Help! Statistiek! Doorlopende serie laagdrempelige lezingen,

Slides:



Advertisements
Verwante presentaties
Statistische uitspraken over onbekende populatiegemiddelden
Advertisements

KWALITEITSZORG november 2012
Stilstaan bij parkeren Dat houdt ons in beweging
Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde.
Help! Statistiek! Doorlopende serie laagdrempelige lezingen,
Statistiek II Deel 1.
WAAROM? Onderzoek naar het meest geschikte traject voor de verlenging tot in Sint-Niklaas van het bestaande fietspad naast de Stekense Vaart en de Molenbeek.
Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde.
November 2013 Opinieonderzoek Vlaanderen – oktober 2013 Opiniepeiling Vlaanderen uitgevoerd op het iVOXpanel.
Uitgaven aan zorg per financieringsbron / /Hoofdstuk 2 Zorg in perspectief /pagina 1.
College 2 Between-subject en within-subject designs
Global e-Society Complex België - Regio Vlaanderen e-Regio Provincie Limburg Stad Hasselt Percelen.
Sint Jorisschool Examenvoorlichting Studie & Voorbereiding Examen Uitslag Diploma.
Sint Jorisschool Examenvoorlichting Studie & Voorbereiding Examen Uitslag Diploma.
Sint Jorisschool Examenvoorlichting Studie & Voorbereiding Examen Uitslag Diploma.
Ronde (Sport & Spel) Quiz Night !
Natuurlijke Werkloosheid en de Phillipscurve
Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde.
Het vergelijken van twee populatiegemiddelden: Student’s t-toets
Help! Statistiek! Doorlopende serie laagdrempelige lezingen,
Start.
Kb.1 Ik leer op een goede manier optellen en aftrekken
Datastructuren Analyse van Algoritmen en O
© BeSite B.V www.besite.nl Feit: In 2007 is 58% van de organisaties goed vindbaar op internet, terwijl in 2006 slechts 32% goed vindbaar.
© GfK 2012 | Title of presentation | DD. Month
Nooit meer onnodig groen? Luuk Misdom, IT&T
BZ voor de Klas 3 juni 2010.
FOD VOLKSGEZONDHEID, VEILIGHEID VAN DE VOEDSELKETEN EN LEEFMILIEU 1 Kwaliteit en Patiëntveiligheid in de Belgische ziekenhuizen anno 2008 Rapportage over.
Elke 7 seconden een nieuw getal
Centrummaten gemiddelde
Chapter 9. Understanding Multivariate Techniques
Gegevensverwerving en verwerking
Oefeningen F-toetsen ANOVA.
Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde.
Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde.
Help! Statistiek! Doel:Informeren over statistiek in klinisch onderzoek. Tijd:Derde woensdag in de maand, uur 16 april : Hoe interpreteren we toetsresultaten?
Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde.
Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde.
Wat levert de tweede pensioenpijler op voor het personeelslid? 1 Enkele simulaties op basis van de weddeschaal B1-B3.
Wie het kleine niet eert ... (quarks, leptonen,….)
Toetsen als Leerinterventie. Samenvatten in het Testing Effect Paradigma. Kim J. H. Dirkx, Liesbeth Kester, Paul A. Kirschner CELSTEC, Open Universiteit.
13 maart 2014 Bodegraven 1. 1Korinthe Want gelijk het lichaam één is en vele leden heeft, en al de leden van het lichaam, hoe vele ook, een lichaam.
Werken aan Intergenerationele Samenwerking en Expertise.
Methodologie & Statistiek I Verband tussen twee variabelen 3.1.
Afrika: Topo nakijken en leren.
2009 Tevredenheidsenquête Resultaten Opleidingsinstellingen.
PLAYBOY Kalender 2006 Dit is wat mannen boeit!.
ribwis1 Toegepaste wiskunde Lesweek 01 – Deel B
ribwis1 Toegepaste wiskunde – Differentieren Lesweek 7
ribWBK11t Toegepaste wiskunde Lesweek 02
Inger Plaisier Marjolein Broese van Groenou Saskia Keuzenkamp
Tweedegraadsfuncties
SAMENWERKING WO EN HBO BIJ AANSLUITINGSONDERZOEK V0-HO Rob Andeweg DAIR 7 en 8 november 2007.
1 Voorlichting keuzes klas 2 Het Hooghuis locatie Centrum Vanaf begin maart: locatie Stadion Frans Christophe, decaan.
Aanleiding onderzoek Ondervoeding sinds 2010 prestatie indicator (PI) voor revalidatiecentra Advies in PI: gebruik de SNAQ om te screenen Vragen van de.
Hoe gaat dit spel te werk?! Klik op het antwoord dat juist is. Klik op de pijl om door te gaan!
ZijActief Koningslust 10 jaar Truusje Trap
ECHT ONGELOOFLIJK. Lees alle getallen. langzaam en rij voor rij
2 januari 2009Nieuwjaarsreceptie "Meule wal straete" 1 Nieuwjaarsreceptie 2 januari 2009 Eerste bijeenkomst van de bewoners van de “Meule wal straete”
17/08/2014 | pag. 1 Fractale en Wavelet Beeldcompressie Les 5.
17/08/2014 | pag. 1 Fractale en Wavelet Beeldcompressie Les 3.
De financiële functie: Integrale bedrijfsanalyse©
1 Zie ook identiteit.pdf willen denkenvoelen 5 Zie ook identiteit.pdf.
1 Week /03/ is gestart in mineur De voorspellingen van alle groten der aarden dat de beurzen zouden stijgen is omgekeerd uitgedraaid.
ZijActief Koningslust
1 DE ADVIEZEN VAN BEURSMAKELAAR BERNARD BUSSCHAERT Week
Transcript van de presentatie:

Help! Statistiek! Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk. Doel: Informeren over statistiek in klinisch onderzoek. Tijd: Derde woensdag in de maand, 12-13 uur 20 februari : Hoe gaan we om met herhaalde metingen? 19 maart : ROC curve en diagnostische nauwkeurigheid 16 april : Hoe moeten we toetsresultaten interpreteren? Sprekers: Vaclav Fidler, Hans Burgerhof, Wendy Post DG Epidemiologie

Herhaalde metingen Wat zijn herhaalde metingen? Waarom zijn de gebruikelijke methoden niet geschikt? Mogelijke benaderingen De random effects modellen Random interceptmodel Waarom moeten we random effects modellen gebruiken?

Herhaalde metingen Subjecten (personen, patiënten, dieren) van één of meer groepen hebben meerdere metingen op één of meer variabelen. Wanneer interessant? Verschillen binnen personen Verschillen tussen personen Probleem: Waarnemingen zijn niet onafhankelijk

Voorbeelden algemeen Voor- en nameting voor 1 groep personen: within design Herhaalde metingen voor 2 verschillende behandelgroepen: within en between design Uitbreiding naar meerdere within-factoren en meerdere between factoren: zoals geslacht en leeftijd en behandeling (between factoren) meerdere momenten door verschillende observers (within factoren)

Voorbeelden algemeen Longitudinale studie: groei-curves Cross-over designs In duplo of meer uitgevoerde lab-bepalingen

Voorbeelden algemeen Multi-level benadering: multicenter clinical trials Patiënten kunnen opgevat worden als herhaalde metingen binnen 1 centrum In meta-analyses: de waarnemingen binnen elke studie zijn de herhaalde waarnemingen Kortom: Geclusterde data kunnen opgevat worden als herhaalde metingen data en andersom.

Voorbeeld 5 subjecten 4 herhaalde metingen Stofwisseling- parameter Subject Dieet voor na maaltijd 1 N 1.47 1.78 O 1.72 2.49 2 N 1.42 1.68 O 1.44 1.87 N 1.10 1.26 O 1.11 1.36 N 0.84 1.11 O 0.90 1.29 N 0.91 1.09 O 1.00 1.25 5 subjecten 4 herhaalde metingen Stofwisseling- parameter 2 factoren: Dieet: N en O Tijd: voor en na

Voorbeeld Drie vragen Is er een dieet effect? Is er een tijdseffect Subject Dieet voor na maaltijd 1 N 1.47 1.78 O 1.72 2.49 2 N 1.42 1.68 O 1.44 1.87 N 1.10 1.26 O 1.11 1.36 N 0.84 1.11 O 0.90 1.29 N 0.91 1.09 O 1.00 1.25 Drie vragen Is er een dieet effect? Is er een tijdseffect Is er een interactie effect?

Voorbeeld

Voorbeeld Is er een dieet effect? Subject Dieet voor na maaltijd 1 N 1.47 1.78 O 1.72 2.49 2 N 1.42 1.68 O 1.44 1.87 N 1.10 1.26 O 1.11 1.36 N 0.84 1.11 O 0.90 1.29 N 0.91 1.09 O 1.00 1.25 Is er een dieet effect? Gepaarde t-test per tijdmoment (of gemiddelde) 5 observaties

Voorbeeld Is er een tijds effect? Gepaarde t-test per dieet Subject Dieet voor na maaltijd 1 N 1.47 1.78 O 1.72 2.49 2 N 1.42 1.68 O 1.44 1.87 N 1.10 1.26 O 1.11 1.36 N 0.84 1.11 O 0.90 1.29 N 0.91 1.09 O 1.00 1.25 Is er een tijds effect? Gepaarde t-test per dieet (of gemiddelde) 5 observaties

Voorbeeld Subject dieet voor achter maaltijd delta 1 N 1.47 1.78 0.31 Is er een interactie effect? Is de verandering over tijd verschillend voor de beide diëten? Varieert het verschil tussen de diëten over de tijd? Gepaarde t-test op delta (verandering)

Voorbeeld Als er slechts 2 herhaalde metingen zijn per factor: gepaarde t-test is een oplossing Maar wat als er meer herhaalde metingen zijn? De afhankelijkheden tussen metingen binnen elk persoon zijn de oorzaak van het feit dat we de technieken moeten gebruiken die rekening houden met deze correlaties!

Mogelijke benaderingen 1. Gebruiken van 1 samengevatte variabele: Verschilscore van na- en voormeting Maximum of minimum Gemiddelde Voordeel simpel: we hebben weer onafhankelijke waarnemingen Nadelen: Informatie wordt weggegooid Bij missende data is er geen goede samenvatting

Mogelijke benaderingen 2. Per herhaalde meting de analyse uitvoeren Voordeel 1. simpel: alleen onafhankelijke waarnemingen Nadelen 1. multiple testing 2. houdt geen rekening met de afhankelijkheidsstructuur

Mogelijke benaderingen RM-ANOVA Uitbreiding van ANOVA/MANOVA met zelfde terminologie Voordelen: Voor mensen die ANOVA-technieken kennen is het een natuurlijke uitbreiding Bekend bij velen als enige manier, omdat tot voor een paar jaar geleden dit de enige manier was om herhaalde metingen in SPSS te analyseren Nadelen Alleen continue responsematen Zeer strenge eisen t.a.v. afhankelijkheidsstructuur van de data (compound symmetry) Kan geen missende gegevens aan

Mogelijke benaderingen 4. Random-effectsmodellen Regressiemodelbenadering met zelfde terminologie Ook wel multilevelmodellen, random parameter modellen of mixed models genoemd Voordelen Standaard in pakketten als SAS, MLwin, S-plus en R, en SPSS (sinds versie 12 werkt mixed models redelijk) Kan missing data aan (MAR) Flexibiliteit in modelleren van afhankelijkheidsstructuur Nadeel: Complexe modellen! Vraagt veel van onderzoeker

Nieuw voorbeeld met 2 factoren: factor tijd (within) factor dieet (between) Onderzoeksprobleem: Vergelijken van 2 verschillende diëten t.a.v. effect op gewicht Experiment: Gerandomiseerde trial 2 diëten A and B; 20 personen Elk persoon wordt elke 3 maanden gewogen Baseline: voor start dieet; laatste meting: 12 maanden na start dieet: in totaal 5 metingen per persoon Na randomisatie: 8 personen krijgen dieet A ; 12 personen dieet B

Nieuw voorbeeld (vervolg): factor tijd en factor dieet Onderzoeksvraag: Welk dieet heeft meer effect op het gewicht? Eigenlijk: Zijn er verschillen tussen de 2 diëten voor wat betreft de veranderingen in gewicht over tijd? Vraag betreft interactie tussen tijd en dieet.

Random effects model Twee niveaus: Niveau 1: (within) Metingen binnen een persoon: veranderingen over de tijd Niveau 2: (between) Metingen tussen personen: verschillen als gevolg van dieet

Nieuw voorbeeld (vervolg): factor tijd en factor dieet

Random effects model: niveau 1 Model voor verandering over tijd gewichtij = 0i + 1itijdj + (eij) i = 1,…, 20 personen; j = 1,…5 tijdmomenten 0i = intercept voor persoon i 1i = helling voor persoon i Elk persoon heeft z’n eigen regressielijn

Random effects model: niveau 1 Model voor verandering over tijd gewichtij = 0i + 1itijdj + (eij) eij = niveau 1 residu: within person fout, meetfout eij ~ N(0,2e)

Random effects model: niveau 2 Model voor verschillen tussen personen Elk persoon heeft eigen intercept en eigen helling We brengen dus de herhaalde metingen terug tot intercept en helling! Zijn er verschillen in intercept en helling? Welke predictoren verklaren die verschillen?

Random effects model: niveau 2 Model voor verschillen tussen personen: Welke predictoren verklaren verschillen in intercept en helling ? 0i = γ00 + γ01*dieeti + u0i 1i = γ10 + γ11*dieeti +u1i γ00 , γ01, γ10 en γ11 : fixed effects 0i , 0i : random effects u0i en u1i : niveau 2 residuen; tussen-persoons fouten

Random effects model samengesteld: beide niveaus samengestelde model gewichtij = γ00 + γ01*dieeti+ γ10*tijdj + γ11*dieeti*tijdj + u0i + u1i*tijdj + eij Resultaat: regressie model met complex residu

Random effects model samengesteld: beide niveaus Residu van samengesteld model u0i + u1i*tijdj + eij Heteroscedasticiteit: ongelijke variantie per tijdsmoment Autocorrelatie: residuen zijn gecorreleerd

Random intercept model niveau 1 en niveau 2 Niveau 1: voor verandering over de tijd gewichtij = 0i + 1itijdj + (eij) (zelfde als hiervoor) Niveau 2: 0i = γ00 + γ01*dieeti + u0i 1i = γ10 + γ11*dieeti helling heeft geen fout Dus alleen random intercept

Random intercept model: het samengestelde model gewichtij = γ00 + γ01*dieeti+ γ10*tijdj + γ11*dieeti*tijdj + u0i + eij Resultaat: regressie model met simpeler residu eij ~ N(0,2e) , u0i ~ N(0,20) Splitst variantie componenten op in variantie tussen personen en variantie binnen personen Intraclass correlatie:  = 20/(2e+ 20)

Random intercept model: Constante variantie en covariantie: Met: Intraclass correlatie:  = 20/(2e+ 20) Dit komt neer op de aanname van compound symmetrie: Is de aanname van RM-ANOVA

Waarom randomeffects modellen gebruiken? De correlatie binnen subjecten kan expliciet worden gemodelleerd. Ingewikkelde designs kunnen worden gemodelleerd Ook voor categoriele responsematen Missende data leveren geen problemen op voor random effects modellen, mits de data Missing At Random zijn (MAR).