HC.3 - Het toetsen van hypothesen / meta-analyse Flashcards
Waarover zeggen hypothesen iets?
Over de populație (gebruiken steekproef hiervoor)
Wat bekijken we bij een statistische toets?
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)
Wat kunnen we gebruiken om met het resultaat van een steekproef iets te zeggen over de populatie?
Met statische toetsing
Wat is de P-waarde?
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
Hoe interpreteren we de P-waarde?
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
Wat kunnen we met de steekproef grootte en de SD van de individuele scores?
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
Wat kunnen we zeggen over de verdeling van steekproefgemiddelden?
Centrale limiet stelling
- Als individuele scores in de populatie normaal verdeeld zijn –> geldt dit ook voor de steekproef gemiddelden
(ook bij een kleine n) - 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)
Noem de vijf stappen van de toetsing
- Formuleer de H0
- Verzamel gegevens
- Bereken toetsingsgrootheid
- Beoordeel de waarde van de toetsingsgrootheid
- Is deze waarde “aannemelijk” als H0 waar is?
- Hoe “aannemelijk” is dat H0 waar is? P-waarde - Als P-waarde > 0,05: H0 behouden
Als P-waarde < 0,05: H0 verwerpen
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?
- 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
Welke toetsingsgrootheden zijn er?
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)
Hoe kunnen we adhv het 95% BI zien of de nulhypothese wel of niet aannemelijk is?
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.
Wat is de toetsingsgrootheid?
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)
Wat kunnen we zien aan de toetsingsgrootheid?
1,96 is 2x spreiding ervan af
Als de t-waarde hieronder ligt is het ook aannemelijk dat de nulhypothese niet verworpen kan worden
Waarom geeft de toets niet altijd het juiste antwoord?
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
Wat is de type I fout?
= 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
Welke fout willen we graag zo klein mogelijk hebben bij het toetsen?
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
Wat is de type II fout?
= 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
Welke is vaak groter type I of II fout?
Type II is vaak groter dan type I fout
Wat is de power van de toets?
= mogelijkheid van een studie om de H0 te verwerpen
= 1 - beta
Vaak minimaal 80%
Wat is de invloed van de steekproefgrootte op de power?
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
Wat kunnen we vooraf bereken mbt de power?
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
Wat is het verband tussen type I en type II fout?
Als type I fout kleiner moet zijn wordt de type II fout groter en vice versa
Wat is een belangrijk verschil tussen de p-waarde en alfa?
P-waarde is wat er uit de toets komt en de alfa wordt van tevoren opgesteld
Wat is het verschil tussen een systematic review en een meta analyse?
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.
Welke resultaten worden vaak gebruikt bij een meta analyse?
Vak dichotomie uitkomst waarbij een kruistabel mogelijk is
Wat zijn de effect maten uit een kruistabel (dichotome uitkomst)?
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
Wat doe je met de OR bij een meta-analyse?
Odds ratio van alle studies omrekenen naar een Log OR
Samengevatte gewogen Log OR
Terugrekenen met E-macht naar OR
Samengevatte gewogen OR
Hoe geven we de gegevens weer in een meta analyse?
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
-
Wat kunnen we zeggen over de studie als in een Forest plot een groot betrouwbaarheids interval staat?
Dat het een relatief kleine studie was
Want wortel 1 is kleiner
Wat kunnen we zeggen over de studie als in een Forest plot een klein betrouwbaarheids interval staat?
Dat het een grote studie was
hij overlapt minder snel met de H0 (= Power)
Welke studies worden in een meta analyse vaak zwaarder meegewogen?
Grote studies
Gewicht van studies staat erbij genoteerd
Wat geeft het ruitje/wiebertje bij een meta analyse weer?
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
Tussen welke waardes liggen correlaties altijd?
Tussen de -1 en 1
Hierbij kan je ook alle BI poolen
Wat is het fixed effects model?
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)
Wat wordt meegewogen bij een fixed effects model?
Alleen de grootte van de studie
Wat is het effect van het fixed effects model?
Geeft kleiner BI
Wat zijn 8 redenen waarom er variaties tussen studies gevonden worden?
- verschillen patienten populaties (in en exclusie)
- verschillende definites van ziekte
- Verschillende manieren definiëren blootstelling
- Verschillende variaties van behandeling
- Verschillende omgevingsfactoren
- verschillende (gepubliceerde) soorten uitkomsten
- verschillende designs
- random variatie
–> veel meer mogelijk dan alleen random variatie wat in het fixed effects model wordt aangenomen
Wat is het random effects model?
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
Op basis waarvan worden studies gewogen bij een random effects model?
Hierbij worden ook de tussen studie variaties mee gewogen waardoor ze wat dichter bij elkaar komen te liggen
Wat willen we doen om de verschillen tussen uitkomsten van de studies in verschillende landen bvb op te sporen?
heterogeniteit opsporen
- in elk land door verschillende factoren komt een ander effect uit
- middel kan verschillen tussen landen
Door
- subgroep analyse
- meta regressie
Wat is meta regressie?
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
Wat komt er uit een meta regressie?
Deel van het effect van de studie kan worden verklaard door het onderliggende risico van de mensen in de studie
Wat is een subgroep analyse?
Kijken of bepaalde behandelingen in bepaalde landen veel vaker uitgevoerd zijn
Wanneer kunnen we niet poolen?
Als studies echt heel anders waren
