Notes de cours
College aantekeningen MWO2
- Cours
- Établissement
Hierbij alle aantekeningen van alle colleges (inclusief longpathologie)
[Montrer plus]
Vendeur
S'abonner
roosschilder
Aperçu du contenu
Samenvatting MWO2Statistiek is nodig om de ‘onzekerheid’ van het gevonden resultaat de kwantificeren voor de gehele populatie.
De onzekerheid wordt gevormd door SEM: SEM = SD/√n.
Hoe groter n, hoe kleiner de SEM, dus des te kleiner de onzekerheid.
Hoe groter de SD (hoe meer verschil in de waarden binnen de groep), hoe groter de SEM, hoe groter
de onzekerheid.
Lineaire regressie analyse
Je gebruikt lineaire regressie bij
Continue uitkomstvariabelen.
Toetskenmerken
Er wordt een rechte lijn getrokken door de scatterplot. Dit wordt de kleinste kwadratenmethode
genoemd. Doel: de relatie tussen de uitkomstvariabele en de determinant zo goed mogelijk
beschrijven.
Assumptie bij lineaire regressie analyse = de relatie tussen uitkomst en determinant is lineair.
Lineaire regressie bij twee groepen
Y = b0 + b1*x(waarde op x-as)
B0 = intercept. De waarde van Y als X=0
B1 = regressiecoefficient: als de X met 1 eenheid verschilt, dan verschilt de Y (de uitkomstvariabele) met de
regressie coefficient.
Voorbeeld B1 = 0.086.
Interpretatie: per stapje BMI (x) verschilt het cholesterol (y) met 0.086 eenheden.
Voorbeeld: Cholesterol = b0 + b1*Sekse
B0 = gemiddeld cholesterol voor vrouwen (sekse=0)
B1 = verschil in cholesterol tussen mannen en vrouwen (X verschilt met 1 eenheid)
Lineaire regressie bij drie groepen
Dummy variabelen
Dummyvariabelen zijn 0-1 variabelen waarmee een lineaire regressieanalyse uitgevoerd kan worden.
# dummyvariabelen = # groepen – 1
Y = b0 + b1*Dummy1 + b2*Dummy2
Voorbeeld
Dummy 1 Dummy 2
Niet drinker 0 0
Matige drinkers 1 0
Zware drinkers 0 1
Y = b0 + b1*alcoholgroep 1 + b2*alcoholgroep 2
B0 = gemiddelde cholesterol van niet drinkers (b0+b1*0+b2*0)
B0 +b1 = gemiddelde cholesterol van matige drinkers
B0+b2 = gemiddelde cholesterol van zware drinkers
B1 = het verschil tussen matige drinkers en niet drinkers
B2 = het verschil tussen zware drinkers en niet drinkers
B0 = het gemiddelde van niet drinkers
Assumptie bij lineaire regressie analyse = de relatie tussen uitkomst en determinant is lineair. Dit kun je testen
op twee manieren:
1. Wiskundige functie: kwadratisch verband.
2. Determinant in groepen opdelen
Wiskundige functie
, - Modelleer een kwadratisch verband. De vraag is of dit beter is dan het lineaire verband.
Lineaire verband: y = b0 + b1*X
Kwadratisch verband: y = b0 + b1*X + b2*X2
- Wanneer de p-waarde van de kwadratische functie significant is, beschrijft het kwadratisch verband
de werkelijkheid beter dan het lineaire verband.
- Wanneer de p-waarde van de kwadratische functie niet significant is, behouden we het lineaire
verband.
Determinant in groepen opdelen.
- Deel je continue determinant op in kwartielen. Je referentiegroep is de groep met 25% laagste BMI.
- Als de relatie tussen BMI en cholesterol lineair is, zou het verschil tussen 2 opeenvolgende
regressiecoefficienten hetzelfde moeten zijn.
Lineair verband: het verschil in regressiecoefficient tussen groep 1 en 2 is even groot als het verschil in
regressiecoefficient tussen groep 1 en 3.
Multipele regressie
Je gebruikt multipele regressie bij
Onderzoeken confounding en effectmodificatie.
Confounding = het geschatte effect wordt (deels) veroorzaakt door een andere variabele; de
confounder.
Effectmodificatie = het ‘effect’ is anders voor verschillende groepen.
Toetskenmerken
Voeg de mogelijke confounder toe aan het regressiemodel.
Onderzoek effectmodificatie door toevoegen interactieterm aan regressiemodel.
Confounding
Stel je onderzoekt de relatie tussen cholesterol en geslacht.
Cholesterol = b0 + b1*geslacht
De b1 voor sekse is 0.319.
- Leeftijd zou eventueel een confounder kunnen zijn. Na toevoeging van leeftijd aan het regressiemodel,
is de b1 voor geslacht nu 0.004.
- Je noemt iets een confounder als de regressiecoefficient (b1) van het ongecorrigeerde model tov het
gecorrigeerde model met >10% verschilt.
- Je rapporteert zowel het ongecorrigeerde als het gecorrigeerde verschil.
Vergelijking voor toevoeging confounder aan regressiemodel
Cholesterol = b0 + b1*geslacht + b2*leeftijd
Interpretatie b1
Gecorrigeerd model: b1 = het verschil in cholesterol tussen mannen en vrouwen voor dezelfde leeftijd.
Ongecorrigeerd model: b1 = het verschil in cholesterol tussen mannen en vrouwen.
Effectmodificatie
Vergelijking voor toevoeging effectmodificatie aan regressiemodel
Cholesterol = b0 + b1*geslacht + b2*leeftijd + b3*geslacht*leeftijd.
Interactieterm: geslacht*leeftijd.
Geslacht 0 = vrouw
Geslacht 1 = man
Leeftijd 0 = jong
Leeftijd 1 = oud
Y0,0 = b0
Y1,0 = b0+b1
, Y0,1 = b0 + b2
Y1,1 = b0 + b1 + b2 +b3
Cholesterol jonge vrouw = b0
Cholesterol jonge man = b0 + b1
Cholesterol oude vrouw = b0 + b2
Cholesterol oude man = b0 + b1 + b2 + b3
het verschil tussen jonge mannen en jonge vrouwen = b1
het verschil tussen oude mannen en oude vrouwen = b1 + b3
B3 zegt dus iets over effectmodificatie.
H0: Als er geen effectmodificatie is, zou b3 = 0
H1: b3 is niet 0.
Met SPSS toets je dus of de interactieterm (hier geslacht*leeftijd) significant is. Als het significant is, is er sprake
van effectmodificatie.
Presenteren van resultaten
Confouding: presenteren van zowel ongecorrigeerde als gecorrigeerde resultaten
Effectmodificatie: aparte resultaten presenteren voor de groepen van de effectmodificator.
Logistische regressie analyse
Je gebruikt logistische regressieanalyse bij
Dichotome uitkomstvariabelen.
Zowel verschillen tussen 2 groepen als verschillen tussen 3 groepen
Toetskenmerken
Effectmaat = de odds ratio
Logistische regressie met dichotome determinant
Voorbeeld: is roken een determinant voor het krijgen van een hartinfarct?
Infarct Geen infarct
Roken ja 60 32
Roken nee 150 178
210 210
Odds ratio uitgerekend met tabel = (60x178) / (32x150) = 2.225
Odds ratio in SPSS: EXP(B) = 2.225
Wald toets = (B/(SE))2 = (0.800/(0.245))2 = 10.625
Wald waarde is een de toetingsgrootheid: volgt een Chi2 verdeling.
Vergelijking: ln
( P ( y=1 )
)
1−p ( y =1 )
=b 0+b 1∗x
Voorbeeld met roken en hartinfarct: ln
( 1−pP (infarct
(infarct ) )
)
=b 0+ b 1∗roken
Les avantages d'acheter des résumés chez Stuvia:
Qualité garantie par les avis des clients
Les clients de Stuvia ont évalués plus de 700 000 résumés. C'est comme ça que vous savez que vous achetez les meilleurs documents.
L’achat facile et rapide
Vous pouvez payer rapidement avec iDeal, carte de crédit ou Stuvia-crédit pour les résumés. Il n'y a pas d'adhésion nécessaire.
Focus sur l’essentiel
Vos camarades écrivent eux-mêmes les notes d’étude, c’est pourquoi les documents sont toujours fiables et à jour. Cela garantit que vous arrivez rapidement au coeur du matériel.
Foire aux questions
Qu'est-ce que j'obtiens en achetant ce document ?
Vous obtenez un PDF, disponible immédiatement après votre achat. Le document acheté est accessible à tout moment, n'importe où et indéfiniment via votre profil.
Garantie de remboursement : comment ça marche ?
Notre garantie de satisfaction garantit que vous trouverez toujours un document d'étude qui vous convient. Vous remplissez un formulaire et notre équipe du service client s'occupe du reste.
Auprès de qui est-ce que j'achète ce résumé ?
Stuvia est une place de marché. Alors, vous n'achetez donc pas ce document chez nous, mais auprès du vendeur roosschilder. Stuvia facilite les paiements au vendeur.
Est-ce que j'aurai un abonnement?
Non, vous n'achetez ce résumé que pour $18.12. Vous n'êtes lié à rien après votre achat.
Peut-on faire confiance à Stuvia ?
4.6 étoiles sur Google & Trustpilot (+1000 avis)
77071 résumés ont été vendus ces 30 derniers jours
Fondée en 2010, la référence pour acheter des résumés depuis déjà 15 ans
Récemment vu par vous
Notes de cours ·
Derecho de contratos
Resume ·
Gothic literature timeline
Resume ·
Engels 1 vocabulaire
Resume ·
Samenvatting M&S4
Resume ·
Summary Network Governance
