Statistische Entscheidungstheorie
Statistische Entscheidungstheorie ist vielleicht der größte Zweig der Statistik. Sie umfasst alle bekannten (und viele nicht so berühmt) Signifikanztests - Student t-Tests, Chi-Quadrat-Tests, Varianzanalyse (ANOVA-), Pearson Korrelationstests, Wilcoxon und Mann-Whitney-Tests, und so weiter.
In seiner einfachsten Form, statistische Entscheidungstheorie beschäftigt sich mit der Bestimmung, ob nicht einige echte Wirkung in den Daten vorhanden ist. Das Wort bewirken beziehen sich auf verschiedene Dinge in verschiedenen Umständen kann. Beispiele für Effekte sind die folgenden:
Der durchschnittliche Wert von etwas kann in einer Gruppe im Vergleich zu einem anderen verschieden sein. Zum Beispiel können Männer höhere Hämoglobinwerte haben im Durchschnitt als females- der Einfluss des Geschlechts auf Hämoglobin kann durch die Differenz der mittleren Hämoglobinwerte zwischen Männchen und Weibchen quantifiziert werden.
Oder Patienten mit einem Medikament behandelt werden, haben eine höhere Verwertungsquote als Probanden, die ein Placebo-Effekt die Größe als die Differenz der Rückgewinnungsrate ausgedrückt werden konnte (drug minus Placebo) oder durch das Verhältnis der Heilungschancen für das Medikament in Bezug auf die Placebo (die Odds Ratio).
Der durchschnittliche Wert von etwas kann von Null verschieden sein, (Oder von einem anderen bestimmten Wert). Zum Beispiel kann die durchschnittliche Veränderung des Körpergewichts über 12 Wochen in einer Gruppe von Probanden physikalische Therapie unterziehen von Null verschieden sein.
Zwei numerische Variablen können in Verbindung gebracht werden (auch genannt korreliert). Wenn beispielsweise Fettleibigkeit mit Bluthochdruck assoziiert ist, dann Körpermassenindex kann mit einem systolischen Blutdruck korreliert werden. Dieser Effekt wird oft durch die Pearson-Korrelationskoeffizienten quantifiziert.
-
Wie die Vergleichs Proportions Zwei Bevölkerung
- Wie Behandlungsgruppen, Kontrollgruppen, Placebos und Blinde Experimente sind in den Statistiken in
- SPSS Statistics Häufig verwendete Menüs Analysieren
- Biostatistik für Dummies
- Im Vergleich Durchschnitt: Wie Situational Unterschiede Testmethoden ermitteln
- Estimating Probengröße für Korrelationstests in Biostatistik
Gehen Sie außerhalb der Norm mit Nichtparametrische Statistik
Alle statistischen Tests werden auf der Grundlage einiger Annahmen über Ihre Daten abgeleitet, und die meisten der klassischen Signifikanztests (zB Student t-Tests, Varianzanalyse und Regressionstests) gehen davon aus, dass Ihre Daten nach einigen…
Wie innerhalb der Gruppe Änderungen zwischen Gruppen zu vergleichen
Vergleicht man innerhalb der Gruppe Änderungen zwischen den Gruppen ist eine besondere Situation, aber eine, die sehr häufig kommt in Daten aus klinischen Studien zu analysieren. Angenommen, Sie testen mehrere Arthritis Medikamente gegen ein…
Wie Sets von Matched Zahlen zu vergleichen
Das ungepaarte (unabhängige-Probe) T-Tests, one-way ANOVA, ANCOVA und ihre nichtparametrischer Kollegen befassen sich mit Vergleichen zwischen zwei oder mehr Gruppen von unabhängig Proben von Daten, wie verschiedene Gruppen von Probanden, wo es…
Wie erfolgt die Struktur Numerische Zusammenfassungen in Beschreibende Tabellen
Was tun Sie mit den grundlegenden Auswertungsstatistiken, die eine allgemeine Vorstellung davon, wie eine Reihe von Zahlen vermitteln verteilt wird? Im Allgemeinen, wenn Sie Ihre Ergebnisse präsentieren, holen Sie einige der nützlichsten…
Wie Verwenden von Tests Student t Durchschnitt zu vergleichen
Sie können die Student-t-Tests mit typischen statistischen Software ausführen und die Ausgabe erzeugt interpretieren. In diesem Beispiel werden Sie das Softwarepaket OpenStat verwenden.Die Grundidee eines t-TestAlle Student t-Tests für Mengen von…
Die Identifizierung Ziele, Ziele, Hypothesen und Variablen für eine klinische Studie
Das Ziele oder Ziele kurze allgemeine Aussagen einer Studie sind (oft nur eine Aussage) des gesamten Zweck der Studie. Zum Beispiel kann das Ziel einer Studie werden ", um die Sicherheit und Wirksamkeit von Arzneimittel XYZ bei Patienten mit mittel…
Probengröße Schätzung für gepaarte Student t-Tests in Biostatistik
In Biostatistik, wenn gepaart Messungen miteinander verglichen werden (wie zum Beispiel Änderungen zwischen zwei Zeitpunkten für das gleiche Motiv) ein gekoppeltes Student t-Test, der Effektgröße wird als das Verhältnis, ausgedrückt von # 916-…
Probengröße Schätzung für ungepaarte Student t-Tests in Biostatistik
In Biostatistik, wenn die Mittel von zwei unabhängigen Gruppen von Probanden Vergleichen eines ungepaarten Student t-Test, der Effektgröße wird als das Verhältnis, ausgedrückt von # 916- (Delta, die Differenz zwischen den Mittelwerten der…
Test zur Bedeutung mit Hypothesentests
Alle berühmten statistische Signifikanztests (Student t, Chi-Quadrat, ANOVA, usw.) arbeiten nach dem gleichen allgemeinen Prinzip - sie die Größe der offensichtlichen Auswirkungen bewerten Sie in Ihre Daten vor der Größe der zufälligen…
Die grundlegende Idee einer Varianzanalyse (ANOVA)
Die sogenannte # 147-Einweg-Varianzanalyse # 148- (ANOVA) verwendet, wenn drei oder mehr Gruppen von Zahlen zu vergleichen. Wenn nur zwei Gruppen (A und B) zu vergleichen, testen Sie den Unterschied (A - B) zwischen den beiden Gruppen mit einem…
Die Beziehung zwischen Konfidenzintervalle und Signifikanztests
Sie können Konfidenzintervall (CI) als Alternative zu einigen der üblichen Signifikanztests verwenden. Zur Beurteilung der Bedeutung CIs verwenden, definieren Sie zunächst eine Zahl, die die Höhe der Effekt misst Sie testen für. Dieser Effekt…
Mit Randomisierung in einer klinischen Studie
Randomisierte kontrollierte Studien (RCT) sind der Goldstandard für die klinische Forschung. In einer RCT werden die Probanden zufällig in Behandlungsgruppen zugeteilt (in einem parallelen Verfahren) oder in Behandlung-Sequenzgruppen (in einem…