P. 1
Samenvatting methodologie en biostatistiek 2 (MTB 2)

Samenvatting methodologie en biostatistiek 2 (MTB 2)

|Views: 18|Likes:
Published by Stuvia.com
Hoofdstuk 4, 5 en 6 van het boek komen aan bod. Voor formules en methoden voor continue, dichotome uitkomst en survivaldata verwijs ik naar de de documenten betreffende de methode en formules voor deze uitkomsten. MTB 2 was een premastervak voor mij.
Hoofdstuk 4, 5 en 6 van het boek komen aan bod. Voor formules en methoden voor continue, dichotome uitkomst en survivaldata verwijs ik naar de de documenten betreffende de methode en formules voor deze uitkomsten. MTB 2 was een premastervak voor mij.

More info:

Published by: Stuvia.com on Jul 17, 2013
Copyright:Traditional Copyright: All rights reserved
List Price: $6.55 Buy Now

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
See more
See less

04/24/2014

$6.55

USD

pdf

Samenvatting methodologie en biostatistiek 2 (MTB 2

)
by

ThomasWieringa

The Marketplace to Buy and Sell your Study Material
Buy and sell all your summaries, notes, theses, essays, papers, cases, manuals, researches, and many more..

www.stuvia.com

Stuvia.com - The Marketplace to Buy and Sell your Study Material

Samenvattingen MTB 2 (boek Twisk)

Stuvia.com - The Marketplace to Buy and Sell your Study Material

Hoofdstuk 4: Analyse van continue uitkomstvariabelen

Vergelijken van twee metingen bij dezelfde personen
twee aspecten spelen grote rol bij kwantificeren van onzekerheid: grootte van de steekproef spreiding in de individuele resultaten (in dit geval: spreiding individuele veranderingscore) Grootte steekproef + spreiding individuele resultaten komen samen in de SEM Bij continue uitkomstvariabelen gebruiken we de t-verdeling Zie formules 95%-BI en formule t-waarde (blz.59 Twisk) Voor het vergelijken van twee metingen bij dezelfde persoon uitvoeren “gepaarde t-toets”

Non-parametrische toets voor vergelijking van 2 metingen bij dezelfde persoon (4.3.2) Gebruik hiervoor de rangtekentoets (Wilcoxon signed rank test) kijkt welke verschilscores een negatief teken hebben en welke een positief teken: er wordt een rangnummer toegekend aan iedere verschilscore, van klein naar groot vervolgens wordt de som berekend van de rangnummers met een positief teken (waarbij er sprake is van toename) en de som van de rangnummers met een negatief teken (waarbij er sprake is van afname) H0 is hierbij: som van de positieve rangnummers is gelijk aan de som van de negatieve rangnummers  indien significantie: positieve en negatieve rangnummers verschillen significant van elkaar sprake van een significante toename/afname sinds de eerste meting.

Het vergelijken van een gemiddelde met een standaardwaarde Meten van een verschil tussen de individuele waarnemingen en de “standaardwaarde” Voer hiervoor een “t-toets voor één gemiddelde” uit

Vergelijken van twee groepen
Ook hierbij speelt de SEM een belangrijke rol Voor beide groepen geldt dat het aantal vrijheidsgraden gelijk is aan n-1 (dus twee groepen bij elkaar is n-2) Om het 95%-BI rond het verschil tussen beide groepen te berekenen  gemiddelde SD berekenen (=populatiestandaarddeviatie)

Stuvia.com - The Marketplace to Buy and Sell your Study Material

Zie blz. 63 voor formule populatiestandaarddeviatie Zie voor formule 95%-BI en t-waarde bij vergelijken van twee groepen blz. 64 en 65 Twisk of aantekeningen Voor het vergelijken van twee groepen  uitvoeren “t-toets voor twee onafhankelijke groepen” Voorwaarden uitvoeren t-toets voor twee onafhankelijke groepen: 1.uitkomstvariabele is min of meer normaal verdeeld 2.vorm van de twee normale verdelingen zijn ongeveer gelijk (nagaan gelijkheid van varianties: F-toets (Fisher) voor gelijkheid varianties ook wel “Levene‟s test for equality of variances”) Let op: geeft Levene‟s test aan dat er sprake is van geen significantie, dan zijn de varianties wel gelijk (H0 = varianties zijn gelijk)

Ook de variantieanalyse (ANOVA) kan gebruikt worden voor de vergelijking van twee groepen.

Scheef verdeelde uitkomstvariabelen Indien een verdeling scheef naar rechts is en we toch twee groepen met elkaar willen vergelijken hebben we twee mogelijkheden: 1.Logtransformeren verschil tussen twee groepen schatten en toetsen  terugtransformeren (indien er teruggetransformeerd is: sprake van geometrisch gemiddelde en niet van gemiddelde Geometrisch gemiddelde = teruggetransformeerd gemiddelde van de loggetransformeerde waarden en is te zien als een soort mediaan het terugtransformeren van de grenzen van het 95%-BI levert het 95%-BI rond de verhouding van geometrische gemiddelden De p-waarde kan wel rechtstreeks worden gebruikt (hoeft niet teruggetransformeerd te worden)

1) groter is dan de variantie binnen groepen (SSw  df‟s = totaal aantal observaties – aantal groepen).totaal gemiddelde)2 + aantal obs. (2-tailed) H0 = de sommen van rangnummers zijn voor beide groepen gelijk. groep 3)2 +(3e…enz) (tot alle groepen geweest zijn) . Kwadratensom= gekwadrateerde verschil tussen de observaties en een bepaald gemiddelde SSt= het gekwadrateerde verschil tussen individuele observaties en het totale gemiddelde SSb= aantal obs. groep 1)2 + (2e waarde groep 1 – gem. Een nadeel van non-parametrisch toetsen is dat het alleen toetsen zijn. niet op loggetransformeerde data!  gemiddelde blijft echter geen goede goede schatting van het verschil in gemiddelden en de bijbehorende BI‟s. groep 1)2 +(3e…enz)+ (1e waarde groep 2 – gem. groep 2 x (gemiddelde groep 2 .com . groep 2)2 + (2e waarde groep 2 – gem. groep 3)2 + (2e waarde groep 3 – gem.77 en 78 voor formules).totaal gemiddelde)2 + aantal obs. Vergelijken van meer dan twee groepen De techniek die men gebruikt om verschillen tussen meerdere groepen te toetsen is de variantieanalyse (soort uitbreiding van de t-toets voor twee onafhankelijke groepen) Om te toetsen of de gemiddelde waarden van alle groepen significant van elkaar verschillen. groep 1 x (gemiddelde groep 1 . Eerst wordt echter de totale kwadratensom berekend (SSt  df‟s = totaal aantal observaties 1) (zie blz. Sig.The Marketplace to Buy and Sell your Study Material Non-parametrisch toetsen Een alternatieve benadering voor het analyseren van scheef verdeelde continue uitkomstvariabelen is het gebruik van non-parametrische toetsen. Bij non-parametrisch toetsen worden de geobserveerde waarden omgezet in rangnummers. groep 2)2 +(3e…enz)+ (1e waarde groep 3 – gem.Stuvia. Een non-parametrische toets om twee groepen onafhankelijke waarnemingen te vergelijken is de Mann-Whitney-toets (rangsomtoets van Wilcoxon) het belangrijkste dat deze toets geeft is “Asymp. groep 3 x (gemiddelde groep 3 – totaal gemiddelde)2 + enzovoort…(tot alle groepen geweest zijn) SSw= (1e waarde groep 1 – gem. De non-parametrische toetsen hoeven bij grote populaties (meer dan 100) niet gebruikt te worden (centrale limietstelling)  bij grote populaties uitvoeren op oorspronkelijke data. Er wordt gekeken of de variantie tussen de groepen (SSb  df‟s = aantal groepen . maakt de variantieanalyse gebruik van kwadratensommen.

Om uit te zoeken welke groepen significant van elkaar verschillen kan een paarsgewijze vergelijking (3 t-toetsen voor 2 onafhankelijke groepen) worden uitgevoerd  deze werkwijze wordt een post-hoc-procedure genoemd.transformeren vervolgens variantieanalyse uitvoeren op de getransformeerde variabele uiteindelijk resultaat terugtransformeren.com . Bij deze paarsgewijze vergelijkingen moet men corrigeren voor multiple-toetsingsprobleem maak het 95% BI rond het gevonden verschil groter en de p-waarde van het gevonden verschil hoger  in SPSS kan deze correctie uitgevoerd worden door de Bonferroni-correctie (zie blz. maar hoe groot het verschil is en tussen welke groepen er een verschil is is nog onbekend (H0 is hierbij: geen verschil tussen groepen). 82) Let er wel op dat er ook hier aan de aanname van normaliteit van de uitkomstvariabele voldaan wordt wanneer gemiddelden met elkaar vergeleken worden! Indien uitkomst niet normaal verdeeld is zijn er twee mogelijkheden: 1.Stuvia. 2.non-parametrische techniek gebruiken  non-parametrische tegenhanger van de variantieanalyse is de Kruskal-Wallis-toets indien significantie: verschil tussen de groepen is significant .The Marketplace to Buy and Sell your Study Material Met behulp van variantieanalyse (ANOVA) kan. aan de hand van de berekende kwadratensommen getoetst worden of de gemiddelde waarden van de drie groepen significant van elkaar verschillen  indien significantie between groups  er is een significant verschil ergens tussen de groepen.

87 Lineaire regressieanalyse met een dichotome determinant Voor voorbeeld scatterplot bij een dichotome determinant  zie blz. Residuen = afstanden tussen de geobserveerde punten en de geschatte regressielijn in (een lineaire regressiemodel) Enkelvoudige regressieanalyse = het resultaat van een lineaire regressieanalyse met één determinant wordt beschreven aan de hand van twee parameters: -intercept (constante of b0) = waarde van de uitkomstvariabele indien de waarde van de determinant gelijk is aan 0 -regressiecoëfficiënt voor de determinant (helling of b1) Voor formules van b0 en b1  zie blz. Om de p-waarde te bepalen wordt ook bij lineaire regressieanalyse met een dichotome determinant een t-verdeling met n-2 vrijheidsgraden gebruikt.com .The Marketplace to Buy and Sell your Study Material Analyseren van de relatie tussen een continue uitkomstvariabele en andere variabelen. 88 Indien er sprake is van dichotome determinant: best passende lijn wordt getrokken door gemiddelde van beide groepen b0 is in dat geval de gemiddelde waarde voor groep 0 en b1 het verschil in gemiddelde waarde tussen groep 0 en groep 1. lineaire regressieanalyse Het vergelijken van twee groepen en het vergelijken van meer dan twee groepen kan ook beschreven worden met behulp van lineaire regressieanalyse. Lineaire regressieanalyse is een algemene techniek om continue uitkomstvariabelen te analyseren alle soorten determinanten kunnen ermee worden geanalyseerd Scatterplot  x-as determinant en op de y-as uitkomstvariabele Welke rechte lijn in een scatterplot beschrijft het beste de relatie tussen determinant en uitkomstvariabele?  best passende lijn is de lijn waarvoor de kleinstekwadratenmethode geldt. Het 95%-BI wordt op dezelfde manier berekend als bij de t-toets voor twee onafhankelijke groepen (ook de interpretatie is hetzelfde) .Stuvia.

Stuvia.The Marketplace to Buy and Sell your Study Material Lineaire regressieanalyse met een categoriale determinant Let hierbij op!  is er wel sprake van een lineair verband?! (zie scatterplot!) Indien er geen sprake is van een lineair verband: gebruik dummyvariabelen voor het berekenen van Y voor verschillende groepen (aan de hand van lineaire regressieanalyse waarbij X wordt gerepresenteerd door dummy‟s) De dummy‟s kunnen als volgt gecodeerd worden: Groep 1 Groep 2 Groep 3 Dummy 1 0 1 0 Dummy 2 0 0 1 Een regressiefunctie met drie groepen waarbij er geen sprake is van een lineair verband ziet er als volgt uit: Y = b0 + b1 x dummy1 + b2 x dummy2 B0 is hierbij: gemiddelde voor groep 1 Y van groep 2 = b0 + b1 Y van groep 3 = b0 + b2 B1 is hierbij het verschil in Y tussen groep 2 en groep 1 B2 is hierbij het verschil in Y tussen groep 3 en groep 1 In principe kunnen dummyvariabelen op verschillende manieren worden gecodeerd. het volgende is bijvoorbeeld ook mogelijk: Groep 1 Groep 2 Groep 3 Dummy 1 0 1 1 Dummy 2 0 0 1 Alleen b2 zal in dit geval veranderen b2 is hierbij het verschil in gemiddelde Y tussen groep 3 en groep 2 .com .

(Na het bestuderen van het scatterplot) kan men met behulp van een lineaire regressieanalyse onderzoeken welk verband het beste past: kwadratisch of lineair in deze regressieanalyse zijn opgenomen: determinant. 98! Een relatie is “echt lineair” als de verhouding van de verschillende regressiecoëfficiënten voor de dummyvariabelen overeenkomt met de verhouding van de gemiddelde waarden van de groepen. .de relatie tussen de continue uitkomstvariabele en de continue determinant met een andersoortige functie beschrijven (bijvoorbeeld kwadratische functie of een logaritmische functie)  keuze voor een functie afhankelijk van het patroon in de scatterplot en van wat men biologisch zou kunnen verwachten.continue determinant opdelen in een aantal groepen (vaak kwartielen) vervolgens de relatie tussen uitkomstvariabele en categoriale variabele met behulp van dummyvariabelen analyseren aan de hand van oplopen (of aflopen) van de regressiecoëfficiënten voor dummyvariabelen kan nu worden beoordeeld of er sprake is van een lineaire relatie of niet  indien er sprake is van een lineaire relatie: rapporteren resultaat analyse met continue uitkomstvariabele en continue determinant  indien er geen sprake van lineair verband is: rapporteren resultaat van de analyse met dummyvariabelen (verschillende regressiecoëfficiënten per groep) de interpretatie is hierbij als volgt (uitgaande van opdelen groepen in kwartielen): de regressiecoëfficiënt van de eerste dummyvariabele (…) geeft het verschil in gemiddelde (… eenheid van uitkomstvariabele) tussen het eerste en tweede kwartiel in (…eenheid van determinant) zo voor elk kwartiel beschrijven (indien je met kwartielen werkt) let hierbij ook op de coderen van de dummy‟s! Om bij optie 2 de lineariteit van de relatie goed te kunnen beoordelen.The Marketplace to Buy and Sell your Study Material Lineaire regressieanalyse met een continue determinant Om voor een continue determinant te onderzoeken of er sprake is van een lineair verband bestaan er twee mogelijkheden: 1. moeten we de gemiddelde waarde van de determinant voor elke groep vergelijken met het verloop van de regressiecoëfficiëntenzie geschrevene op blz. determinant2 en uitkomstvariabele.com . De kwadraatterm van de determinant is hierbij van belang!  p-waarde kwadraatterm significant: kwadratisch verband past het beste bij de relatie (H0 = kwadraatterm is gelijk aan 0) 2.Stuvia.

De “gewone” regressiecoëfficiënt geeft andere informatie dan de correlatiecoëfficiënt.The Marketplace to Buy and Sell your Study Material Gestandaardiseerde regressiecoëfficiënt: correlatiecoëfficiënt We voegen aan de presentatie van de regressiecoëfficiënt de gestandaardiseerde regressiecoëfficiënt (=correlatiecoëfficiënt =Pearson Correlation= r) toe (weergegeven als Beta in SPSS output) Formule correlatiecoëfficiënt met behulp van regressieanalyse: Bsta = regressiecoëfficiënt x SD(van X) _________________________________ SD(van Y) Interpretatie correlatiecoëfficiënt (aan de hand van regressieanalyse?) = bij een toe. daarna regressieanalyse uitvoeren en tot slot terugtransformeren (EXP…) het resultaat is een effectmaat (verhouding. geen verschil!) Hierbij gaat het eigenlijk om normaliteit van de residuen (in veel gevallen komt dat op hetzelfde neer). Normaliteit van residuen kan onderzocht worden door histogram van de residuen te maken (residuenhistogram).Stuvia. Formule correlatiecoëfficiënt zonder gebruik te maken van regressieanalyse: zie bladzijde 101 Verklaarde variantie In een lineaire regressieanalyse wordt een verklaarde variantie (R2) weergegeven met R Square geeft aan welk percentage van de variantie in uitkomstvariabele wordt verklaard door de variabele determinant.of afname van 1 SD in de x-variabele neemt de y-variabele toe of af met bstan standaarddeviatie eenheden. Lineaire regressieanalyse met een niet-normaal verdeelde uitkomstvariabele Bij een scheef naar rechtse verdeling logtransformeren. De Standard Error of the Estimate is de standaardfout van de residuen en kan gezien worden als een indicatie hoe goed de geobserveerde punten op de geschatte regressielijn liggen. rekening houdend met de overschatting de kwaliteit van het model in de populatie waar we iets over willen zeggen.com . . De Adjusted R square is de R square.

uitkomstvariabele en de potentiële confounder In de tweede lineaire regressieanalyse zegt de regressiecoëfficiënt voor de determinant het volgende: geeft de relatie tussen uitkomstvariabele en determinant onafhankelijk van de de waarden voor de confounder voor de proefpersonen.com . (De regressiecoëfficiënt van de determinant in de tweede regressieanalyse is de regressiecoëfficiënt gecorrigeerd voor de confounder) . Om erachter te komen of er sprake is van confounding moeten we de regressiecoëfficiënten van de determinant van beide regressieanalyses met elkaar vergelijken indien de regressiecoëfficiënt van de determinant met 10% of meer veranderd spreken we van relevante confounding. Confounding = het gevonden effect (of de relatie) wordt geheel of gedeeltelijk veroorzaakt door iets anders kan leiden tot een overschatting van de werkelijke relatie of een onderschatting van de werkelijke relatie. Lineaire regressieanalyse gebruiken om confounding op te sporen Voer twee lineaire regressieanalyses uit: 1.Stuvia.”normale” regressieanalyse met uitkomstvariabele en determinant in het model 2.The Marketplace to Buy and Sell your Study Material De non-parametrische correlatiecoëfficiënt De non-parametrische correlatiecoëfficiënt wordt de Spearman-correlatiecoëfficiënt genoemd voor niet normaal verdeelde uitkomstvariabelen (en net als alle andere non-parametrische methoden: gebaseerd op rangnummers) zie tabel op blz.regressieanalyse met daarin: de determinant. is anders voor verschillende waarden van de mogelijke effectmodificator. 107 Confounding en effectmodificatie Effectmodificatie = het effect (of de relatie) die in een bepaalde analyse gevonden is.

Stuvia.com . potentiële effectmodificator en de interactieterm. determinant. Schrijf de regressievergelijking voor jezelf uit voor het interpreteren van verschillende regressiecoëfficiënten: Y=b0 + b1 x determinant + b2 x effectmodificator + b3 x determinant x effectmodificator Vervolgens rekenen we het volgende uit: 1. 110 tot en met 114 Twisk) Maak een interactieterm aan (=determinant x potentiële effectmodificator) Voer vervolgens een lineaire regressieanalyse uit met daarin: uitkomstvariabele.verschil in Y tussen de groepen van de determinant waarvoor geldt dat de waarde van de effectmodificator 1 is Berekenen verschil in Y tussen de groepen van de determinant waarvoor geldt dat de waarde van de effectmodificator 0 is B1 is in dit geval: het verschil in Y tussen de 2 groepen van de determinant waarvoor geldt dat de waarde van de effectmodificator 0 is dus in de regressievergelijking: Y = b0 + b1 x determinant B1 is als volgt berekent (doet SPSS voor je): Nu is voor elke groep van de determinant het verschil tussen de groepen eenvoudig te achterhalen door de waarde van de determinant voor elke groep in de regressievergelijking in te vullen  dit levert de waarde van Y op voor elke groep van de determinant afzonderlijk (waarbij geldt dat de effectmodificator waarde 0 heeft) ga vervolgens na wat het verschil is tussen de groepen .The Marketplace to Buy and Sell your Study Material Lineaire regressieanalyse gebruiken om effectmodificatie op te sporen (zie blz.verschil in Y tussen de groepen van de determinant waarvoor geldt dat de waarde van de effectmodificator 0 is 2.

Hiervoor is ook een regressievergelijking ingevuld. determinant.op basis van de wel/niet significante interactieterm concluderen dat er wel/geen sprake is van effectmodificatie.The Marketplace to Buy and Sell your Study Material Berekenen verschil in Y tussen de groepen van de determinant waarvoor geldt dat de waarde van de effectmodificator 1 is Dit verschil is aan de hand van SPSS te berekenen door: b1 + b3 te doen. die er als volgt uitziet (doet SPSS voor je): Y = b0 + b1 x determinant + b2 x 1 + b3 x determinant x 1 De waarde voor de effectmodificator is uiteraard hetzelfde in beide groepen (=1) Vul vervolgens voor alle 2 de groepen van de determinant deze formule in en berekenen het verschil tussen de groepen. Vervolgens! Om erachter te komen of er sprake is van effectmodificatie moeten we de grootte en het belang van de regressiecoëfficiënt van de interactieterm beoordelen bekijk de p-waarde voor de interactieterm indien de regressiecoëfficiënt van de interactieterm niet-significant is: geen sprake van significante effectmodificatie.Stuvia. Onderzoek vervolgens het belang van deze interactieterm door een lineaire regressieanalyse uit te voeren met daarin: uitkomstvariabele. Op basis van de grootte van het verschil in effect tussen de verschillende groepen van de effectmodificator besluiten of er sprake is van relevante effectmodificatie 2. Indien er sprake is van effectmodificatie: rapporteer de twee effecten van de determinant met bijbehorende 95%-BI‟s Indien geen effectmodificatie: rapporteer één effect ga na of er sprake is van confouding! Effectmodificatie onderzoeken met een continue variabele Maak een interactieterm aan (determinant x potentiële effectmodificator).com . Voor het verschil in groepen voor de determinant waarbij de effectmodificator waarde 1 heeft is de SE niet direct uit de output af te lezen niet mogelijk om direct het 95%-BI te construeren voor het effect van de determinant waarvoor geldt dat de effectmodificator waarde 1 heeft hercodeer de variabele effectmodificator!  kijk in de output naar de B en 95%-BI voor de determinant (niet naar die van de effectmodificator)! Vervolgens hebben we twee mogelijkheden: 1. potentiële effectmodificator en de interactieterm is deze interactieterm significant? .

Stuvia. . paragraaf 4.of toeneemt met dit getal let op!: veronderstelt lineariteit: is maar de vraag in hoeverre dat terecht is! De regressiecoëfficiënt voor de determinant (in de output) heeft nu een andere betekenis!--> geeft het verschil in uitkomstvariabele tussen de groepen van de determinant wanneer de effectmodificator waarde 0 zou hebben (dan valt namelijk de interactieterm weg uit de regressievergelijking) Zie bladzijde 115.7 voor een overzicht van de verschillende statistische technieken die gebruikt kunnen worden bij het analyseren van continue uitkomstvariabelen.com .The Marketplace to Buy and Sell your Study Material Interpretatie regressiecoëfficiënt voor de interactieterm = de sterkte van de relatie tussen uitkomstvariabele en determinant neemt per eenheid van de effectmodificator toe of af met dit getal  ofwel: het verschil in uitkomstvariabele tussen de groepen van de determinant per eenheid van de effectmodificator af.

De formule voor het berekenen van SE voor een verschil in percentages is: SE (p1 – p2) = √ ((p1 (1-p1) / N1) + (p2 (1-p2) / N2))  zie bladzijde 119 voor formule Het 95%-BI is vervolgens te construeren met behulp van een normale benadering: p1 – p2 ± z-waarde waarvoor (1-α/2)% v/d verdeling voor betr. maar om het verschil en respectievelijk de verhouding tussen twee percentages. waarde ligt x SE van het RV Interpretatie 95%-BI: we kunnen met 95% zekerheid stellen dat het “werkelijke” RV ligt tussen … en … Wanneer de waarde van H0 (=0) buiten de grenzen van het 95%-BI valt is het verschil in % significant. .com .Stuvia.The Marketplace to Buy and Sell your Study Material Samenvattingen MTB 2 (boek Twisk) Hoofdstuk 5: Analyse van dichotome uitkomstvariabele Vergelijken van twee groepen Bij de vergelijking van een dichotome uitkomstvariabele tussen twee groepen is de eenvoudigste manier om de resultaten te presenteren een 2x2-tabel.bereken de kans op een bepaald resultaat afzonderlijk voor controlegroep en interventiegroep  bereken het verschil tussen beide percentages (RV) 2. Aan de hand van een 2x2-tabel kan op twee mogelijkheden het effect van een interventie gekwantificeerd worden: 1. bereken de kans op een bepaald resultaat afzonderlijk voor controlegroep en interventiegroep  bereken de verhouding van de twee percentages (RR) Om de vertaalslag te maken naar de doelpopulatie onzekerheid gevonden resultaat (RV en RR) kwantificeren  schatten en toetsen! 95%-BI rond het RV Onzekerheid van gevonden resultaat hangt wederom af van de grootte van de onderzoekspopulatie en van de spreiding in uitkomstvariabele bij dichotome variabelen gaat het om % en dus SD‟s en SE‟s van %. SD (p) = √(p(1-p))  p is hierbij “het percentage”  zie bladzijde 118 voor beide formules SE (p) = √ ((p(1-p)) / N) Bij de RV en RR gaat het bij het invullen van bovenstaande formules niet om afzonderlijke percentages.

In het kader van de normale verdeling gebruikt men 1. Voer een logtransformatie uit en bereken vervolgens de SE van de loggetransformeerde waarde van het RR  zie bladzijde 120 Twisk voor formule! Bereken vervolgens het 95%-BI rond het natuurlijke logaritme van RR zie formule bladzijde 121) Dit 95%-BI moet vervolgens teruggetransformeerd worden om een 95%-BI rond het RR te krijgen.Stuvia.com . het RR significant is.The Marketplace to Buy and Sell your Study Material Men heeft bepaald dat indien N x p > 5 en N x (1-p) > 5 een normale benadering gebruikt mag worden (= arbitraire grens)  normale benadering gaat dus steeds beter naarmate de onderzoekspopulatie groter wordt en de geobserveerde percentages dichter bij 50% liggen. de minimale waarde = 0 en de maximale waarde is oneindig. 95%-BI rond het RR Het RR onder de nulhypothese heeft een scheef naar rechtse verdeling H0 is namelijk 1. . 122 en 123! Bereken vervolgens de z-waarde (toetsingsgrootheid) aan de hand van bovenstaande formule en zoek de bijbehorende p-waarde op Het is mogelijk dat op basis van de p-waarde wel significantie blijkt en op basis van het 95%BI geen significantie blijkt (of andersom)  dit komt doordat de toets en het BI gebruik maken van een verschillende SE. Ook hierbij is de interpretatie van 95%-BI hetzelfde en geldt dat wanneer de waarde van H0 (=1) buiten de (teruggetransformeerde!) grenzen van het BI ligt. Let op! Dit BI is niet symmetrisch verdeeld rond het RR (komt doordat RR gemeten is op logaritmische schaal): -Indien RR groter is dan 1: bovengrens ligt verder weg van RR dan de ondergrens -Indien RR kleiner is dan 1: ondergrens ligt verder weg van RR dan bovengrens Toetsen RV aan de hand van z-waarde Bereken de Z-waarde voor het RV: Z = ((p1 – p2) – 0) / SE van het verschil van 2 percentages onder de nulhypothese SE van het verschil van 2 percentages onder de nulhypothese (is niet hetzelfde als de SE van het geobserveerde verschil!)  zie formules blz.96 maal de SE als maat voor de onzekerheid.

1 op bladzijde 126! Zie tabel 5.com .4 op bladzijde 126 voor het vinden van de p-waarde wanneer χ2 en aantal vrijheidsgraden bekend zijn. De chikwadraattoets geeft altijd een lagere p-waarde dat de Fisher exact toets  chikwadraattoets geeft een onderschatting van de werkelijke p-waarde de grootte van deze onderschatting is afhankelijk van de grootte van de populatie Deze te lage p-waarde bij de chikwadraattoets kan aangepast worden met behulp van de continuïteitscorrectie zie bladzijde 131 voor een output van de chikwadraattoets met en zonder continuïteitscorrectie! Exact (!) toetsen 2x2-tabel met exact toets van Fisher Maak alle combinaties die mogelijk zijn met de randtotalen (totalen van rijen en/of kolommen die aan de rand van de tabellen staan  vul de eerste cel steeds in en vul de rest aan (zie voorbeeld bladzijde 128)) Bereken vervolgens de kans voor alle combinatie afzonderlijk indien de nulhypothese waar zou zijn: zie formule bladzijde 128! . Deze benadering gaat beter naarmate de verwachte aantallen in de verschillende cellen groter worden de volgende arbitraire grens is afgesproken: de chikwadraattoets gaat goed als de verwachte aantallen in 80% van de cellen groter of gelijk is aan 5 en in alle cellen groter is dan 1. De vorm van de chikwadraatverdeling is afhankelijk van het aantal vrijheidsgraden zie figuur 5.Stuvia.The Marketplace to Buy and Sell your Study Material Toetsen van een 2x2-tabel aan de hand van chikwadraattoets Bereken hoeveel mensen er in de verschillende cellen worden verwacht als de nulhypothese waar is (H0 = geen effect van de interventie). mogen ze met elkaar vermenigvuldigt worden  vermenigvuldig de kans dat iemand in een bepaalde rij zit met de kans dat iemand in een bepaalde kolom zit het resultaat hiervan is het verwacht aantal percentage van de mensen in de betreffende cel (bereken dit dus voor alle cellen) vervolgens dit percentage (per cel!) vermenigvuldigen met het totaal aantal mensen in de populatie resultaat is het aantal verwachte mensen per cel als de H0 waar is! Vergelijk vervolgens de gevonden waarden (in 2x2 tabel) met de verwachte waarden indien H0 waar is hoe groter het verschil des te lager is de p-waarde berekenen hiervoor de toetsingsgrootheid (χ2) zie formule en bijbehorende uitleg in woorden op bladzijde 125! In het geval van een 2x2-tabel volgt een chikwadraatverdeling met één vrijheidgraad één getal is vrij in te vullen in de tabel en dan ligt de rest vast. Om dit aantal te berekenen gaat men uit van de volgende regel uit de kansberekening: als twee kansen onafhankelijk van elkaar zijn.

Zoek vervolgens de combinaties met een gelijke of nog lagere p-waarde (nog verder weg van H0 liggen): geldt voor zowel p-waarden onderaan als bovenaan de lijst (in dat geval krijg je een tweezijdige kans)  tel de p-waarden van al deze gelijke en nog extremere combinaties op bij de p-waarde van de daadwerkelijk gevonden combinatie resultaat hiervan is de pwaarde (kans) voor de gevonden 2x2-tabel of nog verder weg van H0. maar werkelijk gevonden!) zoeken in de lijst met alle mogelijke combinaties en bijbehorende p-waarde. indien H0 waar is  indien je alleen de combinaties boven (of in andere gevallen: onder) de betreffende (onderzochte) combinatie meetelt is dit een eenzijdige kans Indien alle randtotalen gelijk zijn is de kansverdeling symmetrisch – zijn de randtotalen niet gelijk.Absolute kansen maakt deel uit van het risico (nadeel 1 van RR is er hierdoor niet bij RV) risicoverschil is eenvoudiger en directer te interpreteren. dan is de kansverdeling niet symmetrisch. Nadelen 1.en nadelen RR Voordelen 1. de p-waarde verkregen uit de chikwadraattoets en de p-waarde berekend met behulp van de continuïteitscorrectie  daarom zijn de effectmaten en bijbehorende BI‟s belangrijker als grondslag voor conclusies uit onderzoek dan de p-waarde! Voor.RV met bijbehorende 95% BI kan nog niet berekend worden met SPSS Voor.Stuvia. Zie bladzijde 129 voor voorbeeld en bladzijde 130 voor een output met de fisher exact toets! Per onderzoeker verschilt de voorkeur voor de exacte p-waarde van Fisher.RR met bijbehorend 95% BI kan berekend worden met SPSS Nadelen 1.com .en nadelen RV Voordelen 1.The Marketplace to Buy and Sell your Study Material De uitkomst van deze formule (P=…) geeft aan wat de kans is op het vinden van deze combinatie.Bij de interpretatie van het RR is het van belang te weten wat het absolute risico is om een bepaalde uitkomst te krijgen (bijvoorbeeld: onderzoek naar het effect van een determinant op ontstaan van een ziekte en de kans dat de ziekte optreedt is klein groot RR zal nog steeds betekenen dat er sprake is van kleine absolute kansen . indien de nulhypothese waar is (nog niet de nog extremere waarde (nog verder weg van H0!)) Maak een lijst met daarin alle p-waarden voor alle mogelijke combinaties onder elkaar! Zoek vervolgens de 2x2-tabel op die gevonden is (niet verwacht.

dan is het gevonden percentage significant verschillend. hoe beter de normale verdeling werkt.com .Stuvia. dus hoe groter het aantal personen in de onderzoekspopulatie en hoe dichter het geobserveerde percentage bij 50% ligt. Toetsen van een vergelijking van een proportie met een standaardwaarde Bereken de toetsingsgrootheid (Z) aan de hand van de volgende formule (zie bladzijde 134 en 135 voor de formule + voorbeeld met ingevulde formule): Z = geobserveerd percentage – standaardwaarde (en dus: waarde voor H0) _________________________________________________________________________ SE van het percentage onder de nulhypothese Zoek vervolgens de juiste p-waarde in de z-tabel op voor de berekende z-waarde Ook in deze situatie is de SE die gebruikt wordt voor het toetsen anders dan de SE die gebruikt wordt voor het 95% BI!  bij het toetsen maakt men gebruik van de SE van de waarde van de H0 . Schatten van een vergelijking van een proportie met een standaardwaarde Gebruik de bovenste formule van bladzijde 134 om een 95%-BI te construeren rond een vergelijking van een percentage met een standaardwaarde  de formule voor de SE (p) staat op bladzijde 118  formule 5. Ook in deze situatie wordt de normale benadering gebruikt.2 Indien de waarde van de H0 (=standaardwaarde) buiten de grenzen van het BI ligt.The Marketplace to Buy and Sell your Study Material Vergelijken van een proportie met een standaardwaarde Om de onzekerheid van een vergelijking van een gevonden percentage en een standaardwaarde (percentage) te kwantificeren kan er wederom geschat en getoetst worden.

Ligt de waarde van H0 niet tussen de grenzen dan is het RV wel significant.13b) 95%-BI berekenen rond het gevonden RV Aan de hand van de SE kan een 95%-BI rond het gevonden RV berekend worden zie formule 5. De toetsingsgrootheid voor de McNemar-toets is te berekenen aan de hand van formule 5. .com .16  dus wordt het (formule 5. dan is het RV niet significant. 138. Hiervoor moet allereerst de waarde van de SE van het verwachte RV (als de H0 waar is) berekend worden zie formule 5.15 op bladzijde 138.13a en 5. Zoek vervolgens de juiste p-waarde op in de tabel op basis van een chikwadraatverdeling met één df. Interpretatie van dit 95%-BI = We kunnen met 95% zekerheid stellen dat het werkelijke RV tussen middel A en middel B ligt tussen …% en …%. P-waarde berekenen voor gevonden RV De bijbehorende p-waarde kan berekend worden met behulp van de McNemar-toets (chikwadraattoets voor gepaarde waarnemingen).14 op blz. is de toetsingsgrootheid van deze toets het kwadraat van de Z-waarde uit formule 5.16 op bladzijde 138 Z= (b-c) / √ (b+c)  Let op! Omdat de McNemar-tiets uitgaat van een chikwadraatverdeling met één df. Bij een “cross-over trial” zijn waarnemingen niet onafhankelijk van elkaar gedaan daarom moet een 2x2 tabel van een cross-over trial weergegeven worden op de manier van tabel 2 op bladzijde 136 (en niet zoals de eerste tabel van dezelfde bladzijde!) zie tabel hieronder… De algemene 2x2-tabel voor gepaarde waarnemingen van dichotome uitkomstvariabelen ziet er als volgt uit: Uitkomst + a c Middel 2 Uitkomst b d Totaal n Middel 1 Uitkomst + Uitkomst Totaal Het RV met bijbehorende SE zijn te berekenen aan de hand van de formules op bladzijde 137 (formule 5.Stuvia.17): χ2 = (b-c)2 / b+c.The Marketplace to Buy and Sell your Study Material Vergelijken van twee metingen bij dezelfde persoon Het karakteristieke onderzoeksdesign voor twee metingen van een dichotome uitkomstvariabelen bij dezelfde persoon is de “cross-over trial”. Ligt de waarde van de H0 (=0%) tussen de grenzen van het BI.

De p-waarde die hieruit komt is zal hoogstwaarschijnlijk niet gelijk zijn aan de p-waarde die je berekend met behulp van formule 5.com . Dit komt omdat SPSS automatisch een continuïteitscorrectie toepast.17 zie formule 5.Stuvia.The Marketplace to Buy and Sell your Study Material SPSS kan ook het resultaat van de McNemar-toets uitvoeren.17. Deze continuïteitscorrectie kan ook toegevoegd worden aan formule 5.18 op bladzijde 140. .

Interpretatie van deze p-waarde = de kans dat deze 2x3-tabel (of nog verder van H0) gevonden zou worden als de H0 waar zou zijn. In de output van SPSS verschijnt ook de trendtoets (Linear-by-Linear Association).com . Het aantal vrijheidsgraden van een willekeurige kruistabel kan eenvoudig worden berekend door het aantal rijen min 1 te vermenigvuldigen met het aantal kolommen min 1. maar wordt eigenlijk alleen bij 2x2-tabellen gebruikt.9 op bladzijde 125 kan nu de chikwadraatwaarde worden berekend let op! De chikwadraatwaarde volgt nu een chikwadraatverdeling met twee vrijheidsgraden. Uit een 2x3-tabel kan niet direct een effectmaat worden berekend.Stuvia.The Marketplace to Buy and Sell your Study Material Vergelijken van meer dan twee groepen Voor het vergelijken van meer dan twee groepen gebruiken we een 2x3-tabel. Deze toets geeft aan in hoeverre de percentages in de 2x3-tabel gelijkmatig oplopen dan wel aflopen. . De overall associatie tussen uitkomstvariabele en interventievariabele (of determinant) kan worden getoetst met behulp van de chikwadraattoets. Zoek vervolgens de bijbehorende p-waarde op in de tabel op basis van een chikwadraatverdeling met twee vrijheidsgraden en ga na of deze p-waarde wel/ niet significant is. De chikwadraatwaarde met bijbehorende df‟s en p-waarden kunnen ook door SPSS berekend worden. Hierbij wordt geen resultaat gegeven voor de exacte toets van Fisher en de continuïteitscorrectie. Om een effect (RV of RR) met bijbehorend 95%-BI te schatten moet de 2x3 tabel opgedeeld worden in drie 2x2-tabellen. Dit is wel mogelijk. Deze chikwadraattoets werkt hetzelfde als bij de vergelijking van twee groepen met elkaar  Bereken voor iedere cel in de 2x3-tabel het verwachte aantal personen indien de nulhypothese waar is de randtotalen blijven staan! (zie bladzijde 141 eventueel) Aan de hand van formule 5. Op bladzijde 142 staat meer info over de trendtoets.

Odds op een bepaalde uitkomst is de kans op de uitkomst gedeeld door 1 min die kans: odds = P(Y=1) / 1 .22 op bladzijde 145. Voor alle andere onderzoeksdesigns (case-controlonderzoek.The Marketplace to Buy and Sell your Study Material Alternatieve effectmaat bij het analyseren van 2x2-tabellen: oddsratio Berekenen OR Het RV en RR kunnen alleen gebruikt worden in prospectief onderzoek (alleen dan kun je spreken van absolute kansen). waarde = 0 -max. Vervolgens kan een 95%-BI geconstrueerd worden rond de natuurlijke logaritme van OR door formule 5.Stuvia. retrospectief en cross-sectioneel cohortonderzoek) moet de oddsration worden gebruikt. Vervolgens moet ook dit 95%-BI teruggetransformeerd worden om een 95%-BI te krijgen rond de OR neem de e-macht van beide grenzen voor terugtransformatie. De odds ratio van wel blootgesteld ten opzichte van niet-blootgesteld op het krijgen van de ziekte bereken je als volgt: OR = (a/a+b) / (b/a+b) ___________________ = axd ______ (c/c+d) / (d/c+d) bxc De 2x2-tabel ziet er hierbij als volgt uit (let op!  soms staan de tabellen omgedraaid eerst goed zetten!): Cases Controles Totaal a b a+b Determinant + c d c+d Determinant a + c b + d n Totaal Interpretatie OR: de odds op het hebben van de ziekte is voor de blootgestelden … keer zo groot als de odds op het hebben van de ziekte voor niet-blootgestelden 95%-BI construeren rond de OR Logtranformeer de OR (als de H0 waar is. volgt de OR een rechtsscheve verdeling) Hierbij geldt: -H0 = 1 -min. waarde = oneindig De SE van de natuurlijke logaritme van de OR is te berekenen aan de hand van formule 5.P(Y=1)  P(Y=1) is de kans op de uitkomstvariabele.23 op bladzijde 146 in te vullen. Interpretatie van dit 95%-BI: De werkelijke OR ligt met 95% zekerheid tussen… en … .com .

Ook bij de OR is het BI rond de OR niet symmetrisch (doordat OR op logaritmische schaal is gemeten): -OR>1  bovengrens ligt verder weg van de gevonden OR dan de ondergrens -OR<1 ondergrens ligt verder weg van de gevonden OR dan de bovengrens P-waarde berekenen voor OR Voer de chikwadraattoets (met Fisher exact toets en chikwadraattoets met continuïteitscorrectie) uit om de werkelijke p-waarde voor de OR te krijgen. omdat de OR berekend kan worden met behulp met logistische regressieanalyse. Er wordt gesteld (= arbitraire grens) dat de OR een goede schatter is van het RR als de prevalentie van de uitkomstvariabele kleiner is dan 5%.15 + tekst onder deze output (“In het… t/m …het berekeningsproces”)!!! .com . OR vs. De OR en RR zijn ook via SPSS te berekenenzie bladzijde 148.The Marketplace to Buy and Sell your Study Material De OR is significant indien de waarde van de H0 (OR=1) buiten het 95%-BI valt. De p-waarde voor de OR en RR zijn hetzelfde. Het 95%-BI rond de OR is breder dan het 95%-BI rond het RR. omdat ze uit dezelfde 2x2-tabel gehaald worden (je berekend de p-waarde voor de 2x2 tabel). RR Indien men voor deelfde 2x2-tabel de OR en de RR berekend. Hoe groot deze overschatting is.Stuvia. output 5. hoe groter de overschatting. is afhankelijk van de prevalentie van de uitkomstvariabele  hoe groter de prevalentie. De OR wordt ook vaak gebruikt voor prospectief onderzoek. zal de OR altijd hoger zijn dan de RR (indien de OR geïnterpreteerd wordt als RR zal de OR dus een overschatting van RR zijn).

Om logistische regressieanalyse toe te passen op een dichotome uitkomstvariabele doen we het volgende: 1. stel een lineaire regressievergelijking op voor de dichotome uitkomstvariabele  Ydichotoom = b0 + b1 X1 + … Deze lineaire regressieanalyse is onmogelijk te onderzoeken. logistische regressieanalyse Bij een dichotome uitkomstvariabele gebruikt men de logistische regressieanalyse (bij continue uitkomstvariabele lineaire regressieanalyse).The Marketplace to Buy and Sell your Study Material Analyseren van relaties tussen een dichotome uitkomstvariabele en diverse andere variabelen.com .Gebruik niet de odds. zie paragraaf 3. De B (b1) van de determinant is hierbij de natuurlijke logaritme van de OR (is namelijk het verschil het verschil tussen de groepen van de determinant voor wat betreft de natuurlijke logaritme van de kans op de uitkomstvariabele gedeeld door 1 min die kans (zie formule 5. maar de odds als uitkomstvariabele: P(Ydichotoom) ____________________ = b0 + b1 X1 + … 1 – P(Ydichotoom) De odds vormt een “continue” variabele die loopt van 0 tot oneindig. = 0 en max.Gebruik niet de kans.31 op bladzijde 153). Logistische regressie met een dichotome determinant en een dichotome uitkomstvariabele Op bladzijde 152 is een output te zien van het resultaat van de logistische regressieanalyse van de relatie tussen twee dichotome variabelen. Het probleem is echter dat ook deze variabele niet normaal verdeeld is. de kans op de dichotome uitkomst modelleren: P(Ydichotoom) = b0 + b1 X1 + … Deze kans voldoet nog steeds aan de aannames van een lineaire regressieanalyse (kans is binomiaal verdeeld (min. een kans van 0% geeft een odds van 0 en een kans van 100% geeft een odds van oneindig) 4. . maar de natuurlijke logaritme van de odds  zie onderste twee formules op bladzijde 150! Deze nieuwe uitkomstvariabele is normaal en continu. de odds is namelijk scheef naar rechts verdeeld (een kans van 50% (het midden) geeft een odds van 1.Stuvia.29 op bladzijde 152) Door nu de e-macht te nemen (EXP) van de regressiecoëfficiënt (b1) blijft de OR over (zie formule 5. omdat de uitkomstvariabele niet voldoet aan de eisen van een lineaire regressieanalyse  niet normaal verdeeld) 2.2) niet normaal!) 3. = 1.

helft niet  dus: betreffende kans voor uitkomstvariabele op basis van wel/ niet blootgesteld zijn is relatief ten opzichte van de 50% kans die er a priori is.The Marketplace to Buy and Sell your Study Material Berekenen 95%-BI rond OR 1. Hierbij is er sprake van vier mogelijkheden (2x2-tabel dichotome determinant en dichotome uitkomstvariabele): Mogelijkheid 1 2 3 4 Bloostgesteld? ja ja nee nee Heeft betreffende ziekte? Kans ja nee ja nee Aantal Let op! De kansen bij een case-controlonderzoek zijn niet absoluut (helft heeft hartinfarct. Hierbij wordt formule 5. De totale likelihood wordt als volgt berekend: (kans op mogelijkheid 1)tot de macht van het aantal personen in cel 1 x (kans op mogelijkheid 2)tot de macht van het aantal personen in cel 2 x (kans op mogelijkheid 3)tot de macht van het aantal personen in cel 3 x (kans op mogelijkheid 4)tot de macht van het aantal personen in cel 4 . Maximum likelihood Bij logistische regressie gebruikt men de maximum likelihood-schattingsmethode om de waarden van de regressiecoëfficiënten te schatten.28 gebruikt op bladzijde 150. Neem de e-macht van de grenzen van dit 95%-BI interval Interpretatie van dit 95%-BI: we kunnen met 95% zekerheid stellen dat de werkelijke OR voor groep 1 van de determinant ten opzichte van groep 2 van de determinant voor het hebben van de betreffende uitkomstvariabele ligt tussen… en de … SPSS kan ook het 95%-BI direct berekenen (zie output 5. Bereken het 95%-BI rond de gevonden regressiecoëfficiënt (zie formule 5.com . Om de p-waarde te berekenen kan met behulp van de output van de logistische regressieanalyse de zogeheten Wald-toets worden uitgevoerd (zie bladzijde 154): Wald = (b / SE(b))2 De Wald-statistic (=toetsingsgrootheid voor de Wald-toets) volgt een chikwadraatverdeling met één vrijheidsgraad. Berekenen p-waarde voor een OR De waarde voor de nulhypothese is hierbij 1.32 op bladzijde 153) 2.18 op bladzijde 154). De p-waarde is te vinden in de output onder “Sig. De likelihood wordt berekend door op basis van de regressiecoëfficiënten voor iedere persoon de kans op de uitkomst te berekenen en vervolgens al deze kansen met elkaar te vermenigvuldigen.Stuvia.”.

Deze uitkomst volgt een chikwadraatverdeling  df‟s worden bepaald door het verschil in aantal parameters tussen beide modellen (nu zijn we van 1 determinant uitgegaan: model met determinant en zonder determinant 1 determinant verschil. De uitkomst hiervan is het verschil in -2-log-likehood tussen de twee modellen. In de output van een logistische regressieanalyse wordt het resultaat van de likelihoodratiotoets ook gegeven (zie output 5. Bereken de -2-log-likelihood voor het model zonder determinant: kijk alleen naar het totaal aantal patiënten en controles (niet-patiënten): los van de determinant  druk vervolgens beide aantallen uit in het percentage van het totaal aantal personen (indien patiënten en controles evenveel personen bevatten: beiden 50% kans) bereken de -2-log-likelihood voor het model voor zonder determinant: -2 x ln((kans op zijn van patiënt)tot de macht van het aantal patiënten x (kans op zijn van nietpatiënt)tot de macht van het aantal niet-patiënten) 3. Hierbij worden twee -2-log-likelihoods met elkaar vergeleken (bijvoorbeeld -2-log-likelihood van niet-blootgestelden met die van wel blootgestelden).4 op bladzijde 126).com .Stuvia. Dit gaat als volgt: 1. dus 1 df) p-waarde kan worden opgezocht aan de hand van de tabel voor de chikwadraatverdeling (tabel 5. Bereken de -2-log-likelihood voor het model met determinant (zie hierboven) 2.19 op bladzijde 157) . wordt zij getransformeerd tot de -2-log-likelihood (-2 x de natuurlijke logaritme van de likelihood) De -2-log-likelihood voor het model met determinant wordt als volgt berekend (zie blz. Bereken vervolgens het verschil in -2-log-likelihood tussen de twee modellen (met en zonder determinant) door het volgende te berekenen: -2-log-likelihood model zonder determinant min -2-log-likelihood model met determinant 4. Met behulp van de likelihood-ratiotoets kunnen twee modellen met elkaar vergeleken worden.The Marketplace to Buy and Sell your Study Material Omdat de likelihood een heel klein getal is. 156): -2 x ln((kans op mogelijkheid 1)tot de macht van het aantal personen in cel 1 x (kans op mogelijkheid 2)tot de macht van het aantal personen in cel 2 x (kans op mogelijkheid 3)tot de macht van het aantal personen in cel 3 x (kans op mogelijkheid 4)tot de macht van het aantal personen in cel 4) Het doel van de maximum likelihood-schattingsprocedure is de regressiecoëfficiënten zo te schatten dat de likelihood van het model zo groot mogelijk is -2-log-likelihood moet dus zo laag mogelijk worden.

23 op bladzijde 159) 2. Dit geeft voor elke groep de natuurlijke logaritme van de odds op het hebben van de ziekte. niet tussen EXP(B) B groep 1 . . In SPSS worden (aan de hand van logistische regressieanalyse) de p-waarde. De interpretatie van dit OR is: de odds op het hebben van de ziekte is voor groep 1 … zo hoog als voor groep 2.The Marketplace to Buy and Sell your Study Material Logistische regressieanalyse met een categoriale determinant Logistische regressieanalyse kan gebruikt worden voor alle mogelijke determinanten.com . De verschillen tussen referentiegroep en de andere twee groepen (afzonderlijk) in natuurlijke logaritme van de odds op de ziekte geven de regressiecoëfficiënten van de betreffende twee groepen (afzonderlijk) weer.Vervolgens wordt er een logistische regressieanalyse uitgevoerd met de twee dummyvariabele (zie output 5.Maak een dummycodering voor de categoriale variabele aan de hand van een tabel (zoals in output 5. Dit doen we als volgt: 1. met bijbehorend 95%-BI in de output gegeven (zie output 5.B groep 2) en vervolgens omzetten naar OR door de e-macht te nemen. dan is dit niet de correcte analyse om de relatie mee te analyseren. Op basis hiervan is de regressievergelijking als volgt: Ln(odds(Y=1)) = b0 + b1 x dummy 1 + b2 x dummy 2 Ln(odds(Y=1)) = de natuurlijke logaritme van de odds op het hebben van de ziekte (betreffende uitkomst met waarde 1).24 op bladzijde 160) let hierbij op: EXP(B) > 1 = risicoverhogend effect en EXP(B) < 1 = beschermend effect let hierbij ook op de p-waarde! Nu weten we het effect van beide groepen voor de regressiecoëfficiënt ten opzichte van de referentiegroep. Indien er sprake is van een categoriale determinant met drie groepen kan de relatie tussen de determinant en uitkomstvariabele weergegeven worden met behulp van een 3x2-tabel. moeten we het verschil tussen de regressiecoëfficiënten uitrekenen (verschil tussen B.Stuvia.24 op bladzijde 160) dit levert twee regressiecoëfficiënten en een intercept op. In dit geval moeten we weer dummy‟s gaan gebruiken. De bijbehorende p-waarde kan worden berekend met behulp van een chikwadraattoets (zie output 5. Beta en EXP Beta. Beide regressiecoëfficiënten moeten worden omgezet naar bijbehorende OR‟s e-macht van regressiecoëfficiënt nemen levert OR op van groep … ten opzichte van de referentiegroep. Effectmaten kunnen alleen berekend worden door de 2x3-tabel op te delen in verschillende 2x2-tabellen. Als we nu het verschil tussen beide groepen van de regressiecoëfficiënten willen berekenen. Vul voor elke groep de bovenstaande formule in. Wald-toets. Het is ook mogelijk effectmaten te bereken door een logistische regressieanalyse uit te voeren let op! Indien de toets van trend niet significant is (en/of de regressiecoëfficiënt tussen determinant en uitkomstvariabele in een logistische regressieanalyse niet significant is).21 op bladzijde 158).

Als de continue variabele met een te kleine eenheid gemeten is en je wilt bijvoorbeeld een verschil in OR voor 5 eenheden weten (omdat dit meer informatie geeft). de oddsratio (Exp(B)) en de bijbehorende p-waarde en 95%-BI. met daarin de 2 dummy‟s voor de determinant (zie output 5. Één van de problemen die zich kunnen voordoen bij het interpreteren van de OR bij een continue determinant is dat de grootte van de OR afhangt van de eenheid waarmee de continue variabele gemeten is. Hierbij wordt er dus uitgegaan van een lineair verband. Daarom moeten we eerste controleren in hoeverre er sprake is van een lineair verband (zie volgende paragraaf (5.25 is ook de overall Wald-toets (met bijbehorende p-waarde en aantal df‟s) gegeven. Hiervoor moet de likelihood van het logistische regressiemodel zonder determinanten vergeleken worden met de likelihood van het logistische regressiemodel. Voer vervolgens de logistische regressieanalyse uit met de nieuwe codering voor de dummy‟s in de output verschijnen nu onder andere de B.com . Deze output geeft onder andere de regressiecoëfficiënt voor de continue determinant.25 op bladzijde 162).25 op bladzijde 163) (2 dummy‟s. De overall p-waarde van de associatie tussen uitkomstvariabele en determinant kan ook bepaald worden met de likelihood-ratiotoets. EXP(B). p-waarde en het 95%-BI voor de relatie tussen de eerdere (in vorige output) twee groepen van de regressiecoëfficiënten (wat in de nieuwe output weer een vergelijking is tussen een referentiegroep en groep voor de regressiecoëfficiënt) (zie ook output 5. Logistische regressieanalyse met een dichotome uitkomstvariabele en continue determinant Voer hiervoor een logistische regressieanalyse uit met SPSS (zie output 5.27.The Marketplace to Buy and Sell your Study Material Om vervolgens het 95%-BI te berekenen. Deze is te vergelijken met de chikwadraattoets uitgevoerd op de totale 2x3-tabel.Stuvia. In output 5. SPSS geeft in de output onder andere het verschil in -2-log-likelihoods voor de twee modellen (met de twee dummy‟s en zonder de dummy‟s).7)). gebruik dan de volgende formule: OR5 eenheden = EXP (5 x b1 eenheid) . badzijde 164). Hierbij geeft de OR het verschil in OR aan wanneer de continue variabele met één variabele verschilt. De H0 is in dit geval: geen associatie tussen determinant en uitkomstvariabele. omdat we 2 dummy‟s hebben toegevoegd en het verschil in parameters tussen beide modellen dus 2 is). omdat we in dit geval 3 groepen vergelijken). Om de p-waarde te krijgen moet die verschil worden beoordeeld op een chikwadraatverdeling met twee vrijheidsgraden (twee vrijheidsgraden. moeten de dummy‟s anders gecodeerd worden (andere referentiegroep kiezen beide dummyvariabelen zijn 0 voor de referentiegroep). De vraag is echter of dit terecht is.

com .Stuvia. .The Marketplace to Buy and Sell your Study Material Om het 95%-BI te berekenen voor OR5 eenheden gebruiken we de volgende formule (waarin ook de SE van de regressiecoëfficiënt met vijf vermenigvuldigt wordt): 95%-BI (OR5 eenheden) = EXP ((5xb1 eenheden) ± (1.96 x (5 x SE1 eenheid)) Interpretatie van deze uitkomst: De werkelijke OR voor een verschil van vijf eenheden … op het hebben van de ziekte ligt met 95% zekerheid tussen de … en de … Op bladzijde 166 staan nog twee mogelijkheden om het OR voor een verschil in meerdere eenheden te berekenen.

worden de volgende stappen ondernomen: 1.30 op bladzijde 168)  in beide modellen is de “normale” determinant ook toegevoegd (dus je vergelijkt een kwadratisch verband met een lineair verband)  ga na of dit verschil significant is (op basis van een chikwadraatverdeling met 1 df). 3.Bekijk het percentage personen met de betreffende ziekte per groep (bijvoorbeeld aan de hand van een staafdiagram) op deze manier krijg je een beeld van de mate van lineariteit. en max. 4. 2.com .Indien er geen sprake is van een lineair verband.deel de continue determinant op in een aantal groepen (bijvoorbeeld kwartielen).Deel de continue determinant op in een aantal groepen (bijvoorbeeld in 4 groepen op basis van kwartielen). waarden per groep zoals in output 5.Stuvia. 2.32 op bladzijde 170) . 3. rapporteer dan de resultaten van de analyse met de categoriale determinant (rapporteer hierbij de gemiddelde waarde van de determinant per groep en de grenzen (min. Indien het verschil significant is: kwadratisch verband is beter dan lineair verband. Maar: deze methode is niet handig om meerdere redenen (zie onderaan bladzijde 168 en bovenaan bladzijde 169 voor de redenen) Mogelijkheid 3: 1.The Marketplace to Buy and Sell your Study Material Controle op lineariteit bij logistische regressieanalyse Om na te gaan of de relatie tussen een continue determinant en een dichotome uitkomstvariebele lineair is. Mogelijkheid 2: Aan de hand van een likelihood-ratiotoets: vergelijk de -2-log-likelihood van het model zonder determinant2 met de -2-log-likelihood van het model met determinant2 (zie output 5.29 op bladzijde 167) Ga vervolgens na of het kwadratisch verband significant is.analyseer de categoriale variabele met behulp van (drie) dummyvariabelen met logistische regressieanalyse (zie output 5.31 op bladzijde 169) Interpretatie odds: iemand met een … uit het …e kwartiel heeft … zo grote odds op het krijgen van de ziekte dan iemand uit het …e kwartiel (referentiegroep).Om dit beeld te statistisch te onderbouwen zijn er meerdere mogelijkheden (zelfde als bij continue uitkomstvariabele): Mogelijkheid 1: Voeg een ander soort wiskundige functie toe (bijvoorbeeld een kwadratisch verband) aan de logistische regressieanalyse (zie output 5.Ga na of er sprake is van een lineair verband of niet (gebruik de gemiddelde waarde van de determinant per groep om de grootte van de regressiecoëfficiënt te kunnen beoordelen).

35 bladzijde 173 3. met daarin: determinant en uitkomstvariabele  output 5. Effectmodificatie en confounding bij het analyseren van een dichotome uitkomstvariabele kunnen worden onderzocht op twee manieren: 1. Confounding = het gevonden effect (of de relatie) wordt geheel of gedeeltelijk veroorzaakt door iets anders. confounding gecorrigeerde OR) (formule 5.Mogelijke confounder moet een relatie hebben met uitkomstvariabele en met de determinant 2.Bereken de Mantel Haenszel gepoolde OR (voor evt.37 op bladzijde 175) 4.com .Maak een (overall) 2x2 tabel en bereken de OR (=ruwe OR) 2.maak een 2x2-tabel afzonderlijk voor de verschillende groepen van de mogelijke confounder.Mogelijke confounder mag niet in causale pad liggen tussen determinant en uitkomstvariabele Als de verschillende groepen/ waarden van de mogelijke confounder in dezelfde maten gerepresenteerd zijn kan er nooit sprake zijn van confounding .Vergelijk de ruwe OR met de Mantel Haenszel gepoolde OR indien beide OR‟s niet gelijk zijn is er sprake van enige confounding (maar in hoeverre is dit relevant?  kijk naar de grootte van het verschil: indien het verschil relatief klein is: confounding lijkt niet relevant rapporteer de ruwe OR) (indien er wel een relatief groot verschil is: confounding!  rapporteer de Mantel Haenszel gepoole OR) Voorwaarden confounding: 1.door het gestratificeerd analyseren van een 2x2-tabel (uitsluitend voor dichotome confounders en effectmodificatoren) Confounding onderzoeken door middel van gestratificeerde analyses Analyseer in hoeverre de mogelijke confounder geassocieerd is met de determinant en in hoeverre met de uitkomstvariabele: 1.met behulp van logistische regressieanalyse (voor categoriale en continue confounders en effectmodificatoren) 2.Stuvia.The Marketplace to Buy and Sell your Study Material Confounding en effectmodificatie Effectmodificatie = het effect (of de relatie) dat gevonden is in een bepaalde analyse verandert bij verschillende waarden van de mogelijke effectmodificator.

Maak een interactieterm aan (determinant x mogelijke effectmodificator) 2.maak een 2x2-tabel afzonderlijk voor de verschillende groepen van de mogelijke effectmodificator. dan is er sprake van effectmodificatie maar: is het verschil tussen beide OR‟s (dus de effectmodificatie) wel significant? twee mogelijkheden om dit te onderzoeken: Mogelijkheid 1: Indien de OR‟s van beide groepen niet in het 95%-BI van de andere groep valt is er sprake van significante effectmodificatie.40 bladzijde 178. 3.com .Voer een logistische regressieanalyse uit met daarin drie variabelen: determinant. + b2 x waarde effectmod. anders niet! Mogelijkheid 2: voer een toets voor homogeniteit uit (output 5. x waarde effectmod.The Marketplace to Buy and Sell your Study Material Effectmodificatie onderzoeken door middel van gestratificeerd analyses 1. 4.Schrijf de regressievergelijking uit om de regressiecoëfficiënten uit de output beter te kunnen begrijpen zie voorbeeld op bladzijde 179  in algemene vorm als volgt: ln(odds) = b0 + b1 x waarde determ.voer een logistische regressie uit met alleen de interventievariabele en uitkomstvariabele (output 5.Bereken de OR voor elke groep van de mogelijke effectmodificator afzonderlijk. 3.Maak een (overall) 2x2 tabel en bereken de OR 2. Indien het verschil tussen de OR‟s wel significant is  OR‟s per groep van de effectmodificator rapporteren en confounding speelt dan geen rol meer.Vergelijk de twee regressiecoëfficiënten (B en niet Exp(B)!) van de determinant met elkaar (niet kijken naar die van de confounder!) Indien de twee regressiecoëfficiënten 10% of meer van elkaar verschillen is er sprake van relevante confounding! Effectmodificatie onderzoeken met behulp van logistische regressieanalyse 1.36 bladzijde 174): Hierbij is H0: beide OR‟s zijn homogeen ga op basis van de p-waarde na of er sprake is van significantie of niet Indien het verschil tussen de OR‟s (en dus de effectmodificatie) niet significant is  OR‟s hoeven niet apart te worden gerapporteerd en ga na of er dan sprake is van confounding.39 bladzijde 177) (in deze output is de Mantel Haenszel gepoolde OR de Exp(B) voor de determinant in de analyse met de confounder).Indien de OR‟s van beide groepen van de mogelijke effectmodificator verschillen van elkaar. Confounding onderzoeken met behulp van logistische regressieanalyse 1. 2. met daarin: determinant en uitkomstvariabele  output 5.35 bladzijde 173 3. mogelijke effectmodificator en de interactieterm (en natuurlijk uitkomstvariabele)  output 5.Stuvia. + b3 x waarde determ. .Voeg de mogelijke confounder toe aan de logistische regressieanalyse en voer deze tweede logistische regressieanalyse uit (output 5.38 bladzijde 177).

De 95%-BI en de p-waarde voor groep 2 van de effectmodificator is echter niet direct af te lezen. Om dit te realiseren moet de variabele effectmodificator opnieuw gecodeerd worden groep 2 krijgt nu code 0 en groep 1 code 1 (codering is nu dus andersom). *Ln(odds) voor de determinant van groep 1 van de mogelijke effectmodificator = Regressiecoëfficiént determinant (b1) *Ln(odds) voor de determinant van groep 2 van de mogelijke effectmodificator = Regressiecoëfficiënt interactieterm (b3) + regressiecoëfficiënt determinant (b1) De Ln(odds) voor de determinant van groep 2 van de mogelijke effectmodificator kan ook aan de hand van de volgende formule berekend worden: ORgroep 2 = ORgroep 1 x ORinteractie . geen verschil tussen de OR van groep 1 en groep 2 van de effectmodificator) indien p-waarde niet significant is: effectmodificatie is niet relevant en er kan dan 1 OR voor de determinant gerapporteerd worden.com .Indien de OR voor groep 1 en de OR voor groep 2 (van de effectmodificator) sterk van elkaar verschillen is er sprake van effectmodificatie.The Marketplace to Buy and Sell your Study Material b1 = regressiecoëfficiënt determinant. Indien p-waarde significant is: effectmodificatie is relevant!  OR per groep van de effectmodificator rapporteren! Indien er sprake is van relevante effectmodificatie. Vervolgens dient er op identieke wijze (met determinant. Zie eventueel het overzicht van de verschillende statistische technieken voor het analyseren van dichotome uitkomstvariabele op bladzijde 182. Nu is in de output het 95%-BI en de p-waarde voor groep 2 af te lezen kijk naar de p-waarde en het 95%-BI van de determinant (en niet naar die van de effectmodificator!). Maar in hoeverre is deze effectmodificatie relevant?  bekijk de p-waarde van de regressiecoëfficiënt van de interactieterm (H0 = de regressiecoëfficiënt is gelijk aan 0.Stuvia. 7. controlegroep en interventiegroep) afzonderlijk. Voor groep 1 van de effectmodificator is dit eenvoudig af te lezen in de output (evenals de p-waarde). b2 = regressiecoëfficiënt mogelijke effectmodificator b3 = regressiecoëfficiënt interactieterm 4. 6. door stap 4 tot en met 6 te herhalen voor groep 2. Bereken de OR voor groep 2 van de mogelijke effectmodificator. 8. effectmodificator en interactieterm (en natuurlijk uitkomstvariabele)) een logistische regressieanalyse uitgevoerd te worden. dan wil je per OR ook een 95%-BI berekenen.Bereken voor groep 1 van de mogelijke effectmodificator (bijvoorbeeld “vrouwen”) de ln(odds) beide waarden van de determinant (bijv.neem de e-macht van dit verschil (EXP)  het resultaat hiervan is de OR voor groep 1 van de mogelijke effectmodificator. 5.Bereken het verschil in ln(odds) tussen de twee groepen van de determinant (nog steeds voor alleen groep 1 van de mogelijke effectmodificator).

proefpersoon bereikt de uitkomst niet (= censoring) Censoring kan op twee manieren plaatsvinden: 1. Hiervoor hebben we een schatting van de standaardfout (SE) nodig. a. een figuur als op bladzijde 188) 2.proefpersoon bereikt de uitkomst 2. Dit is bij de RR niet het geval.v.d. omdat bij de ID-ratio ook de tijd totdat de uitkomst wordt bereikt een rol speelt. maar ze worden wel later ziek (komt amper voor).Bereken het incidentiedichthedenverschil en/of incidentiedichthedenratio Incidentiedichthedenverschil = incidentiedichtheid groep 1 – incidentiedichtheid groep 2 (let hierbij op de gebruikte eenheden voor persoonstijd!) Incidentiedichthedenratio = incidentiedichtheid groep 1 / incidentiedichtheid groep 2 (noem bij beide effectmaten de eenheden!) Incidentiedichtheidsratio is niet hetzelfde als RR. Indien het RR groter is dan de ID-ratio= in de ene groep worden weliswaar meer personen ziek.h.Bereken de incidentiedichtheid per groep (evt. Incidentiedichtheid= aantal personen dat ziek (of andere uitkomst) is geworden gedeeld door de totale tijd (tijd at risk voor alle personen bij elkaar opgeteld) dat die personen de mogelijkheid hebben gehad om ziek te worden (dit laatste is “tijd at risk”)  uitkomst = … zieken (of andere uitkomst) per persoonstijd (persoonjaar bijvoorbeeld) Bij overlevingsanalyse kunnen er twee mogelijkheden worden onderscheiden: 1. De incidentiedichtheidsratio geeft een verhouding in de tijd at risk aan tussen beide groepen (dus de verhouding in de snelheid in het verkrijgen van een bepaalde uitkomst tussen de groepen) Indien het RR gelijk is aan de ID-ratio= alleen de aantallen zieken in beide groepen verschillen van elkaar.com . Om de ID-ratio en het ID-verschil (beiden zijn effectmaten) te generaliseren naar de doelpopulatie moeten we de onzekerheid van het gevonden resultaat kwantificeren met behulp van 95%-BI‟s.Stuvia. .proefpersoon kan of wil op een bepaald moment niet meer meedoen aan het onderzoek Om twee groepen met elkaar te vergelijken doen we het volgende: 1.The Marketplace to Buy and Sell your Study Material Hoofdstuk 6: De analyse van overlevingsdata (survivaldata) Vergelijken van twee groepen: incidentiedichtheden Cumulatieve incidentie= de kans op (bijvoorbeeld) ziekte voor een bepaald cohort dat vrij is van ziekte aan het begin van het onderzoek.doordat het onderzoek eindigt 2.

3 op bladzijde 190 voor de berekening van de standaardfout van de natuurlijke logaritme van de IDratio. Vervolgens kan aan de hand van formule 6. Indien er in een bepaalde periode of in bepaalde periode niets gebeurd. Wanneer de waarde van H0 niet binnen de grenzen van dit 95%BI liggen is er wel sprake van significantie van de IDratio. .The Marketplace to Buy and Sell your Study Material Berekenen 95%-BI rond IDverschil Zie formule 6.com . Vergelijken van twee groepen: Kaplan-Meier-overlevingscurve Kaplan-Meier-overlevingscurve= grafische weergave van de overleving over de tijd Om de Kaplan-Meier-overlevingscurve te maken wordt de follow-uptijd opgedeeld in allemaal kleine perioden en wordt er per kleine periode de kans op overleving berekend (uitgaande van het feit dat een persoon aan het begin van die kleine periode nog in leven is).2 op bladzijde 190 het 95%-BI rond het gevonden IDverschil berekend worden. blijven de overlevingskansen hetzelfde.5 op bladzijde 192.Stuvia. moeten weer teruggetransformeerd worden! Interpretatie van dit 95%-BI (na terugtransformatie!)= de werkelijke IDratio voor groep 1 ten opzichte van groep 2 ligt met 95% zekerheid tussen … en … Indien de waarde van H0 (=1) binnen de grenzen van dit 95%-BI liggen is er geen sprake van significantie van de IDratio. Berekenen 95%-BI rond IDratio Om de standaardfout van een IDratio moet er een logtransformatie worden toegepast (namelijk: indien de nulhypothese waar is.1 op bladzijde 189 voor berekening van de standaardfout van de IDverschil. Zie output 6. De interpretatie van die 95%-BI is als volgt: met 95% zekerheid kan gesteld worden dat het “werkelijke” IDverschil tussen groep 1 en groep 2 ligt tussen … zieken per persoontijd (bijvoorbeeld persoonsjaar) en … zieken per persoonstijd.1 op bladzijde 193 voor een (grafische) weergave van de Kaplan-Meieroverlevingscurve.4 op bladzijde 191 het 95%-BI rond de natuurlijke logaritme van de IDratio berekend worden de grenzen die uit deze formule komen. volgt deze ratio een scheef naar rechtse verdeling) Zie formule 6. Vervolgens kan aan de hand van formule 6. Deze kansen worden berekend aan de hand van formule 6. Op basis van dit 95%-BI kan geconcludeerd worden of het gevonden IDverschil wel/niet significant is (ligt de waarde van de H0 (=0) binnen de grenzen van het 95%-BI?).

Hierbij is het belangrijk om na te gaan of het hier om een positieve uitkomst (bijvoorbeeld herstel) of een negatieve uitkomst (bijvoorbeeld dood) gaat Bij een positieve uitkomst duidt een lage en/of snel dalende “overlevingscurve op een gunstig verloop en bij een negatieve uitkomst juist niet! Met behulp van de log-ranktoets kan de p-waarde voor het verschil in overlevingscurve tussen beide groepen bepaald worden (zie output 6.4 op bladzijde 199).2 op bladzijde 195). . Resumeren: vergelijken overlevingscurve van twee groepen SPSS geeft een output met daarin per groep (zie output 6.com . Log-ranktoets Het is mogelijk een p-waarde te berekenen voor het verschil tussen beide overlevingscurves.4 op bladzijde 194 en output 6. De H0 is hierbij: de kans op overlijden is in beide groepen gelijk (dit geldt per kleine periode!) Zie bladzijde 196 en 197 voor de toepassing van de log-ranktoets (onder andere formule toetsingsgrootheid log-ranktoets deze toetsingsgrootheid volgt een chikwadraatverdeling met een aantal df‟s dat gelijk is aan het aantal groepen dat vergeleken wordt min 1).5 op bladzijde 200) hierbij volgt de toetsingsgrootheid een chikwadraatverdeling met het aantal df‟s dat gelijk is aan het te vergelijken groepen min 1. Op deze manier kan bekeken worden welke groep de meeste zieken (of andere uitkomst) heeft en in welke groep de ziekte het snelste verkregen wordt. Het principe van de log-ranktoets is dat het aantal geobserveerde cases (bijvoorbeeld zieken) vergeleken wordt met het aantal cases dat verwacht zou worden als de H0 waar is. Voor beide groepen kan een Kaplan-Meier-overlevingscurve worden gemaakt (zie output 6.3 op bladzijde 198): -het aantal personen in de groep -tijd at risk/ tijd tot herstel in tijdseenheid (!) per groep Vervolgens kan de incidentiedichtheid voor beide groepen berekend worden door het aantal patiënten dat ziek wordt (of hersteld) te delen door de tijd at risk (in persoonstijd) Van beide incidentiedichtheden kunnen het verschil en de ratio worden berekend (om aan te geven hoeveel beter de ene groep het doet ten opzichte van de andere groep) (met de bijbehorende 95%-BI‟s).Stuvia. Deze vergelijking vindt bij de “logranktoets” op ieder tijdstip plaats. De toets die hiervoor gebruikt wordt is de “log-ranktoets”.The Marketplace to Buy and Sell your Study Material Vergelijken van de overlevingscurve van twee groepen met elkaar Om de overlevingscurve van 2 groepen met elkaar te vergelijken moet met behulp van de Kaplan-Meier-rekenformule voor beide groepen afzonderlijk een overlevingscurve worden gemaakt bepaal voor elke groep afzonderlijk de kans om te overleven voor elke kleine periode (zie tabel 6.

Daarom maakt de cox-regressieanalyse hier gebruik van. Groep die het snelste de betreffende uitkomst heeft = groep waarvan de overlevingscurve het snelst daalt. Het analyseren van relaties tussen overlevingsdata en diverse andere variabelen: cox-regressieanalyse Cox-regressieanalyse = analysetechniek waarmee overlevingsdata gerelateerd kan worden aan diverse determinanten. omdat de baseline hazard (= de constante) verandert over de tijd. Zie formule 6.7 op bladzijde 201). Deze p-waarde zegt echter niets over welke overlevingscurves significant van elkaar verschillen. Hierbij moeten we ons realiseren dat er hierbij geen correctie voor het multiple-toetsingsprobleem wordt toegepast. . Om te bepalen welk “effect” belangrijker is (meeste uitkomst of snelste uitkomst) worden het IDverschil en de IDuitkomst tussen de betreffende 2 groepen berekend (met bijbehorend 95%-BI) indien de waarde van de H0 buiten deze grenzen valt.6 op bladzijde 202).com .The Marketplace to Buy and Sell your Study Material Het vergelijken van meer dan twee groepen Voor het vergelijken van de overlevingscurve van meer dan twee groepen volgen we de volgende stappen: 1. Op deze manier kan ook bepaald worden welke groep het snelste de betreffende uitkomst heeft en welke groep uiteindelijk het meeste de betreffende uitkomst heeft (in de betreffende periode) dit hoeft niet per se één en dezelfde groep te zijn Groep met uiteindelijk de meeste uitkomst = groep waarbij de overlevingscurve uiteindelijk het laagst eindigt. Het idee hierbij is om de uitkomstvariabele zodanig te transformeren dat er een soort lineaire regressieanalyse mogelijk is. De cox-regressieanalyse heeft geen intercept. is dit verschil of deze ratio significant verschillend. Voor alle groepen kan een Kaplan-Meier-overlevingscurve weergegeven worden (zie output 6. Om erachter te komen welke overlevingscurves van elkaar verschillen moet een handmatige post-hoc-procedure worden toegepast waarin alle groepen paarsgewijs met elkaar worden vergeleken (zie tabel 6. Hierbij geeft de p-waarde aan of er sprake is van een significant verschil in overlevingscurve tussen alle groepen of niet. De natuurlijke logaritme van de hazard kan beschreven worden met een lineaire functie. Ook kan voor alle groepen de log-ranktoets worden uitgevoerd.bereken voor alle groepen de incidentiedichtheid (aan de hand van een output van SPSS).7 op bladzijde 203 voor de (algemene) cox-regressievergelijking. Hazard = inverse van de overleving.Stuvia.

waarbij nu bij de uitkomstvariabele ook de tijd tot herstel is meegenomen. Hazardratio is een combinatie van het verschil in aantal (of %) patiënten dat herstel (of ziekte) rapporteert en het verschil in “tijd tot herstel” (tijd at risk). De Wald-statistic wordt gedefinieerd als: (B / SE(B))2. Dit regressiecoëfficiënt is het verschil in uitkomstvariabele tussen de interventiegroep en de controlegroep. Wanneer de e-macht van deze regressiecoëfficiënt genomen wordt krijgen we de hazardratio. Interpretatie van het 95%-BI rond de hazardratio: met 95% zekerheid kan gesteld worden dat de hazardratio voor de interventiegroep ten opzichte van de controlegroep ten aanzien van …(betreffende uitkomstvariabele) ligt tussen … en … Uiteraard kan dit BI ook met SPSS berekend worden (zie output 6. De Cox-regressieanalyse wordt ook wel de Cox proportional hazard-analyse genoemd. De Wald-statistic volgt een chikwadraatverdeling met 1 vrijheidsgraad. De hazardratio kan als volgt worden geïnterpreteerd: op ieder tijdstip is in de interventiegroep de kans op herstel … keer zo groot als in de controlegroep. In deze output is de regressiecoëfficiënt van de interventiegroep te zien.com .The Marketplace to Buy and Sell your Study Material Cox-regressieanalyse met een dichotome determinant Zie output 6.Stuvia.8 is ook de SE van de regressiecoëfficiënt en de Wald-statistic te zien.9 op bladzijde 206). Onzekerheid Hazardratio/ regressiecoëfficiënt kwantificeren door middel van toetsen In output 6. De uitkomstvariabele bij de Cox-regressie = natuurlijk logaritme van de hazard op herstel (of ziekte of andere uitkomst). De aanname die bij deze analyse een rol speelt is dat de Hazardratio over de tijdsintervallen niet te veel moet verschillen.8 op bladzijde 203 voor het resultaat van een cox-regressieanalyse tussen 2 dichtome variabelen. Vervolgens kan de bijbehorende p-waarde worden opgezocht in de tabel voor de chikwadraatverdeling (p-waarde wordt ook in de output gegeven) Onzekerheid Hazardratio/ regressiecoëfficiënt kwantificeren door middel van schatten Bereken eerst het 95%-BI rond de regressiecoëfficiënt aan de hand van formule 6. .10 op bladzijde 205. Vervolgens wordt van deze grenzen de e-macht genomen om het 95%-BI rond de hazardratio te krijgen.

11 op bladzijde 208) referentiegroep is hierbij weer de groep die op alle twee de dummyvariabelen de waarde 0 heeft. Deze hazardratio‟s zijn ook te vinden in de output van SPSS (EXP(B)). Het verschil tussen beide -2-log-likelihoods volgt een chikwadraatverdeling met het aantal df‟s dat gelijk is aan het verschil in aantal parameters dat geschat wordt in beide modellen.12 op bladzijde 208). Omdat de uitkomstvariabele bij een Cox-regressieanalyse de natuurlijke logaritme van de hazard op herstel (of ziekte of een andere uitkomstvariabele) is. Ook bij Cox-regressieanalyse kan dus de likelihood-ratiotoets gebruikt worden om twee modellen met elkaar te vergelijken (zie output 6. terwijl de Wald-toets en de likelihood-ratiotoets gebaseerd zijn op gemodelleerde gegevens! Cox-regressieanalyse met een categoriale determinant Om Cox-regressieanalyse te gebruiken voor een categoriale determinant met drie groepen moeten twee dummyvariabelen gaan aanmaken (zie output 6. NB: het is belangrijk om te realiseren dat de log-ranktoets gebaseerd is op geobserveerde gegevens.com . evenals het 95%-BI voor beide hazardratio‟s en de p-waarde. -Regressiecoëfficiënt voor de tweede dummyvariabele: het verschil tussen de groep die gecodeerd is met dummyvariabele 2 en de referentiegroep. De regressiecoëfficiënten hebben hierbij de volgende interpretatie: -Regressiecoëfficiënt voor de eerste dummyvariabele: het verschil tussen de groep die gecodeerd is met dummyvariabele 1 en de referentiegroep.Stuvia. Vervolgens worden beide dummyvariabelen tegelijk geanalyseerd met een Coxregressieanalyse (zie output 6. .10 op bladzijde 206).The Marketplace to Buy and Sell your Study Material Gebruiken van de likelihood-ratiotoets bij Cox-regressieanalyse De grootte van de regressiecoëfficiënt en de bijbehorende SE wordt ook bij Coxregressieanalyse geschat met behulp van maximum likelihood. moeten beide regressiecoëfficiënten worden omgezet naar hazardratio‟s door van beiden de e-macht te nemen.

-Likelihood-ratiotoets (zie output 6. De vraag hierbij blijft in hoeverre deze aanname terecht is (zie volgende paragraaf). houdt dit in dat de hazard op de uitkomstvariabele kleiner is naarmate de waarde van de determinant hoger wordt. Cox-regressieanalyse tussen continue determinant en dichotome uitkomst + tijd tot uitkomst De Cox-regressieanalyse gebruiken we als we geïnteresseerd zijn in de relatie tussen een continue determinant en een dichotome uitkomst waarbij ook de tijd tot de uitkomst wordt betrokken (zie output 6. Indien de hazardratio kleiner is dan 1. In de output is ook de p-waarde voor de relatie tussen de hazard op de uitkomstvariabele en de determinant te zien.12 op bladzijde 208))  ook deze Wald-toets is gebaseerd op gemodelleerde gegevens.15 is het verschil in de uitkomstvariabele bij een verschil van één eenheid in de determinant. is de relatie tussen de hazard op uitkomstvariabele en de determinant significant. Indien de waarde van de H0 (hazardratio is gelijk aan 1) buiten de grenzen van het 95%-BI ligt. Ook bij Cox-regressieanalyse met een continue determinant is er de aanname dat er een lineair verband is tussen de hazard op de uitkomstvariabele en de determinant. .com .The Marketplace to Buy and Sell your Study Material Methoden om te onderzoeken of er ergens tussen de groepen sprake is van een significant verschil Hiervoor kunnen 2 toetsen gebruikt worden: -Overall Wald-toets (staat overigens ook in de SPSS output met bijbehorende p-waarde (zie output 6.15 op bladzijde 210). Daarnaast is in dezelfde output de hazardratio voor de determinant en het bijbehorend 95%-BI te vinden. De regressiecoëfficiënt (B) in output 6. Bij Cox-regressieanalyse is de uitkomstvariabele de natuurlijke logaritme van de hazard op de uitkomstvariabele. De Wald-statistic en de p-waarde zijn gebaseerd op de chikwadraatverdeling.13 op bladzijde 209) Cox-regressieanalyse met een continue determinant De meerwaarde van de Cox-regressieanalyse ten opzichte van de log-ranktoets ligt in de mogelijkheid om confounding en effectmodificatie te onderzoeken.Stuvia. geeft dit aan dat de hazard op uitkomstvariabele lager is voor personen die een hogere waarde voor de determinant hebben. Indien de regressiecoëfficiënt negatief is. Is er echter sprake van een continue determinant dan is het niet meer mogelijk om incidentiedichtheden te berekenen of de log-ranktoets uit te voeren.

96 x SE) De p-waarde en de Wald-statistic blijven hierbij hetzelfde als bij stappen van 1 eenheid..Aan de hand van een (eenvoudige) formule HR. 3. Hier kunnen we op 3 manieren mee omgaan: -De (stappen van de) regressiecoëfficiënt met een aantal eenheden vergroten. -In de oorspronkelijke dataset de determinantwaarde van iedere persoon door … eenheden delen en vervolgens met deze nieuwe variabele een Cox-regressieanalyse uitvoeren.Stuvia.com .The Marketplace to Buy and Sell your Study Material Omgaan met te klein gemeten stapjes van de continue determinant bij Cox-regressieanalyse Bij een continue determinant is de grootte van het effect (bijvoorbeeld hazardratio) afhankelijk van de eenheid waarop de determinant gemeten is. Hierbij blijven de Wald-statistic en de p-waarde wederom hetzelfde in vergelijking met een Cox-regressieanalyse met stapjes van 1 eenheid. De Wald statistic veranderd niet. omdat zowel de SE als de Wald-statistic worden vermenigvuldigt.16 op bladzijde 212). -Aan de hand van een (eenvoudige) formule 1. 2.De (stappen van de) regressiecoëfficiënt met een aantal eenheden vergroten De (stappen van de) regressiecoëfficiënt vergroten door het te vermenigvuldigen met een aantal stappen (bijvoorbeeld 5) en daarvan de e-macht nemen: HR…eenheden = EXP (…eenheden x regressiecoëfficiënt voor 1 eenheid) Hierbij wordt het 95%-BI als volgt berekent: 95%-BI (HR… eenheden) = EXP (…eenheden x regressiecoëfficiënt voor 1 eenheid ± (…eenheden x 1.In oorspronkelijke dataset de determinantwaarde delen door …eenheden en vervolgens met deze nieuwe variabele een Cox-regressieanalyse uitvoeren In de oorspronkelijke dataset de determinantwaarde van iedere persoon door … eenheden delen en vervolgens met deze nieuwe variabele een Cox-regressieanalyse uitvoeren (zie output 6..eenheden = (EXP(B) van 1 eenheid)tot de macht van het … aantal eenheden .

17 op bladzijde 213 voor het resultaat van de Cox-regressieanalyse met toevoeging van het kwadraat van de determinant. Continue determinant opdelen tot een categoriale variabele Deel de continue determinant op in een aantal groepen (bijvoorbeeld in vier kwartielen). houdt dit in dat de hazard op de uitkomstvariabele voor groep 1 en groep 2 (ongeveer) gelijk is.com . Het verloop van de regressiecoëfficiënten (B) moet vervolgens beoordeelt worden aan de hand van het verloop van de gemiddelde determinantwaarde van de groepen. Voer vervolgens een Cox-regressieanalyse uit met de nieuw aangemaakte variabele. Er is sprake van een lineair verband indien (kijk hierbij naar de B in de output en niet naar de EXP(B)): -b2 = 2x b1 -b3 = 3 x b1 -enzovoort. Indien deze p-waarde niet significant is. een lagere hazard hebben op de uitkomstvariabele. Hierbij moet gekeken worden naar de p-waarde van het kwadraat van de determinant. houdt dit in dat de groep met een hogere determinantwaarde. .The Marketplace to Buy and Sell your Study Material Controle op lineariteit bij Cox-regressieanalyse met een continue determinant Controle op lineariteit bij Cox-regressieanalyse met een continue determinant kan op 2 manieren: -een ander verband met de determinant aannemen (bijvoorbeeld een kwadratische functie). maar dat is voor een groot deel afhankelijk van de grootte van de onderzoekspopulatie (logischerwijs: hoe groter de onderzoekspopulatie.19 op bladzijde 214 voor het resultaat van de Cox-regressieanalyse met de determinant als categoriale variabele.Stuvia. hoe meer groepen dit kan je echter zelf kiezen). Indien een regressiecoëfficiënt (B) negatief is. Zie output 6. houdt dit in dat het kwadratisch verband beter past bij de betreffende relatie. Wanneer de regressiecoëfficiënten (B) voor groep 1 en groep 2 (ongeveer) gelijk zijn. Toevoegen kwadratisch verband Zie output 6. In principe kan je elk aantal groepen kiezen om de continue variabele in op te delen. Indien deze p-waarde significant is. Ga vervolgens na of er sprake is van een lineair verband. past een lineair verband beter. Daarnaast heeft het de voorkeur om de determinant op basis van biologische grenzen op te splitsen (indien relevant). -de continue determinant met behulp van dummyvariabelen in groepen opdelen tot een categoriale variabele en vervolgens een Cox-regressieanalyse uitvoeren.

de bijbehorende 95%-BI‟s en (eventueel) de p-waarden van de dummyvariabelen afzonderlijk te worden genoteerd (in het geval van kwartielen  van elk van de drie dummyvariabelen)! Confounding en effectmodificatie Onderzoeken confounding met behulp van Cox-regressieanalyse Hiervoor moet de ruwe analyse worden vergeleken met een gecorrigeerde analyse (zie output 6. Indien er sprake is van een categoriale determinant (en er dus meerdere variabelen in de analyse worden meegenomen) is er al sprake van relevante confounding indien er (minimaal) 1 regressiecoëfficiënt met 10% of meer verandert (en de rest gelijk blijft). 2.20 op bladzijde 215).com . Onderzoeken effectmodificatie met behulp van Cox-regressieanalyse 1. .The Marketplace to Buy and Sell your Study Material Indien er geen sprake is van een lineair verband. dan dienen de hazardratio‟s. dan moeten we alle (dummy)variabelen vermenigvuldigen met de mogelijke effectmodificator.21 op bladzijde 216).Stuvia. Indien er 2 of meer (dummy)variabelen zijn waarin we geïnteresseerd zijn. De regressiecoëfficiënten uit deze output zijn als volgt te interpreteren: -Regressiecoëfficiënt voor de eerste (dummy)variabele: verschil in uitkomstvariabele tussen de eerste (interventie)groep en de referentiegroep voor alleen de groep waarvan de effectmodificator met 0 is gecodeerd (omdat ook de interactieterm met de mogelijke effectmodificator en de eerste (dummy)variabele in het Cox-regressiemodel zit) De bijbehorende hazardratio (EXP(B)) is de HR voor de 1e (interventie)groep versus de referentiegroep voor de groep waarvan de effectmodificator code 0 heeft. Vergelijk in een dergelijke output de regressiecoëfficiënt (onder B en niet EXP(B)) van elke (dummy)variabele in de ruwe analyse met de regressiecoëfficiënt van dezelfde (dummy)variabele in de gecorrigeerde analyse met elkaar. -Regressiecoëfficiënt voor de interactieterm tussen effectmodificator en eerste (dummy)variabele: het verschil in uitkomstvariabele tussen beide groepen van de effectmodificator uit de eerste (interventie)groep en de referentiegroep. -Regressiecoëfficiënt voor de tweede (dummy)variabele: verschil tussen de tweede (interventie)groep en de referentiegroep voor de groep waarvoor de effectmodificator code 0 heeft.Vervolgens voeren we een Cox-regressieanalyse uit waarin alle variabelen zijn vertegenwoordigd (zie output 6. Indien een regressiecoëfficiënt met 10% of meer verschilt is er sprake van relevante confounding.Maak een interactieterm aan door de (dummy)variabele waarin we geïnteresseerd zijn te vermenigvuldigen met de mogelijke effectmodificator.

In deze output blijken de hazards niet proportioneel verdeeld over de tijd. Maar lang niet altijd geeft dit gemiddelde een goede weergave van wat er echt gebeurd (zie bijvoorbeeld output 6.8 op bladzijde 218). Vervolgens moet de Cox-regressieanalyse opnieuw gedraaid worden.com . moet de variabele effectmodificator eerst hergecodeerd worden. Als gevolg hiervan moeten de effecten van de interventies (en bijbehorende 95%-BI‟s) apart gerapporteerd worden voor beide (of alle) groepen van de effectmodificator (zie tabel 6.The Marketplace to Buy and Sell your Study Material -Regressiecoëfficiënt voor de interactieterm tussen effectmodificator en tweede (dummy)variabele: verschil in uitkomstvariabele tussen beide groepen van de effectmodificator uit de tweede (interventie)groep en de referentiegroep.22 op bladzijde 217). er wordt dus niet voldaan aan de aanname van proportional hazards.Stuvia. (in het eerste deel van de follow-upperiode heeft de nieuwe medicatie een ongunstig effect op overleving en in het tweede deel heeft de nieuwe medicatie juist een gunstig effect op overleven). kunnen de effecten rechtstreeks uit de output worden gehaald. Maar om deze effecten te achterhalen voor de groep van de effectmodificator die met 1 is gecodeerd. Nu zijn de effecten voor groep 1 (die nu groep 0 is!) van de effectmodificator af te lezen in de output (zie output 6. Om de proportional hazards-aanname (gemiddelde hazardratio is een goede weergave van wat er werkelijk gebeurt) te controleren zijn er meerdere manieren: -Visueel beoordelen van Kaplan-Meier-overlevingscurve -Log-minus-logplot -Cox-regressie met een tijdsafhankelijke covariaat -Diverse toetsen (bijvoorbeeld “chikwadraattoets die „Schoenfeld-residuen‟ gebruikt met als H0: “hazards zijn proportioneel”)  deze komen in het boek verder niet aan bod. is er sprake van relevante effectmodificatie. Vandaar dat de Cox-regressieanalyse ook wel bekend staat als de Cox proportional hazards-analyse. Dit gemiddelde is alleen maar een goede schatting van de HR als deze inderdaad in de tijd ongeveer gelijk blijft. Voor de groep van de effectmodificator die met 0 is gecodeerd is.24 op bladzijde 219). . Controleren van de proportional hazards-aanname De hazardratio is een soort gemiddelde over de tijd. Indien er (minimaal) 1 interactieterm significant is.

Per follow-upperiode worden de twee Kaplan-Meier-overlevingscurves voor de twee groepen van de centrale determinant met elkaar vergeleken. in de periode die gecodeerd is met 0.com . omdat de lijnen van de te vergelijken groepen parallel moeten lopen om te voldoen aan de proportional hazards-aanname (zie output 6.The Marketplace to Buy and Sell your Study Material Visueel beoordelen van Kaplan-Meier-overlevingscurve Probleem hierbij is dat men bij het construeren van een Kaplan-Meier-overlevingscurve geen rekening kan houden met de invloed van andere variabelen.27 op bladzijde 222 toont het resultaat van een Cox-regressieanalyse waarbij de interactie tussen de centrale variabele en de nieuwe dichotome tijdsindicator is toegevoegd aan het regressiemodel. . Cox-regressie met een tijdsafhankelijke covariaat Hierbij wordt een interactie tussen de centrale determinant en de tijd geanalyseerd. Een goede grens is bijvoorbeeld het punt waarop de twee Kaplan-Meier-overlevingscurves elkaar kruisen). De verschillende tijdsperioden moeten gecodeerd worden (met 0 en 1). houdt dit in dat het verschil tussen de twee groepen van de centrale determinant significant verschillend is van elkaar. In feite wordt er een nieuwe dichotome variabele (interactieterm met centrale determinant en tijd tijd is in SPSS-terminologie “T_COV”) geconstrueerd die de follow-upperiode van het onderzoek in stukken opdeelt (meestal twee delen. Output 6. dan krijgen we: HR periode1 = EXP (bcentrale determinant + binteractieterm) Op basis van de output kan echter niet direct het 95%-BI rond de HR voor periode 1 berekend worden hiervoor moeten we de dichotome tijdsindicator (T_COV) opnieuw coderen. Deze dichotome tijdsindicator heet in de SPSS-terminologie “T_COV” (T_COV moet je niet op zichzelf in het regressiemodel zetten!). Bovendien heeft de log-minus-logplot het voordeel dat hij visueel beter te beoordelen is dan de Kaplan-Meier-overlevingscurve.Stuvia. Indien de regressiecoëfficiënt/ HR van de centrale determinant significant is. Log-minus-logplot Hierbij kan men de invloed van andere variabelen meenemen.26 op bladzijde 221). zonder dat de figuur beïnvloed is door de a priori aanname van proportionele hazards. De HR voor de periode die gecodeerd is met 0 is direct terug te vinden in de output (EXP(B) van de centrale determinant niet van de interactieterm! Om de HR voor de periode die gecodeerd is met 1 te krijgen vullen we een 1 in voor de interactieterm en vervolgens hier de e-macht van nemen. maar kan naar behoefte worden bepaald).

Om dit mogelijk te maken is de Cox-regressieanalyse voor recurrent events (reversibele uitkomsten) ontwikkeld. Dit is in feite een klassieke Cox-regressieanalyse op de dataset. Beperkingen van de Cox-regressieanalyse Beperking 1: Aanname van „proportionele‟ hazards= de uiteindelijke HR is een gemiddelde over de gehele periode is maar de vraag of dit gemiddelde een goede weergave is van de werkelijkheid.Stuvia. Hierdoor is het maar de vraag of de gevonden associatie het echte risico weergeeft. Beperking 4: Met de klassieke Cox-regressieanalyse kunnen we wel alle tijdsintervallen apart analyseren.10. houdt dit in dat de HR‟s voor beide perioden significant van elkaar verschillen. In sommige situaties is het irreversibele karakter van een uitkomstvariabele geen probleem (bijvoorbeeld bij sterfte).com .11 op bladzijde 226). Indien dit het geval is. om het in de analyse mee te nemen kan men de data zodanig structureren dat alle tijdsintervallen apart worden weergegeven (zie tabel 6. Indien de Cox-regressieanalyse gebruikt wordt voor variabelen die in principe reversibel zijn. maar tegenwoordig wordt Cox-regressieanalyse ook veelvuldig gebruikt voor uitkomstvariabelen die in principe reversibel zijn (bijvoorbeeld “terugvallen” nadat er eerder al “herstel” is ervaren zie tabel 6. PS: zie tabel 6.The Marketplace to Buy and Sell your Study Material Indien de p-waarde van de interactieterm significant is. wordt het resultaat van het werkelijke effect van de determinant niet goed weergegeven zie tabel 6.12 op bladzijde 226 voor een overzicht van de verschillende technieken die gebruikt kunnen worden bij het analyseren van overlevingsdata. waarbij “terugvallen” in de klassieke Cox-regressieanalyse in feite wordt genegeerd. maar geen rekening houden met het feit dat sommige observaties bij elkaar horen. moeten beide HR‟s gerapporteerd worden. Afhankelijk van de onderzoekssituatie kan dit fenomeen veel of weinig invloed hebben op de uiteindelijke schatting van het effect van een bepaalde determinant. Beperking 2: De mogelijke determinanten zijn in principe tijdsonafhankelijk gedurende de follow-upperiode kunnen personen wisselen van groep van de centrale determinant (bijvoorbeeld door gedurende de periode te stoppen met roken of juist te beginnen met roken). Beperking 3: De uitkomstvariabele/ het event dat wordt geanalyseerd is in principe irreversibel. maar met een extra correctie voor het feit dat sommige observaties bij dezelfde patiënt horen.9 op bladzijde 225). .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->