Lehreinheit Quantitative Forschung II - Zertifikatskurs Wissenschaft und Forschung. Aisha Boettch er

Lehreinheit Quantitative Forschung II Zertifikatskurs Wissenschaft und Forschung Aisha Boettch er14.8.2014 Was braucht es um den Nutzen einer Studi...
Author: Johann Pfeiffer
4 downloads 4 Views 1MB Size
Lehreinheit Quantitative Forschung II Zertifikatskurs Wissenschaft und Forschung

Aisha Boettch er14.8.2014

Was braucht es um den Nutzen einer Studie zu bewerten?

Einleitung

• Identifikation der statistischen Verfahren • Verfahren adäquat für Hypothese und Daten? • Verständnis der statistischen Ergebnisse • Interpretation angemessen? • Klinische Signifikanz beurteilen (Burns & Grove 2005)

Einleitung

Wie verhalte ich mich wenn bei n=12.537 und CI von 95% die statistische Signifikanz für den MW=1,3 (0,5 – 5,7) mit p > 0,06 angegeben ist???

Einleitung

Möglichkeit A: Ich renne schreiend weg! Möglichkeit B: Ich rufe den Arzt meines Vertrauens an! Möglichkeit C: Ich rufe den Nerd meines Vertrauens an! Möglichkeit D: Ich wähle Mathe ab und lese von nun an nur noch philosophische Texte!

• Bewertung von Stichproben • Bewertung von Daten • Bewertung statistischer Analysen Experiment

• Studien verstehen

Aufbau



Begriffserklärung Repräsentativität Rekrutierung Möglichkeiten Einfluss der Stichprobengröße auf die Analyse

Stichproben

• • • • •

Bewertung von Stichproben I Begriffserklärung

• Populationsbasiert  alle relevanten Personen (z.b. Vereinsmitglieder)

• Stichprobe  Begrenzter Teil der Population

• Repräsentative Stichprobe  Stichprobe welche die Population hinsichtlich relevanter Merkmale repräsentiert

• Randomisierung/Zufallsauswahl  Methode zur Ziehung einer repräsentativen Stichprobe

Bewertung von Stichproben II Repräsentativität

• Welche Merkmale werden gemessen/untersucht? • Vergleichbar im Hinblick auf…(Burns, Grove 2005) • • • • • •

Alter Geschlecht und/oder Gender Ethnische Zugehörigkeit Einkommen Ausbildung Gesundheitsstatus

• Rekrutierung  Selektions-Bias

Bewertung von Stichproben III Möglichkeiten

• Confounder • •

Bekannt oder unbekannt Einer oder mehrere

• Restriktion  Bei bekannten Einflussfaktoren (Confounder) kann die Studienteilnahme von dessen Ausprägung abhängig gemacht werden (Reintjes, Popp 2009)

• Matching  Für Fallpersonen werden Kontrollpersonen mit in einem oder mehreren identischen Merkmalen ausgewählt (Reintjes, Popp 2009)

Bewertung von Stichproben IV Einfluss auf die Analyse

• Große Stichproben erzeugen leichter Signifikanzen  Siehe auch weitere Analyseverfahren

• Bei kleinen Stichproben werden die Streuungsmaße schnell beeinflusst Siehe auch Deskriptive Analyse

• Stichproben unter 30 sind nicht für jede Analyse geeignet • N  Gesamtstichprobe, n  alle in dieser Analyse

Datenakquise Aufbereitung Quantifizierung Sekundärdaten Datenniveau •

Nominal-Daten, Ordinal-Daten, Skala

Daten

• • • • •

Bewertung von Daten I Datenakquise

• Umstände der Datensammlung • Individualdaten  Parameter einzelner Personen, z.B. Größe in cm • Aggregatdaten  Zusammengefasste Daten, z.B. Durchschnittsgröße einer Gruppe Basketballspieler

• Sekundärdaten

Bewertung von Daten II Aufbereitung

• • • • •

Eingabe in den PC Quantifizierung von qualitativen Daten Extremwerte Fehlende Werte und der Umgang damit Anpassung/Adjustment

Bewertung von Daten III Datenniveau

• Nominal  Gleichwertige Charakteristik, z.B. Haarfarbe

• Ordinal  Nicht gleichwertig, in Ränken oder anderen Ordnungen, z.B. allg. Zustand

• Diskrete Skala  Nur ganze Zahlen, z.B. Anzahl von Kindern

• Kontinuierliche Skala  Auch Zwischenwerte, z.B. Gewicht

Bewertung von Daten III Datenniveau

Def.= eine Variable ist ganz allgemein ein „veränderliches“ Merkmal (Micheel 2010, 24)

Unabhängige Variable= Einflussgröße, erklärt die abhängige Variable bzw. bestimmt diese; sprich beeinflusst eine Situation, einen Zustand oder ein Verhalten

Abhängige Variable= Zielgröße

Bsp. Hypothese - Variable

Unabhängige Variable Hüftprotektoren

Unabhängige Variable Dehnen vor oder nach dem Sport

Hypothese Der Einsatz von Hüftprotektoren senkt die Anzahl sturzbedingter Oberschenkelhalsfrakturen bei älteren Menschen

Hypothese Dehnen vor oder nach dem Sport vermeidet Muskelkater

Abhängige Variable Sturzbedingte Oberschenkelhalsfraktur

Abhängige Variable Muskelkater

Bewertung von Daten III Datenniveau

Variable

QUANTITÄT

KATEGORIE

Nominal

Binär

Geordnet

Diskret

Ordinal

Ränke

kontinuierlich

„Ich traue keiner Statistik, die ich nicht selbst gefälscht habe.“

Zitat

verm. Winston Churchill (1874-1965)

• Fazit

Statistische Analysen

• Begriffserklärung • Streuungsmaße • Outcomemaße Wahrscheinlichkeitsmaße • Signifikanz

Bewertung statistischer Analysen I Begriffserklärung •

Deskriptive/Beschreibende Analyse  Beschreibt die Stichprobe im Hinblick auf ihre Merkmale, siehe auch Streuungsmaße (%, MW, Gesamtzahlen)



Analyse von Beziehungen  Prüft Zusammenhänge spezieller Merkmale, einseitig oder wechselseitig? (Korrelationen, Assoziationen)



Analyse von Voraussagen  Prüft den Einfluss von Faktoren auf die Outcome-Merkmale (Regressionen)



Analyse von Kausalitäten  Prüft kausale Effekte, signifikante Unterschiede zwischen Gruppen (Signifikanzen, RCT)

Bewertung statistischer Analysen I Begriffserklärung • Korrelation • • •

T-Test Pearsons Chi-Quadrat Fishers exakter Test

• ANOVA • •

Bivariat Multivariat

• Regression • • •

Logistisch Ordinäre Multilevel

Bewertung statistischer Analysen II Streuungsmaße • Mittelwert (MW, M)  Summe aller Werte durch Anzahl der Werte  Bei Skalen anwendbar und abhängig von Extremwerten

• Median (Med, M)  Mittlere Position der Werte  Repräsentiert den Durchschnitt

• Modus (Mod, M)  Der meistvorhandene Wert

• Standardabweichung (SD)

 durchschnittliche Differenz zum Mittelwert • Range / Streuung (x - y)

Bewertung statistischer Analysen II Streuungsmaße

Modus

Median

Bewertung statistischer Analysen II Streuungsmaße

• Normalverteilung  Mathematische Voraussetzung der meisten gängigen Analysen

Bewertung statistischer Analysen III Outcomemaße • •

Deskriptive Maße (MW, %) Absolutes Risiko (AR)  Risiko einer Erkrankung



Relatives Risiko (RR)  Risiko/Wahrscheinlichkeit einer Erkrankung im Bezug auf einen bestimmten Faktor



Odds Ratio / Chancen- /Quotenverhältnis (OR)  Quote des Risikofaktors bei Erkrankung



Korrelationskoeffizient (r)  Effektstärke der Korrelation, bzw. Stärke des Zusammenhangs



X2 (Chi-Quadrat, exakter Test nach Fisher, Mantel-Haenszel)  Abhängigkeitsparameter

Tauschen Sie das Aufgeschriebene mit Ihren Nachbarn zu beiden Seiten aus und notieren Sie anschließend Ihre dringlichste Frage zum Thema.

Experiment

Bitte notieren Sie die folgenden Dinge zum Thema Signifikanz: • Was ist Signifikanz? • Welche Aussagekraft hat sie? • Welche Emotionen verbinden Sie mit dem Signifikanzbegriff?

Bewertung statistischer Analysen IV Wahrscheinlichkeitsmaße

• Wahrscheinlichkeitstheorie • H0 Hypothese wird getestet • Konfidenzintervall KI/CI  Bereich in dem der Wert vermutet wird  Auch Vertrauens-/ Erwartungsbereich

• P-Wert / statistische Signifikanz

CI 95%

Bewertung statistischer Analysen V Signifikanz

• Fischers Tee-Experiment (1935) • Einseitige oder zweiseitige Hypothesen • Statistische Signifikanz  p < 0,05 bzw. p < 0,01

• Klinische Signifikanz  Relevanz der Ergebnisse in der klinischen Realität

Experiment II

Alle Klarheiten beseitigt???

Bewertung statistischer Analysen VI Fehler Imagination von Schokolade führt nicht zu verändertem Konsum

Imagination von Schokolade führt zu verändertem Konsum

Imagination von Schokolade führt nicht zu verändertem Konsum

Korrekte Entscheidung

Typ II Fehler

Imagination von Schokolade führt zu verändertem Konsum

Typ I Fehler (α-Fehler)

Realität Stichprobe

Wir sehen den Effekt nicht

Wir haben den Effekt kreiert

Korrekte Entscheidung

• Die Stichprobe und deren Beschreibung sind essentiell zur Bewertung von Studien • Eine gute, bzw. transparente Datenqualität ist die Voraussetzung guter Ergebnisse

• Zitat Churchill  Es geht nicht darum Fälschungen aufzudecken, wohl aber darum was und was nicht beschrieben wurde und warum dies so geschehen ist (Limitationen/Diskussion?)

Fazit I

• Statistisch signifikante Ergebnisse deuten nicht zwingend auf eine klinische Signifikanz hin

Alle Klarheiten beseitigt???

Fazit I

Literatur Baarda DB, de Goede MPM. Basisboek Methoden en Technieken – Handleiding voor het opzetten van onderzoek. Groningen: Stenfert Kroese; 2001. Burns N, Grove S. Pflegeforschung verstehen und anwenden. München: Elsevier; 2005. Fields A. Discovering statistics using IBM SPSS Statistics. London: Sage Publications; 2013. Kvas E. Basics in Statistik - Teil 1: Kennzahlen der Epidemiologie – Relatives Risiko und Chancenverhältnis (= Odds Ratio). Austrian Journal of Cardiology. 12 (7-8), 186-187. Reintjes R, Popp J. Methoden für den ÖGD: Strategie zur Auswertung epidemiologischer Fall-Kontroll-Studien. Gesundheitswesen. 2009; 71: 313-322.

Suggest Documents