10. Interpretation statistischer Ergebnisse Flashcards
1
Q
Warum führen wir Hypothesentests durch?
A
- Weil nur eine Stichprobe (oder mehrere) untersucht wird (nicht die Grundgesamtheit)
2
Q
Wie laufen Hypothesentests ab?
A
- Null- und Alternativhypothese formulieren
- Signifikanzniveau wählen
- Studie durchführen, Daten erheben
- Wahrscheinlichkeit der beobachteten Daten berechnen, unter der Annahme, dass die Nullhypothese wahr ist
- eine sehr kleine Wahrscheinlichkeit erhalten
- daraus schließen, dass die Nullhypothese falsch ist
3
Q
Was ist ein Beispiel für den Ablauf eines Hypothesentests?
A
- Null- und Alternativhypothese formulieren
- > H0: mA = mB; H1: mA ≠ mB
- Signifikanzniveau wählen
- > alpha = 0,05
- Studie durchführen, Daten erheben
- > Blutdruckreduktion: Gruppe A: 10 mmHg; Gruppe B: 5 mmHg
- Wahrscheinlichkeit der beobachteten Daten berechnen, unter der Annahme, dass die Nullhypothese wahr ist
- > p-Wert
- eine sehr kleine Wahrscheinlichkeit erhalten
- > p-Wert: 0,032 (<0,05)
- daraus schließen, dass die Nullhypothese falsch ist
- > H0 ablehnen und schlussfolgern, dass Behandlung A zu einer signifikant größeren Reduktion als B führt
4
Q
Was ist die statistische Signifikanz?
A
- Ja/Nein-Entscheidung
- Entscheidung, wie sicher ein beobachteter Unterschied zwischen zwei Gruppen einer Intervention (oder einem Risikofaktor) zugeschrieben werden kann
oder - Wahrscheinlichkeit, die beobachteten Daten zu erhalten, wenn die Nullhypothese wahr ist, ist kleiner als z.B. 5%
oder - falls ein Unterschied zwischen den Gruppen statistisch signifikant ist, dann ist die Wahrscheinlichkeit, dass dieser Unterschied zufällig ist (und nicht auf Grund des echten Unterschieds in den Gruppen zustande kam) niedriger als ein bestimmtes Niveau (üblicherweise 0,05)
5
Q
Was sind Limitationen der statistischen Signifikanz?
A
- p < 0,05 -> in 5 von 100 Fällen finden wir einen “Zufallseffekt”
- p-Wert ist abhängig von der Fallzahl
- > große Fallzahl macht jeden (trivialen) Unterschied signifikant
- Kausalität kann nicht gezeigt werden
- Bias, Confounding etc. müssen unabhängig berücksichtigt werden
6
Q
Was muss man bei Signifikanztests bedenken?
A
- “Alles oder Nichts”-Entscheidung
- > im Fokus: kleiner/größer als 0,05
- > Unterscheidung zwischen 0,049 und 0,051?
- Studien mit nicht signifikanten Ergebnissen werden seltener veröffentlicht
7
Q
Was ist ein Beispiel für eine falsche Schlussfolgerung?
A
- Gruppe mit Physiotherapie: 77 (Schmerzwert)
- Gruppe mit Akupunktur: 84 (Schmerzwert)
- p-Wert: 0,18
- Falsche Schlussfolgerung: Schmerzen sind in beiden Gruppen gleich; Interventionen sind gleich wirksam
- Korrekte Schlussfolgerung: es zeigt sich kein statistisch signifikanter Unterschied im Schmerz zwischen den beiden Gruppen
8
Q
Was sind nicht signifikante Ergebnisse?
A
- p-Wert: > 0,05
- > H0 kann nicht abgelehnt werden
- > keine klare Schlussfolgerung möglich (manchmal als “Negativstudie” bezeichnet)
- Falls ein Unterschied nicht statistisch signifikant ist, bedeutet dies nicht notwendigerweise, dass es keinen Unterschied gibt
- “nicht signifikant” bedeutet nicht: “die Gruppen sind gleich”
9
Q
Was ist multiples Testen?
A
- werden mehrere klinische Endpunkte mittels Signifikanzanalysen evaluiert, können im schlimmsten Fall die einzelnen, bei jedem p-Wert resultierenden alpha-Fehler kumulieren
- > also mehrere, als gleichwertig anzusehende, primäre Endpunkte die Anwendung einer multiplen Testprozedur auf p-Werte
- > schärfere Form der Signifikanz -> multiple Signifikanz
- Studien berichten häufig mehrere Endpunkte
- für jeden Endpunkt Alpha-Niveau von 5%?
- Aim: to investigate nurses’ perspectives/experiences in nurse-coordinated prevention programs in acute coronary syndrome patients
10
Q
Wann liegt multiples Testen vor?
A
Viele Arten von multiplem Testen
- mehrere Endpunkte
- mehrere Vergleichsgruppen
- Subgruppen
- mehrere Analysen
- Zwischenauswertungen (interim analysis)
- Intention-to-treat (ITT) und Per-Protocol (PP)
- “Fishing” - post hoc-Analysen
- etc.
11
Q
Was ist das Problem des multiplen Testens?
A
- Wahrscheinlichkeit, ein signifikantes Ergebnis zu erhalten, obwohl die Nullhypothese stimmt, steigt mit steigendes Anzahl von Tests
- alpha-Fehler insgesamt erhöht sich
-> kann (wesentlich!) größer als 0,05 werden - Wahrscheinlichkeit, mindestens eine Nullhypothese fälschlich abzulehnen (=Hypothese fälschlich anzunehmen = falschpositives Ergebnis zu postulieren) wenn man zehn unabhängige Tests jeweils zum lokalen Niveau 5% durchführt
=0,4 = 40%
12
Q
Was kann man gegen die Auswirkungen des multiplen Testens machen?
A
- einen Endpunkt zu einem Zeitpunkt für einen Gruppenvergleich a priori definieren (alles andere: “sekundär” + “explorativ”)
oder - Korrektur für multiples Testen (z.B. Bonferroni, Bonferroni-Holm, Hochberg, hierarchische Testprozedur, alpha-spending functions etc.)
13
Q
Was sind Alternativen/Ergänzungen zu Signifikanztests?
A
- > Konfidenzintervall
- liefert mehr Informationen als ein p-Wert
- gibt Präzision und Stärke eines Effekts an
14
Q
Was ist der primäre Endpunkt?
A
- die wichtigen Aspekte, welche hinsichtlich der Biometrie und Statistik in eine Publikation eingehen sollten, betreffen allesamt den primären Endpunkt einer Studie
- mit immer expliziert definiert werden mit genauer Einheit, Art und Zeit der Messung
15
Q
(Quizfrage:) In klinischen Studien werden Hypothesen statistisch getestet. Dabei können Fehler auftreten. Unter einem Fehler 1. Art (alpha-Fehler) versteht man….
A
- … die fälschliche Ablehnung der Nullhypothese
