Utvärdering av tester
|
|
- Jan Sandberg
- för 7 år sedan
- Visningar:
Transkript
1 Sida 1 av 10 Utvärdering av tester Inom kvantitativ forskning kallar vi ibland våra datainsamlingstekniker för tester. I forskningsprojekt som använder tester är det alltid bra att kunna klargöra hur bra testet är i den använda situationen. En del forskningsprojekt har som direkt mål att ta fram bättre beskrivning av validitet och reliabilitet för ett test. När vi vill utvärdera ett test brukar vi ofta jämföra utfallet av vårt test (vi kan kalla det test A) med en gold standard (ett slags "facit"). Ett test kan vara en analys av Hb-värdet i blodet, mätning av systoliskt blodtryck, en bakterieodling från svalget, en strukturerad enkät eller en strukturerad intervju. Vilka typer av tester finns det? Inom kvantitativ metodik finns fyra huvudtyper av tester: 1. Tester som ger ett exakt mätvärde, till exempel Hb-värde. Värdet kan i princip anta vilket värde som helst, givetvis inom rimliga gränser. Mätdata är kontinuerliga eller diskreta, d.v.s. skalstegen är ekvidistanta och mäts enligt intervallskalan eller kvotskalan (för information om olika variabler och mätskalor se sidan om variabler). 2. Tester som ger svar med kvalitativa mätdata med mer än två tänkbara utfall där de tänkbara utfallen är ordnade, till exempel en enkät med svarsalternativen "instämmer helt"-"instämmer delvis"-"tveksam"-"instämmer inte alls". VAS (Visuell Analog Skala) räknas också hit. Mätdata mäts efter ordinalskalan. 3. Tester som ger svar med kvalitativa mätdata med mer än två tänkbara utfall där de tänkbara utfallen är oordnade, exempelvis blodgruppstillhörighet. Mätdata mäts efter nominalskalan. 4. Tester som ger ett ja-nej-svar (dikotomt svar), exempelvis närvaro eller frånvaro av streptokockbakterier i halsen. Mätdata mäts efter nominalskalan. Utvärdering av tester Svaret mäts enligt intervall / kvotskalan För tester av typen 1 enligt ovan vill man undersöka hur utfallet av testet stämmer överens med resultatet av vårt facit (=gold standard). Detta kan lämpligen göras genom att för varje individ räkna ut skillnaden mellan vårt nya test och vårt facit. Vi räknar sedan fram medelvärde och standardavvikelse (ett mått på den genomsnittliga avvikelsen från medelvärdet) för alla våra skillnader. Vi kan sedan bilda ett 95%-konfidensintervall för skillnaderna. Om detta intervall skulle bli ±12g/l kan vi säga att det nya testet med 95% säkerhet inte kommer att skilja sig från det gamla testet med mer än 12g/l (om det nu var en ny metod för att mäta Hb som vi ville testa). Om materialet från någon av testerna är snedfördelat bör man transformera data (vanligtvis logaritmera). Läs mer om detta på vår sida om att utvärdera graden av överensstämmelse (limits of agreement).
2 Sida 2 av 10 Svaret mäts enligt ordinalskalan Om antalet möjliga utfall är rimligt stort (<10-15) passar kappakoefficient som ett mått på hur väl det nya testet stämmer överens med det gamla etablerade. Svaret mäts enligt nominalskalan och kan ha fler än två olika utfall För tester av typ 3 kan man ange hur väl testet stämmer överens om man låter två olika personer utföra testet (inter-rater reliability" = inter-rater agreement) eller om man låter samma person utföra testet vid två olika tillfällen (test-retest reliability). Detta gör man genom att räkna ut kappakoefficient. I situationen med en enkät bestående av flera delar kan man ange hur väl de olika delar stämmer överens genom att ange Chronbach's alpha (="internal consistency reliability"). Svaret mäts enligt nominalskalan och kan ha två olika utfall För tester av typ 4 kan man även här ange kappakoefficient. Det är dock mycket vanligare att man värderar testet utifrån egenskaper som känsligheten hos metoden (sensitivitet), chansen för att få falskt positiva svar (specificitet), om testet egentligen tillförde någon ny kunskap (likelihood ratio) samt användbarheten i det enskilda fallet (prediktivt värde). Dikotomisering av testutfallet Tester av typen 1 och 2 enligt ovan omvandlas ofta till tester av typen ja/nej (typ 4 enligt ovan) genom att man ställer upp en gräns. Om testresultatet hamnar ovan gränsen anses detta vara ett ja-svar, om värdet hamnar under anses testet ha gett ett nej-svar. Felaktiga metoder vid jämförelse av olika tester Det anses olämpligt att använda korrelationsanalys för att jämföra utfallet av tester av typ 1 eller 2 med en gold standard. Orsaken är att korrelationsanalysen ger mer utslag för de individuella skillnaderna än för skillnader i testutfall mellan det nya testet och gold standard. Även när testen stämmer dåligt överens kan man i en korrelationsanalys se en hög korrelation eftersom sambandet mest beror på att man mäter något där den individuella variationen slår igenom. Exempel på detta kan vara olika metoder att mäta BMI (Body Mass Index). Här kan två olika metoder stämma dåligt överens men skillnaderna i BMI mellan de olika individerna betyder mycket mer än skillnaderna i utfall av de olika testen. Intra Class Correlation är en metod som har blivit populär på senare år. Den liknar korrelationsanalysen men ger inte riktigt samma stora fel som denna. Ibland ser man att man med t-test jämför medelvärdet av resultaten mätta med det nya testet med medelvärdet för resultaten framtagna med vår gold standard Man hävdar då att ingen signifikant skillnad innebär att det nya testet är lika bra som vår gold standard. Det anses i den statistiska litteraturen att detta är ett olämpligt förfarande.
3 Sida 3 av 10 Sensitivitet och specificitet För att kunna ta fram egenskapen sensitivitet och specificitet hos ett test måste vi ha ett facit att jämföra med. Detta facit kallas "gold standard" (se längre ner) och är den metod som anses bäst återge sanningen. Sensitiviteten är den andel sant positiva som testet korrekt identifierar som positiva och specificiteten är den andel sant negativa som testet korrekt anger som negativa (Tabell 1). Tabell 1 - Sensitivitet och specificitet Gold standard är......positiv...negativ Positivt test a b a+b Negativt test c d c+d Sensitivitet=a/a+c Specificitet=d/b+d Ett test är alltid en avvägning mellan sensitivitet och specificitet. Man kan designa ett test som alltid ger positivt utfall. Ett sådant test skulle ha en strålande bra sensitivitet (100%) men urusel specificitet (0%). Om man vill vara säker på att inte överdiagnostisera kan man designa ett test som alltid ger negativt utfall. Man får då den utmärkta specificiteten 100% men tyvärr en sensitivitet på 0%. Sådana här extrema test är naturligtvis helt värdelösa. I praktiken gör man en avvägning så att man får bästa möjliga kompromiss. För testet svalgodling (letar efter streptokockbakterier i svalget) är sensitiviteten c:a 90% och specificiteten c:a 97%. Egenskaperna sensitivitet och specificitet kan variera beroende på vilken metod man använder. De som tillverkar tester kan i förväg påverka vilka testegenskaper ett test skall ha genom att ändra på tillverkningsproceduren. Dessa variationer i sensitivitet och specificitet kan ritas upp grafiskt (Diagram 1). Den grafiska linjen kallas ROC-kurva som står för "Reciever/Response Operating Characteristiccurve".
4 Sida 4 av 10 Diagram 1 - ROC-kurva (De två olika diagrammen representerar två alternativa sätt att ange x- och y-skalorna) (De två olika kurvorna representerar två olika tester. Testet motsvarande den heldragna linjen kan anses vara något bättre än testet motsvarande den streckade linjen. Olika tillverkningsprocedurer eller olika sätt att hantera testet varierar testegenskaperna och man kan således höja sensitiviteten hos ett test till priset av lägre specificitet och tvärtom. Ju bättre testet är desto mer närmar sig kurvan diagrammets övre vänstra hörn. Ett riktigt bra test ligger så nära detta hörn att det har samma höga sensitivitet och specificitet oavsett hur man (inom rimliga gränser) manipulerar med tillverkningsprocedurer eller olika sätt att hantera testet. Företag som tillverkar tester lägger ofta ner stor möda på att ge testet en rätt avvägning mellan sensitivitet och specificitet. Man kan tycka att egenskaperna sensitivitet och specificitet borde vara konstanta för ett test om man tillverkar det på samma sätt och handhar testet på samma sätt. I verkligheten påverkas dock dessa testegenskaper lite grand även av fenomenets prevalens. Tänk dig att en person sitter och granskar odlingsplattor för att upptäcka halsflussbakterier. Om personen visste att ungefär varannan platta innehöll halsflussbakterier skulle sannolikt varje platta bli noggrant granskad. Då blir sensitiviteten hög. Om det istället vore så att endast var 1000:e platta innehöll halsflussbakterier skulle varje platta sannolikt inte bli lika noggrant granskad. Sannolikheten att missa denna 1000:e skulle då öka något, med andra ord skulle sensitiviteten sjunka och specificiteten öka. Prevalensen påverkar alltså sensitiviteten och specificiteten. Likelihood ratio (=Odds ratio) Vitsen med att göra ett test är att vi skall veta mer efteråt. Testet skall alltså tillföra information. Sannolikheten för att individen har egenskapen (t. ex. sjukdomen) skall vara högre efter ett positivt test jämfört med före testet. Om sannolikheten inte ökar har testet inte tillfört något nytt. Hur många gånger sannolikheten ökar kallas likelihood ratio (LR) av ett positivt test. Man kan räkna ut LR av ett positivt
5 Sida 5 av 10 testutfall, PLR (Formel 1, Formel 2), och av ett negativt testutfall, NLR (Formel 3, Formel 4). Vanligen brukar man bara räkna ut LR vid positivt testutfall. Formel 1 - Likelihood ratio för ett positivt test, principinnehåll Formel 2 - Likelihood ratio för ett positivt test Formel 3 - Likelihood ratio för ett negativt test, principinnehåll Formel 4 - Likelihood ratio för ett negativt test Ett högt PLR gör att testet kommer att tillföra ny information. Omvänt gäller vid NLR, d.v.s. ett lågt värde är bra. LR beror på sensitiviteten och specificiteten men inte direkt på prevalensen. Enligt resonemanget ovan kan sensitivitet och specificitet ändras om prevalensen ändras. I regel påverkas LR mindre av ändringar i prevalensen än sensitivitet och specificitet. Likelihood ratio är mycket användbart om man vet prevalensen för det fenomen man vill undersöka (Formel 5).
6 Sida 6 av 10 Formel 5 - Exempel på användningen av likelihood ratio för ett positivt test (Vi antar i detta exempel att sannolikheten före test att ha sjukdomen är 25% och att PLR är 2,4) Kunskap före genomfört test x PLR = Kunskap efter genomfört test Odds för att individen har fenomenet: 1:3 = 0,33 x 2,4 = 2,4:3 = 0,8 Sannolikhet att individen har fenomenet: 1/3+1 = 0,25 = 25% (="pretest probability" ="prior probability" =sjukdomens prevalens) 2,4/3+2,4 = 0,44 = 44% (="posttest probability" ="posterior probability" =positivt predikivt värde) Vet man prevalensen före test är likelihood ratio ett utmärkt sätt att räkna fram sannolikheten att individen efter testet har den egenskap man letar efter (=positivt prediktivt värde). Speciellt användbart blir detta när man utgår från en känd prevalens och sedan gör flera sinsemellan oberoende test i en serie. Oddset efter första testet blir förtest-oddset för nästa test, och så vidare. Viktigt att komma ihåg är att om man inte känner till prevalensen före test, då är likelihood ratio inte så mycket mer användbart än sensitivitet och specificitet. Ett högt positivt likelihood ratio kan visa att det i och för sig är ett bra test men det innebär inte att ett positivt test med hög sannolikhet indikerar närvaro av sjukdom (om det nu är sjukdom testet letar efter). Prediktivt värde (Predictive value) Sensitivitet och specificitet löser i regel fel problem. De berättar hur testet fungerar men inte hur patienten mår. Prediktivt värde (=förutsägande värde) talar om sannolikheten att den enskilda patienten har det som testet avser att hitta. När vi använder ett test vet vi inte vem som har eller saknar t. ex. sjukdomen. Vi kan använda sensitivitet, specificitet och den sökta egenskapens (sjukdomens?) förekomst (=prevalens) för att räkna ut prediktivt värde. Av dessa tre är det oftast prevalensen som påverkar prediktivt värde mest. Positivt prediktivt värde (PPV) är chansen att egenskapen (sjukdomen?) verkligen finns hos den testade individen om testet är positivt. Följdaktligen är negativt prediktivt värde (NPV) chansen att egenskapen (sjukdomen?) saknas hos den testade individen om testet är negativt. Om prevalensen av egenskapen (sjukdomen?) minskar så minskar det positiva prediktiva värdet medan det negativa prediktiva värdet ökar. Slutsatsen är att om prevalensen ändras så kan sensitivitet och specificitet kanske ändras men det prediktiva värdet kommer ovillkorligen att ändras. Man bör komma ihåg att prediktivt värde är ett statistiskt begrepp och inte ett medicinskt. Inom statistiken räknar man prediktivt värde på många olika fenomen, exempelvis sannolikheten att det idag blir en medelvind över 10m/sekund. Tänk dig att vi vill ta reda på om en person har betahemolyserande streptokockbakterier i halsen. Vi gör testet svalgodling som har sensitiviteten c:a 90% och specificiteten c:a 97%. Det låter ju som ett bra test. Anta att vi testar 1000 individer som redan är väl utredda med något annat slags test (Tabell 2). Just därför
7 Sida 7 av 10 vet vi att exakt 10% av dessa 1000 individerna har streptokocker i halsen. Vi ser då att om vårt test är positivt innebär det 77% chans att individen har streptokocker i halsen. Tabell 2 - Exempel för att räkna ut prediktivt värde (PPV=Positivt prediktivt värde, NPV=Negativt prediktivt värde) Har bakterier Saknar bakterier Positivt test Negativt test Totalt antal: Sensitivitet = 90/100=90% Specificitet = 873/900=97% PPV = 90/117 = 77% NPV = 873/883 = 99% I vårt exempel ser vi att för en enskild patient med negativ svalgodling så är det 99% chans att personen verkligen inte har streptokockbakterier i svalget. Det vore alltså dumt att ge antibiotika i det läget. Ett positivt test säger för den enskilde patienten att det är 77% chans att det finns streptokockbakterier i svalget. Ju lägre prevalens av fenomenet/sjukdomen man letar efter desto mindre användbart är PPV medan svaret på NPV blir mer värdefullt. Vid stigande prevalens gäller det omvända. Generellt gäller att ju högre värden på prediktivt värde desto mer användbart är det (mer om detta längre fram). Om vi tänker oss att leta efter individer med en viss sjukdom där vi vet att prevalensen är 0,001%. Med andra ord en mycket ovanlig sjukdom. Om vi bara tar en person slumpmässigt vald är alltså chansen att den individen har sjukdomen 0,001%. Låt oss nu göra ett test med egenskapen 90% sensitivitet och 97% specificitet (samma testegenskaper som en svalgodling). För räkneexemplets skull tänker vi oss att 1 miljon individer undersöks (Tabell 3). Här ser vi att sannolikheten för att individen har sjukdomen ökar från 0,001% före testet till 0,03% efter ett positivt test. Blir vi klokare av det?!
8 Sida 8 av 10 Tabell 3 - Exempel på prediktivt värde vid låg prevalens (PPV=Positivt prediktivt värde, NPV=Negativt prediktivt värde) Har sjukdom Saknar sjukdom Positivt test Negativt test Totalt antal: Sensitivitet = 9/10=90% Specificitet = /999990=97% PPV = 9/30009 = 0,03% NPV = / = 100% Av detta (något extrema) exempel lär vi oss att prevalensen har en mycket stor inverkan på hur högt, och därmed användbart, det prediktiva värdet skall bli. Ju högre prediktivt värde desto större klinisk användbarhet av testet. Hur högt måste det vara för att testet skall kunna anses vara användbart? Det beror på situationen. Letar vi efter en farlig sjukdom som lätt kan botas med en biverkningsfri behandling så nöjer vi oss med ett lägre positivt prediktivt värde (PPV). Omvänt gäller att letar vi efter mindre farliga sjukdomar där behandlingen har tveksam effekt eller biverkningarna är märkbara så kräver vi ett högre PPV (mer om detta längre fram). Man ser ibland skrivet att singla slant innebär att PPV och NPV båda är 50%. Detta är fel! Om man använder det beprövade testet slantsingling är sensitivitet och specificitet 50%. Det prediktiva värdet blir helt beroende av prevalensen. I exemplet med streptokockbakterier (Tabell 2) skulle testet slantsingling ha PPV 10% och NPV 90%. Detta innebär att om rätt sida av slanten kom upp (den som vi definierat som negativt test) skulle slantsingling vara tillräckligt bra för att vara jämförbart med en del av de tester som vi läkare använder i vår vardag. Gold standard Gold standard är en allmänt accepterad referensmetod eller den bästa metoden som finns för att fastställa närvaro eller frånvaro av det man letar efter. Förhoppningsvis är den allmänt accepterade referensmetoden också den bästa metoden. Alla ovanstående mått på värdet av ett test fås fram genom att jämföra vårt test med en gold standard. Det är viktigt och komma ihåg att "sanningen" och gold standard inte alltid är samma sak. Om de skiljer sig åt måste vi komma ihåg att vår testutvärdering inte är optimal. Ju större skillnad mellan "sanningen" och vår gold standard desto större risk att vårt nya test som utvärderas får bättre eller sämre testvärden än det egentligen har. (Falskt bättre testvärden om gold standard och det nya testet har samma systematiska fel, falskt sämre testvärden om enbart vår gold standard har ett systematiskt fel eller ett stort slumpmässigt fel) När man säger prediktivt värde är det inte självklart att det är sannolikheten för sjukdom man förutsäger. Det kan i medicinska sammanhang ofta vara närvaro av
9 Sida 9 av 10 något annat än sjukdom, exempelvis en streptokockbakterie i halsen. Om närvaro av bakterien i halsen innebär att man alltid är sjuk av dem så är det ingen skillnad mellan att förutsäga närvaro av en bakterie eller en sjukdom, exempelvis halsfluss orsakad av streptokockbakterier. Om det finns friska bärare av samma bakterie som inte skall behandlas, då blir det genast en stor skillnad. Ett positivt test kan då innebära att individen är en bärare av streptokockbakterier som är sjuk av virus. Här är det viktigt att ha klart för sig vad det är som förutsägs och relevansen av det. Vad är det egentligen vår gold standard förutsäger? Mer information om detta finns i vår sektion om etiologiskt prediktivt värde (denna del är på engelska och lite mer avancerad). Att bedöma testets kliniska användbarhet Vilket mått på tester skall vi använda? Förenklat kan man säga att: Sensitivitet, specificitet och likelihood ratio svarar på frågan: Hur mår testet? Prediktivt värde svarar på frågan: Hur mår patienten? Om vi vill bedöma användbarheten av ett test i praktiskt kliniskt bruk är sensitivitet och specificitet ganska ointressanta. Prediktivt värde är det överlägset bästa sättet att bedöma den kliniska användbarheten. Likelihood ratio är en alternativ väg för att ta fram prediktivt värde. Den vägen är speciellt användbar när man vill bedöma värdet av att ta flera olika tester i följd. Om vi känner till både egenskaperna prediktivt värde och likelihood ratio (sistnämnda kan räknas fram från sensitivitet och specificitet) kan vi försöka skatta testets kliniska användbarhet (Tabell 4).
10 Sida 10 av 10 Tabell 4 - Det kliniska värdet av ett test Prediktivt värde Likelihood ratio Positivt (PPV) Negativt (NPV) Positivt (PLR) Negativt (NLR) Högt Högt Testet kommer att ge dig användbar information. Högt Lågt Lågt Högt Redan innan testet görs vet du att patienten sannolikt har sjukdomen. Testet tillför inte så mycket ny information. Testet ger dig ny information som dock är av tveksamt kliniskt värde. Lågt Lågt Testet är oanvändbart i denna situation. Högt Högt Redan innan testet görs vet du att patienten sannolikt inte har sjukdomen. Testet tillför inte så mycket ny information. Högt Lågt Testet kommer att ge dig användbar information. Lågt Högt Testet är oanvändbart i denna situation. Lågt Lågt Testet ger dig ny information som dock är av tveksamt kliniskt värde. Vad är högt respektive lågt? Det är svårt att ge ett exakt svar eftersom det beror på det man letar efter och konsekvenserna om man missar det. Som en grov utgångspunkt för diskussionen skulle jag vilja föreslå PLR >1,5, NLR<0,67, PPV>60 och NPV>90. Dessa värden kan vara en hjälp för att förstå tabell 4. I en faktisk utvärdering av den kliniska användbarheten av ett test måste man dock väga in de aspekter som det innebär att missa det testet letar efter (klassificera sjuka som friska), respektive konsekvensen av att klassificera friska som sjuka. Handlar det om en potentiellt dödlig sjukdom som lätt kan botas med en ofarlig behandling är det viktigt att inte missa någon individ. Här kanske man kan anse ett PPV efter test på mer än 5-10% vara tillräckligt för behandling. Om man å andra sidan utvärderar ett test för att hitta en sjukdom som endast sällan ger allvarliga komplikationer är det rimligt att kräva ett högre värde på PPV innan man ger behandling. Vid exempelvis halsfluss anser en del författare att sannolikheten för att individen har streptokocker (PPV av ett test för påvisande av streptokockbakterier) bör överstiga 60% innan man ger behandling. Handlar det om en sjukdom som endast sällan ger allvarliga komplikationer och där behandlingen medför risker för patienten kanske det är rimligt att kräva ett PPV på mer än % innan man ger behandling.
Differentiell psykologi
Differentiell psykologi Måndagen den 19/9 2011 Sensitivitet och specificitet Version 1.1 Dagens agenda Validering av kriterietolkningar Diagnostiska studier Exempel på diagnostisk studie av MDI Olika prövningar
Läs merHandledarsida. Två remisser till arbetsprov
Handledarsida Två remisser till arbetsprov Del 1 Remisstexterna är generellt bra och fokuserade kring patientens besvär. Det finns en tydlig uppdelning mellan anamnes och status. I anamnesdelarna får man
Läs merKvalitetssäkring och Validering Molekylära Metoder. Susanna Falklind Jerkérus Sektionen för Molekylär Diagnostik Karolinska Universitetslaboratoriet
Kvalitetssäkring och Validering Molekylära Metoder Susanna Falklind Jerkérus Sektionen för Molekylär Diagnostik Karolinska Universitetslaboratoriet Vem/Vad styr oss? 98/79/EG - IVD direktivet Lagen (1993:584)
Läs merDifferentiell psykologi
Differentiell psykologi Tisdag 25 september 2012 Generalizability Theory Dagens agenda Repetition: Sensitivitet och specificitet Övningsuppgift från gårdagen Generalizability theory Kritik mot CTT/TST
Läs merDiagnostiska metoder. Några reflektioner. Christina Lindh Odontologiska fakulteten Malmö högskola
Diagnostiska metoder Några reflektioner Christina Lindh Odontologiska fakulteten Malmö högskola DIAGNOS» dia = genom» gnosis = kunskap Genom kunskap konstatera att en sjukdom föreligger samt fastställa
Läs merMedicinsk statistik III Läkarprogrammet, Termin 5 VT 2016
Medicinsk statistik III Läkarprogrammet, Termin 5 VT 2016 Jonas Björk E-post: jonas.bjork@med.lu.se Medicinsk statistik III Innehåll och läsanvisningar Statistik för binära utfall Kapitel 12 Dimensionering
Läs merHypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University
Hypotesprövning Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Liksom konfidensintervall ett hjälpmedel för att
Läs merVetenskaplig metod och statistik
Vetenskaplig metod och statistik Innehåll Vetenskaplighet Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet? Experimentlogg Att fundera på
Läs merEXAMINATION KVANTITATIV METOD vt-11 (110204)
ÖREBRO UNIVERSITET Hälsoakademin Idrott B Vetenskaplig metod EXAMINATION KVANTITATIV METOD vt-11 (110204) Examinationen består av 11 frågor, flera med tillhörande följdfrågor. Besvara alla frågor i direkt
Läs merVad är kännetecknande för en kvalitativ respektive kvantitativ forskningsansats? Para ihop rätt siffra med rätt ansats (17p)
Tentamen i forskningsmetodik, arbetsterapi, 2011-09-19 Vad är kännetecknande för en kvalitativ respektive kvantitativ forskningsansats? Para ihop rätt siffra med rätt ansats (17p) 1. Syftar till att uppnå
Läs merStatistisk styrka Dimensioneringsberäkningar
Statistisk styrka Dimensioneringsberäkningar Jonas Björk Arbets- och miljömedicin vid Lunds universitet och FoU-centrum Skåne E-post: jonas.bjork@skane.se Tel: 046 17 79 30 FoU-Centrum Skåne (verksamhetschef:
Läs merHur skriver man statistikavsnittet i en ansökan?
Hur skriver man statistikavsnittet i en ansökan? Val av metod och stickprovsdimensionering Registercentrum Norr http://www.registercentrumnorr.vll.se/ statistik.rcnorr@vll.se 11 Oktober, 2018 1 / 52 Det
Läs mer34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD
6.4 Att dra slutsatser på basis av statistisk analys en kort inledning - Man har ett stickprov, men man vill med hjälp av det få veta något om hela populationen => för att kunna dra slutsatser som gäller
Läs merStatistikens grunder. Mattias Nilsson Benfatto, Ph.D
Statistikens grunder Mattias Nilsson Benfatto, Ph.D Vad är statistik? Statistik är en gren inom tillämpad matematik som sysslar med insamling, utvärdering, analys och presentation av data eller information.
Läs merVANLIGA TERMER OCH BEGREPP INOM MEDICINSK VETENSKAP OCH STATISTIK
VANLIGA TERMER OCH BEGREPP INOM MEDICINSK VETENSKAP OCH STATISTIK TERM Analytisk statistik Bias Confounder (förväxlingsfaktor)) Deskriptiv statistik Epidemiologi Fall-kontrollstudie (case-control study)
Läs merSTATISTISK POWER OCH STICKPROVSDIMENSIONERING
STATISTISK POWER OCH STICKPROVSDIMENSIONERING Teori UPPLÄGG Gemensam diskussion Individuella frågor Efter detta pass hoppas jag att: ni ska veta vad man ska tänka på vilka verktyg som finns vilket stöd
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Analys av korstabeller 2 Innehåll 1 Analys av korstabeller 2 Korstabeller Vi har tidigare under kursen redan bekantat oss med korstabeller. I en korstabell redovisar man fördelningen på två
Läs merLäsanvisningar - Medicinsk statistik - Läkarprogrammet T10
Läsanvisningar - Medicinsk statistik - Läkarprogrammet T10 Läsanvisningarna baseras på boken Björk J. Praktisk statistik för medicin och hälsa, Liber Förlag (2011), som är gemensam kursbok för statistikavsnitten
Läs merTentamen Metod C vid Uppsala universitet, , kl
Tentamen Metod C vid Uppsala universitet, 170503, kl. 08.00-12.00 Anvisningar Av rättningspraktiska skäl skall var och en av de tre huvudfrågorna besvaras på separata pappersark. Börja alltså på ett nytt
Läs merAnalys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken
Analys av medelvärden Jenny Selander jenny.selander@ki.se 524 800 29, plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Jenny Selander, Kvant. metoder, FHV T1 december 20111 Innehåll Normalfördelningen
Läs merUppgift 1. Produktmomentkorrelationskoefficienten
Uppgift 1 Produktmomentkorrelationskoefficienten Både Vikt och Längd är variabler på kvotskalan och således kvantitativa variabler. Det innebär att vi inte har så stor nytta av korstabeller om vi vill
Läs merGiltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta. Tentamensresultaten anslås med hjälp av kodnummer.
KOD: Kurskod: PC1244 Kursnamn: Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Sandra Buratti Tentamensdatum: 2014-09-26 Tillåtna hjälpmedel: Miniräknare Tentan består av
Läs merKriterier och riktlinjer för evidensbaserad bedömning av mätinstrument
Kriterier och riktlinjer för evidensbaserad bedömning av mätinstrument Evidens för instrument kan mätas med liknande kriterier som vid mätning av evidens för interventioner 1. Nedan finns en sammanfattning
Läs merVetenskaplig metod och Statistik
Vetenskaplig metod och Statistik Innehåll Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet? Experimentlogg Att fundera på Experiment NE:
Läs merBetrakta kopparutbytet från malm från en viss gruva. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten i dessa.
Betrakta kopparutbytet från malm från en viss gruva. Anta att budgeten för utbytet är beräknad på att kopparhalten ligger på 70 %. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten
Läs merSyfte: o statistiska test om parametrar för en fördelning o. förkasta eller acceptera hypotesen
Uwe Menzel, 2017 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Syfte: o statistiska test om parametrar för en fördelning o förkasta eller acceptera hypotesen hypotes: = 20 (väntevärdet är 20)
Läs merVetenskaplig Metod och Statistik. Maja Llena Garde Fysikum, SU Vetenskapens Hus
Vetenskaplig Metod och Statistik Maja Llena Garde Fysikum, SU Vetenskapens Hus 2010 10 20 Innehåll Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet?
Läs merInlämningsuppgift-VT lösningar
Inlämningsuppgift-VT lösningar A 1. En van Oddset-spelare har under lång tid studerat hur många mål ett visst lag gör i ishockeymatcher och vet att sannolikheterna beskrivs av följande tabell: Mål 0 1
Läs merEXAMINATION KVANTITATIV METOD vt-11 (110319)
ÖREBRO UNIVERSITET Hälsoakademin Idrott B Vetenskaplig metod EXAMINATION KVANTITATIV METOD vt-11 (110319) Examinationen består av 10 frågor, flera med tillhörande följdfrågor. Besvara alla frågor i direkt
Läs merI PRIMÄRVÅRDENS BRUS Vad ska vi göra? Vad ska vi hitta? Vad är sjukdom? Om tester och andra hjälpmedel i den kliniska vardagen.
I PRIMÄRVÅRDENS BRUS Vad ska vi göra? Vad ska vi hitta? Om tester och andra hjälpmedel i den kliniska vardagen Vad är sjukdom? och hur bedriver vi bäst det diagnostiska arbetet? Trygg diagnostisk strategi
Läs merStatistiska analysmetoder, en introduktion. Fördjupad forskningsmetodik, allmän del Våren 2018
Statistiska analysmetoder, en introduktion Fördjupad forskningsmetodik, allmän del Våren 2018 Vad är statistisk dataanalys? Analys och tolkning av kvantitativa data -> förutsätter numeriskt datamaterial
Läs merF3 Introduktion Stickprov
Utrotningshotad tandnoting i arktiska vatten Inferens om väntevärde baserat på medelvärde och standardavvikelse Matematik och statistik för biologer, 10 hp Tandnoting är en torskliknande fisk som lever
Läs merVi har en ursprungspopulation/-fördelning med medelvärde µ.
P-värde P=probability Sannolikhetsvärde som är resultat av en statistisk test. Anger sannolikheten för att göra den observation vi har gjort eller ett sämre / mer extremt utfall om H 0 är sann. Vi har
Läs merManual för granskning av artiklar som bedömer en mätmetods egenskaper
Manual för granskning av artiklar som bedömer en mätmetods egenskaper Denna manual är tänkt att användas tillsammans med Mall för granskning av vetenskapliga artiklar om mätmetoder. Syftet med manualen
Läs merVetenskaplig metod och statistik
Vetenskaplig metod och statistik Innehåll Vetenskaplighet Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet? Experimentlogg Att fundera på
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merFöreläsning G70 Statistik A
Föreläsning 1 732G70 Statistik A 1 Population och stickprov Population = den samling enheter (exempelvis individer) som vi vill dra slutsatser om. Populationen definieras på logisk väg med utgångspunkt
Läs merStatistiska analyser C2 Inferensstatistik. Wieland Wermke
+ Statistiska analyser C2 Inferensstatistik Wieland Wermke + Signifikans och Normalfördelning + Problemet med generaliseringen: inferensstatistik n Om vi vill veta ngt. om en population, då kan vi ju fråga
Läs merEXAMINATION KVANTITATIV METOD
ÖREBRO UNIVERSITET Hälsoakademin Idrott B, Vetenskaplig metod EXAMINATION KVANTITATIV METOD vt-09 (090209) Examinationen består av 8 frågor, några med tillhörande följdfrågor. Frågorna 4-7 är knutna till
Läs merOBS! Vi har nya rutiner.
KOD: Kurskod: PC1203 och PC1244 Kursnamn: Kognitiv psykologi och metod och Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Linda Hassing Tentamensdatum: 2012-11-17 Tillåtna
Läs mer2 Dataanalys och beskrivande statistik
2 Dataanalys och beskrivande statistik Vad är data, och vad är statistik? Data är en samling fakta ur vilken man kan erhålla information. Statistik är vetenskapen (vissa skulle kalla det konst) om att
Läs merOmniStat-OmniRisk. Ett par enkla datorprogram för att lära sig grunderna i att. 1. utvärdera diagnostiska metoders prestanda och testresultat
1(11) OmniStat-OmniRisk Ett par enkla datorprogram för att lära sig grunderna i att 1. utvärdera diagnostiska metoders prestanda och testresultat OCH 2. jämföra risker/händelser/komplikationer mellan grupper
Läs merHYPOTESPRÖVNING sysselsättning
0 självmord 20 40 60 HYPOTESPRÖVNING 4. Se spridningsdiagrammen nedan (A, B och C). Alla tre samband har samma korrelation och samma regressionslinje (r = 0,10, b = 0,15). Vi vill testa om sambandet mellan
Läs merTorbjörn Kjerstadius Klinisk mikrobiologi Karolinska universitetslaboratoriet, Solna
Torbjörn Kjerstadius Klinisk mikrobiologi Karolinska universitetslaboratoriet, Solna Varför validering/verifiering? 1. Säkerställa att analysen fungerar som avsett. 2. Skapa erfarenhet av analysen. Måste
Läs merF2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion
Gnuer i skyddade/oskyddade områden, binära utfall och binomialfördelningar Matematik och statistik för biologer, 10 hp Fredrik Jonsson Januari 2012 I vissa områden i Afrika har man observerat att förekomsten
Läs merAnalytisk statistik. Tony Pansell, optiker Universitetslektor
Analytisk statistik Tony Pansell, optiker Universitetslektor Analytisk statistik Att dra slutsatser från det insamlade materialet. Två metoder: 1. att generalisera från en mindre grupp mot en större grupp
Läs merProvmoment: Tentamen 2 Ladokkod: 61ST01 Tentamen ges för: SSK06 VHB. TentamensKod: Tentamensdatum: Tid:
Vetenskaplig teori och metod Provmoment: Tentamen 2 Ladokkod: 61ST01 Tentamen ges för: SSK06 VHB 7,5 högskolepoäng TentamensKod: Tentamensdatum: 2012-11-09 Tid: 09.00-11.00 Hjälpmedel: Inga hjälpmedel
Läs merBIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, OCH ÖVNING 2, SAMT INFÖR ÖVNING 3
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, 2016-04-01 OCH ÖVNING 2, 2016-04-04 SAMT INFÖR ÖVNING 3 Övningarnas mål: Du ska förstå grundläggande
Läs merKvantitativa metoder och datainsamling
Kvantitativa metoder och datainsamling Kurs i forskningsmetodik med fokus på patientsäkerhet 2015-09-23, Peter Garvin FoU-enheten för närsjukvården Kvantitativ och kvalitativ metodik Diskborsten, enkronan
Läs merDifferentiell psykologi
Differentiell psykologi Tisdag 24 september 2013 Confirmatory Factor Analysis CFA Dagens agenda Repetition: Sensitivitet och specificitet Övningsuppgift från idag Confirmatory Factor Analysis Utveckling
Läs merEPIDEMIOLOGI. Läran om sjukdomsförekomst i en befolkning (Ahlbom, Norell)
EPIDEMIOLOGI Läran om sjukdomsförekomst i en befolkning (Ahlbom, Norell) Läran om utbredningen av och orsakerna till hälsorelaterade tillstånd eller förhållanden i specifika populationer och tillämpningen
Läs merProvmoment: Tentamen 3 Ladokkod: 61ST01 Tentamen ges för: SSK06 VHB. TentamensKod: Tentamensdatum: 2012-12-14 Tid: 09.00-12.00
Vetenskaplig teori och metod Provmoment: Tentamen 3 Ladokkod: 61ST01 Tentamen ges för: SSK06 VHB 7,5 högskolepoäng TentamensKod: Tentamensdatum: 2012-12-14 Tid: 09.00-12.00 Hjälpmedel: Inga hjälpmedel
Läs mer, s a. , s b. personer från Alingsås och n b
Skillnader i medelvärden, väntevärden, mellan två populationer I kapitel 8 testades hypoteser typ : µ=µ 0 där µ 0 var något visst intresserant värde Då användes testfunktionen där µ hämtas från, s är populationsstandardavvikelsen
Läs merIntroduktion. Konfidensintervall. Parade observationer Sammanfattning Minitab. Oberoende stickprov. Konfidensintervall. Minitab
Uppfödning av kyckling och fiskleveroljor Statistiska jämförelser: parvisa observationer och oberoende stickprov Matematik och statistik för biologer, 10 hp Fredrik Jonsson vt 2012 Fiskleverolja tillsätts
Läs merGHQ-12 General Health Questionnaire-12
Beskrivning av instrumentet och dess användningsområde Den ursprungliga versionen av GHQ (General Health Questionnaire) utvecklades som ett instrument för screening av psykiatriska störningar. Den har
Läs merKursnamn: Vetenskapsteori och grundläggande forskningsmetod
KOD: Kurskod: PM1303 Kursnamn: Vetenskapsteori och grundläggande forskningsmetod Ansvarig lärare: Magnus Lindwall Tentamensdatum: 2014-02-18 kl. 13:30 17:30 Tillåtna hjälpmedel: Miniräknare Tentan består
Läs merStudentens namn: Studentens personnummer: Giltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta.
KOD: Kurskod: PM1303 Kursnamn: Vetenskapsteori och grundläggande forskningsmetoder Provmoment: Vetenskapsteori respektive forskningsmetod Ansvarig lärare: Jan Johansson Hanse Tentamensdatum: 2015-09-29
Läs merGrundläggande Biostatistik. Joacim Rocklöv, Lektor Epidemiologi och global hälsa Umeå Universitet
Grundläggande Biostatistik Joacim Rocklöv, Lektor Epidemiologi och global hälsa Umeå Universitet Formell analys Informell data analys Design and mätning Problem Formell analys Informell data analys Hur
Läs merStatistiska analyser C2 Bivariat analys. Wieland Wermke
+ Statistiska analyser C2 Bivariat analys Wieland Wermke + Bivariat analys n Mål: Vi vill veta något om ett samband mellan två fenomen n à inom kvantitativa strategier kan man undersöka detta genom att
Läs merStatistik. Statistik. Statistik. Lars Walter Fil.lic. Statistik
Statistik Lars Walter Fil.lic. Statistik Linköping universitet Stockholms universitet Karolinska sjukhuset Sveriges Lantbruksuniversitet Linköpings universitet Folkhälsocentrum, LiÖ FoU-enheten, LiÖ Statistik
Läs merAnvisningar till rapporter i psykologi på B-nivå
Anvisningar till rapporter i psykologi på B-nivå En rapport i psykologi är det enklaste formatet för att rapportera en vetenskaplig undersökning inom psykologins forskningsfält. Något som kännetecknar
Läs merIntroduktion till statistik för statsvetare
Stockholms universitet November 2011 Data på annat sätt - I Stolpdiagram Data på annat sätt - II Histogram För kvalitativa data som nominal- och ordinaldata infördes stapeldiagram. För kvantitativa data
Läs merSTA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik STA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017 Räknestuga 2 Förberedelser: Lyssna på föreläsningarna F4, F5 och
Läs merRepetitionsföreläsning
Population / Urval / Inferens Repetitionsföreläsning Ett företag som tillverkar byxor gör ett experiment för att kontrollera kvalitén. Man väljer slumpmässigt ut 100 par som man utsätter för hård nötning
Läs merBörja med resultatet om du vill designa en lyckad klinisk studie
PI 15 Design klinisk studie Sidan 1 av 5 Pharma Industry 1/2015 Börja med resultatet om du vill designa en lyckad klinisk studie Design av kliniska studier är en tvärvetenskaplig disciplin där det behövs
Läs mer1 Mätdata och statistik
Matematikcentrum Matematik NF Mätdata och statistik Betrakta frågeställningen Hur mycket väger en nyfödd bebis?. Frågan verkar naturlig, men samtidigt mycket svår att besvara. För att ge ett fullständigt
Läs merBlodtryckskontroll hos diabetiker typ 1 vid medicinkliniken, Piteå sjukhus varför når vi inte målet?
Blodtryckskontroll hos diabetiker typ 1 vid medicinkliniken, Piteå sjukhus varför når vi inte målet? Izabela Shahrokni, ST-läkare, Medicin- och rehabiliteringskliniken, Piteå sjukhus Handledare: Mats Eliasson,
Läs merAnvändbara indikatorer
Användbara indikatorer Teknisk analys består egentligen av två delar: grafisk analys (chartism) och numerisk analys. Den första baseras på en direkt observationer av kurserna och volymerna, och formationer
Läs merGamla tentor (forts) ( x. x ) ) 2 x1
016-10-10 Gamla tentor - 016 1 1 (forts) ( x ) x1 x ) ( 1 x 1 016-10-10. En liten klinisk ministudie genomförs för att undersöka huruvida kostomläggning och ett träningsprogram lyckas sänka blodsockernivån
Läs merInnehåll. Frekvenstabell. II. Beskrivande statistik, sid 53 i E
Innehåll I. Grundläggande begrepp II. Deskriptiv statistik (sid 53 i E) III. Statistisk inferens Hypotesprövnig Statistiska analyser Parametriska analyser Icke-parametriska analyser 1 II. Beskrivande statistik,
Läs merMedicinsk statistik II
Medicinsk statistik II Läkarprogrammet termin 5 VT 2013 Susanna Lövdahl, Msc, doktorand Klinisk koagulationsforskning, Lunds universitet E-post: susanna.lovdahl@med.lu.se Dagens föreläsning Fördjupning
Läs merOBS! Vi har nya rutiner.
KOD: Kurskod: PM2315 Kursnamn: Psykologprogrammet, kurs 15, Metoder för psykologisk forskning (15 hp) Ansvarig lärare: Jan Johansson Hanse Tentamensdatum: 2 november 2011 Tillåtna hjälpmedel: miniräknare
Läs merTENTAMEN KVANTITATIV METOD (100205)
ÖREBRO UNIVERSITET Hälsoakademin Idrott B, Vetenskaplig metod TENTAMEN KVANTITATIV METOD (205) Examinationen består av 11 frågor, några med tillhörande följdfrågor. Besvara alla frågor i direkt anslutning
Läs merStokastiska signaler. Mediesignaler
Stokastiska signaler Mediesignaler Stokastiska variabler En slumpvariabel är en funktion eller en regel som tilldelar ett nummer till varje resultatet av ett experiment Symbol som representerar resultatet
Läs merTentamen består av 12 frågor, totalt 40 poäng. Det krävs minst 24 poäng för att få godkänt och minst 32 poäng för att få väl godkänt.
KOD: Kurskod: PC1244 Kursnamn: Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Sandra Buratti Tentamensdatum: 2013-09-27 Tillåtna hjälpmedel: Miniräknare Tentamen består
Läs merNamn: Pers.nr: G: Minst 65 % Kod: T5V16 -
TENTAMEN TEORI - EXAMENSARBETE 1 (LÄLA53/LÄMA53) TERMIN 5, VT 2016 2016-04-19 Kl. 09.00-11.00 Namn: Pers.nr: Ma: 63 poäng G: Minst 65 % Kod: T5V16 - Poäng: VIKTIGT! Skriv ovannämnda kodkombination överst
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 2 Diskreta observationer Kontinuerliga observationer 3 Centralmått Spridningsmått Innehåll 1 2 Diskreta observationer Kontinuerliga observationer 3 Centralmått Spridningsmått Vad är statistik?
Läs merOBS! Vi har nya rutiner.
KOD: Kurskod: PM1303 Kursnamn: Vetenskapsteori och grundläggande forskningsmetod Provmoment: Ansvarig lärare: Linda Hassing Tentamensdatum: 2012-11-17 Tillåtna hjälpmedel: Miniräknare Tentan består av
Läs merResultatet läggs in i ladok senast 13 juni 2014.
Matematisk statistik Tentamen: 214 6 2 kl 14 19 FMS 35 Matematisk statistik AK för M, 7.5 hp Till Del A skall endast svar lämnas. Samtliga svar skall skrivas på ett och samma papper. Övriga uppgifter fordrar
Läs merBild 1. Bild 2 Sammanfattning Statistik I. Bild 3 Hypotesprövning. Medicinsk statistik II
Bild 1 Medicinsk statistik II Läkarprogrammet T5 HT 2014 Anna Jöud Arbets- och miljömedicin, Lunds universitet ERC Syd, Skånes Universitetssjukhus anna.joud@med.lu.se Bild 2 Sammanfattning Statistik I
Läs merSTA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik STA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017 Räknestuga 2 Förberedelser: Lyssna på föreläsningarna F4, F5 och
Läs merOBS! Vi har nya rutiner.
KOD: Kurskod: PM2315 Kursnamn: Psykologprogrammet, kurs 15, Metoder för psykologisk forskning (15 hp) Ansvarig lärare: Jan Johansson Hanse Tentamensdatum: 14 januari 2012 Tillåtna hjälpmedel: miniräknare
Läs mer3.1 Utvärdering av diagnostiska metoder
3.1 Utvärdering av diagnostiska metoder Sensitivitet och specificitet Ett diagnostiskt tests prestanda anges med testets sensitivitet och specificitet. Uträkning av sensitivitet och specificitet förutsätter
Läs merInstitutionen för lingvistik och filologi VT 2014 (Marco Kuhlmann 2013, tillägg och redaktion Mats Dahllöf 2014).
UPPSALA UNIVERSITET Matematik för språkteknologer (5LN445) Institutionen för lingvistik och filologi VT 2014 (Marco Kuhlmann 2013, tillägg och redaktion Mats Dahllöf 2014). 9 Sannolikhet Detta kapitel
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs merAnalytisk statistik. Mattias Nilsson Benfatto, PhD.
Analytisk statistik Mattias Nilsson Benfatto, PhD Mattias.nilsson@ki.se Beskrivande statistik kort repetition Centralmått Spridningsmått Normalfördelning Konfidensintervall Korrelation Analytisk statistik
Läs merTentamen i Vetenskaplig grundkurs (MC001G/MC014G/MC1016), STATISTIK
Tentamen i Vetenskaplig grundkurs (MC001G/MC014G/MC1016), 161102 STATISTIK Maxpoäng är 17 p. G 10 p; VG 14,5 p; Ge fullständiga svar men skriv ändå kortfattat och tydligt! Ange dina svar direkt i tentamen!
Läs merFöreläsning 1: Introduktion
Föreläsning 1: Introduktion Matematisk statistik David Bolin Chalmers University of Technology March 22, 2014 Lärare och kurslitteratur David Bolin: Rum: E-mail: Fredrik Boulund: Rum: E-mail: Kursansvarig,
Läs merKOM IHÅG ATT NOTERA DITT TENTAMENSNUMMER NEDAN OCH TA MED DIG TALONGEN INNAN DU LÄMNAR IN TENTAN!!
Kurskod: PC1203 och PC1244 Kursnamn: Kognitiv psykologi och metod OCH Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Linda Hassing Tentamensdatum: 2009-11-14 kl. 14:30 18:30
Läs merKvantitativ strategi viktiga begrepp 3. Wieland Wermke
+ Kvantitativ strategi viktiga begrepp 3 Wieland Wermke + Tillförlitlighet: validitet och reliabilitet n Frånvaro av slumpmässiga fel: hög reliabilitet. n Måttet är stabilt och pålitligt, inte svajigt
Läs mer733G02: Statsvetenskaplig Metod Therése Olofsson Metod-PM - Gymnasiereformens påverkan på utbildningen
733G02: Statsvetenskaplig Metod Therése Olofsson 2013-03-05 911224-0222 - Gymnasiereformens påverkan på utbildningen Syfte Syftet med uppsatsen är ta reda på hur den gymnasiereform som infördes läsåret
Läs merÖVNINGSUPPGIFTER KAPITEL 8
ÖVNINGSUPPGIFTER KAPITEL 8 SAMPEL KONTRA POPULATION 1. Nedan beskrivs fyra frågeställningar. Ange om populationen är ändlig eller oändlig i respektive fall. Om ändlig, beskriv också vem eller vad som ingår
Läs merBilaga 6 till rapport 1 (5)
till rapport 1 (5) Bilddiagnostik vid misstänkt prostatacancer, rapport UTV2012/49 (2014). Värdet av att undvika en prostatabiopsitagning beskrivning av studien SBU har i samarbete med Centrum för utvärdering
Läs merGiltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta. Tentamensresultaten anslås med hjälp av kodnummer.
KOD: Kurskod: PC1244 Kursnamn: Metod Provmoment: Metod Ansvarig lärare: Sandra Buratti Tentamensdatum: 2014-11-08 Tillåtna hjälpmedel: Miniräknare Tentan består av 13 frågor, totalt 40 poäng. Det krävs
Läs merStatistik och epidemiologi T5
Statistik och epidemiologi T5 Anna Axmon Biostatistiker Yrkes- och miljömedicin Dagens föreläsning Fördjupning av hypotesprövning Repetition av p-värde och konfidensintervall Tester för ytterligare situationer
Läs mer2.1 Minitab-introduktion
2.1 Minitab-introduktion Betrakta följande mätvärden (observationer): 9.07 11.83 9.56 7.85 10.44 12.69 9.39 10.36 11.90 10.15 9.35 10.11 11.31 8.88 10.94 10.37 11.52 8.26 11.91 11.61 10.72 9.84 11.89 7.46
Läs merBilaga 10. Statistiska begrepp i medicinska utvärderingar
Bilaga 10. Statistiska begrepp i medicinska utvärderingar reviderad 2014 Bilagan består av två avsnitt. Det första rör de vanligaste måtten och metoderna för att bedöma validitet och tillförlitlighet i
Läs merForskningsprocessens olika faser
Forskningsprocessens olika faser JOSEFINE NYBY JOSEFINE.NYBY@ABO.FI Steg i en undersökning 1. Problemformulering 2. Planering 3. Datainsamling 4. Analys 5. Rapportering 1. Problemformulering: intresseområde
Läs merIdag. EDAA35, föreläsning 4. Analys. Kursmeddelanden. Vanliga steg i analysfasen av ett experiment. Exempel: exekveringstid
EDAA35, föreläsning 4 KVANTITATIV ANALYS Idag Kvantitativ analys Slump och slumptal Analys Boxplot Konfidensintervall Experiment och test Kamratgranskning Kursmeddelanden Analys Om laborationer: alla labbar
Läs merInternationella erfarenheter: Publicerade resultat kring cut off- värden för jordnöt
Internationella erfarenheter: Publicerade resultat kring cut off- värden för jordnöt Jenny van Odijk Leg. Dietist, Med dr. Sahlgrenska Universitetssjukhuset Referenser Codreanu F et al. A novel immunoassay
Läs mer