Mitmese testimise probleem?

Vastus leiad õppematerjalist: Epidemioloogia konspekt

Milline oleks oodatud tervisehinnangu jaotus kui hinnangtervisele ei sõltuks soost?

Vastus leiad õppematerjalist: Epidemioloogia konspekt

Epidemioloogia konspekt (0)

Tartu Ülikool - Meditsiin - Epidemioloogia

1 Hindamata

Esitatud küsimused

Milleks vaja numbrilisi andmeid rashvastiku kohta?
Mitmese testimise probleem?
Milline oleks oodatud tervisehinnangu jaotus kui hinnangtervisele ei sõltuks soost?

Epidemioloogia on rahvastervishoiu, kliinilise meditsiini ja statistika ühisosa. Käsitleb haiguste ja terviseseisundite levikut inimpopulatsioonis.

Uurib tervisega /haigusega seotud seisundite ja sündmuste esinemist ja mõjureid rahvastikurühmades.

Uurib uurimistulemuste rakendamist tervisega/haigusega seotud probleemide lahendamisel rahvastikurühmades.

Ühesõnaga viib läbi igasuguseid uuringuid, et saada aimu erinevate tegurite mõjust jne

Saame ise uurida ja uuringuid tõlgendada tänu epidemioloogiale.

Klassikaline epi – tegeles ajalooliselt nakkushaiguste uurimisega rahvastikud.

Moodne epi – uurib nii nakkushaigusi kui ka mittenakkushaiguslikke haigusi ja tervist rahvastikurühma tasandil.

John Snow – oletas, et joogivesi on sobiv haiguse edasikandja inimeselt inimesele ( koolera ).

James Lind – merendushügieeni alusepanija (meremehed peavad merel c vitamiini saama, apelsine sööma – muidu skorbuut)

Vaata nr 1 + peaksid kokkuvõttes aitama parandada inimeste elukvaliteeti.

Näidata ära tervisetulemite ja nendega seotud tegurite esinemine

Informatsiooni kasutatakse tervishoiustrateegiate väljatöötamisel.

Milleks vaja numbrilisi andmeid rashvastiku kohta? Arvutada kordajaid e suhtarve meid huvitavate sündmuste kohta: eluviisi seos tervisega, haiguste teke ja sagedus, piirkondlikud erinevused, soolised ja vanuselised erinevused.

Ekspositsioon - tegur, mille seost meid huvitava terviseseisundi või tervisesündmusega me uurime.

Tulem – terviseseisund või tervisesündmus, mille vastu me huvi tunneme.

Esmashaigestumus –

Levimus = ESINEMISSAGEDUS – näitab olemasolevate juhtude esinemist populatsioonis kindlaksmääratud ajahetkel (registreeritud leeprahaigete arv Malawis 1.01.96) sõltub: uute juhtude arvust; juht olemise kestusest. Levimuse uuringud annavad väärtuslikku infot kogukonna tervise seisundi kohta kindlal ajahetkel – oluline tervishoiu arengute planeerimisel, eriti krooniliste haiguste korral.

Levimus ajahetkel=levimusmäär – inimeste osakaal kindlas populatsioonis, kes kindlal ajahetkel omavad huvipakkuvat tervisetulemit (on juhud) (nt 01.01.97 esines populatsioonis X250 insuliinsõltuva diabeedi juhtu 100000 in kohta.

Levimus ajaperioodil – võtab arvesse juhud, mis on olemas vaadeldava ajaperioodi alguses, ja samuti juhud, mis lisanduvad vaadeldava ajaperioodi jooksul.

Haigestumus = TEKKESAGEDUS. näitab uute juhtude tekkimist populatsioonis kindlaksmääratud ajaperioodil (uute leeprahaigete arv Malawis, kes reg ajavahemikul 01.01-31.12.96)

Levimus ja haigestumus vajavad, et oleks määratletud: juht, populatsioon , ajaraamistik:ajahetk(levimuse korral) ja ajaperiood (haigestumuse korral)

Haigestumusrisk – uute juhtude osakaal, mis tek esialgselt tulemivabas (mittejuhtudest koosnevas) populatsioonis kindlaksmääratud ajavahemiku jooksul. Nt populatsioonis x diagnoositi 6 uut insuliinisõltuva diabeedi juhtu 100000 in kohta vahemikus 1.01-31.12.97. Loendab uusi haigusjuhte populatsioonis kindla ajaperioodi vältel – annab infot haiguste kohta, kus uued juhud nõuavad suurte ressursside panustamist. (kui popliikmete arv on stabiilne ja uuritav tulem pole sage, siis muutused riskipop suuruses pole märkimisväärsed, kas HAIGESTUMUSRISKI).

Kuna levimus on mõjutatud paljudest teguritest, on seoste uurimisel tervisemõjuritega eelistatav kasutada haigestumusnäitajaid.

Haigestumuskordaja – sarnaselt haigestumusriskile näitab uute juhtude tekkimise sagedust. Erinevalt haigestumusriskist, avaldab uute juhtude arvu riskiaja kohta. (kui palju isikuid siseneb pop või väljub sealt ja/õi uuritav tulem on sage, siis osutub vajaikuks riskipop muutused arvesse võtta-haigestumise hindamiseks HAIGESTUMUSKORDAJA).

Suremuskordaja – näitab suremise riski kindlaksmääratud ajavahemiku jooksul.

Riskiaeg – aeg, mille jooksul on olemas risk huvipakkuva tulemi tekkeks; tegelik riskipop liikmeks olemise aeg. Et leida kogu aega, mil uuringupop liikmed olid riskipop liikmed, tuleb juhte ja mittejuhte vaadelda eraldi.

Nendel, kes saavad juhtudeks, kestab riskiaeg uuringu algusest kuni uuritava tulemi tekkeni.

Nendel uuringu pop liikmetel, kellel uuritavat tulemit ei kujune, võib riskiaeg kesta uuringu algusest lõpuni.

kõik risikipopulatsiooni liikmed ei pruugi jääda riskipopulatsiooni liikmeteks kogu uuringuperioodi kestel.

Mõne tulemi puhul on võimalik tagasitulek riskiaega – paranemisel haigusest, võib jälle olla olemas risk haigestuda.

Isikud, kel kujuneb uuringu vältel huvipakkuv tulem, ei kuulu ülejäänud uuringuaja enam riskipopulatsiooni.

Mõned isikud lahkuvad riskipopulatsioonist surres, mujale kolides või edasisest osalemisest keeldudes.

Levimuse hindamine – läbilõikelistes uuringutes.

Haigestumuse hindamine – kohortuuringus.

Populatsioon – ühikute kogum, mille hulgast me leiame oma uuringu osalised. Kogum, mille kohta tahame esitada väiteid oma uuringu tulemuste põhjal.

Valim – osa populatsioonist, mida me uurime. Et valimi uurimise tulemusi saaks üldistada populatsioonile, peab olema teada iga populatsiooni liikme võimalus valimisse sattuda. Lihtsaim variant – võimalus valimisse sattuda on võrdne: juhuvalim.

Šansid- vt valemit. Kasutatakse esinemisnäitajana harva. Šansside suhe on oluline esinemise võrdlusnäitaja.

Vanus – kesksemaid tunnuseid rahvastiku koostise käsitlemisel, vanust avaldatakse kuudes või aastates. Vanusaastates või vanusrühmades. Muid rahvastikku iseloomustavate tunnuste hulka kuuluvad veel: kodakondsus , etniline ja rassiline kuuluvus, jaotamine haridustaseme, tööhõive, kutsealade järgi.

ÖKOLOOGILISED UURINGUD
LÄBILÕIKELISED UURINGUD
KOHORTUURINGUD
JUHTKONTROLL
UURINGUD
MÕJUTUS
Võrdleb ekspositsiooni ja tulemit rühma tasandil.
ALATI ANALÜÜTILNE!
Mõõdab huvipakkuva eks/tulemi esinemist kindlas populatsioonis kindlal ajahetkel
Isikud jagatakse huvipakkuva ekspositsiooni olemasolu järgi ja jälgitakse mingi ajaperioodi vältel, et teha kindlaks, kas neil tekib 1 või mitu huvipakkuvat tulemit.
Lähtepunktiks on tulem, võrreldakse eksp juhtudel(on tulem) ja kontrollidel(pole tulemit)
ALATI ANALÜÜTILINE!
Lubab hinnata erinevusi rühma tasandil, seoseid rühma omadustega.
Kirjeldab ekspos ja või tulemi esinemist kindlas populatsioonis.
Võrdleb riskifaktoritega ja riskifaktoriteta inimeste haigestumist.
Võrdleb haigete ja haiguseta inimeste riskifaktoreid.
Sageli kasutab rutiinselt kogutud andmeid.
Võrdleb tulemi esinemist kindlale riskifaktorile eksponeeritute ja mitteeksponeeritute hulgas.
Info kogumine ja aeg lähevad edasi.
Populatsioon:
1)eksp
2)mitteeksp
Neil kas on v ei ole haigust
Info kogumise nool tagasi, aeg edasi.
Nt uuring, mis uurib seost kroonilise B hepatiidi ja maksavähi esinemissageduse vahel eri maades: võrdleb B hep es sagedust maksavähi sagedusega igal huvipak maal.
Annab väärtuslikku infot tervishoiu planeerimisel.
On esimeseks sammuks tervisesündmuste võimalike põhjuste selgitamisel .
Prospektiivses e edasivaatavas kohortuuringus hinnatakse ekspositsiooni olemasolu isiku uuringusse kaasamisel enne tulemi ilmnemist .
Retrospektiivses e tagasivaatavas kohortuuringus hinnatakse minevikus esinenud eksp dokumentatsiooni alusel.
Kiire ja odav.
Sobib haruldase haiguse uurimiseks.
Sobib haiguste uurimiseks, kus eksp ja tulemi vahele jääb pikem ajaperiood.
Lubab uurida ühe tulemi mitut eksp.
Ökoloogiline eksiüldistus- rühma tasandil saadud tulemuste üldistamine indiviidi tasandile.
Nt kogume samaaegselt andmeid
1)B hep antikehade olemasolu
2)potentsiaalsete riskitegurite olemasolu
3)kõrvutame saadud andmeid indiviiditi.
On kallis ja aeganõudev
Sobiv haruldase eksp, mitme tulemi ja ka haiguse loomuliku kulu uurimiseks.
Nt. Uurib seost kroonilise B hep ja maksavähi vahel – koostame kohordi inimestest, kel pole maksavähki.
Jaotame kohordi liikmed kroonilise B hep olemasolu järgi 2 rühma.
Jälgime
Võrdleme tekkesagedust neil, kel on kr hep ja neil kel pole.
Nt. Uurib seost kroonilise B hep ja maksavähi vahel.
1)identifitseerime maksavähi juhud meid huv populatsioonis.
2)valime kontrollideks sobivad isikud sama pop hulgast.
3)võrdleme kr B hep esinemissagedust juhtudel ja kontrollidel.

Vaatlusepi. – tulemit või ekspositsiooni uuritakse neid uurijapoolselt mõjutamata.

Mõjutusepi – uurimus on disainitud testimaks hüpoteese läbi ekspositsiooni mõjutamise = katse.

( Agregeeritud andmeid kasutavad uuringd, mis hindavad ekspositsiooni ja või tulemi olemasolu rühma tasandil)

(Indiviidipõhiseid andmeid kasutavates uuringutes antakse hinnang ekspositsiooni ja või tulemi olemasolule iga uuringus osaleva indiviidi tasandil)

Kirjeldav epidemioloogia – uurimus on disainitud kirjeldama ekspositsiooni või tulemi jaotust, ei uuri seoseid.

Analüütiline epidemioloogia – uurimus on disainitud uurima seoseid, sageli eesmärgiga selgitada välja tulemi võimalikud põhjused.

VT NR 4

Vt nr 4

* Juhu määratlus – kriteeriumide kogum, mida kasutatakse huvipakkuva terviseseisundi või sünmuse identifitseerimisel.

Juhu määratluses peaks sisalduma järgmine informatsioon:

Millist meetodit on juhu identifitseerimisel kasutatud – protseduurid v instrumendid, mida on kasutatud juhu kindlaks tegemisel, nt rinnavähk – kliiniline/röntgenoloogiline/histoloogiline diagnoos .

Kuidas on paika pandud juhu piirid – kuhu tõmmata juhu ja mittejuhu vaheline piir, nt rinnavähk – preinvasiivne, invasiivne .

Milline on analüüsi ühik – võib olla mis iganes: teatava omadusega majapidamine, teatava haigusega isik, sündmus, organ, kude nt rinnavähi korral võib olla ühikuks:

Naine, kel on rinnavähk

Rind , milles on vähk

Rinnas olev tuumor
STATISTIKA hõlmab kõike andmete kogumise, summariseerimise ja analüüsiga seonduvat.

Kirjeldav statistika – andmete kokkuvõtlik-ülevaatlik esitamine (summas,keskmised,tabelid)
Analüüsiv statistika – andmete põhjal järelduste tegemine üldiste seaduspärasuste kohta (nt insulti haigestunute hulgas oli rohkem mehi kui naisi (p=0,01)

MIKS VAJALIK?

Teadmised haigestumuse ja haiguste levimuse kohta rahvastikus, ajatrendid ja geograafilised erinevused.
Paljude haiguste riskitegurid epidemioloogiliste uuringute põhjal nt suitsetamine ja kopsuvähk.
Sobivaimad ravimid ja ravimeetodid , samuti preventiivsed meetodid kliiniliste katsete põhjal.
Optimaalne tervishoiupoliitika

Pidev tunnus – väärtuste arv on lõpmatu ja iga kahe väärtuse vahel on lõpmatult palju võimalikke väärtusi. Väärtuse üleskirjutamisel tuleb kasutada teatud täpsust (vanus täisaastates vms). Suurte täpsustega andmeid saab grupeerida nt.
Diskreetsed tunnused – väärtused saavad olla vaid täisarvulised. Enamasti tekib sellise tunnuse väärtus loendamise teel (nt. Haigete hammaste arv). Diskreetse tunnusega on võimalik teha aritmeetiisi operatsioone (nt leida keskmine), kuigi tulemus ei pruugi olla diskreetne .
Järjestustunnused – mittearvulised tunnused, mille väärtused on järjestatavad (nt mittesuitsetaja, endine suitsetaja, suitsetab vähe, suitsetab palju)
Nominaalsed tunnused – tunnused, mille väärtus pole järjestatav (nt sugu, elukoht, veregrupp , diagnoos)
Binaarsed - vastus jah/ei küsimusele, tähistamaks nt haiguse v riskiteguri olemasolu või puudumist.
Mittearvulisi tunnuseid on vahel otstarbekas arvuliseks kodeerida (nt 1 vastab nõrgale valule )

2. ANDMETE KIRJELDAMINE – andmeid saab kirjeldada arvuliselt ja graafiliselt.

Sagedustabel – kirjeldab ühte olulist valimi omadust – valimi jaotust. Mittearvulised või diskreetsed tunnused. Loed kokku mitu korda mingit väärtust esineb ja esitad sagedustabelis. Saad leida väärtuste esinemise suhtelised sagedused e osakaalud (arvutatakse vastava osakaalu ja vastuste koguarvu jagatsena). Pidevad tunnused? – suurema informatiivsuse saavutamiseks jagatakse tunnuse võimalikud väärtused intervalidesse. Tehakse sagedustabeli intervallidest, kus näidatakse mitu väärtust valimis langeb ühte või teise intervalli. Intervallide arv ei tohi olla liiga suur! Saadakse histogramm pideva tunnuse jaotumise kirjeldamiseks (järjestikuste tulpade vahele vahesid ei jäeta).
Suhteline sagedus
Protsent
Keskmine – vt valemit. Keskväärtuse puuduseks on tema suur tundlikkus üksikute äärmuslike vaatluste suhtes. Kui selliseid vaatlusi esineb, on mõttekam kasutada mediaani
Standardhälve – leitakse kui ruutjuur dispersioonist vt valemit.
Standardviga
Mediaan ehk teine kvartiil - järjestatud valimi keskpunkt – väärtus, millest nii suuremaid kui väiksemaid väärtusi on valimis 50%. Kui valimi suurus on paaritu, siis on mediaaniks keskmine vaatlus järjestatud valimis. Kui tegu on paarisarvulise suurusega valimis, siis on mediaaniks kahe keskmise väärtuse aritm kesk.
Kvartiilid – saab hinnata valimi varieeruvust. Alumine kvartiil on tunnuse selline väärtus, millest väiksemaid väärtusi on valimis 25% ja suuremaid 75%. Ülemine kvartiil e 3.kvartiil – tunnuse selline väärtus, millest väiksemaid väärtusi on valimis 75% ja suuremaid 25%.

Miinimum – lihtsaimad statistikud
Maksimum – lihtsaimad statistikud
Sagedus – mittearvulised või diskreetsed tunnused (erinevaid väärtusi suht vähe).
Statistik – valimit iseloomustab arvkarakteristik, mis arvutatakse tunnuse väärtuste põhjal.

3. Valimi jaotuseks nim valimi jagunemist erinevate tunnuse väärtuste vahel (nt veregrupi tabel).
4. Normaaljaotus – pideva tunnuse jaotu, mille korral histogrammi kuju on sümmeetriline ja nn kellukesekujuline.

Normaaljaotuse kirjeldab ära 2 parameetrit: keskmine (asukoht) ja standardhälve (järsakus).

95% valimist jääb ligikaudu 2 standardvea kaugusele keskmisest.
Ligikaudu 2/3 valimist jääb vahemikku keskmine +-SD
Normaaljaotus on nii oluline, sest:
- Valimi keskväärtus on informatiivne eelkõige ligikaudse normaaljaotusega valimite korral (valimist ülevaade keskväärtuse ja standardhälbe põhjal; sobilik on keskväärtusel põhinevad analüüsimeetodid).
- Enamik klassikalisi statistilisi analüüsi meetodeid pidevate tunnuste jaoks on kasutatavad vaid ligikaudse normaaljaotusega valimi korral.
- Kui aga valim pole normaaljaotusega, ei anna keskväärtus ja standardhälve enam piisavat informatsiooni valimi jaotuse kohta. Siis tuleks kasutada mediaani ja kvartiile ning nn mitteparameetrilisi meetodid statistlisel analüüsil.
Normaaljaotusega ei ole tegemist, kui:
- Mediaani erinevus keskväärtusest on suhteliselt suur.
- Karpdiagrammil karp ei asu graafiku keskel, vaid alumises või ülemises pooles, ühel poolel asub suuri er
- Histogrammi kõige kõrgem tulp asub graafiku paremas või vasakus servas .
Valim on ligikaudu normaaljaotusega, kui:
- Histogramm on enam-vähem sümmeetriline, kellukesekuj.
- Normaaljaotusegraafikul asuvad punktid ühel sirgel.

Parameeter – arv, mis kirjeldab üldkogumi teatud omadust nt üldkogumi keskväärtus, standardhälve, protsent.
Statistik on hinnanguks parameetrile.
Valimite juhuslik varieeruvus:
- Iga uuringu konkreetne arvuline tulemus võib sõltuda:
  - Uuritava nähtuse olemusest: nt otsitava efekti olemasolust või puudumisest
  - Juhuslikust varieeruvusest
  - Nihkest
- Nihe – statistiku süstemaatiline erinevus üldkogumi vastavast parameetrist. Tekib kirjeldavas uuringus kui uuringupop ei esinda populatsiooni, mida me tahame kirjeldada.
- Juhuslik valim ja uuringu hoolikas korraldamine väldib nihet üldkogumi parameetri hindamisel.
- Juhuslik varieeruvus allub tõenäosusteooria reeglitele ja tema võimalikku ulatust saab hinnata.

7. KAHE VALIMI VÕRDLEMINE

Usaldusvahemik ja olulisuse tõenäosus – vahendid juhuse ja seaduspära eristamiseks-
95% usaldusvahemik teatud valiminäitajale – vahemik, kuhu üldkogumi vastav parameeter jääb 95% tõenäosusega.
Olulisuse tõenäosus – tõenäosus, et leitud või veel suurem erinevus kahe valimi näitajate saab tekkida vaid juhuslikult.
Nt vererõhkude erinevuseks 7mmHg, 95% Cl (0,5mmHg;13.5mmHg)ning olulisuse tõenäosuseks p=0,03.
Tõlgendus: 9% tõenäosusega võime väita, et keskmine erinevus ravi tulemusena saavutatud diastoolsetes vererõhkudes uuritavate ravimite korral on vahemikus (0,5mmHg;13.5mmHg)
Kui keskmine diastoolne vererõhk kahe erineva ravimi korral oleks võrdne, siis 3% juhuslike valimite korral oleks keskmine erinevus 7mmHg või suurem.
Järeldus olulisuse tõenäosusest p=0,03: kuna leitud erinevuse juhuslik tõenäosus on väike, siis otsustame, et keskmine diastoolne vererõhk vastavates üldkoguites on erinev ehk kuna leitud olulisuse tõenäosus jääb väiksemaks kui kokkuleppeline olulisuse nivoo 5%, otsustame, et võrreldavad üldkogumid on oluliselt erinevad – erinevus on statistliselt oluline.
Seos olulisuse tõenäosusega ja 95% usaldusvahemiku vahel: kui 95% usaldusvahemik ei sisalda väärtust 0, siis jääb olulisuse tõenäosus väiksemaks kui 0,05.

Kahe protsendi võrdlemine nn Z-test

Suure valimi (nsuurem50) korral kehtib:
- Valimiprotsent on ligikaudu normaaljaotusega
- Kahe valimiprotsendi pa ja pb vahe dp on ligikaudu normaaljaotusega
- Kahe valimisprotsendi vahe standardviga on arvutatav valimi põhjal kui:
Paariviisiline võrdlus – Wilcoxoni astakmärgitest
- Kasutatakse samadel subjektidel tehtud mõõtmiste võrdlemiseks juhul, kui valimite jaotus erineb oluliselt normaaljaotusest.
- Wilcoxoni märgitesti jaoks arvutatakse paariviisiliste mõõtmiste vahed ja järjestatakse need sõltumata märgist ehk järjestame vahede absoluutväärtused.
- Teststatistik W+ on positiivsete vahede astakute summa.
T-test – keskmiste võrdlemiseks, kui võrdlusalune tunnus on normaaljaotusega
- T-test – kahe grupi keskmiste võrdlemiseks
- Ühe valimi t-test – ühe grupi keskmise võrdlemiseks kindla väärtusega
- Paariviisiline t-test – samal grupil tehtud mõõtmiste võrdlemiseks
Wilcoxoni test – pidevate tunnuste jaotuste võrdlemiseks, kui tunnus ei ole normaaljaotusega.
Z-test – kahe grupi protsentide võrdlemiseks.
Mitmene võrdlemine – nt kehakaal ja värskes õhus viibimise aeg.
Mitmese võrdlemise/testimise probleem:
- Ühe statistlise testi korral (usaldusnivoo 5%) on I liiki vea tõenäosus 5%.
- Mitmese testimise probleem?
- Lahendus: üldise olulisuse/seose testimiseks – dispersioonanalüüs
- Individuaalsete erinevuste testimiseks/leidmiseks – post hoc testid gruppidevahelisteks paarikauoa võrdlusteks.
Dispersioonanalüüs (ANOVA)
- Ühemõõtmeline dispersioonanalüüs
  - Arvuline uuritav e sõltuv tunnus (pidev – ligikaudse normaaljaotusega)
  - Kategooriline kirjeldav tunnus (ehk grupitunnus, mittearvuline)
  - Testitakse gruppide keskmiste olulist erinevust (ehk kahe tunnuse vahelist seost)
  - Statistilised hüpoteesid: H0=y1=y2=...=yk – kõikide gruppide keskmised on võrdsed
  - H1: vähemalt üks y1ei=yj – vähemalt kahe grupi keskmised erinevad üksteisest
  - Metoodika: võrdleme grupisisest varieeruvust gruppide vahelise varieeruvusega (f-statistik)
Post Hoc testid
- Post hoc teste võib teha pärast dispersioonanalüüsi nullhüpoteesi kummutamist.
- Post hoc teste on erinevaid:
  - Fisheri LSD test – üks vanemaid protseduure keskväärtuste paariviisiliseks võrdlemiseks. Sobib siis, kui eesmärgiks on edasiste uuringute jaoks nn suuna määramine, kuna hüpoteeside kummutamiseks kas väiksemat erinevust kui testide puhul
  - Turkey test – gruppide suurused peavad samad olema; sobib suure arvu võrdluste korral.
  - Scheffe test – kui huvi pakuvad lisaks paariviisilistele võrdlustele veel ka komplitseeritumad hüpoteesid.
  - Bonferroni meetod – kui paariviisiliste võrdluste arv on väike. Taham, et tõenäosus, et me mitte üheski võrdluses I liiki viga ei tee, oleks samuti 5%. Seega peame iga üksiku testi korral kas väiksemat olulisuse nivood – soovitavalt a/testide arv, kus a on soovitav lõplik olulisuse nivoo (tav a=0,05)
Kruskal -Wallis test – ei eelsa normaaljaotust ega võrdset gruppidesisest hajuvust! Põhineb astakutel ning võrdleb, kas astkute keskmised gruppides erinevad oluliselt üksteisest.

Kui korrelatsioon on pos ja lähedane väärtusele 1, siis on tegemist tugeva pos seosega ehk ühe tunnus väärtuste kasvamisel ka teise tunnuse väärtused üldiselt kasvavad.
Kui korrelatsioon on neg ja lähedane väärtusele -1, siis on tegemist tug neg seosega e ühe tunnuse väärtuste kasvamisel teise tunnuse väärtused üldiselt kahanevad .
Nullilähedase korrelatsiooni korral lineaarne seos puudub või on nõrk e meil on raske öelda kuidas tunnused käituvad omavahel.
H0:seost kahe tunnuse vahel ei ole r=0
H1:r=ei0

Puudused:

Mõjutub erinditest (paar erindit võivad “venitada” kordaja suureks, kuigi tegelikult on seos nõrk) – erind välja jätta
Mõjutub kolmandast tunnusest ehk punktid moodustavad mingi kolmanda tunnuse suhtes tõusva ( langeva ) pilve – uurida kordajaid kolmanda tunnuse väärtuste kaupa
Tunneb ära vaid lineaarse seose, muu seose korral (ruutfunktsionaalne seos vms) võib anda tulemuseks nõrga või olematu sõltuvuse.

Kõigil juhtudel on üldjuhul probleem nähtav hajuvusdiagrammilt.

Hii-ruut test – kui x2 on suurem kui kriitiline väärtus, siis kummutame nullhüpoteesi.
Kahe mittearvulise tunnuse vahe saad hii-ruut testi tegemine. Seos on, kui erinevast soost inimeste tervisehinnangu jaotus on erinev.
Milline oleks oodatud tervisehinnangu jaotus, kui hinnangtervisele ei sõltuks soost? H0=tervisehinnangu jaotus tabeli igas reas on sama.
χ2 - testi eeldus: ükski eeldatavatest sagedustest ei tohi olla väiksem kui 5.
Kui see eeldus pole täidetud, siis esimesena võiks kaaluda veergude kokku-liitmist – nii oli eelnevas näites kokku liidetud keskmise ja halva tervise-hinnangu sagedused, kuna halvaks hindasid oma tervist vaid üksikud tudengid.
Kui kokkuliitmine pole võimalik (või ei soovita seda sisulistel kaalutlustel teha), siis võib kaaluda täpseid teste – nt Fisheri täpne test. Need testid on aga üsna arvutusmahukad ja ei tööta ka hea arvuti abil eriti suurte tabelite korral (lahtrite koguarv üle 10).

.DOCX Laadi alla originaalfail 8 lk · .docx · 30 allalaadimist

50 punkti Autor soovib selle materjali allalaadimise eest saada 50 punkti.

~ 8 lehte Lehekülgede arv dokumendis

2014-04-21 Kuupäev, millal dokument üles laeti

30 laadimist Kokku alla laetud

0 arvamust Teiste kasutajate poolt lisatud kommentaarid

tukiii Õppematerjali autor

8-leheküljeline konspekt epidemioloogiast. Põhiaspektid välja toodud.

Epidemioloogia rahvastervishoid kliiniline meditsiin haiguste levik terviseseisundite levik inimpopulatsioon john Snow James Lind

Sarnased õppematerjalid

docx

Konspekt epidemioloogia eksamiks

ja praktika, mida viiakse ellu kas kogu rahvastiku või selle teatud suurenenud. Riskirahvastik rahvastiku osa, kellel võib haigus välja Tundlikkus= Spetsiifilisus= PPV= NPV= rühmadele suunatud tervist mõjutavate sekkumiste kaudu. kujuneda . Levimus (prevalence) - protsess, mis näitab kõigi (uute ja Epidemioloogia definitsiooni komponendid sagedus, levimine, nähtuse vanade) haigusjuhtude esinemist rahvastikus. Antakse kuupäeva tõepärasuhe LR determinandid. Epidemioloogia on tõenduspõhise meditsiini kui täpsusega, iseloomustab hetkeseisu. Levimusmäär PR (prevalence 6 Andmete tüübid. Üldkogum ehk populatsioon objektid, tõenduspõhise rahvatervise põhialuseks

Arstiteadus

docx

Andmeanalüüsi kordamisküsimused 2015

Andmeanalüüs Kordamisteemad 1) Uurimistsükkel: millised etapid eelnevad ja järgnevad andmeanalüüsile. Tuleb püstitada uurimisküsimused: mida ja kelle käest tahan teada saada; millistele küsimustele tahan vastuseid. Andmete kogumine. Enne kogumist kontrollida, ehk on andmed juba olemas ja arvestada aja- ning raharessursiga. Vaatlus: otsevaatlus, varjatud vaatlus, osalusvaatlus Eksperiment Intervjuu: struktureeritud, poolstruktureeritud või struktureerimata Küsitlus Kas uurida valimit või üldkogumit? Üldkogum ehk populatsioon. Valim on üldkogumist uurimiseks eraldatud osa, mille põhjal tehakse statistilisi järeldusi üldkogumi kohta. Valimi moodustamine: a)tõenäosuslik: 1. Lihtne juhu- nimekiri 2. Süstemaatiline juhu- nimekiri, millest iga 10. 3. Kiht- valin grupid, keda küsitlen 4. Klaster- valin kellegi grupist b) mittetõ

andmeanal��s

doc

Andmeanalüüs sots.teadustes

MAINORI KÕRGKOOL Juhtimise instituut Annika Krutto ANDMEANALÜÜS SOTSIAALTEADUSTES Loengukonspekt Tartu 2009 SISUKORD SISSEJUHATUS...........................................................................................................................3 1. ANDMEANALÜÜSI põhimõisted ......................................................................................... 3 1.1 Üldkogum ja valim............................................................................................................... 3 1.2. Valimi valikumeetodid.........................................................................................................4 1.3. Mõõtmismeetod ja mõõtmisvahend ....................................................................................5 1.4. Andmetabel..........................................................................................................................7 2. Val

Uurimustöö metoodika

docx

Statistika kordamisküsimused

1. MÕÕTMINE Mõõtmine on objektide võrdlemine - Korraga saab võrrelda ainult kaht objekti omavahel. Kui objekte palju, valitakse välja üks (etalon) ning teisi võrreldakse sellega. Otsene mõõtmine ja kaudne mõõtmine – otseste mõõtmiste kaudu Nimi- ehk nominaalskaala – objektide eristamiseks – sugu, rahvus, huvid, kaubakood, ettevõtte registrinumber Järjestusskaala – võimaldab objekte järjestada mingi tunnuse alusel – nt ettevõtted: väikesed, keskmised, suured – küsitlus: "poolt", pigem poolt kui vastu", "pigem vastu kui poolt", "vastu" – intervallid skaalajaotuste vahel pole võrdsed Intervallskaala – skaalajaotuste intervallid on võrdsed  Vahemikskaala – nullpunkti asukoht kokkuleppeline – ajaskaala, Celsiuse skaala temperatuuri mõõtmiseks – võib leida vahesid, ei tohi leida suhteid  Suhteskaala – nullpunkt fikseeritud absoluutselt – objekti pikkus, kaal, töötajate arv, käive, m

Statistika

docx

Kvant met

Kvant met 40% EKSAM 25% KT 25% 10% Kirjandus: SAMM, Tooding L-M jne Uurimisprobleemi püstitamine (sots)teaduses: Probleemi leidmine ja teema sõnastamine Probleemipüstituse põhjendus Kuidas ma saan aru, et see on selline probleem, mida tasub uurida? Selle praktiline tähtsus, seos teiste valdkondadega, takistavad tegurid selle uurimisel Täpsustamine Millist osa ma sellest probleemist uurida tahan? Alamülesanded v teemad Kas ja mida varasemast teada on? Teooriad, varasemad uurimused Operatsionaliseerimine Kuidas defineerida Kuidas mõõta, uurida Analüüsimeetodi valik Sotsiaalsete probleemide konstrueerimine Sots.teaduses on uurija oma uurimisobjekti (ühiskonna) osa ja mõjutab seda enda tegevusega Statistika kui relv (sots)poliitikas Numbrilised väited sots elu kohta (n-ö objektiivsed) Sots probleemide tõlgendus, põhjendus Sots probleem: kas see on olemas v on see kellegi poolt konstruee

Ainetöö

docx

Statistiline modelleerimine teooria kokkuvõte 2020

Statistiline modelleerimine – kokkuvõte Muutujad:  Sõltuvad muutujad (dependent, outcome variables) – muutujad, mis on uurimise keskmes, millele uurija arvab, et teised muutujad mõju avaldavad. Nö katseisikust sõltuv muutuja.  Sõltumatud muutujad (independent, predictor variables) – muutujad, mille kohta uurija arvab, et neil võiks olla mõju uuritavatele muutujatele.  Statistilise analüüsi keskmes on uurida, kuidas teatud tunnused koos muutuvad.  Kui on vaja muutujat iseloomustada, on kaks põhilist viisi, kuidas seda teha: o Milline on selle muutuja tüüpiline väärtus? o Kui hästi iseloomustab see tüüpiline väärtus kõiki mõõdetud juhtumeid? Ehk kui palju on varieeruvust selle tüüpilise väärtuse “ümber”? Statistika jagunemine:  Kirjeldav statistika (descriptive stat.) meetodid andmetest kokkuvõtete tegemiseks ning kirjeldamiseks. („65-70% U

Statistiline modelleerimine

docx

Biomeetria test

Hüpoteeside koltrollimine 1. Oletus, väide 2. Sobiv hüpoteeside paar (millised tunnused on vaja võrrelda) 3. Olulise tõenäosus (p) 4. Järeldus (p>0,05 H0, p<0,05 H1) 5. Lõppvastus (sama, mis oli küsitud hüpoteesis) T-test sobivad valemid 1. T-test H0: keskmised võrdsed H1: keskmised erinevad 2. F-test sõltumatud valemid H0: dispersioonid võrdsed H1: dispersioonid erinevad P>a H0, P<0,05 H1 Võrdsete disp mittevõrdsete disp t-test t-test 3. Olulisuse tõenäosus 4. Lõppvastus (p<0,05 H0) Vormistus nii nagu iseseisvates töös Ülesanne Eesmärk Tunnusetüüp 1.T-test (f-test) Keskmiste erinevus kahes Pidev arvtunnus- keskmised grupis tunnus, millel on vähe

Biomeetria

docx

Ökonomeetria kontrolltöö kordamisküsimused 2020

Ökonomeetria KT kordamisküsimused 1. Ökonomeetrilise mudeli komponendid. ● Modelleeritavad näitajad: endogeenselt (sisemiselt) määratud ehk sõltuvad muutujad (Y). Väärtused määratakse mudeli siseselt ● Modelleeritavat nähtust mõjutavad näitajad: eksogeenselt (väliselt) määratud ehk sõltumatud, seletavad muutujad (X). Väärtused määratakse mudeli väliselt. ● Statistiliste meetoditega hinnatavad mudeli parameetrid (b). ● Juhuslik komponent ehk vealiige (u). 2. Andmetüübid. Ökonomeetriline mudel baseerub arvandmetel: ● Ristandmed (cross-sectional) ● Aegread (time series) ● Paneelandmed (panel data) Andmed saavad olla kas ● Kvalitatiivsed (ei saa mõõta arvudega, nt haridustase) ● Kvantitatiivsed (mõõdetakse arvudega, nt vanus) 3. Valimvaatlused ja parameetri hinnangu mõiste. ● Uuritav objekt on üldkogum ● Andmebaas on üldjuhul valim Järeldusi soovime teha üldkogumi kohta, selleks kasuta

Ökonomeetria

Rohkem sarnaseid