statistic Flashcards
hepatitis D infection 은 뭐 가 필요하다.
HBV가 필요하다. co-infection.
marternal mortality rate
Maternal death/ Live births
70/5000
Incidence 구할때
IV drug user 10000
already infected 500
새로 감염됀 사람이 A명 이라면 분모는
A/ 10000-500
이미감염된 사람은 제껴야함.
correlation coefficient 가 -0.8 이라면 variability는
0.64 => 64%
개입=>발병/사망자가 줄었다면 어느정도 RR을 줄였나?: RRR
개입=> 발병 /사망자가 늘었다면 기여도
개입으로 risk가 는건지 준건지… 그거 파악부터 해야함…
Attiributable risk percentage
Exposed 군에 대한 Control의 줄은 만큼 의 %
분모가 exposed
0.25/0.5 …50%
허허 survival 로 주면 어쩌라고?
Risk 계산이니 Risk/death/발병으로 고쳐야지.
Exposed : 25/50
Control 사망률: 75/100
P value 0.01
no association 확률이 1%
RR = 1.2 (= 120%) indicates
RR = 1.2 (= 120%) indicates that adopting a Western diet in the highest fifth increases the risk of gout by 20% (= 1.2 – 1 = 120% – 100%) when compared to adopting a Western diet in the lowest fifth
14, 20,26,27 median ?
23 = (20+26)/2
중앙값은 자료를 크기 순서대로 정렬했을 때 가장 중앙에 위치하는 값입니다. 홀수 개의 자료가 있다면 중앙값은 가운데 값이고, 짝수 개의 자료가 있다면 가운데 두 값의 평균이 중앙값
sample cases가 늘수록 SEM - Standard error of the mean 도 작아지지
SEM: 이 Sample이 어느정도 진짜 population 에서 떨어져 있나.
작을수록 좋은거지 ERROR니까
She decided not to undergo either test.
Both 의미
보통 우리가 이 검사는 몇% 찾아낼수 있다
sensitivity
검사에 음성으로 나왔는데 진짜는 양성일 확률
복잡할거 없이 그냥 NPV 처럼
12/(12+78)
serum marker 가 low하게 잡을수록 senstivity가 올라가고 Spec는 낮아지지?
이 ROC 가 이런 trade off 효과를 보여주는거다.
P3가 P1 보다 높은 sens 이고 낮은 spec => 즉 앞 그림에서 low serum marker 쪽으로 가고 있는거.
블루 to red?
FP and FN 가 삭 줄어버리니 모든 수치가 좋아짐.
Sen/ Spec 모두 증가
. Length bias
같은 암종이라도 매우 빠르게 자라는 암과 매우 천천히 자라는 암이 있다고 할때, 일정 간격으로 건강검진을 시행하면 매우 빠르게 자라는 암은 interval 사이에 발병하고 사망하여 capture가 되지 못할것이고, 매우 천천히 자라는 암은 발병후 사망하기 전에 검진에서 모두 detection이 될것이다.
따라서 예후가 좋은, 천천히 자라는 암들만 분석에 포함되게 되고, 예후가 나쁜, 빠르게 자라는 암들은 분석에 제외되게 되면서 검진을 받은사람들의 예후가 좋게 보이는 bias이다.
공격적이고 빠르게 사망하는 암은 검사주기 사이에 일어나 사망해 버려서
혹은
그 검사가 경미한 경우만 잘 찾는 검사라면
length time bias
Observer bias, sometimes called “detection bias” or “ascertainment bias,” occurs when outcome assessments are systematically influenced by the assessors’ conscious or unconscious predispositions — for example, because of hope or expectations, often favouring the experimental intervention.1
이 Observer bias 줄이는거
당연 blind 지.
observer bias 도 measurment bia 의 일조이.
허허…. 참
Cohort study는 cohort가 군, 무리 란 뜻이다.
노출군과 비노출군이라고 말하지 control group 이라고 하지 않는다. 그래서 여기선 case-control study 라고 생각하면됨.
exposed group 이 unexposed에 잘못 기재.
misclassification bias of measurement bias
blinding 은 observer 랑 또 뭐하나 bias줄이지
double blinding 은 measure하는 측정자에게 observerbias를 줄이고
당하는 사람에게는 placebo effect줄이지.
community 병원에서 control 환자군을 sampling 하면 general population 과 다르겠지. 이걸 문슨 bias?
Selection - Berkson fallacy
게다가 university 급 큰 병원에서 모집하면서 (더욱 심각한병들이 있는 ) comunity 병원과격차를 보이는 건 Referral bias 라고.
전화로 모집된 군에 전화를 돌리는데 대답을 안하는 퍼센트지가 높았다. 결과가 좀 의문스럽다.
selection bias 의 non reponse
고지방식이와 대장암등 인과관계가 대충 알만한거 던저주고 연관이 없는데? 나중에 보니 환자가 40% 가까이 drop off 했다.
Selection bias 지 - sample군이 모집단을 더이상 대표하질 못하니
DM 이 있으면 MI로 사망확률이 높지. 근데 MI 1000명과 정상인 1000 명을 물어보니 되려 정상인데 DM이 prevalance가 높다. DM이 protective effect?
아니 DM 환자에 Mi는 다 죽어버려서 selection 에 끼지 못해서 report가 안되는거.
prevalnce bias of Selection bias
recall bias of measurment bias 는 over exposure 를 만드나 under를 만드나
over를 만들지. 질병군이 더 감정과 기억이 생생
counfoudning 을 줄이는 방식
일부러 그럴법한 confoudning 요소(ex 성별, 나이) 는 동일하게 맞추는 statification 혹은 첨부터 같은 나이대, 성별에 해당하는 control 을 뽑는다. => randomization 으로 모르는 confounding factor 가 유의미하게 모이는것 방지
Randomization 이 잘됬다면 both group 이 신경쓰이는 요소에 차이가 없이 similar distribution 을 보임.
으아… 몰겠다.
confounding vs effect modification
confoudnig bias는 말그대로 오류라서 연관성 있다가 variable 과 outcome 모두에 상관있는 요소로 stratification 해보니 에~ 이거 연관성이 없었던 거구만 하고 발혀짐. - 잘 못했었었네. - 오류임
Effect modiciation 은 보통 연구 자체를 기획을 첨부터 한다. 연관성이 밝혀 진것이 modification 으로 사라지는게 아니라 연관성이 좀 바뀜. 연구가 잘된거였슴. - 오류가 아님.
가상의 normal distribution 이므로 2 SD 높은 250은 95% 니깐. 상위 2.5%
10
400명의 2.5% 는?
하앙……..아.
2.5%는 100명당 2.5 명 이니까 2.5/100 을 400에 곱하면 되지
퍼센트는 무조건 외우라. 생각말고
100나누기. 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기 100나누기
Normal distribution 정규 분포
에서 표준 정규분포 standard normal distribution 바꿀때
popoulation mean value에서 모든 값을 빼서 그걸 SD로 나누면 Satnad 로 바뀜.
이때는 Z 로 값이 바뀜
즉, 이때는 how many standard deviations a given value is from the mean,
SD의 분포지.
왜 카이 피셔라고 기억하고 있게?
큰거 먼저
둘다 카테고리컬 비교시
같은 그룹의 시간지나서 평균 변화 비교
다른 그룹끼리 평균 비교
우리 보통하는 박스안에 넣을수 있는 연구라면 무슨 방식이라고?
큰수는 카이
작은수는 피셔
categorial
