HC.3 - Het toetsen van hypothesen / meta-analyse

Question 1

Waarover zeggen hypothesen iets?

Answer 1

Over de populație (gebruiken steekproef hiervoor)

Question 2

Wat bekijken we bij een statistische toets?

Answer 2

We gaan uit van de nulhypothese = er is geen verschil of verandering = conservatief

Deze kunnen we verwerpen en een alternatieve hypothese vinden (waarbij de delta (verschil) is geen 0)

Question 3

Wat kunnen we gebruiken om met het resultaat van een steekproef iets te zeggen over de populatie?

Answer 3

Met statische toetsing

Question 4

Wat is de P-waarde?

Answer 4

Als de nulhypothese WAAR is (dus er is geen verschil) wat is dan de kans op het vinden van de waarde die we in de steekproef gevonden hebben (= gevonden resultaat) of een gemiddelde waarde die nog verder van 0 afligt

Afgesproken dat als < 0,05 is dat we dan de nulhypothese verwerpen omdat het niet aannemelijk is dat dit waar is

Question 5

Hoe interpreteren we de P-waarde?

Answer 5

Als de kans heel klein is –> dan is de nulhypothese toch niet zo aannemelijk
-> verwerpen
CONCLUSIE: gemiddelde daling in de populatie = NIET 0

Als de kans groter
–> dan is de nulhypothese wel aannemelijk genoeg
–> niet verwerpen
CONCLUSIE: de gemiddelde daling in de populatie = 0

Kan een niveau toevoegen wanneer de kans klein of groot is = significantie niveau = p-waarde
Vaak is dit 0,05

Question 6

Wat kunnen we met de steekproef grootte en de SD van de individuele scores?

Answer 6

Verdeling van de steekproef gemiddelden bekijken

Via standaard error of the mean = SEM

SEM = s / wortel n

S = sigma = SD individuen (omdat van populatie vaak niet bekend is)
n = steekproef grootte

Hierbij wordt aangenomen dat het gemiddelde van de steekproef gelijk is aan het populatie gemiddelde

Question 7

Wat kunnen we zeggen over de verdeling van steekproefgemiddelden?

Answer 7

Centrale limiet stelling

1. Als individuele scores in de populatie normaal verdeeld zijn –> geldt dit ook voor de steekproef gemiddelden
   (ook bij een kleine n)
2. Als de individuele scores in de populatie NIET normaal verdeeld zijn, maar er wel een redelijk grote steekproef grootte is (n ≥ 30) dan zijn de steekproef gemiddelden WEL bij benadering normaal verdeeld (met een kleinere spreiding)

Question 8

Noem de vijf stappen van de toetsing

Answer 8

1. Formuleer de H0
2. Verzamel gegevens
3. Bereken toetsingsgrootheid
4. Beoordeel de waarde van de toetsingsgrootheid
   - Is deze waarde “aannemelijk” als H0 waar is?
   - Hoe “aannemelijk” is dat H0 waar is?  P-waarde
5. Als P-waarde > 0,05: H0 behouden
   Als P-waarde < 0,05: H0 verwerpen

Question 9

Stel er wordt een verschil gevonden van 0,2. Waarvan hangt het af of dit wel of geen groot verschil is? Hoe beoordelen we het?

Answer 9

• spreiding
• steekproefgrootte want als deze heel groot is, dan heb je een smallere verdeling en is de kans groter dat de 0,2 in de uiterste gebieden ligt

Moet hiervoor een toetsingsgrootheid berekenen

Question 10

Welke toetsingsgrootheden zijn er?

Answer 10

F: als ≥3 groepen vergelijken

Z: gemiddelden

T: hele kleine aantallen

U: niet normaal verdeeld of kleinere aantallen in groep

R: correlatie kijken naar verbanden tussen variabelen

X^2 (chi-kwadraat): nominale variabelen (wel/niet ziek worden)

Question 11

Hoe kunnen we adhv het 95% BI zien of de nulhypothese wel of niet aannemelijk is?

Answer 11

Als de 0 in het BI zit betekent dit dat 0 (geen verschil) helemaal geen gekke waarde is en dat het best aannemelijk is –> kunnen dan niet verwerpen

Als het gaat om een ratio geldt dit voor 1. Het gaat om een deling dus als er geen verschil is zal 1 de uitkomst zijn.

Question 12

Wat is de toetsingsgrootheid?

Answer 12

een maat voor de afwijking van de steekproefuitkomsten van de onder de nulhypothese te verwachten uitkomsten (wordt berekend uit de uitkomsten van de steekproef)

Maat voor de afwijking van de gegevens uit de steekproef tov de verwachte waarde (onder de nulhypothese)

Question 13

Wat kunnen we zien aan de toetsingsgrootheid?

Answer 13

1,96 is 2x spreiding ervan af
Als de t-waarde hieronder ligt is het ook aannemelijk dat de nulhypothese niet verworpen kan worden

Question 14

Waarom geeft de toets niet altijd het juiste antwoord?

Answer 14

Stel de H0 is waar
Dan 95% kans om met de waarde in het interval te liggen
Maar ook 5% kans om wel een extremere waarde te vinden (waarvan we dus zeggen dat deze waarde zo afwijkend is dat de H0 niet waar kan zijn) –> Hierdoor KAN onterecht de H0 verworpen worden
Gaat om de uiterste 2,5% aan beide zijden

Question 15

Wat is de type I fout?

Answer 15

= H0 wordt verworpen terwijl hij in werkelijkheid correct is

alfa = de kans op het maken van een type I fout
= P (H0 verwerpen | H0 waar)

Kunnen we vooraf bepalen hoe hoog we deze willen

Question 16

Welke fout willen we graag zo klein mogelijk hebben bij het toetsen?

Answer 16

Alfa dus type I fout

Omdat de wereld al werkt zonder een dieet bvb dus niet zo maar dit veranderen

Type II fout vinden we minder erg

Question 17

Wat is de type II fout?

Answer 17

= H0 NIET verwerpen terwijl deze in werkelijkheid NIET correct is
(eigenlijk zou de H0 wel verworpen moeten worden)

beta = kans op het maken van type II fout
= P (H0 behouden | H0 niet waar)

Dus bvb het dieet werkt eigenlijk wel maar ligt in het niet te verwerpen gebied

Question 18

Welke is vaak groter type I of II fout?

Answer 18

Type II is vaak groter dan type I fout

Question 19

Wat is de power van de toets?

Answer 19

= mogelijkheid van een studie om de H0 te verwerpen
= 1 - beta

Vaak minimaal 80%

Question 20

Wat is de invloed van de steekproefgrootte op de power?

Answer 20

Kleine n geeft veel spreiding waardoor grotere kans op type II fout waardoor de power kleiner wordt

Kleine spreiding = smal waardoor dichter bij 0 en eerder in het te verwerpen gebied

Hoe meer mensen in studie, hoe meer power, hoe kleiner type II fout

Question 21

Wat kunnen we vooraf bereken mbt de power?

Answer 21

Kunnen vooraf type II fout bereken en zo kijken hoe veel mensen nodig hebt om de studie te doen

Gegeven dat het minimaal 80% moet zijn

Question 22

Wat is het verband tussen type I en type II fout?

Answer 22

Als type I fout kleiner moet zijn wordt de type II fout groter en vice versa

Question 23

Wat is een belangrijk verschil tussen de p-waarde en alfa?

Answer 23

P-waarde is wat er uit de toets komt en de alfa wordt van tevoren opgesteld

Question 24

Wat is het verschil tussen een systematic review en een meta analyse?

Answer 24

systematic review gaat over het systematisch literatuur zoeken, beoordelen en beschrijven

Meta analyse:
Een meta-analyse is een statistische analyse waarbij de, meestal samengevatte, resultaten van verschillende studies gecombineerd worden tot een ‘overall’ resultaat. Dit heeft dus meer te maken met het doen van bepaalde berekeningen waarbij de resultaten van ieder van de gevonden studies input is.

Question 25

Welke resultaten worden vaak gebruikt bij een meta analyse?

Answer 25

Vak dichotomie uitkomst waarbij een kruistabel mogelijk is

Question 26

Wat zijn de effect maten uit een kruistabel (dichotome uitkomst)?

Answer 26

RD = risk difference
Ya = event bij interventie A
Yb = event bij interventie B
Na = totaal interventie A
Nb = totaal interventie B

RD = Yb / Nb - Ya / Na
= het verschil in risico op een event tussen interventie A en interventie B

Risk ratio = RR
= (Yb/Nb) / (Ya/Nb)
= ratio van het risico op een event bij interventie A en interventie B

Odds ratio = OR
= (Yb / (Nb-Yb)) /
(Ya / (Na-Ya))
Odds = Ya / (Na-Ya) dus verhouding tussen wel of geen event bij interventie A

Question 27

Wat doe je met de OR bij een meta-analyse?

Answer 27

Odds ratio van alle studies omrekenen naar een Log OR

Samengevatte gewogen Log OR

Terugrekenen met E-macht naar OR

Samengevatte gewogen OR

Question 28

Hoe geven we de gegevens weer in een meta analyse?

Answer 28

In een forest plot met hierin:
- overall OR
- OR van alle studies
- lijn voor de H0 (in dit geval 1 want ratio)
- bij elke studies is de gevonden gemiddelde waarde en het betrouwbaarheids interval weergegeven
-

Question 29

Wat kunnen we zeggen over de studie als in een Forest plot een groot betrouwbaarheids interval staat?

Answer 29

Dat het een relatief kleine studie was
Want wortel 1 is kleiner

Question 30

Wat kunnen we zeggen over de studie als in een Forest plot een klein betrouwbaarheids interval staat?

Answer 30

Dat het een grote studie was

hij overlapt minder snel met de H0 (= Power)

Question 31

Welke studies worden in een meta analyse vaak zwaarder meegewogen?

Answer 31

Grote studies
Gewicht van studies staat erbij genoteerd

Question 32

Wat geeft het ruitje/wiebertje bij een meta analyse weer?

Answer 32

Loopt van ondergrens tot bovengrens van het gepoolde betrouwbaarheids interval

Breed: als meer variatie tussen de studies
Smal: minder variatie tussen de studies of meer studies

Question 33

Tussen welke waardes liggen correlaties altijd?

Answer 33

Tussen de -1 en 1

Hierbij kan je ook alle BI poolen

Question 34

Wat is het fixed effects model?

Answer 34

Als meerdere studies samengevoegd, wordt AANGENOMEN dat alle studies gemiddeld op HETZELFDE effect zitten

Dus de verschillen in resultaten gewoon variatie (toeval) is waarbij (steekproef variatie)
- grote studie dichterbij echte gemiddelde liggen dan kleine studie

Geeft een kleiner BI (dus sneller significant)

Question 35

Wat wordt meegewogen bij een fixed effects model?

Answer 35

Alleen de grootte van de studie

Question 36

Wat is het effect van het fixed effects model?

Answer 36

Geeft kleiner BI

Question 37

Wat zijn 8 redenen waarom er variaties tussen studies gevonden worden?

Answer 37

1. verschillen patienten populaties (in en exclusie)
2. verschillende definites van ziekte
3. Verschillende manieren definiëren blootstelling
4. Verschillende variaties van behandeling
5. Verschillende omgevingsfactoren
6. verschillende (gepubliceerde) soorten uitkomsten
7. verschillende designs
8. random variatie

–> veel meer mogelijk dan alleen random variatie wat in het fixed effects model wordt aangenomen

Question 38

Wat is het random effects model?

Answer 38

Er zitten variaties TUSSEN studies en we laten dit toe

BI wordt groter –> hierdoor sneller overlap met H0 waardoor niks gevonden
hierdoor neemt type I fout toe

Question 39

Op basis waarvan worden studies gewogen bij een random effects model?

Answer 39

Hierbij worden ook de tussen studie variaties mee gewogen waardoor ze wat dichter bij elkaar komen te liggen

Question 40

Wat willen we doen om de verschillen tussen uitkomsten van de studies in verschillende landen bvb op te sporen?

Answer 40

heterogeniteit opsporen
- in elk land door verschillende factoren komt een ander effect uit
- middel kan verschillen tussen landen

Door
- subgroep analyse
- meta regressie

Question 41

Wat is meta regressie?

Answer 41

deel van de verschillen tussen landen verklaren dmv risicogroepen die in de studie zitten (hoe kwetsbaar zijn de groepen) zijn meer continue variabelen

Door:
Adhv placebogroep want die is OVERAL niet behandeld = beste groep om tussen landen te vergelijken

Question 42

Wat komt er uit een meta regressie?

Answer 42

Deel van het effect van de studie kan worden verklaard door het onderliggende risico van de mensen in de studie

Question 43

Wat is een subgroep analyse?

Answer 43

Kijken of bepaalde behandelingen in bepaalde landen veel vaker uitgevoerd zijn

Question 44

Wanneer kunnen we niet poolen?

Answer 44

Als studies echt heel anders waren