Warszawa 2006 - Uniwersytetu Medycznego im. Karola
Transkrypt
Warszawa 2006 - Uniwersytetu Medycznego im. Karola
JERZY A. MOCZKO Katedra i Zakład Informatyki i Statystyki Akademia Medyczna im. Karola Marcinkowskiego w Poznaniu V edycja „Programu Rozwoju Naukowego Młodych Diabetologów” Najczęstsze błędy z zakresu statystyki medycznej Konferencja Szkoleniowa Warszawa – 25 luty 2006 ETYKA A STATYSTYKA Jest rzeczą nieetyczną przeprowadzanie błędnego doświadczenia naukowego. Jednym z aspektów błędnych doświadczeń są niewłaściwie stosowane metody statystyczne. ROZKŁAD BŁĘDÓW NA ROZMAITYCH ETAPACH BADANIA WG SACKETTA 1 • • • • • Planowanie (5) Konstrukcja (22) Zbieranie danych (18) Analiza danych (5) Prezentacja i interpretacja danych (6) Sackett D.L. „Bias and Analytic Research” J.Chronic Dis. 1979;32:51-63. 1 PLANOWANIE BADANIA • BŁĄD PUBLIKACYJNY - tendencja do publikowania wyłącznie tych prac, które raportują wyniki pozytywne lub regionalne • BŁĄD CYTOWANIA - skłonność do cytowania prac, które potwierdzają własne argumenty badacza i pomijanie prac, które tych argumentów nie potwierdzają KONSTRUKCJA BADANIA • OKREŚLANIE BADANEJ POPULACJI I PRÓBY • WYZNACZENIE LICZEBNOŚCI PRÓBY • METODA PRZYPISYWANIA PACJENTÓW DO ODPOWIEDNIEGO RODZAJU LECZENIA • RODZAJ METODY (RANDOMIZOWANA, KRZYŻOWA, SEKWENCYJNA, ADAPTACYJNA) CZY JEST RZECZĄ ETYCZNĄ STOSOWANIE RANDOMIZACJI (1) ZASADNICZY PROBLEM ETYCZNY POLEGA NA ZRÓWNOWAŻENIU DOBRA JEDNOSTKI PODDANEJ BADANIU Z POTENCJALNA KORZYŚCIĄ, JAKĄ TO BADANIE MOŻE MIEĆ DLA PRZYSZŁYCH PACJENTÓW CZY JEST RZECZĄ ETYCZNĄ STOSOWANIE RANDOMIZACJI (2) METODA ZELENA • POŁOWA PACJENTÓW ZOSTAJE LOSOWO PRZYPISANA DO LECZENIA STANDARDOWEGO (GRUPA 1) • DRUGA POŁOWA MA PRZED SOBĄ WYBÓR: ALBO NOWE LECZENIE (GRUPA 2) ALBO LECZENIE STANDARDOWE (GRUPA 1) LICZEBNOŚĆ BADANEJ PRÓBY • PRÓBA O ZBYT WIELKIEJ LICZEBNOŚCI – KONIECZNOŚĆ ZAANGAŻOWANIA DODATKOWYCH OSOBNIKÓW, PODWYŻSZENIE KOSZTÓW I CZASU TRWANIA BADANIA • PRÓBA O ZBYT MAŁEJ LICZEBNOŚCI UNIEMOŻLIWIA WYKRYCIE WAŻNYCH Z PUNKTU WIDZENIA KLINICZNEGO ZJAWISK – ZWIĘKSZONE RYZYKO UZYSKIWANIA WYNIKÓW FAŁSZYWIE NEGATYWNYCH ( BŁĘDY PIERWSZEGO I DRUGIEGO RODZAJU wynik testu H0 H1 Rzeczywistość H0 H1 ok β α ok błąd pierwszego rodzaju α polega na tym, że wynik testu wykazuje istnienie istotnej statystycznie różnicy, podczas gdy w rzeczywistości ta różnica nie jest istotna. Prawdopodobieństwo błędu I rodzaju nazywamy poziomem istotności. błąd drugiego rodzaju β polega na stwierdzeniu na podstawie przeprowadzonego testu statystycznego, że średnie nie różnią się istotnie statystycznie, podczas gdy w rzeczywistości taka różnica istnieje. Określa on stopień akceptowanego przez eksperymentatora ryzyka zagubienia rzeczywiście istniejącej różnicy między średnimi. Na pojawienie się błędu drugiego rodzaju ma istotny wpływ zbyt mała liczebność próby oraz duże rozproszenie pomiarów w próbie. BŁĘDY PIERWSZEGO I DRUGIEGO RODZAJU Wartości α i β są ze sobą powiązane. Zmniejszenie prawdopodobieństwa α powoduje wzrost prawdopodobieństwa β. CZUŁOŚĆ I SWOISTOŚĆ TESTU DIAGNOSTYCZNEGO RZECZYWISTOŚĆ H0: TRUE H0: FALSE WYNIK TESTU H0: TRUE ( NORMA) H0: FALSE (NIEPRAWIDŁOWOŚĆ) DEFINICJA CZUŁOŚĆ SWOISTOŚĆ (NORMA) (NIEPRAWIDŁOWOŚĆ) PRAWDZIWIE NEGATYWNY (TN) FAŁSZYWIE NEGATYWNY (FN) BŁĄD II RODZAJU (β ) PRAWDZIWIE POZYTYWNY (TP) FAŁSZYWIE POZYTYWNY (FP) BŁĄD I RODZAJU (α ) Interpretacja TP / (TP + FN) Proporcja liczby przypadków nieprawidłowych poprawnie sklasyfikowanych przez test do liczby wszystkich przypadków nieprawidłowych TN / (TN + FP) Proporcja wszystkich przypadków normy poprawnie sklasyfikowanych przez test do wszystkich przypadków normy NOMOGRAM ALTMANA NOMOGRAM ALTMANA WZORY LEHR’A SKALE POMIAROWE skala interwałowa niesie najwięcej informacji, najsilniejsza skala porządkowa skala słabsza skala nominalna skala najsłabsza BŁĘDY POMIAROWE BŁĘDY SYSTEMATYCZNE BŁĘDY LOSOWE (NIE POTRAFIMY ICH WYELIMINOWAĆ, MOŻEMY JEDNAK OSZACOWAĆ ICH WIELKOŚĆ I OCENIĆ ICH WPŁYW NA WIAROGODNOŚĆ NASZYCH POMIARÓW) BŁĘDY GRUBE PODSTAWOWE TYPY INFORMACJI MEDYCZNEJ • ALFANUMERYCZNA • SYGNAŁY • OBRAZY INFORMACJA ALFANUMERYCZNA • DANE REJESTRACYJNE • HISTORIA CHOROBY • WYNIKI LABORATORYJNE • EPIKRYZA • RECEPTY INFORMACJA SYGNAŁOWA • • • • • • • • ELEKTROKARDIOGRAFIA ELEKTROENCEFALOGRAFIA ELEKTROMIOGRAFIA ELEKTRONYSTAGMOGRAFIA ELEKTROGASTROGRAFIA ELEKTROINTESTINOGRAFIA ELEKTROOKULOGRAFIA KARDIOTOKOGRAFIA INFORMACJA OBRAZOWA • KLASYCZNA TECHNIKA RENTGENOWSKA • JĄDROWY REZONANS MAGNETYCZNY • ULTRASONOGRAFIA • MIKROSKOPIA OPTYCZNA I ELEKTRONOWA • BADANIE DNA OKA • TERMOGRAFIA ORGANIZACJA DANYCH Zmienne to wielkości, które obserwujemy, mierzymy i którymi manipulujemy w trakcie prowadzenia badania. WPROWADZANIE DANYCH WERYFIKACJA DANYCH WERYFIKACJA DANYCH • DANE KATEGORIALNE (KODOWANIE SYMBOLICZNE I NUMERYCZNE) • DANE NUMERYCZNE (BADANIE ZAKRESU) • DATY I GODZINY • WARTOŚCI ODSKAKUJĄCE (obserwacje, które wyróżniają się od większości danych i są niezgodne z pozostałymi danymi. Wartości te mogą być prawdziwymi obserwacjami od osobników z bardzo ekstremalnymi poziomami zmiennej. Jednakże, mogą też być wynikiem błędów wprowadzania lub błędnego doboru jednostek, i dlatego należy sprawdzić wszelkie podejrzane wartości) • DANE BRAKUJĄCE GRAFICZNA PREZENTACJA DANYCH INTERPRETACJA WYBRANYCH ZAPISÓW STATYSTYKI OPISOWEJ DOBÓR TESTU STATYSTYCZNEGO czy mamy do czynienia z problemem badania istotności różnic czy też problemem badania zależności? w jakiej skali pomiarowej zostały wykonane pomiary (interwałowej, porządkowej, nominalnej) ? jeżeli dane wyrażone są w skali interwałowej to czy pochodzą z populacji o rozkładzie normalnym? ile grup porównujemy jednocześnie (dwie, więcej niż dwie) ? jaki model badania został wykorzystany przy zbieraniu danych (zmienne niepowiązane czy powiązane)? MODEL BADANIA Model zmiennych niepowiązanych (niezależnych) - dwie lub więcej prób pobranych z dwu lub więcej różnych populacji. Model zmiennych powiązanych (sparowanych, zależnych) - ten sam pacjent (zjawisko itp.) badane są dwukrotnie lub większą ilość razy. WYBÓR NAJCZĘŚCIEJ STOSOWANYCH TESTÓW W BADANIACH MEDYCZNYCH I WARUNKI ICH STOSOWANIA. skala / liczba warunki grup dodatkowe interwałowa interwałowa dwie grupy więcej niż dwie grupy grupy zmienne powią- zmienne niepo- zmienne powią- powiązane zane wiązane zane normalność test t-Studenta test t-Studenta analiza warian- analiza warian- rozkładu (niepowiąz.) (powiązane) cji cji test Wilcoxona test Kruskala- test Friedmana brak normalno- test Manna- Whitneya test Manna- Wallisa test Wilcoxona Whitneya nominalna więcej niż dwie Zmienne nie- ści rozkładu porządkowa dwie grupy - test Kruskala- test Friedmana Wallisa test chi-kwadrat test znaków lub test chi-kwadrat test Qlub dokładny test Fishera test McNemara lub dokładny test Fishera Cochrana SPRAWDZANIE ZAŁOŻEŃ • NORMALNOŚĆ • HOMOGENICZNOŚĆ (homoscedastyczność) • ZWIĄZEK LINIOWY INTERPRETACJA WYNIKÓW (1) • Każdy test istotności jest miarą wiarygodności hipotezy zerowej mówiącej o braku istotności różnic. • Wynik nieistotny oznacza po prostu, że wyniki nie są dostatecznie wiarygodne, by móc odrzucić hipotezę zerową • Błędem jest stwierdzenie, że wszystkie wyniki nieistotne wskazują na brak efektu mającego znaczenie kliniczne • Błędem jest stwierdzenie, że wszystkie wyniki istotne wskazują na istnienie efektu mającego znaczenie kliniczne INTERPRETACJA WYNIKÓW (2) Badania charakteryzujące się niską wartością mocy (wynikającą z niedostatecznej liczebności próby) dają często wyniki wskazujące na istnienie zjawisk, które, jeżeli byłyby prawdziwe, miałyby znaczenie kliniczne, ale które statystycznie biorąc nie są istotne. Najbezpieczniej jest uważać tego rodzaju wyniki za nieprzekonujące ( nie dowiedzione) i w miarę możności wzmocnić je propozycją zbierania dalszych danych. INTERPRETACJA WYNIKÓW (3) Gdy na jednym zbiorze danych przeprowadza się kilka testów istotności wzrasta ryzyko otrzymania wyników fałszywie pozytywnych (tzn. wzrasta prawdopodobieństwo popełnienia błędu i rodzaju – odrzucenie hipotezy zerowej, gdy w rzeczywistości jest ona prawdziwa). Jeśli na przykład policzymy korelacje pomiędzy dziesięcioma zmiennymi (łącznie 45 współczynników korelacji), to możemy się spodziewać, że przez przypadek około dwa z nich (tzn. jeden na każde 20) będzie istotnych na poziomie p < 0,05, nawet jeżeli wartości zmiennych były kompletnie losowe, a w populacji generalnej nie występują żadne korelacje między tymi zmiennymi. INTERPRETACJA WYNIKÓW (4) Wiele związków nie ma charakteru przyczynowego. Błędne związki pojawiają się szczególnie wtedy, gdy każda ze zmiennych jest skorelowana z jakąś trzecią „ukrytą” (uwikłaną) zmienną. Problem korelacyjny: długość włosów a wzrost INTERPRETACJA WYNIKÓW (5) Problem interpolacji i ekstrapolacji: czy należy jeździć samochodem bardzo szybko, ponieważ samochody jadące z prędkością powyżej 180 km/h powodują mniej wypadków ? Podobnie, jak niebezpieczne jest uogólnianie na podstawie pojedynczych danych, tak samo musimy być bardzo ostrożni z wyciąganiem wniosków jednostkowych z uogólnień. CZUŁOŚĆ I SWOISTOŚĆ TESTU DIAGNOSTYCZNEGO RZECZYWISTOŚĆ H0: TRUE H0: FALSE WYNIK TESTU H0: TRUE ( NORMA) H0: FALSE (NIEPRAWIDŁOWOŚĆ) DEFINICJA CZUŁOŚĆ SWOISTOŚĆ (NORMA) (NIEPRAWIDŁOWOŚĆ) PRAWDZIWIE NEGATYWNY (TN) FAŁSZYWIE NEGATYWNY (FN) BŁĄD II RODZAJU (β ) PRAWDZIWIE POZYTYWNY (TP) FAŁSZYWIE POZYTYWNY (FP) BŁĄD I RODZAJU (α ) Interpretacja TP / (TP + FN) Proporcja liczby przypadków nieprawidłowych poprawnie sklasyfikowanych przez test do liczby wszystkich przypadków nieprawidłowych TN / (TN + FP) Proporcja wszystkich przypadków normy poprawnie sklasyfikowanych przez test do wszystkich przypadków normy INTERPRETACJA WYNIKÓW (6a) CZUŁOŚĆ = SWOISTOŚĆ = 0.9 ROZPOWSZECHNIENIE = 50% (200/400) CZUŁOŚĆ = SWOISTOŚĆ = 0.9 ROZPOWSZECHNIENIE = 2% (100/5000) RZECZYWISTOŚĆ H0: TRUE H0: FALSE WYNIK TESTU H0: TRUE ( CHOROBA -) H0: FALSE (CHOROBA +) (CHOROBA -) (CHOROBA +) PRAWDZIWIE NEGATYWNY (TN) 180 (4410) FAŁSZYWIE POZYTYWNY (FP) 20 (490) FAŁSZYWIE NEGATYWNY (FN) 20 (10) PRAWDZIWIE POZYTYWNY (TP) 180 (90) CZUŁOŚĆ = TP / (TP + FN) SWOISTOŚĆ = TN / (TN + FP) INTERPRETACJA WYNIKÓW (6b) W JAKIM ODSETKU ROZPOZNANE WYNIKI POZYTYWNE I NEGATYWNE ODPOWIADAJĄ PRAWDZIWYM WARTOŚCIOM POZYTYWNYM I NEGATYWNYM Tab. 7a: przeważająca liczba wyników z testem negatywnym jest prawdziwie negatywnych (180/200=90.0%); również 90% (180/200) wyników rozpoznanych jako pozytywne było naprawdę prawdziwie pozytywnych. Tab. 7b: niemal wszystkie wyniki z testem negatywnym są prawdziwie negatywne (4410/4420=99.77%); tylko 16% (90/580) wyników rozpoznanych jako pozytywne było naprawdę prawdziwie pozytywnych. INTERPRETACJA WYNIKÓW (6c) • CZUŁOŚĆ I SWOISTOŚĆ NIE SĄ MIARĄ PRZEWIDYWALNOŚCI TESTÓW; PROWADZĄ DO TYM WIĘKSZEGO NIEPOROZUMIENIA, IM CHOROBA JEST MNIEJ ROZPOWSZECHNIONA. • WYSOKA CZUŁOŚĆ JEST WARUNKIEM KONIECZNYM, ALE NIE WYSTARCZAJĄCYM, ABY MÓC PRZEPROWADZIĆ DOBRY TEST PROGNOSTYCZNY. • UŻYTECZNOŚĆ TESTU ZALEŻY OD KOSZTÓW ZWIĄZANYCH Z UZYSKANIEM WYNIKÓW FAŁSZYWIE POZYTYWNYCH. PORADNIK STATYSTYCZNY W INTERNECIE WERSJA POLSKA http://www.statsoft.pl/textbook/stathome.html WERSJA ANGIELSKA http://www.statsoft.com/textbook/stathome.html TYPY BADAŃ EMPIRYCZNYCH •Korelacyjne - nie ingerujemy w żadne zmienne lecz jedynie mierzymy je i poszukujemy zależności pomiędzy niektórymi zespołami zmiennych •Eksperymentalne- manipulujemy niektórymi zmiennymi ,następnie mierzymy wpływ tych manipulacji na pozostałe zmienne Dane z badań korelacyjnych nie są wystarczającym dowodem istnienia związku przyczynowego. ZAGADNIENIE KORELACJI I REGRESJI metody korelacyjne badają istnienie ewentualnego związku między dwoma lub większą liczbą zmiennych oraz szacują siłę i istotność statystyczną tego związku. Aby zbadać czy istnieje zależność między dwoma parametrami na skali interwałowej należy stworzyć wykres przedstawiający rozrzut par punktów doświadczalnych (tzw. scattergram), pozwala on w pierwszym przybliżeniu określić kształt badanego związku. Na osi OX - parametr, który jest określany jako zmienna niezależna. Na osi OY - parametr, który jest określany jako zmienna zależna KSZTAŁT ZALEŻNOŚCI liniowy (y=ax+b, y=a1x1+ a2x2+...+ anxn+b) nieliniowy ( y=a*exp(-bx)+c, y=a*sin(b*x+c) y= a1x12+ a2x22+a3x1x2+b) y=a*ln(b*x1)+c*x2 ZŁOŻONOŚĆ MODELU Model jednowymiarowy y=f(x) Model wielowymiarowy y=f(x1, x2, x3, x4,........, xn) Analiza kanoniczna (y1, y2, y3, y4,........, ym) = f (x1, x2, x3, x4,........, xn) Współczynnik korelacji liniowej Pearsona – skala interwałowa Może on przyjmować wartości z zakresu od -1 do +1. Wartość +1 oznacza całkowitą dodatnią zależność liniową, tj. wszystkie punkty pomiarowe leżą idealnie na linii prostej a wzrostowi zmiennej niezależnej odpowiada wzrost zmiennej zależnej Wartość -1 to całkowita ujemna zależność liniowa - wszystkie punkty doświadczalne leżą idealnie na linii prostej, lecz wzrostowi zmiennej niezależnej odpowiada spadek zmiennej zależnej. Gdy współczynnik korelacji liniowej przyjmuje wartość bliską zeru wówczas nie istnieje liniowa zależność między badanymi parametrami. parametrami Współczynnik korelacji rangowej Spearmana – skala porządkowa Gdzie Di – różnica rang dla zmiennej zależnej i niezależnej Może on przyjmować wartości z zakresu od -1 do +1. Wartość +1 oznacza całkowitą dodatnią zależność - wzrostowi zmiennej niezależnej odpowiada wzrost zmiennej zależnej Wartość -1 to całkowita ujemna zależność - wzrostowi zmiennej niezależnej odpowiada spadek zmiennej zależnej. Gdy współczynnik korelacji przyjmuje wartość bliską zeru wówczas nie istnieje liniowa zależność między badanymi parametrami. parametrami Kształt zależności - regresja liniowa Interpolacja polega na ^ Y = a*X + b przewidywaniu wartości zmiennej zależnej na podstawie wartości zmiennej niezależnej leżących wewnątrz obszaru wcześniej obserwowanych zmian zmiennej niezależnej (a więc tego zakresu zmiennej niezależnej, na podstawie których zbudowano wykorzystywany model). Interpolacja jest więc z reguły procedurą bezpieczną zakłada się tu jedynie ciągłość funkcji wyrażającej zależność obu zmiennych. Ekstrapolacja jest przewidywaniem wartości zmiennej zależnej dla tych wartości zmiennej niezależnej, które leżą poza obszarem zmienności tej zmiennej użytym do budowy modelu predykcyjnego. W przeciwieństwie do interpolacji, ekstrapolacja bywa często zabiegiem ryzykownym. Badanie istotności współczynnika korelacji Aby zbadać czy istnieje statystycznie istotna liniowa zależność między dwoma zmiennymi korzystamy z testu na ocenę istotności współczynnika Pearsona H0: r = 0 (parametry X i Y są niezależne) H1: r ≠ 0 (parametry X i Y są zależne) gdy pt > α to H0gdy pt ≤ α to H1 Współczynnik determinacji - kwadrat współczynnika korelacji. Wyraża on procent zmienności zmiennej zależnej wytłumaczony zmiennością zmiennej niezależnej. Medical Statistics at a Glance Aviva Petrie Head of Biostatistics Unit and Senior Lecturer Eastman Dental Institute University College London 256 Grays Inn Road London WCIX 8LD and Honorary Lecturer in Medical Statistics Medical Statistics Unit London School of Hygiene and Tropical Medicine Keppel Street London WC1E7HT Caroline Sabin Professor of Medical Statistics and Epidemiology Department of Primary Care and Population Sciences Royal Free and University College Medical School Rowland Hill Street London NW3 2PF Second edition Preface 6 Handling data Types of data 8 Data entry 10 Error checking and outliers 12 Displaying data graphically 14 Describing data: the 'average' 16 Describing data: the 'spread' 18 Theoretical distributions: the Normal distribution 20 Theoretical distributions: other distributions 22 Transformations 24 Sampling and estimation Sampling and sampling distributions 26 Confidence intervals 28 Study design Study design I 30 Study design II 32 Clinical trials 34 Cohort studies 37 Case-control studies 40 Hypothesis testing Hypothesis testing 42 Errors in hypothesis testing 44 Basic techniques for analysing data Numerical data Numerical data: a single group 46 Numerical data: two related groups 49 Numerical data: two unrelated groups 52 Numerical data: more than two groups 55 Categorical data 23 Categorical data: a single proportion 58 Categorical data: two proportions 61 Categorical data: more than two categories 64 Regression and correlation Correlation 67 The theory of linear regression 70 Performing a linear regression analysis 72 Multiple linear regression 76 Binary outcomes and logistic regression 79 Rates and Poisson regression 82 Generalized linear models 86 Explanatory variables in statistical models 88 Issues in statistical modelling 91 Important considerations Checking assumptions 94 Sample size calculations 96 Presenting results 99 Additional chapters Diagnostic tools 102 Assessing agreement 105 Evidence-based medicine 108 Methods for clustered data 110 Regression methods for clustered data 113 Systematic reviews and meta-analysis 116 Survival analysis 119 Bayesian methods 122 Appendix A Statistical tables 124 B Altman's nomogram for sample size calculations 131 C Typical computer output 132 D Glossary of terms 144 Spis treści Przedmowa 6 Obsługa danych Rodzaje danych 8 Wprowadzanie danych 10 Analiza błędów i wartości odskakujące 12 Graficzna prezentacja danych 14 Opisywanie danych: wartość średnia 16 Opisywanie danych: rozrzut 18 Rozkłady teoretyczne: rozkład normalny 20 Rozkłady teoretyczne: inne rozkłady 22 Transformacje 24 Próbkowanie I estymacja Próbkowanie i rozkłady próbkowania 26 Przedział ufności 28 Planowanie badania Planowanie badania I 30 Planowanie badania II 32 Badania kliniczne 34 Badania kohortowe 37 Badania przypadek-kontrola 40 Testowanie hipotez Testowanie hipotez 42 Błędy pojawiające się w testowaniu hipotez 44 Podstawowe techniki analizy danych Dane numeryczne Dane numeryczne: pojedyńcza grupa 46 Dane numeryczne: dwie grupy powiązane 49 Dane numeryczne: dwie grupy niepowiązane 52 Dane numeryczne: więcej niż dwie grupy 55 Dane kategorialne 23 Dane kategorialne: jedna proporcja 58 Dane kategorialne: dwie proporcje 61 Dane kategorialne: więcej niż dwie kategorie 64 Regresja i korelacja Korelacja 67 Teoria regresji liniowej 70 Przeprowadzanie analizy regresji liniowej 72 Wielokrotna regresja liniowa 76 Wyniki binarne i analiza logistyczna 79 Częstości i regresja Poissona 82 Uogólnione modele liniowe 86 Zmienne wyjaśniające w modelach statystycznych 88 Zagadnienia związane z modelowaniem statystycznym 91 Ważne rozważania Sprawdzanie założeń 94 Wyznaczanie wielkości próby 96 Prezentacja wyników 99 Rozdziały dodatkowe Narzędzia diagnostyczne 102 Oszacowywanie zgodności 105 Medycyna poparta dowodami 108 Metody dla danych zgrupowanych 110 Metody regresyjne dla danych zgrupowanych 113 Przeglądy systematyczne i meta-analiza 116 Analiza przeżycia 119 Metody bayesowskie 122 Dodatki A Tablice statystyczne 124 B Nomogram Altmana do oszacowania wielkości próby 131 C Typowe wydruki komputerowe 132 D Słowniczek terminów statystycznych 144 Indeks 153 A B CZY ZAWSZE MĄDRZE BRZMIĄCY TEKST MA WARTOŚĆ NAUKOWĄ ? CZYLI JAK NIE DAĆ SIĘ WPUŚCIĆ W MALINY 1.Niektóre materiały ceramiczne nie mają prekursorów występujących w wodzie pitnej, co może sugerować, iż Wielokrotny zapis przebiegu omawianego procesu w pamięci operacyjnej Wskazuje na konieczność stosowania konwencjonalnych metod dyfuzji lecz Wyklucza dopuszczalność prowadzenia badań na dużych zwierzętach 2.Uwzględniając doniesienia z piśmiennictwa światowego ostatniego pięciolecia należy przyjąć, iż Opisana zależność występowania złamań kości śródręcza od rodzaju zastosowanej pasty do zębów Rzuca światło na znaczną skuteczność wykorzystanej w badaniach aparatury i Umożliwia końcowe uzyskanie pozytywnego efektu strukturalnego bez pochodnej funkcjonalnej 3.Przyjmując za pewnik wiarygodność wyników badań prowadzonych na grupach dyspanseryjnych uznaliśmy, że Przebieg wykresów z tabel 49 i 50 prowadzi do konkluzji, która w konsekwencji Wskazuje, że nie ma różnic statystycznie istotnych między przytaczanymi faktami a także Dowodzi, że rezultatem tych prac powinno być wytyczenie dalszych kierunków rozwoju dyscypliny 4.Dziękując Panu Profesorowi i Panu Dziekanowi za udzielenie mi wielu cennych wskazówek, które umożliwiły mi wykonanie tych badań, chciałbym tylko jeszcze wspomnieć, że Obserwowana nieuchronność powstania korzystnych oddziaływań w skali molekularnej Przybliża wizję perspektywicznych możliwości wykrywania źródeł promieniowania i dodatkowo Udowadnia całkowitą nieprzydatność uprofilowanych pracowni w realizacji zaplanowanych testów 5.Biorąc pod uwagę prawdopodobieństwo wystąpienia zaburzeń o różnym podłożu z przewagą niedomogi obu półkul należy założyć, że Skądinąd znane zjawisko przedstawione przez mojego przedmówcę Przesądza o znaczącym wpływie omawianych zagadnień na problemy ochrony środowiska zewnętrznego a także Potwierdza a tergo postawioną przeze mnie osiem lat temu hipotezę zerową 6.Obserwując lansowany przez media określony wzorzec zachowań prozdrowotnych jesteśmy przekonani, iż Dobór odpowiednich technik wizualizacji oraz zamiar optymalizacji wyników za wszelką cenę Narzuca konieczność wykonania analizy statystycznej dokładnym testem Fischera, niemniej Zaprzecza powszechnie panującemu przekonaniu o fatalnym wpływie alkoholu etylowego na obyczaje godowe naczelnych 7.Podsumowując wyniki przeprowadzonych badań i krótkoterminowe własne obserwacje dochodzimy do wniosku, że Krótki czas inkubacji i łatwość buforowania opisanego na początku mojego wystąpienia roztworu Przywodzi na myśl badania komputerowe prowadzone w sztokholmskim Instytucie Biotechnologii jeszcze w latach pięćdziesiątych a także Daje pojęcie o niestosowalności w codziennej praktyce testów T – Studenta i Chi kwadrat 8.Część autorów reprezentuje dyskutowany obecnie szeroko pogląd, że Stosowanie opisanej szczegółowo w innych moich doniesieniach metodyki Wynika w sposób oczywisty li tylko z charakteru tego procesu oraz Prowadzi do wniosku, że osiągnięcie celu jest uzależnione od ścisłej współpracy dwóch zespołów badawczych 9.Dane z tomografii komputerowej i badań chromatograficznych jednakże przeczą temu, że Występowanie nieprzewidywalnych czynników mających wpływ na końcowe wyniki Wprowadza stały element zagrożenia możliwością pojawienia się fazy gazowej co Zadowala większość zwolenników teorii behawioralnej 10.Oceniając efekty pomiarów wykorzystujących efekt Schwarza możemy dojść do wniosku, że Znany niekorzystny wpływ omawianego zjawiska na przebieg reakcji Może doprowadzić tylko do wyczerpania szczupłych zasobów uczelni oraz Przypomina o konieczności wprowadzenia bardziej precyzyjnych parametrów B C D A JEŻELI NIE JESTEŚ PEWNY JAK ANALIZOWAĆ SWOJE DANE - PROSZĘ, NIE NISZCZ SWOJEGO KOMPUTERA SKONTAKTUJ SIĘ ZE STATYSTYKIEM