Samenvatting: Foundations Of Clinical Research : Applications To Practice | 9780132344708 | Leslie Gross Portney, et al

Lees hier de samenvatting en de meest belangrijke oefenvragen van Foundations of clinical research : applications to practice | 9780132344708 | Leslie Gross Portney, Mary P. Watkins.

• 1 Missende waarden

  Dit is een preview. Er zijn 7 andere flashcards beschikbaar voor hoofdstuk 1
  Laat hier meer flashcards zien

• Welke drie soorten van missende waarden bestaan er?

  - MCAR, Missing Completely At Random (toevallig ontbreekt de data, bijvoorbeeld als een buisje met bloed kapot is gevallen, of het is vergeten etc). De missende waarde ontbreekt in dit geval random.

  - MAR, Missing At Random (door ziekte niet aanwezig, karakteristieken)

  - MNAR Missing Not At Random (de informatie is niet gemeten)

• Wat doet MCAR met de distributie?

  De data blijft gelijk verdeeld over de distributie en de analyse gaat zonder bias. MCAR komt helaas minder vaak voor.

  Het probleem is: hoe weet je dat de missende waarde MCAR is? Kijk naar de p-waarde (t-test). 

• Waar gaan de meeste methodes van uit? MCAR, MAR of MNAR?

  Meestal MAR: Voorbeeld: iemand zegt liever niets over zijn seksuele voorkeur of inkomen.

• Er zijn twee simpele methoden om missende waarden te analyseren. Welke, en wat houden ze in?

  CC: Complete Case Analysis: alleen gebaseerd op beschikbare data. Dit is bij MCAR geen probleem, maar geeft mogelijk bias bij MAR. Het RR kan bijvoorbeeld overschat worden. CC herdefinieert indirect je populatie; alle deelnemers van voor 1980 kunnen bijvoorbeeld wegvallen.

  AC: Available Case Analysis: gebruikt in iedere subanalyse alle deelnemers met complete data (binnen die subgroep). Het aantal personen verschilt hierdoor per subanalyse, waardoor effecten niet vergeleken kunnen worden. Bij MCAR geeft dit geen bias, bij MAR wel.

• Er zijn naast de simpele methoden om missende waarden te analyseren ook geavanceerdere methoden. Welke zeven methoden zijn dit?

  - Indicator method

  - Imputation

  - Overall mean

  - Subgroup mean imputation

  - Hotdecking

  - Single imputation

  - Multiple imputation

• Wat houdt de Indicator Method in?

  Het gemiddelde van de patiënten met- en zonder missende waarden wordt genomen. Het voordeel hiervan is dat je meer data hebt in vergelijking met een Complete Case Analysis of een Available Case Analysis. Er is echter wel sprake van bias, omdat je voor iedereen dezelfde waarde invult. Deze methode kun je dus beter niet gebruiken!

• Wat houdt Subgroep Mean Imputation in?

  Je vult het gemiddelde van de subgroep in voor de missende waarde. Er is iets meer spreiding, maar nog steeds bias.

• 2 Nonparametrische toetsen

  Dit is een preview. Er zijn 17 andere flashcards beschikbaar voor hoofdstuk 2
  Laat hier meer flashcards zien

• Wat houdt normaliteit in? Wanneer komt het voor?

  De steekproefgemiddelden zijn normaal verdeeld, t-toetsen veronderstellen normaal verdeelde data. Dit is het geval als:

  - de individuele data normaal verdeeld zijn (klokvorm). Het gemiddelde is dan afkomstig uit de normaalverdeling.

  - de data zijn niet normaal verdeeld, maar de steekproef is voldoende groot (bijvoorbeeld bij de centrale limietstelling n=30)

  De normale verdeling gaat van -oneindig tot +oneindig. Data kunnen vaak alleen positief zijn, zoals bij looptijd. Daarom moet gelet worden op de grootte van de n.

• Met welke hulpmiddelen kun je testen of data normaal verdeeld zijn?

  - Grafieken (histogram, boxplot, Q-Q plot of P-P plot)

  - Formele toetsen (Kolmogorov-Smirnov, Shapiro-Wilk)

  Je kunt met de toetsen niets bewijzen, maar wel handhaven.

• Wat is een Q-Q plot?

  De geobserveerde waarden worden in een Q-Q plot uitgezet tegen de verwachtte waarden wanneer ze normaal verdeeld zouden zijn. Hoe bereken je de verwachtte waarden? --> neem het gemiddelde en de standaarddeviatie en maak er een normaalverdeling van. Zoek welke z-waarde erbij hoort.   

  Als de puntjes niet op de lijn staan, is het geen normale verdeling.