100% tevredenheidsgarantie Direct beschikbaar na betaling Zowel online als in PDF Je zit nergens aan vast
logo-home
Summary - Statistical Modelling in Medical Research (BMs61) €11,49
In winkelwagen

Samenvatting

Summary - Statistical Modelling in Medical Research (BMs61)

1 beoordeling
 35 keer bekeken  1 keer verkocht

Complete summary of all content of the Statistical Modelling in Medical Research course (BMs61). This includes a clear description of linear regression and logistic regression, as well as two types of variable selection; backwards elimination and forward selection. The summary provides a descriptio...

[Meer zien]

Voorbeeld 2 van de 5  pagina's

  • 30 oktober 2023
  • 5
  • 2023/2024
  • Samenvatting

1  beoordeling

review-writer-avatar

Door: nicklanders • 1 jaar geleden

avatar-seller
rdkmn
WEEK 1
Linear regression
Y = B0 + B1 * X + E

Y = dependent variable
B0 = intercept (or starting value)
B1 = Slope
X = independent variable (or amount)
E = random error

Least squared method
To know the best fitted line (smallest SSE)

R^2 : Explains proportion of
variance in de dependent variable
that can be explained by the
independent variable.

R^2 = (SSY – SSE) / SSY
Close to 1 is perfect (meaning low
SSE).

R^2 = (correlation coefficient)^2

Dummy variable and comparing regression lines
Use dummy variables to study whether the relationship between two variables is different across
subgroups of a population.

If there are k categories, there are k-1 dummy variables

Time = B0 + B1*Z + B2*age + B3*Z*age + E (met Z = 0 male and Z = 1 female)

Males  TIME = B0 + B1*0 + B2*age + B3*0*age + E = B0 + B1*age + E
Females  TIME = B0 + B1*1 + B2*age + B3*1*age + E = B0 + B1 + B2*age + B3*age

So for males the intercept is B0 and the slope is B1*age, while for females the intercept is B0+B1 and
the slope is B2*age + B3*age. This results in different intercept and slope for males/females.

Testing hypothesis using Time = B0 + B1*Z + B2*age + B3*Z*age + E (met Z = 0 m and Z = 1 f)

How do you test if there is different association between men and female?
H0 = there is no difference or B3 = 0 (meaning interaction term/effect modification isn’t there)

How do you test if the model explains the data better than the empty model?
H0 = there is no difference or B1 = B2 = B3 = 0

Overall F-test
Compare model with no predictor to model with predictors
Y = B0 + E
Y = B0 + B1*X + B2*W + B3*Z + E H0: B1 = B2 = B3 = 0

F = ((SSY-SSE)/k) / (SSE/(n-k-1)) n = n of observations k = n of predictors

Results in F-test with p-value. If p-value < significance  new model fits data better.

, Partial F-test
Compares model with k predictors (reduced) to a model with k+m predictors (full)
Y = B0 + B1*X + B2*W + E
Y = B0 + B1*X + B2*W + B3*Z + E H0: B3 = 0

F = ((SSEredu-SSEfull)/m) / (SSEfull/(n-(k+m)-1))
k = n of predictors in reduced model
k+m = n of predictors in the full model
n = n of observations

Results in F-test with p-value. If p-value < significance  new model fits data better.

T-test
Compares model with k predictors (reduced) to a model with k+1 predictors (full)

So t-test can be used when the difference in predictors between the two models is 1. T-test evaluates
B estimates, while F-test evaluates the residuals (using SSE).

Homoscedasticity: Assumption that equal or similar variances are present in the different groups
being compared. This and linearity are both assumptions of linear regression. So often data is ln
transformed to make it normal and thus be able to assume homoscedasticity.

WEEK 2
How do you deal with Confounding?

I. Stratification
Divide date into groups

BP = B0 + B1*bmi + E (unadj.)
BP = B<30 + B<30*bmi + E (adj. for
BP = B>30 + B>30*bmi + E subgroups)

Problem with this: Reduction in sample sizes and usually not possible for several confounders at the
same time.

II. Include confounder in model
Add it into the model as addition to the predictor variables of interest. Then the effect of variables of
interest is adjusted/controlled for the effect of the confounder.

BP = B0 + B1*bmi + E (unadj.)
BP = B0 + B1*bmi + B2*Z + E (adj.)
You use dummy variable (Z) to adjust.

Or add confounder as continuous variable (age).
BP = B0 + B1*bmi + E (unadj.)
BP = B0 + B1*bmi + B2*age + E (adj.)

If the change from B1 to B1 is >10%, this change is meaningful, meaning there may be confounding.

Voordelen van het kopen van samenvattingen bij Stuvia op een rij:

Verzekerd van kwaliteit door reviews

Verzekerd van kwaliteit door reviews

Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!

Snel en makkelijk kopen

Snel en makkelijk kopen

Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.

Focus op de essentie

Focus op de essentie

Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!

Veelgestelde vragen

Wat krijg ik als ik dit document koop?

Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.

Tevredenheidsgarantie: hoe werkt dat?

Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.

Van wie koop ik deze samenvatting?

Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper rdkmn. Stuvia faciliteert de betaling aan de verkoper.

Zit ik meteen vast aan een abonnement?

Nee, je koopt alleen deze samenvatting voor €11,49. Je zit daarna nergens aan vast.

Is Stuvia te vertrouwen?

4,6 sterren op Google & Trustpilot (+1000 reviews)

Afgelopen 30 dagen zijn er 53068 samenvattingen verkocht

Opgericht in 2010, al 14 jaar dé plek om samenvattingen te kopen

Start met verkopen
€11,49  1x  verkocht
  • (1)
In winkelwagen
Toegevoegd