoppningsvis också ger en god mått på detta sanna värdet vilket skall mätas.

Det är vanligt för att detta test oss önskar utvärdera mäter något liksom ej nödvändigtvis innebär för att individen är sjuk. Exempelvis kunna man bära bakterier dock ett sjukdom förmå bero på något annat, exempelvis en virus.

oss måste alltså förstå för att inom vissa fall är detta enstaka skillnad mellan för att påvisa enstaka bakterie samt för att försöka bevisa för att personen är sjuk från just den bakterien. Titta gärna på denna föredrag liksom försöker exemplifiera detta:

Nedan ser ni ett alternativt flera bilder.

för att klicka på enstaka foto tar dig mot YouTube där videon spelas upp. ni förmå läsa mer ifall detta på vår blad angående .

För varenda test vilket skall utvärderas bör man diskutera vad är detta egentligen likt gold standard påvisar, är detta närvaro från ett markör alternativt närvaro från ett sjukdom.

Antag för att oss önskar jämföra en nytt väldigt god test tillsammans ett etablerad referensmetod (som oss utnämner mot gold standard).

angående detta nya testet är bättre än vårt referenstest kommer detta nya testet för att felaktigt verka likt dåligt. Skälet är för att varenda gång detta nya testet samt referensmetoden ej stämmer överens klassas detta vilket en fel hos detta nya testet fast detta inom verkligheten möjligen är tvärtom.

Kom alltså ihåg för att ständigt ifrågasätta angående referensmetoden verkligen är lika god alternativt bättre än detta test man önskar utvärdera.

Sensitivitet samt specificitet talar angående hälsotillståndet hos detta test ni önskar utvärdera, något likt är många intressant för dem liksom utvecklar samt tillverkar tester.

Prediktiva värden informerar ifall hälsotillståndet hos patienten samt detta är många mer intressant för sjukvårdspersonal.

Fall-kontroll alternativt kohortstudier

Detta görs ibland vilket eftergranskning från patientjournaler samt man önskar känna till angående en sätt för att handlägga patienter är bättre alternativt sämre än en annat sätt.

Låt oss diskutera en exempel: nära operation från njurstenar används antingen öppen kirurgi, titthålskirurgi alternativt stötvågsbehandling (det finns fler metoder dock för diskussionens skull håller oss oss mot dessa tre). Någon äger fått inom övning för att titta på hur detta besitter gått för patienter såsom opererades på detta en alternativt andra sättet .

Detta är ej ett randomiserad kontrollerad undersökning samt detta är huvudproblemet. Konsekvensen inom detta modell är för att oss jämför tre grupper från patienter likt ej är jämförbara. Skillnader inom effekt är kapabel många väl bero på skillnader mellan grupperna istället för skillnader inom effekten från dem olika behandlingarna.

Eftergranskning från journaler alternativt databaser vilket innehåller data angående patienter används ibland inom syftet för att jämföra olika behandlingar.

detta är viktigt samt anlända ihåg för att detta då nästan ständigt finns störande faktorer vilket man bör ta hänsyn mot genom för att göra gruppjämförelser tillsammans med samvariation tillsammans med multifaktoriella modeller. ett specialvariant från sistnämnda är “propensity score matching“.

Samvariation tillsammans med multifaktoriella modeller

Det är vanligt för att man önskar förutsäga risken för för att något skall hända.

detta förmå exempelvis handla angående förändrad livskvalitet, för att enstaka sjukdom skall uppstå alternativt bli försämrad alternativt ifall död. ni gör då enstaka körning från ett statistisk teknik för varenda utfallsvariabel ni besitter (kallas ofta beroende variabel). ni undersöker då hur en antal oberoende variabler korrelerar mot din utfallsvariabel.

ifall din utfallsvariabel är dikotom (typ 0/1, alternativt sjuk / frisk) önskar ni antagligen använda logistisk regression. ifall din utfallsvariabel är tidsperiod mot något (exempelvis försämring/förbättring alternativt död) önskar ni antagligen använda Cox regression.

Att använda samvariation tillsammans multifaktoriella modeller är en utmärkt alternativ mot för att göra fall-kontroll studier.

Grupptillhörighet blir då ett från flera oberoende variabler. Tolkningen från samband blir för att detta finns ett “samvariation” snarare än orsak-verkan. Sistnämnda kräver ofta randomiserade kontrollerade studier för för att fastställas.

Specifika råd för för att välja statistisk metod

Samvariation

Samvariation analyseras nästan ständigt tillsammans med någon struktur från regressionsanalys.

inom regressionsanalyser talar man angående beroende samt oberoende variabler. Man letar efter hur massiv sektion från variationen inom den beroende variabeln liksom förklaras från variationer inom dem oberoende variablerna. inom dem flesta regressionsanalyser äger man ett enda beroende variabel liksom undersöks tillsammans tillsammans enstaka alternativt flera oberoende variabler.

Exempel: Du har skickat en enkät till samma kundgrupp två gånger, en gång i april och en andra gång i maj efter att de sett en annons för ert företag

detta är vanligt för att man undersöker vad såsom samvarierar tillsammans med flera beroende variabler dock då undersöker man nästan ständigt ett beroende variabel inom taget.

Det finns väldigt komplicerade statistiska analyser liksom samtidigt utvärderar vilket vilket samvarierar tillsammans med flera beroende variabler.

Man är kapabel också analysera vad likt samvarierar tillsammans med ett virtuell beroende variabel (en tänkt beroende variabel liksom man tror finns dock liksom ej direkt går för att mäta).

Samvariation tillsammans med ett beroende variabel

Samvariation utan för att bygga multifaktoriella modeller

Här handlar detta ifall för att titta hur två variabler (en beroende samt ett oberoende) samvarierar.

När detta bara är två variabler brukar man sällan prata angående vilken liksom är beroende respektive oberoende variabel. Så fort detta är mer än två variabler inblandade blir detta multifaktoriella modeller.

Klicka för för att rulla ner samt titta vilka statistiska test likt är lämpliga

Samvariation tillsammans multifaktoriella modeller

Här äger oss mer än två variabler. Man utnämner då ständigt enstaka från dem mot beroende variabel samt dem övriga kallas då oberoende variabler.

Klicka för för att rulla ner samt titta vilka statistiska test liksom är lämpliga

Samvariation tillsammans flera beroende variabler

Detta är sofistikerad statistik.

modell är faktoranalys alternativt multivariat probit analys.

Samvariation tillsammans virtuell beroende variabel

Detta är sofistikerad statistik.

Med ett parat t-test får du veta om genomsnittet har förändrats mellan det första och andra enkättillfället

modell är faktoranalys

Gruppjämförelser (ej justering för andra faktorer)

Något mätvärde jämförs mellan grupperna. Detta mätvärde äger olika namn såsom: resultatvariabel, utfallsvariabel, utfallsmått alternativt beroende variabel. Grupptillhörighet samt andra variabler man ibland önskar justera för kallas oberoende variabler.

1. Fastställ hur många variabler (faktorer) används för för att indela deltagarna/observationerna inom grupper:
   -Noll-faktor design: Inga variabler används för gruppindelning.

   ett enda team jämförs då tillsammans en fastställt målvärde. Alternativt görs ett före-efter-jämförelse inom ett enda grupp.
   -En-faktor design: Här används ett variabel (faktor) för för att indela observationer/deltagare inom grupper. Oftast indelas observationerna/deltagarna inom två grupper (men detta förmå existera fler).

   Detta är den vanligaste gruppjämförelsen.
   -Två-faktor design: angående två faktorer (exempelvis olika behandlingar likt enstaka faktor samt olika timing/initierande från behandling likt ett ytterligare faktor) används för för att indela observationer/deltagare inom grupper. ifall varenda faktor liksom indelar observationerna/deltagarna inom grupper ägde två alternativ vardera skulle oss få ett två-faktor design tillsammans fyra grupper.

   detta skulle kvar existera ett två-faktor design angående varenda faktor vilket kopplas mot gruppindelning ägde tre alternativ vardera dock då skulle oss få enstaka två-faktor design tillsammans nio grupper.
   -N-factor design: detta finns studier där man besitter fler än två faktorer likt styr gruppindelning.

   Dessa studier är komplicerade samt därför många ovanliga.

2. Om ni besitter åtminstone två grupper (åtminstone ett en-faktor design) så klarlägg ifall grupperna är matchade alternativt omatchade.
3. Klarlägg vilka mätskalor liksom är lämplig för dina variabler.

   Detta påverkar valet från statistisk metod.

4. Om intervall- alternativt kvotskalan används för enstaka sektion variabler är dessa observationer normalfördelade? ifall svaret är ja förmå ni använda parametriska statistiska metoder, annars får ni välja icke-parametriska metoder..
5. Om nominalskalan används för resultatvariabeln besitter resultatvariabeln bara två alternativ (dikotom variabel) alternativt finns fler alternativ?

Gruppjämförelse – Nollfaktordesign (Zero factor design)

Klicka för för att rulla ner samt titta vilka statistiska test såsom är lämpliga

Gruppjämförelser – Enfaktordesign

Gruppjämförelse – Enfaktordesign 2 omatchade grupper

Klicka för för att rulla ner samt titta vilka statistiska test liksom är lämpliga

Gruppjämförelse – Enfaktordesign 2 matchade grupper

Klicka för för att rulla ner samt titta vilka statistiska test likt är lämpliga

Gruppjämförelse – Enfaktordesign >2 omatchade grupper

Klicka för för att rulla ner samt titta vilka statistiska test likt är lämpliga

Gruppjämförelse – Enfaktordesign >2 matchade grupper

Klicka för för att rulla ner samt titta vilka statistiska test vilket är lämpliga

Gruppjämförelse – Tvåfaktordesign

Gruppjämförelse – tvåfaktordesign omatchade grupper

Klicka för för att rulla ner samt titta vilka statistiska test vilket är lämpliga

Gruppjämförelse – tvåfaktordesign matchade grupper

(Du hamnar sannolikt inte någonsin inom denna situationen. ifall ni gör detta konsultera statistiker.)

Utvärdera likhet

Typexemplet är för att man önskar utvärdera tester liksom används för screening alternativt diagnostik.

Klicka för för att rulla ner samt titta vilka statistiska test vilket är lämpliga

Referenser

You have to refer to this web page if you use this kunskap elsewhere.

Exactly how you refer to this page depends on your situation (or the journal you are submitting to). An example might be:
Ronny Gunnarsson. "Att välja statistisk metod" [on ]. Available on: kunskap was retrieved October 28,