KESİN ŞARTLI YÖNTEMLER – Epidemiyolojide Biyoistatistiksel Yöntemler – Biyoistatistikler – Epidemiyoloji – Biyoistatistikler Nedir? – İstatistik Fiyatları – Ücretli İstatistik
Tablo 4.5 (a), maruziyet değişkeni olarak reseptör seviyesi ile birlikte meme kanseri verilerini vermektedir. Πˆ1 = 23/48 = .479 ve πˆ2 = 31/144 = .215 tahminleri, düşük reseptör seviyesinin meme kanserinden ölüm riskini artırdığını göstermektedir. Açık yönteme göre, π1 ve π2 için% 95 güven aralıkları [.338, .620] ve [.148, .282] olur. Güven aralıkları örtüşmekten çok uzaktır, bu da π1 ve π2’nin muhtemelen eşit olmadığını gösterir. İhtimal oranı tahmini ORu = (23 × 113) / (31 × 25) = 3.35.
Var (logORu) = .125’ten OR için% 95 güven aralığı [1.68, 6.70] ‘dir. Güven aralığı özellikle dar değildir, ancak reseptör seviyesinin meme kanseri mortalitesiyle anlamlı bir şekilde ilişkili olduğunu düşündürmektedir.
Bu noktada, yanlış sınıflandırmanın olasılık oranı tahmini üzerindeki potansiyel etkisini dikkate almak uygun olacaktır. A1 ′, a2 ′, b1 ′ ve b2 ′, yanlış sınıflandırma olmadığında gözlenen sayımların ne olacağını göstersin. Tablo 2.11 ve 4.5 (a) ‘dan, aşağıdaki doğrusal denklemler karşılanmalıdır:
α1a1 ′ + (1 − β1) b1 ′
= 23 α2a2 ′ + (1 − β2) b2 ′
= 31 (1 – α 1) bir 1 ′ + β 1 b 1 ′
= 2 5 (1 − α2) a2 ′ + β2b2 ′
= 113
burada α1 ve α2 duyarlılıklar ve β1 ve β2 özgüllüklerdir (Bölüm 2.6). Olası bir yanlış sınıflandırma kaynağı, Tescil personelinin kohorttaki tüm ölümleri tespit edememiş olabileceğidir. Örnekleme amacıyla α1 = α2 = .90; yani, ölümlerin sadece% 90’ının tespit edildiğini varsayıyoruz. Hayatta kalan birinin ölmüş olarak kaydedilmesi pek olası görünmüyor ve biz de β1 = β2 = .99 ayarladık.
Yukarıdaki denklemlerşu şekildedir;
(.90a1 ′) + (.01b1 ′) = 23 (.90a2 ′) + (.01b2 ′) = 31 (.10a1 ′) + (.99b1 ′) = 25 (.10a2 ′) + (.99b2 ′) = 113
Tablo 4.5 (b) ‘de verilen çözümlere sahip. Yanlış sınıflandırmayı hesaba kattıktan sonra, tahmini olasılık oranı ORu = (25.30 × 110.79) / (33.21 × 22.70) = 3.72,
ki bu (muhtemelen) yanlış sınıflandırılmış verilere dayalı tahminden yalnızca biraz daha büyüktür. Bu, yanlış sınıflandırmanın mevcut çalışmada önemli bir önyargı kaynağı olma ihtimalinin düşük olduğunu göstermektedir.
Tablo 4.5 (a) ‘daki verilerin analizine dönersek, Tablo 4.6’da verilen beklenen sayımların tümü 5’ten çok daha büyüktür. Pearson, Wald ve olasılık oranı testleri değer bakımından benzerdir ve düşük alıcı seviyesi, meme kanserinden ölme riskinin artmasıyla ilişkilidir.
TEK BİR 2 × 2 TABLO İÇİN KESİN ŞARTLI YÖNTEMLER
Önceki bölümde sunulan yöntemler hesaplama açısından uygundur ancak yalnızca asimptotik koşullar altında geçerli olma dezavantajına sahiptir. İkili ortalamaların 5 veya daha fazla olması koşuluyla, asimtotik yöntemlerin makul sonuçlar vermesi muhtemeldir; ancak örneklem boyutu çok küçük olduğunda asimptotik yaklaşıma güvenilemez. Bu durumda, hesaplama yükündeki kaçınılmaz artışa rağmen, kesin hesaplamalara başvurmaktan başka çok az alternatif vardır.
EGRET (1999), aşağıda sunulan kesin güven aralığını ve hipotez testini hesaplamak için prosedürlere sahiptir. Yukarıda açıklanan asimptotik koşulsuz yöntemler, OR ve π2 olmak üzere iki parametre içerir. Öncelikle OR ile ilgileniyoruz, ancak koşulsuz yaklaşıma dayanarak hem OR hem de π2’yi tahmin etmek gerekir. Bir anlamda, OR tahmininde daha iyi kullanılabilecek π2’yi tahmin etmek için verileri kullanıyoruz.
Bu nedenle π2, rahatsız edici bir parametre olarak adlandırılır. Şimdi 2 × 2 tabloları analiz etmek için kesin koşullu yöntemleri açıklayacağız. Bu teknikler, rahatsızlık parametresi parameter2’yi ortadan kaldırmak gibi istenen bir özelliğe sahiptir, böylece yalnızca ilgilenilen parametre olan OR, tahmin edilmek kalır. Yukarıda toplam vaka sayısı olan m1’in rastgele bir değişken olduğu belirtilmişti.
Koşullu yaklaşım, m1’in bilinen bir sabit olduğunu varsayarak ilerler. Bu, çalışma tamamlandığında kesinlikle doğrudur, ancak aynı şey tüm iç hücre sayıları ve marjinal toplamlar için söylenebilir. Rasgele değişkeni m1 bilinen bir sabit olarak ele alındığında, m1’e şartlandırılmış olduğumuzu söyleriz.
Koşullu varsayım için gayri resmi bir gerekçe, risklerin kohortlar arasında karşılaştırılması açısından, önemli olanın maruz kalan ve maruz kalmayan kohortlardaki mutlak vaka sayısı değil, göreli büyüklükleri olduğudur. Bu perspektiften bakıldığında, toplam vaka sayısı ilgilenilen parametre hakkında çok az bilgi verir ve bu nedenle m1’i çalışma tasarımı ile sabitlenmiş gibi ele almakta özgürüz.
Koşullu yaklaşımı benimsemek için daha resmi argümanlar sağlanmıştır. R1 ve r2 sabit olduklarından, m1’i şartlandırdığımızda, m2’nin de bilinen bir sabit olduğu sonucu çıkar. Tüm marjinal toplamlar sabitlendiğinde, dört iç hücre sayısından herhangi birinin bilgisi kalan üç hücreyi belirler. İndeks hücre olarak belirli bir iç hücre seçiminden bahsediyoruz.
Sol üst hücre indeks hücresi olarak alındığında, gözlemlenen sayımların tablosunu Tablo 4.7’deki gibi görüntüleyebiliriz. İndeks hücresi olarak hangi iç hücrenin kullanılacağının seçimi bir kolaylık meselesidir ve koşullu yaklaşım kullanılarak yapılan çıkarımları etkilemez.
UYUŞMAZLIK çözüm yöntemleri
Basit iterasyon yöntemi
UYUŞMAZLIK çözüm Yöntemleri Ders Notları
Geleneksel UYUŞMAZLIK çözüm yöntemleri
Matlab lineer olmayan denklem çözümü
Alternatif UYUŞMAZLIK çözüm Yolları pdf
Ticari uyuşmazlıkların çözümü
Sezgisel ve meta sezgisel algoritmalar farkı
Hipergeometrik Dağılım
M1’i koşullandırdıktan sonra, A1 ve A2 rastgele değişkenleri artık bağımsız değildir. Spesifik olarak, A1 + A2 = m1 kısıtlamasına sahibiz ve bu nedenle A2, tamamen A1 tarafından belirlenir (ve bunun tersi de geçerlidir). M1 üzerinde koşullandırmanın bir sonucu olarak, iki bağımsız binom rastgele değişkenden indeks hücresine karşılık gelen tek bir rastgele değişkene gittik.
Söz konusu rastgele değişkeni A1 ile göstermeye devam ederek, bağlamın hangi olasılık modelinin dikkate alındığını netleştirmesine izin veriyoruz. Ek C’de gösterildiği gibi, m1 üzerine koşullandırma (merkez dışı) hipergeometrik dağılımla sonuçlanır.
Olasılık fonksiyonu bir hipergeometrik rastgele değişken olarak görüntülenir, A1 örnek uzayına sahiptir {l, l + 1, …, u}, burada l = max (0, r1 – m2) ve u = min (r1, m1) . Burada max ve min, l’nin maksimum 0 ve r1 – m2 ve u’nun minimum r1 ve m1 olduğu anlamına gelir. R1 − m2 = (r − r2) – (r − m1) = m1 − r2 olduğundan, bazen yazılırasmax (0, m1 − r2). Açıkça, l ≥ 0 ve u ≤ r1 ve dolayısıyla A1’in hipergeometrik örnek uzayı, iki terimli örnek uzayında bulunur.
Belirli bir marjinal toplamlar kümesi için, hiper-geometrik dağılım tamamen OR parametresi tarafından belirlenir. Bu nedenle, m1’i koşullandırarak rahatsızlık parametresi π2’yi ortadan kaldırdık. (4.13) ‘ün payı dağıtıma temel şeklini verir ve payda C (1.1)’ in karşılanmasını sağlar. (1.2) ve (1.3) ‘ten, hipergeometrik ortalama ve varyans ne yazık ki, (4.13), (4.14) ve (4.15) genellikle daha az karmaşık ifadelere basitleştirme yapmaz. Basitleştirmenin meydana geldiği bir durum OR = 1’dir. Bu durumda A1’in merkezi bir hipergeometrik dağılıma sahip olduğunu söyleriz.
Alternatif UYUŞMAZLIK çözüm Yolları pdf Basit iterasyon yöntemi Geleneksel UYUŞMAZLIK çözüm yöntemleri Matlab lineer olmayan denklem çözümü Sezgisel ve meta sezgisel algoritmalar farkı Ticari uyuşmazlıkların çözümü UYUŞMAZLIK çözüm yöntemleri UYUŞMAZLIK çözüm Yöntemleri Ders Notları