Porbefragen Planung und Interpretation statistischer Analysen

1. selection bias: Differenz im untersuchten Parameter zwischen SP Sample und Zielpopulation -> die Untersuchungsgruppen sind nicht vergleichbar und beinhalten (systematische) Unterschiede , betrifft die SP Ziehung, Nicht-Teilnahem und Drop Out

2. mesurement bias: empirischer/ wahrer Wert weicht vom gemessenem Wert ab, mglw. aufgrund von schlechtem Messintrument (nicht valide/reliabel genug) -> Differenz zwi. wahren und gemessenem Wert (hohe Residuen); Recall Bias, Reporting Bias

3. confounding bias: gemeinsame Ursache führt zu Scheinzusammenhang, obwohl es ihn in echt nicht gibt -> Verzerrung des Zusammenhangs; häufig veruscht durch Kontrollvariablen zu reduzieren , auch Probleme, zb Conditioning on a colider

um den Confounding Bias zu erhöhen, müsste man nach der:

1. instrumental VAriable kontrollieren (Ursache für UV, geht UV voraus) -> kontrolliert man nach dieser Variable, kann es sein, dass mögliche Confounder stärkeren Einfluss haben

2. intermediate Variable: kontrolliert man nach dieser Variable, blockiert man ja den Zusammenhang/ die Assoziation zwischen UV und AV , sie ist die Variable auf dem kausalen Pfad

3. collider Variable: eine gemeinsame Ursache aus 2 Variablen (also aus UV udn AV zb). Kontrolliert man (nur) den Collider, macht man möglicherweise neue Pfade auf und es kann zu Scheinzusammenhängen führen

mögliche weitere Probleme:

• Multikollinearität der UVs bzw vieler Variablen die kovariieren

• man könnte den Bias erhöhren, wenn man zb auch ganz viele Variablen kontrolliert und wenn die Variablen untereinander hoch korreliert sind

Empfehlungen, um Confounding bias gering zu halten:

• alle Kovariaten a priori festlegen

• so wenig Kontrollvariablen wie möglich und so unkorreliert wie möglich

• nur nach backdoor criterion kontrollieren, das reicht !

Mediator:

Confounder: (gemeinsame Ursache)

Collider:

durch die Randomisierung der UV hebe ich den Confounder Einfluss auf die UV komplett auf, der Confounder hat somit nur noch Einfluss auf die AV und ist somit kein Confounder mehr, da keien gemeinsame Ursache für AV und UV

Achtung: p ist die bedingte Wahrscheinlichkeit der Daten (einer bestimmten Teststatistik) unter der Bedingung, dass die Nullhypothese zutrifft/ wahr ist.

• das bedeutet, dass ein kleiner p-Wert uns sagt, dass unsere Daten (Ergebnisse) relativ ungewöhlich sind, wenn alle Annahmen (auch Nullhypothese) zutreffen, Nullhypothese ist NUR eine dieser Annahmen

• ein p-Wert von p= .238 ist vermutlich größer als alpha (wenn zb alpha=0.05)

• Dieser p-Wert gibt an, dass unsere Daten unter der Annahme der Nullhypothese (zb es zeigt sich kein Effekt) relativ gewöhnlich sind

  -> Die bedingte Wahrscheinlichkeit der Daten spricht gegen eine Ablehnung der Nullhypothese

weitere Gründe:

• Nullhypthese trifft zu

• großer Zufallsfehler

• Studienprotokoll wurde verletzt

• Annahmen des stat. Modells stimmen nicht

• VErfahren messen nicht das, was sie messen sollen

• Forschungsergebnisse werden in genau 2 Zustände eingeteilt: Dichotomisierung

• Abhängigkeit vom Signifikanzniveau

• fehlende Kontextualisierung

• -> keine praktische BEdeutung des Effekts

• fehlende Evidenz für Nullhypothese

• unnötige Komplexitätsreduktion

• Erschweren der Vergleichbarkeit von Forshcungsergebnissen

• sehr unrobust gegenüber kleine MEthodik Verändeurngen oder kleinen SP o. Datenausreißer

Warum ist KI besser:

• keine Dichotomisierung von Forschungsergebnisse: man erhält ein breiteres “Intervall”-> Forschungsergebnisse werden nicht in nur 2 Zustände eingeteilt

• mehr praktische Relevanz

• Kontextualisierung möglich

• auf einen Schlag Infos über interessierenden Schätzwer und dessen Zuverlässigkeit

• relativ robust gegenüber MEthodik-Verändeurngen und Datenausreißer

• exakte Verfahren: Fishers exact test, exakte Regression

• Bootstrapping

• Bayes Statistik

• Verletzungen der Normalverteilung

• Verletzungen der Gleichheit von Varianzen

• Verletzungen linerarer , additiver Zusammenhänge

—> führen zu geringer Power , Verzerrungen von p - Werten

• Ausreißer (in Verteilunen und Assoziationen)

• mögliche Lösung: robuste Standardfehler/KI

• Schätzung mittels Huber White Sandwich Matrix

• nicht geeignet bei kleinen SP

• breitere KI: wenn Modellannahmen stimmen, dann Konventionelle Methode verwenden

• Transformieren der AV, zum Beispiel Logarithmieren

• alternativ: generelaisierte linerare Modelle mit anderen Verteilungsannahmen , zb Gamma Regression

• non-parametrische Regression verwenden

  • (Anders als bei parametrischen Regressionstechniken wie der linearen Regression, bei der eine bestimmte funktionale Form angenommen wird (z.B. eine lineare Beziehung zwischen den Variablen), lässt eine nichtparametrische Regression die Form der Beziehung offen und passt sich flexibler an die Daten an.)

1) Ausreißer in Verteilungen (in einer Variable, z.B. Trinkmenge):

• Bereinigung nach inhaltlichen Gesichtspunkten (PLAUSIBILITÄT)-> für viele Variablen gut möglich!

2) Ausreißer in Assoziationen (zwischen 2 oder mehreren Variablen):

• einz. Beobachtungen mit großen Residuen

• Verzerrung von Assoziationen als Folge

• mögliche Lösung: robuste Regression (nicht zu verwechseln mit robusen Standardfehler, wie bei Gleichverteilung der Residuen!)

  • gewichtet Ausreißer hinsichtlich des Zusammenhangs herunter

JEDER AUSREIßER SOLLTE INHALTLICH HINTERFRAGT WERDEN

Erklärung: Wenn ich ein nicht-randomisertes Experiment durchführe, da ich z.B. aus ethischen Gründen keine Randomiserung in 2 versch. Versuchsgruppen machen kann, kann ich das Propensity Score Matching anwenden

• Der PS ist die bedingte (vorhergesagte) Wahrscheinlichkeit, eine best. Behandlung/Inervention zu erhalten aufgrund bestimmter MErkmale (background characteristics der Versuchsperson)

• beim PSM werden also nicht von den Forschenden die Gruppen randomisert eingeteilt, sondern z.B. aufgrund von Beobachtungen zugeteilt (manche VPn bekommen die Behandlungen, andere nicht)

• die Forscher berechnen für jeden TNM den PS, also wie wahrscheinlich es ist, dass er eine best. behandlung erhält, aufgrund seiner best. Merkmale (in der EG)

• nach der BErechnung suchen die Forscher PAt. aus der KG (die also nicht die Behandlung bekommen) die ähnliche PS haben wie die aus der EG und matchen ähnliche Paare (Nearest Neighbor Matching) (->Sie versuchen also, Patienten zu finden, die in Bezug auf ihre Eigenschaften wie Alter, Geschlecht, Krankengeschichte usw. ähnlich sind, aber unterschiedliche /andere/ keine Behandlungen erhalten haben (das wäre die beobachtete KG)

• Nachdem die Pat./PBN gematcht wurden,. vergleichen die Forscher die gematchten Paare hinsichtlich des zu unetrsuchenden Effekts (z.B. könnte das Herzleistung sein oder ähnliches)

• —> Hat die Behandlung tatsächlichen Effekt auf die Herzleistung?

• Durch die Verwendung von Propensity Score Matching versuchen die Forscher sicherzustellen, dass die Patienten in den Behandlungs- und Kontrollgruppen so ähnlich wie möglich sind, damit sie den Effekt des Medikaments genauer untersuchen können