2. 2 sätt att tackla slumpen
• hypotes-testning: p-värde
• estimation: uppskatta det sanna värdet
3. Falskt-positiva
Falskt-negativa (resultat)
Sann skillnad
Ja Nej
typ 1 fel
Slutsats på signifik. korrekt
(alfa)
basen av
typ 2 fel
stat. test icke-sign. korrekt
(beta)
4. fel att fråga om det är slumpen
som kan ha lett till resulaten
• inferential statistics: Hur sannolikt är det att
slumpen är avgörande för de fynd vi har?
5. P-värde
• P-probability; Om det inte finns någon
skillnad mellan två grupper. Om vi gjorde om
vår studie oändligt många gånger; andelen
gånger vi skulle “få en skillnad”.
7. P-värden: dikotoma eller
exakta?
• P<0.05 (1 på 20 att man har ett falskt-
positivt (alfa) värde)
• Godtycklig - arbiträr (gräns)
• Vissa omständigheter, acceptera högre p-
värden
• Vi redovisar exakta värden, “p<0.05” är
sällsynt
8.
9. Statistisk och klinisk
signifikans...?
• Noll-hypotes = ingen skillnad i utfall
Fai
l to
t
jec
rej
Re
ect
10. Olika statistiska test
ed
ed t
rv ec
se p
Ex Chi-2:
b
O
summan av observerade/
förväntade 2
13. Typ 2 fel - att en
behandling inte fungerar
typ 2 -
sockerbetor
14. Typ 2 fel - II
• Författare inte skicka in negativa studier
• Understryka att subgrupper: pos resultat
• Understryka varför man inte hittade skillnader
Statistisk power = 1- beta (20%), alltså 20% power
15. Punktestimat
konfidensintervall
• med p-värde vet vi inget om effektens styrka
• P-värde 0.04 kan vara OR=1.15 eller OR=75
• Med konfidensintervall: effektens styrka
16. Konfidensintervall 2
• 95% CI = 19 gånger av 20 som man
genomför studien ligger punktestimatet
inom gränserna för 95% CI
• Ger information om statistisk power
18. Sample size
• Effekt-storlek (fler patienter behövs för att
upptäcka små skillnader
• Typ 1 fel (alfa) - 5%. Men om man vill vara
riktigt säker (farlig behandling till patienter
som “ändå kan botas”): välj lägre typ 1 fel
• Typ 2 fel (beta) - 20% risk att missa en sann
skillnad
• Karakteristika hos data - variation inom
patienten (ex. blodtryck); antal pos. utfall?
19. Sample size 2
• De flesta sjukdomar vi studerar=kroniska.
• Sällan möjligt att md 100 pat i varje “arm”
visa på skillnader (fig 10.5)
• Statistisk analys efter genomförd studie -
behövs inte
20. Equivalence trial
3 dgr amoxi
vs.
5 dgr amoxi
Viktigt:
Kunna hitta små skillnader
bias* drar mot noll
•cross over
•drop out
•misklassificering
24. Sekundär-analyser
• Kliniskt signifikant skillnad?
• Slumpvis fynd?
• Antal subgrupper?
• P-värdet?
• Fanns hypotesen med på förhand?
• Många “extra-hypoteser”?