KONFOUNDING (Confounding) – Epidemiyolojide Biyoistatistiksel Yöntemler – Biyoistatistikler – Epidemiyoloji – Biyoistatistikler Nedir? – İstatistik Fiyatları – Ücretli İstatistik
Π1 = .6 ve π2 = .2 olan kapalı bir kohort çalışmasını düşünün, böylece ω1 = 1.5 ve ω2 = .25. Bu parametrelere dayalı olarak aşağıdaki yorumlara sahibiz: Maruz kalma, RD = .4 artışıyla hastalık olasılığını artırır; maruziyet, hastalık olasılığını RR = 3 faktörü ile arttırır; ve maruziyet, hastalık olasılığını OR = 6 faktörü ile artırır.
Bu basit örnek, risk farkı, risk oranı ve olasılık oranının, maruz kalmanın hastalık riski üzerindeki etkisini ölçmenin çok farklı üç yolu olduğunu göstermektedir. Ayrıca, risk farkı ve risk oranının, olasılık oranı tarafından paylaşılmayan bir özellik olan basit ve sezgisel bir yoruma sahip olduğunu göstermektedir.
Ω1 = 1.5 ve ω2 = .25 “15 ila 10” ve “1 ila 4” olarak yeniden yazılsa bile, bu miktarlar π1 = .6 ve π2 = .2’den daha az sezgisel kalır. Yorum kolaylığı açısından, risk farkı ve risk oranının olasılık oranına göre belirgin bir avantajı olduğu görülmektedir.
Maruz kalma durumunu, orijinal tanıma göre maruz kalan denekler maruz kalmamış olarak yeniden etiketlenecek şekilde yeniden tanımladığımızı varsayalım. Bir asal ′ ile sonuçta ortaya çıkan etki ölçülerini ifade eden RD ′ = π2 – π1, RR ′ = π2 / ,1 ve OR ′ = [π2 (1 − π1)] / [π1 (1 − π2)]. Bunu, RD ′ = −RD, RR ′ = 1 / RR ve OR = 1 / OR olduğunu izler ve bu nedenle, etki ölçümlerinin her biri, ya toplamalı ya da çarpımsal ölçekte karşılıklı bir miktara dönüştürülür.
Şimdi, orijinal tanıma göre vaka olan deneklerin vaka olmayan olarak yeniden etiketlenmeleri için hastalık durumunu yeniden tanımladığımızı varsayalım. Sonuçta ortaya çıkan etki ölçülerini çift üssü ′ ′ ile ifade eden RD ′ ′ = (1 − π1) – (1 − π2), RR ′ ′ = (1 − π1) / (1 − π2) ve OR have ′ = [(1 – π1) π2] / [(1 – π2) π1]. Bunu, RD ′ ′ = −RD ve OR ′ ′ = 1 / OR, ancak RR ′ ′ ̸ = 1 / RR olduğunu izler.
Hastalık durumu yeniden tanımlandığında risk oranının karşılıklı bir özelliği gösterememesi, bu etki ölçüsünün belirgin bir eksikliğidir. Örneğin, randomize kontrollü bir çalışmada “maruz kalma” aktif tedavi (plaseboya kıyasla) olsun ve “hastalık” belirli bir nedenden kaynaklanan ölüm olsun. Π1 = .01 ve π2 = .02 ile RR = .01 / .02 = .5 ve bu nedenle tedavi, ölüm olasılığında etkileyici bir düşüşe yol açar.
Başka bir şekilde bakıldığında, RR ′ ′ = .99 / .98 = 1.01 ve bu nedenle tedavi, hayatta kalma olasılığında sadece mütevazı bir iyileşme ile sonuçlanır. 0 ≤ π1 ≤ 1 olduğundan, RD ve RR değerlerine yerleştirilen kısıtlamalar vardır. Spesifik olarak, belirli bir π2 değeri için, RD ve RR eşitsizliklerini karşılamalıdır 0 ≤ π2 + RD≤1 ve0πRRπ2 ≤1; genellikle, −π2 ≤RD≤ (1 − π2) ve 0 ≤ RR ≤ (1 / π2) .
Burada ele alındığı gibi tek bir 2 × 2 tablo olması durumunda, bu kısıtlamalar bir sorun oluşturmaz. Bununla birlikte, birkaç tablo analiz edildiğinde ve genel bir etki ölçüsü tahmin edildiğinde, bu kısıtlamaların daha büyük sonuçları vardır. İlk olarak, her tablodaki kısıtlamaları karşılayan genel bir ölçü bulmanın ek karmaşıklığı vardır.
İkincisi ve daha da önemlisi, tablolardan birinin getirdiği kısıtlama, diğer tablolardaki etki ölçüsü için olası değerlerin aralığını ciddi şekilde sınırlayabilir. İhtimal oranı, bu soruna tabi olmama gibi çekici bir özelliğe sahiptir. Π1 için çözme (2.1) verir.
Confounding variable nedir
Confounding variable example
Confounder
Confounder ne demek
Confounding ne demek
0≤π2 ≤1veOR≥ 0 olduğundan, herhangi bir değer için0of1 ≤1 ve (2.2) ‘nin paydası sıfır olmayan π2’yi izler. (2.2) ‘ye dayalı olan Şekil 2.1 (a) ve 2.1 (b) OR = 2 ve OR = 5 için 1 fonksiyonunun as2 fonksiyonunun grafiklerini göstermektedir. Görülebileceği gibi, eğriler şekil olarak aşağı doğru içbükeydir. Aksine, verilen RD ve RR değerleri için, π1 = π2 + RD ve π1 = RRπ2 (gösterilmemiştir) grafikleri doğrusaldır; ilkinin eğimi 1 ve RD kesişme noktasına sahipken, ikincisi RR eğimine ve 0 kesişme noktasına sahiptir.
Kapalı bir kohort çalışması için bir etki ölçüsü seçerken, yukarıda tartışılan özellikleri göz önünde bulundurmak yararlıdır – yani, etki ölçüsünün eklemeli mi yoksa çarpan mı, sezgisel olarak çekici mi, karşılıklı özellikler sergiliyor mu ve parametre aralığına kısıtlamalar getiriyor mu?
Bununla birlikte, daha temel bir değerlendirme, etki ölçüsünün hastalık sürecinin altında yatan mekanizma ile tutarlı olup olmadığıdır. Örneğin, bir dizi maruz kalmanın etkisini çarpımsal bir yöntemden ziyade katkı maddesi olarak uyguladığı biliniyorsa, risk oranına veya olasılık oranına tercihli olarak risk farkını bir etki ölçüsü olarak seçmek uygun olacaktır.
Ne yazık ki, çoğu uygulamada bu tür karmaşık sorulara karar vermeye yardımcı olmak için yeterli temel bilgi yoktur. Epidemiyolojik verilerin, bir dizi maruziyetin ek olarak mı, çarparak mı yoksa başka bir şekilde mi işlediğini belirlemek için kullanılabileceği umulabilir. Ancak epidemiyolojik araştırmanın faaliyet gösterdiği alan olan popülasyon düzeyindeki risk faktörlerinin davranışı, altta yatan hastalık sürecini tam olarak yansıtmayabilir.
Walter (2000), risk farkı, risk oranı ve olasılık oranına dayalı modellerin benzer bulgular üretme eğiliminde olduğunu göstermiştir, bu da bu kitapta daha sonra anlatılacak bir fenomendir. Şu anda, çoğu epidemiyolojik çalışmada, bir çeşit çarpımsal model kullanılmaktadır. Belki de bu vurgunun ana nedeni pratik bir düşüncedir: Çoğu epidemiyolojik araştırmada sonuç değişkeni kategoriktir (ayrıktır) ve bu tür verileri analiz etmek için mevcut olan istatistiksel paketlerin çoğu ile birlikte istatistiksel yöntemlerin çoğu, çarpımsal yaklaşıma dayanmaktadır. .
Özellikle, lojistik regresyon ve Cox regresyon gibi epidemiyolojide yaygın olarak kullanılan regresyon tekniklerinin çoğu, doğası gereği çoklayıcıdır. Bu nedenle, bu kitabın odak noktası çarpımsal terimlerle tanımlanan teknikler olacaktır.
KONFOUNDING
Epidemiyolojinin bir araştırma alanı olarak tanımlayıcı özelliklerinden biri, kafa karıştırıcı olarak bilinen belirli bir sistematik hata türüne ilişkin endişedir (bazıları meşgul olduğunu söyleyebilir). Birçok epidemiyolojik çalışmada amaç, belirli bir maruziyetin belirli bir hastalığın gelişimi üzerindeki nedensel etkisini izole etmektir.
Gözlenen etkide sahte bir artış veya azalmaya neden olma potansiyeline sahip faktörler olduğunda, karıştırılma olasılığı dikkate alınmalıdır. Doğrulamanın ilk tanımları, dikkate değer bir sezgisel çekiciliği olan bir yaklaşım olan çökebilirlik kavramına dayanıyordu. Mevcut ve yaygın olarak kabul gören kafa karıştırıcı tanım, aksine, oldukça soyut olan karşı-olgusal argümanlara dayanmaktadır.
Gösterileceği gibi, karıştırmanın çökebilirliği ve karşı-olgusal tanımları ortak bazı özelliklere sahiptir. Çökebilirlik yaklaşımını kullanarak karıştırmaya yönelik bazı ön bilgiler geliştireceğiz ve ardından karşı-olgusal argümanlara dayalı bir kafa karıştırıcı tanıma geçeceğiz.
Confounder Confounder ne demek Confounding ne demek Confounding variable example Confounding variable nedir