BİLİNMEYEN BİR BİLGİSAYARA BAĞLI ÖNLEM – Epidemiyolojide Biyoistatistiksel Yöntemler – Biyoistatistikler – Epidemiyoloji – Biyoistatistikler Nedir? – İstatistik Fiyatları – Ücretli İstatistik
Eşleştirme, kohort çalışmalarında nadiren kullanılır, ancak Bölüm 11’de tartışıldığı gibi, vaka kontrol çalışmalarında önemli bir role sahiptir. Eşleştirilmiş çiftler kohort çalışmasında, maruz kalan her özne, eşleşen değişkenlerin değerleri üzerinden maruz kalmamış bir özne ile eşleştirilir.
Örneğin, eşleştirme yaşa, cinsiyete, sosyoekonomik duruma ve tıbbi geçmişe dayalı olabilir. Eşleşmenin bir sonucu olarak, eşleşen değişkenlerin dağılımı, maruz kalan ve olmayan kohortlarda aynıdır ve sonuç olarak bu değişkenler, karıştırıcı kaynaklar olarak elimine edilir.
Regresyon teknikleri, karıştırıcıları regresyon denklemine bağımsız değişkenler olarak dahil ederek karıştırmayı kontrol eder. Sonuçlar sürekli bir ölçekte ölçüldüğünde, doğrusal regresyon ve varyans analizi gibi yöntemler kullanılır.
Çoğu zaman, epidemiyolojik bir çalışma kategorik (ayrık) sonuçlarla ilgilenir. Epidemiyolojide kategorik sonuçların analizi için en yaygın olarak kullanılan regresyon yöntemleri, her ikisi de Bölüm 15’te tartışılan vaka kontrol verileri için lojistik regresyon ve sansürlü sağkalım verileri için Cox regresyonudur.
Epidemiyolojik bir çalışmada, bazıları risk faktörleri olarak tam olarak anlaşılamayan çok çeşitli değişkenler üzerinden veri toplanması olağandışı değildir. Belirtildiği gibi, kafa karıştırmanın karşı-olgusal tanımı, büyük ölçüde, nüfus içinde var olan nedensel ilişkilerin anlaşılmasına dayanır.
Nedensellik hakkında ayrıntılı bilgi bulunmadığında, potansiyel kafa karıştırıcı ipuçları için çalışma verilerine güvenmekten başka çare yoktur. Bu yaklaşımla ilgili bir sorun, verilerin rastgele ve sistematik hataların bir sonucu olarak popülasyondaki durumu doğru bir şekilde yansıtmamasıdır. Çalışma verilerine dayalı olarak karıştırıcı unsurları belirlemek için bir dizi farklı strateji önerilmiştir.
Az ya da çok, bu yöntemler, ham ve özetlenmiş etki ölçütlerinin bir karşılaştırmasını içerir, yani karıştırmaya yönelik çökebilirlik yaklaşımına dayanırlar. Mickey ve Greenland (1989) ve Maldonado ve Grönland (1993), karıştırıcı seçimi için bir dizi veriye dayalı stratejiyi değerlendirir ve bunların kullanımına yönelik kılavuzlar sunar.
Bu tür bir stratejiye göre, kaba etkinin ölçüsüne kıyasla ayarlanmıştaki göreceli artış veya azalış,% 10 gibi oldukça küçük bir büyüklüğü aşarsa, değişken bir karıştırıcı olarak tanımlanır. Başka bir strateji, bu kararın, p-değeri için kesimin 0,20 gibi nispeten büyük bir değere ayarlandığı resmi bir istatistiksel test temelinde verilmesini içerir.
Her iki stratejiye göre de fikir, bir değişkeni karıştırıcı olarak ele almak için nispeten düşük bir eşik belirlemektir. Bu kitapta sunulan sayısal örnekler üzerine yorum yapılırken önceki strateji (bir şekilde gayri resmi bir şekilde) kullanılacaktır.
Bilgisayar DERS NOTLARI Özet
İp numarasıyla başka bilgisayara Baglanma
Bilgisayar DERS Notları Özet
Uzaktan bilgisayara Sızma
Başka bilgisayara bağlanma programı
Bit KAVRAMI bilgisayarda nerelerde tanımlıdır
İp numarasıyla başka bilgisayara baglanma
Veri ya da bilgiyi işleyen yöntemler bütünü
BİLİNMEYEN BİR BİLGİSAYARA BAĞLI ÖNLEM
Bu bölümde, bilinmeyen bir karıştırıcı nedeniyle risk oranının ne ölçüde önyargılı olabileceğini araştırıyoruz. E’nin ilgi konusu olduğunu ve F’nin bilinmeyen karıştırıcı olduğunu varsayıyoruz. Tablo 2.8 (a) ve 2.8 (b), sırasıyla F ve E ile tabakalandırmadan sonra kapalı bir kohort çalışması için gözlemlenen sayıları verir. İki tablodan kaynaklanan risk oranlarını ayırt etmek için, ρED | F = 1 = (a11 / r11) / (a21 / r21) gibi alt simge gösterimi kullanırız.
(Cornfield ve diğerleri, 1959; Schlesselman, 1978; Simon, 1980; Gastwirth ve diğerleri, 2000). Tablo 2.8 (a) veya 2.8 (b) ‘den türetilebilen Tablo 2.8 (c)’ den, E-F ilişkisi için risk oranı RREF = p11 / p21’dir. P11’in maruz kalan popülasyonda karıştırıcının yaygınlık oranı ve p21’in maruz kalmayan popülasyondaki karşılık gelen yaygınlık oranı olduğuna dikkat edin.
Daha önce tanıtılan terminolojiye göre, RRED, E-D ilişkisi için ham risk oranıdır ve ρED, özet risk oranıdır. F bir karıştırıcı olduğundan, ancak bir etki değiştirici olmadığından, Tablo 2.6 (a), çalışma için ρED’nin rapor edilmesi gerektiğini belirtir. F bilinmeyen bir karıştırıcı olduğunda, bunun yerine RRED rapor edilecektir. Çoğu uygulamada, F hem D hem de E ile pozitif olarak ilişkilendirilecektir, yani ρFD> 1 ve RREF> 1. Sonuç olarak, F’nin bilinmeyen bir karıştırıcı olması nedeniyle sapmanın bir ölçüsü olan RRED / ρED genellikle daha büyük olacaktır.
Tablo 2.9, seçilen p21, RREF ve ρFD değerleri için RRED / ρED değerlerini vermektedir. Görülebileceği gibi, bilinmeyen karıştırıcının maruz kalmayan popülasyonda düşük bir prevalansa sahip olması, maruziyetle yakından ilişkili olmaması ve hastalık için önemli bir risk faktörü olmaması koşuluyla, önyargı derecesi nispeten küçük olacaktır. Bir vaka-kontrol çalışmasında olasılık oranının bilinmeyen bir karıştırıcısı nedeniyle önyargıyı belirlemek için benzer argümanlar kullanılabilir.
YANLIŞ SINIFLANDIRMA
Karışıklığa ek olarak, epidemiyolojik çalışmalarda ortaya çıkabilecek başka önemli sistematik hata türleri de vardır, bunlardan biri yanlış sınıflandırmadır. Rastgele veya sistematik olabilen yanlış sınıflandırmanın, denekler yanlış olarak maruziyet – hastalık kategorilerine atandığında meydana geldiği söylenir.
Örneğin, tesadüfi kodlama hataları nedeniyle, bir vaka hatalı olarak harfsiz olarak etiketlenebilir (rastgele yanlış sınıflandırma). Öte yandan, gerçekte hastalığı olmayan bir denek, kasıtlı olarak semptomları yanlış gösterebilir ve hatalı bir şekilde hastalıklı olarak teşhis edilebilir (sistematik yanlış sınıflandırma). Aşağıda sadece sistematik yanlış sınıflandırmayı tartışacağız.
Hastalık durumunun değerlendirilmesinin, ancak maruziyetin ölçülmesinin yanlış sınıflandırmaya yatkın olduğu kapalı bir kohort çalışmasını düşünün. Her deneğin araştırmacı tarafından bilinmeyen “gerçek” bir hastalık durumuna sahip olduğunu varsayıyoruz. Her deneğin gerçek hastalık durumu bir “altın standart” a başvurarak belirlenebilir, ancak bu çalışmanın bir parçası değildir (aksi takdirde yanlış sınıflandırma olmaz). Tablo 2.1 (a), çalışmadaki deneklerin gerçek çapraz sınıflandırmasını temsil etmek için kullanılacaktır.
Α1, hastalığı gerçekten geliştiren ve hastalığa sahip olduğu doğru bir şekilde teşhis edilen maruz kalan kohortun oranı olsun ve β1, hastalığı gerçekten geliştirmeyen ve doğru şekilde teşhis edilmeyen maruz kalan kohortun oranı olsun.
Α1 ve β1’e sırasıyla maruz kalan kohort için tanının duyarlılığı ve özgüllüğü olarak atıfta bulunuyoruz. Tablo 2.10 (a), gözlenen (yanlış sınıflandırılan) ve gerçek hastalık durumu açısından r1 maruz kalan deneklerin çapraz sınıflandırmasını vermektedir.
Başka bilgisayara bağlanma programı Bilgisayar DERS NOTLARI Özet Bit KAVRAMI bilgisayarda nerelerde tanımlıdır İp numarasıyla başka bilgisayara Baglanma Uzaktan bilgisayara Sızma Veri ya da bilgiyi işleyen yöntemler bütünü