Meta-Regression in klinischen. Studien. Hintergrund und Anwendung in SAS. Meike Hastert Mareike Herrmann
|
|
- Otto Gerstle
- vor 5 Jahren
- Abrufe
Transkript
1 Meta-Regression in klinischen Studien Hintergrund und Anwendung in SAS Meike Hastert Mareike Herrmann
2 Gliederung Meta-Regression im Allgemeinen Statistischer Hintergrund Anwendung mit SAS Output Interpretation Zusammenfassung
3 Meta-Regression im Allgemeinen MR ist eine Erweiterung der MA Gewichtetes Gesamtergebnis Basierend auf: fixed-effects model (FEM) oder random-effects-model (REM)
4 Meta-Regression im Allgemeinen Wieso MA/MR Verwendung von aggregierten Daten ein Gesamtergebnis Interpretationshilfe Planung einer neuen Studie Vorgehen Genaue Eingrenzung : Indikationsgebiet, Population, Primäre Endpunkte, etc. Literatur-Recherche Identifikation von Kovariablen
5 Statistischer Hintergrund
6 Statistischer Hintergrund wobei mit für FEM und für REM muss geschätzt werden
7 Statistischer Hintergrund Heterogenität: Variabilität zwischen Studienergebnissen : Verhältnis der Varianz zwischen den Studien zur totalen Varianz
8 Behandlungseffekt (Schätzer) Behandlungseffekt (Schätzer) Anwendung mit SAS MA: Schätzung des Behandlungseffektes (y) y = b MR: Behandlungseffekt (y) ist abhängig von der Kovariablen (x) y = b + m x Kovariable Kovariable
9 Anwendung mit SAS Datensatzbeispiel für PROC MIXED Form des Datensatzes: Eindeutige Studienbezeichnung Identische Berechnung der Studienergebnisse (z.b. immer log-odds Ratio) Variable EST enthält die Varianz innerhalb der jeweiligen Studie Für MR: einheitliche Benennung der Kovariablen
10 Anwendung mit SAS MA mit festen Effekten PROC MIXED: Prozeduraufruf und Definition des Input- Datensatzes CLASS: Klassifizierung nach Studienname MODEL: spezifiziert das Modell REPEATED/GROUP: Jede Studie hat ihre eigene Varianz PARMS/PARMSDATA EQCONS: liest Werte der Variable EST (enthält Varianzen innerhalb der 13 Studien) und hält diese konstant.
11 Behandlungseffekt (Schätzer) Anwendung mit SAS Output Interpretation für feste Effekte MA basierend auf festen Effekten y = b -0, Kovariable
12 Anwendung mit SAS MA und MR mit zufälligen Effekten Meta-Analyse PROC MIXED: Prozeduraufruf und Definition des Input- Datensatzes METHOD: Methode zur Schätzung CLASS: Klassifizierung nach Studienname MODEL: spezifiziert das Modell (Breitengrad als Kovariable) Meta-Regression RANDOM int / SUBJECT: spezifiziert Studien als zufälligen Effekt REPEATED/GROUP: Jede Studie hat ihre eigene Varianz PARMS/EQCONS: Wertebereich für die Varianz zwischen den Studien, Varianzen innerhalb der 13 Studien. Schätzung der Varianz zwischen den Studien, Varianz innerhalb der Studien wird konstant gehalten
13 Behandlungseffekt (Schätzer) Behandlungseffekt (Schätzer) Anwendung mit SAS Output Interpretation für zufällige Effekte Meta-Analyse y = b Heterogenität zwischen den Studien Behandlungseffekt (Schätzer) Kovariable Meta-Regression y = b + m x Kovariable y = ( ) x
14 Zusammenfassung Mit Hilfe einer Meta-Analyse oder Meta-Regression lassen sich Studienergebnisse aus mehreren Studien zu einem Gesamtergebnis kombinieren In eine Meta-Regression lassen sich Kovariablen (z.b. Alter, Geschlecht) einbeziehen, die einen Effekt auf den Behandlungseffekt haben Erklärt Heterogenität zwischen den Studien In SAS lassen sich Meta-Analyse und Meta-Regression mittels der Prozedur MIXED umsetzen
15 Literatur Borenstein, Michael, Larry V. Hedges, Julian P.T. Higgins, and Hannah R. Rothstein (2009). Introduction Meta-Analysis. 1 st ed. Wiley. Cochran, William G. (1954). The Combination of Estimates from Different Experiments. In Biometrics 10.1, pp DerSimonian, Rebecca and Nan Laird (1986). Meta-analysis in clinical trials. In Controlled Clinical Trials 7.3, pp Thompson, Simon G. and J. P. Higgins (2002). How should meta-regression analyses be undertaken and interpreted. In Statistics in Medicine 21.11, pp Van Houwelingen H, Arends LR, Stijnen T. Tutorial in Biostatistics. Advanced methods in meta-analysis: multivariate approach and meta-regression. Statistics in Medicine 2002; 21:
16 Vielen Schlusssatz Dank für die Aufmerksamkeit! Meta-Regression Hintergrund und Anwendung in SAS Meike Hastert Otto-Volger-Straße 3c, D Sulzbach Mareike Herrmann Otto-Volger-Straße 3c, D Sulzbach HMS Analytical Software GmbH Rohrbacher Str Heidelberg HMS auf XING: HMS Analytical Software GmbH 2015
Meta-Regression Hintergrund und Anwendung in SAS
Meta-Regression Hintergrund und Anwendung in SAS Statistik Meike Hastert HMS Analytical Software GmbH Otto-Volger-Straße 3c 65843-Sulzbach Meike.Hastert@Analytical-Software.de Mareike Herrmann HMS Analytical
MehrEin exakter Test für die Meta-Analyse von Studien mit binären Endpunkten. Oliver Kuß, Cora Gromann
Ein exakter Test für die Meta-Analyse von Studien mit binären Endpunkten Oliver Kuß, Cora Gromann Institut für Medizinische Epidemiologie, Biometrie und Informatik, Universität Halle-Wittenberg, Halle
MehrZweistufige Schätzung in der Meta-Analyse
Statistik Zweistufige Schätzung in der Meta-Analyse Annette Böckenhoff, Joachim Hartung Universität Dortmund Fachbereich Statistik 44221 Dortmund boecken@statistik.uni-dortmund.de hartung@statistik.uni-dortmund.de
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
MehrDossier zur Nutzenbewertung Modul 4 A Stand:
Tabelle 4-226: Ergebnisse des ITC für FF/UMEC/VI vs. BDP/FF/GB; nabbruch wegen unerwünschter Ereignisse ITT-Population (Beobachtungszeitraum 24 Wochen in der CTT116853 (FULFIL) und 52 Wochen in CTT116855
MehrLogistische Regression in SAS
Logistische Regression in SAS Oliver Kuß Medizinische Universitätsklinik, Abt. Klinische Sozialmedizin, Bergheimer Str. 58, 69115 Heidelberg, email: okuss@med.uni-heidelberg.de 3. Konferenz für SAS -Anwender
MehrSystematische Reviews und Meta-Analysen
Systematische Reviews und Meta-Analysen Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Medizinische Universität Graz Szenario Sollen wir Julians Mittelohrentzündung
MehrMeta-Analyse seltener Medikamenten- Nebenwirkungen aus heterogenen klinischen Studien. Ekkehard Glimm, Novartis Pharma IQWIG im Dialog, 17 Juni 2011
Meta-Analyse seltener Medikamenten- Nebenwirkungen aus heterogenen klinischen Studien Ekkehard Glimm, Novartis Pharma IQWIG im Dialog, 17 Juni 2011 Einführung Zunehmende Bedeutung von Meta-Analysen für
MehrStatistische Matching-Verfahren
Statistische Matching-Verfahren Erste Statistik-Tage 2012 Bamberg Fürth 26./27. Juli 2012 in Bamberg Prof. Dr. Susanne Rässler Lehrstuhl für Statistik und Ökonometrie in den Sozial- und Wirtschaftswissenschaften
MehrVergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten
Vergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten Claudia-Martina Messow Robertson Centre for Biostatistics, University of Glasgow Situation Methoden
MehrMixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
MehrAnalyse von Auswertungsserien mit mehrjährigen Fruchtarten
Analyse von Auswertungsserien mit mehrjährigen Fruchtarten Thomas Eckl-AVB VB-1 Ausgangslage Einjährig genutzte Fruchtarten Verfahren zur Serienauswertung (Hohenheim-Gülzower Methode) ausgelegt für einjährig
MehrOliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen**
Effektschätzung in Cluster-Randomized Trials mit binärer Zielgröße: Eine Sensitivitätsanalyse mit numerischer Integration, MCMC und NPMLE am Beispiel der DHP Oliver Kuß*; Dorothee Twardella**; Maria Blettner***;
MehrKomplexe Analyse von Wahldaten am Beispiel der Wahlen in Deutschland zwischen 1924 und 1933
Komplexe Analyse von Wahldaten am Beispiel der Wahlen in Deutschland zwischen 1924 und 1933 André Klima1, Helmut Küchenhoff1, Paul W. Thurner2 1 Statistisches Beratungslabor, Institut für Statistik 2 Geschwister-Scholl-Institut
MehrMeta-analysis. Hans-Peter Helfrich. 16. Juni Universität Bonn. H.-P. Helfrich (Universität Bonn) Meta-analysis 16.
Meta-analysis Hans-Peter Helfrich Universität Bonn 16. Juni 2016 H.-P. Helfrich (Universität Bonn) Meta-analysis 16. Juni 2016 1 / 20 Overview 1 Einführung 2 Statistische Grundlagen 3 Einfaches Modell
MehrAnalysepower für Excel
Analysepower für Excel Thementisch 14:00 14:45 Uhr Friedrich Schuster Ulrike Hardt Integration von Revolution R Enterprise in Microsoft Excel, Erstellen von Excel-Dateien in R Analysepower für Excel Was
MehrEin SAS -Makro zur Schätzung des Stereotype Regressionsmodells
Ein SAS -Makro zur Schätzung des Stereotye Regressionsmodells Oliver Kuß Abt. Klinische Sozialmedizin, Universitätsklinikum Heidelberg, Bergheimer Str. 58, 69115 Heidelberg Oliver_Kuss@med.uni-heidelberg.de
MehrBiometrische Verfahrensweise mit Heterogenität im IQWiG aktueller Stand und Ausblick
IQWiG im Dialog 17.06.2011, Köln Biometrische Verfahrensweise mit Heterogenität im IQWiG aktueller Stand und Ausblick Guido Skipka Agenda Identifizierung und Quantifizierung von Heterogenität Identifizierung
MehrBerechnung des LOG-RANK-Tests bei Überlebenskurven
Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven
MehrAfter Work Statistics
After Work Statistics Ulrike Grittner Annette Aigner Institute of Biometry and Clinical Epidemiology ulrike.grittner@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
MehrLogistische Regression mit Messwiederholungen: Anwendung von PROC GENMOD in SAS
Logistische Regression mit Messwiederholungen: Anwendung von PROC GENMOD in SAS Birgit Hay Silvia Sander Schwabstraße 13 Schwabstraße 13 89070 Ulm 89070 Ulm Birgit.Hay@uni-ulm.de Silvia.Sander@uni-ulm.de
MehrAfter Work Statistics
After Work Statistics Maja Krajewska Institute of Biometry and Clinical Epidemiology maja.krajewska@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie und klinische Epidemiologie
MehrFehlende Werte und Multiple Imputation
Fehlende Werte und Multiple Imputation Oliver Kuß Deutsches Diabetes-Zentrum (DDZ), Leibniz-Zentrum für Diabetes-Forschung an der Heinrich-Heine- Universität Düsseldorf, Institut für Biometrie und Epidemiologie
MehrPrüfung im Fach Mikroökonometrie im Wintersemester 2012/13 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Wintersemester 2012/13 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrDie Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen Andreas Hartinger Kurzpräsentation im Rahmen des Doktorandenkolloquiums Regensburg, 15. Februar 2016 Agenda 1. Wo liegt
MehrRegressionsmodelle für diskrete Zielgrößen und korrelierte Beobachtungen. Oliver Kuß*; Uwe Hasenbein**;
Regressionsmodelle für diskrete Zielgrößen und korrelierte Beobachtungen Oliver Kuß*; Uwe Hasenbein**; *Institut für Medizinsche Epidemiologie, Biometrie und Informatik, Martin-Luther-Universität Halle-Wittenberg,
MehrPlanung von Humanstudien Fallzahlberechnung
Planung von Humanstudien Fallzahlberechnung Hans-Peter Helfrich Universität Bonn 5. November 2015 H.-P. Helfrich (Universität Bonn) Planung von Humanstudien 5. November 2015 1 / 15 Einführung 1 Einführung
MehrAnwendung logistischer und linearer Regressionsmodelle zur Berechnung von adjustierten NNEs und Risikodifferenzen
Workshop der AG Statistische Methoden in der Medizin Magdeburg, 22.11.2007 Anwendung logistischer und linearer Regressionsmodelle zur Berechnung von adjustierten NNEs und Risikodifferenzen Ulrich Gehrmann
MehrStatistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße
Angewandte Statistik und Informatik in den Biowissenschaften Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße Jörg Schmidtke, Kerstin Schmidt Schnickmannstraße
MehrLogistische Regression
Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie 29.04.206 Universität Hamburg Dirk Enzmann (Hamburg) Logistische Regression UHH, 29.04.206 /
MehrSmall Area Estimation auf Grundlage der Zensusergebnisse!?!
Motivation Related Literature Method auf Grundlage der Zensusergebnisse!?! Fru hjahrstagung Verband Deutscher Sta dtestatistiker Passau, 27.03.2012 Conclusion Warum? Standard: Schätzungen aufgrund einer
MehrABCD Konfidenzintervalle und Tests für ordinale Daten in Multi-Centre-Studien bei vorliegenden Baselinewerten
Konfidenzintervalle und Tests für ordinale Daten in Multi-Centre-Studien bei vorliegenden Baselinewerten Alexander Siemer Boehringer Ingelheim Pharma KG Statistische Methoden in der Diagnostik Berlin,.-..00
MehrSASUnit in der Praxis: Aufbau eines Sicherheitsnetzes für angstfreie Änderungen an SAS Programmen
SASUnit in der Praxis: Aufbau eines Sicherheitsnetzes für angstfreie Änderungen an SAS Programmen KSFE 2016 in Greifswald 03.03.2016 Johannes Lang HMS Analytical Software 1 HMS Analytical Software GmbH
MehrDer Umgang mit fehlenden Werten in epidemiologischen und Versorgungssforschungsstudien
Der Umgang mit fehlenden Werten in epidemiologischen und Versorgungssforschungsstudien Oliver Kuß Institut für Medizinische Epidemiologie, Biometrie und Informatik, Medizinische Fakultät, Martin-Luther-Universität
MehrDer Blick in die Kristallkugel
Der Blick in die Kristallkugel Prädiktive Modellierung: Übersicht, Möglichkeiten und Grenzen Kai Brodmann Teamleiter, Senior Software- Ingenieur Der Blick in die Kristallkugel Motivation 2 Agenda Was erwartet
MehrMultivariate Lineare Modelle SS Einführung. 1. Organisation. 2. Übersicht. 3. Arbeiten mit SAS
Multivariate Lineare Modelle SS 2009 0 Einführung 1. Organisation 2. Übersicht 3. Arbeiten mit SAS 1 0.1 Organisation Lehrziele: Theorie von multivariaten linearen Modellen Praktische Anwendung mit SAS
MehrHeterogenität in Meta-Analysen kein Vergleich von Äpfeln und Birnen erlaubt
224 BIOMETRIE-SPLITTER / BIOMETRY BITS Stephanie Knippschild 1, Christine Baulig 1, Frank Krummenauer 1 Heterogenität in Meta-Analysen kein Vergleich von Äpfeln und Birnen erlaubt Meta-Analysen fassen
MehrDatenabhängiges, modellbasiertes Gruppieren von binären longitudinalen Verläufen am Beispiel der Neurodermitis
Datenabhängiges, modellbasiertes Gruppieren von binären longitudinalen Verläufen am Beispiel der Neurodermitis Oliver Kuß*; Cora Gromann*; Thomas L. Diepgen**; *Institut für Medizinische Epidemiologie,
MehrAuswertung und Fallzahlberechnung in Dosis-Findungs-Studien mit aktiver Kontrolle mit SAS/STAT und SAS/IML
Statistik I Auswertung und Fallzahlberechnung in Dosis-Findungs-Studien mit aktiver Kontrolle mit SAS/STAT und SAS/IML Hans-Joachim Helms Norbert Benda Abteilung Medizinische Statistik Bundesinstitut für
MehrTandem 6. Versuchsansteller: M. Fleck. K. Emrich, E. Thomas, H.-P. Piepho
Tandem 6 Ein Feldversuch zur Optimierung von Qualität und Ertrag von Möhren unter besonderer Berücksichtigung biologisch-dynamischer Feldspritzpräparate Versuchsansteller: M. Fleck Biometriker: K. Emrich,
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrReferat 6 Referat 7 Referat 8 Referat 9 Exkurs: Moderatoren Referat 10. Metaanalyse mit R. Seminar Forschungsevaluation, Universität Wuppertal
Metaanalyse mit R Seminar Forschungsevaluation, Universität Wuppertal Stephan Holtmeier kibit GmbH, stephan@holtmeier.de 12. + 13. Juli 2013 1 / 25 Vorbemerkung Readme! Dieser Foliensatz ist keine Einführung
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrInterdisziplinäres Seminar. Multivariate Statistik bei psychologischen Fragestellungen. Markus Bühner und Helmut Küchenhoff WS 2008/09
Interdisziplinäres Seminar Multivariate Statistik bei psychologischen Fragestellungen Markus Bühner und Helmut Küchenhoff WS 2008/09, Homepage: http://www.stat.uni-muenchen.de/~helmut/seminar_0809.html
MehrStatistische Modellierung Merkblatt
Inhaltsverzeichnis Statistische Modellierung Merkblatt Welches Modell nimmt man wann?... 1 Logit:... 2 Probit:... 2 Poisson:...2 Loglinear:... 2 multinomiales Logit:... 2 Ordinales Logit (PROC LOGISTIC
MehrProbleme mit MIXED bei vorgegebener Kovarianzmatrix der Zufallseffekte
Probleme mit MIXED bei vorgegebener Kovarianzmatrix der Zufallseffekte Probleme mit MIXED bei vorgegebener Kovarianzmatrix der Zufallseffekte Volker Guiard Forschungsinstitut für die Biologie landwirtschaftlicher
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrWas können uns Zeitreihen von Baumzuwächsen über eine sich ändernde Umwelt erzählen?
S. 1 Trendanalyse mit gemischten linearen Modellen: SAS-Lösungen und Anwendung in der Ökologie Thomas Riemer, Systematika GmbH Heidelberg Hanns Hubert Leuschner, Universität Göttingen Was können uns Zeitreihen
MehrArbeitslosigkeit, berufliche Qualifikation und Gesundheit
Arbeitslosigkeit, berufliche Qualifikation und Gesundheit Eine Analyse auf Basis von Daten der Studie "Gesundheit in Deutschland aktuell" (GEDA) aus den Jahren 2010 und 2012 01.06.2017 Julia Dobrindt -
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrEmpirische Wirtschaftsforschung
Thomas K. Bauer Michael Fertig Christoph M. Schmidt Empirische Wirtschaftsforschung Eine Einführung ß 361738 4y Springer Inhaltsverzeichnis 1 Wichtige Konzepte der Statistik - Eine Einführung 1 1.1 Die
MehrAdaptive Designs für Phase-II-Studien in der Onkologie. Stefan Englert, Meinhard Kieser Institut für Medizinische Biometrie und Informatik.
Adaptive Designs für Phase-II-Studien in der Onkologie Stefan Englert, Meinhard Kieser Institut für Medizinische Biometrie und Informatik Überblick I. Besonderheiten statistischer Designs in der Onkologie
MehrDer Weg zum Ernährungskonzept
Klinik für Endokrinologie, Diabetologie und Klinische Ernährung Ernährungssymposium, 13.12.2018, Zürich Der Weg zum Ernährungskonzept Blick hinter die Kulisse Marina Martin, Linda Grässli, Fabienne Bischof,
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrLogistische Regression
Logistische Regression Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Logistische Regression Beispiel 1: Herzerkrankungsdaten aus Framingham Log Odds Modell Beispiel 1: Einfluss von Blutdruck Maximum
MehrMultiple Lineare Regression. Statistik (Biol./Pharm./HST) Herbst 2013
Multiple Lineare Regression Statistik (Biol./Pharm./HST) Herbst 2013 Wdh: Einfache lineare Regression Modell: Y i = β 0 + β 1 x i + ε i, ε i ~N 0, σ 2 i. i. d Finde β 0, β 1 : Methode der kleinsten Quadrate
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
MehrAfter Work Statistics
After Work Statistics Robert Röhle Institute of Biometry and Clinical Epidemiology robert.roehle@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie und klinische Epidemiologie
MehrBerechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien
Berechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien Mandy Hildebrandt 1,2, Ralf Bender 1 und Maria Blettner 2 1 Institut für Qualität und Wirtschaftlichkeit im
MehrEntwicklung des Auswertungsmodells
Workshop On-Farm-Experimente 23./24.11.2011 Kassel Entwicklung des Auswertungsmodells Joachim Spilke Martin-Luther-Universität Halle-Wittenberg, Institut für Agrar- und Ernährungswissenschaften Arbeitsgruppe
MehrOrdinale abhängige Variablen. Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick
Kap. 6: Ordinale abhängige Variablen Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick 6.1 Einführung Typische ökonomische Beispiele für ordinale abhängige Variablen: Bildungsniveau
Mehr1 Univariate Statistiken
1 Univariate Statistiken Im ersten Kapitel berechnen wir zunächst Kenngrößen einer einzelnen Stichprobe bzw. so genannte empirische Kenngrößen, wie beispielsweise den Mittelwert. Diese können, unter gewissen
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
MehrAnalyse von Querschnittsdaten. Spezifikation der Regressionsfunktion
Analse von Querschnittsdaten Spezifikation der Regressionsfunktion Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 9..5 6..5..5 9..5 6..5..5..5
MehrStatistische Methoden der Lebensverlaufsforschung. Prof. Dr. Johannes Giesecke Humboldt-Universität zu Berlin Institut für Sozialwissenschaften
Statistische Methoden der Lebensverlaufsforschung Prof. Dr. Johannes Giesecke Humboldt-Universität zu Berlin Institut für Sozialwissenschaften Lebensverlauf Deutschland, ca 1870 Johannes Giesecke Statistische
MehrSelbstständigkeit von Migranten in Deutschland: Die Effekte sozialer Einbettung
Selbstständigkeit von Migranten in Deutschland: Die Effekte sozialer Einbettung Reinhard Schunck Michael Windzio Universität Bremen Bremen International Graduate School of Social Sciences (BIGSSS) 6. Nutzerkonferenz
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrHierarchische lineare Modelle: Mehrebenenmodelle
Hierarchische lineare Modelle: Mehrebenenmodelle Eine erste Einführung in grundsätzliche Überlegungen und Vorgehensweisen Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr.
MehrSAS Standardprozeduren zur nichtparametrischen Datenanalyse
SAS Standardprozeduren zur nichtparametrischen Datenanalyse Edgar Brunner Abt. Medizinische Statistik, Universität Göttingen, Humboldt Allee 32, D-37073 Göttingen 1 Übersicht 1 Unverbundene Stichproben
MehrSchadensermittlung und Schadensersatz bei Hardcore-Kartellen
Kai Hüschelrath/Nina Leheyda/Kathrin Müller/ Tobias Veith (Hrsg.) Schadensermittlung und Schadensersatz bei Hardcore-Kartellen Ökonomische Methoden und rechtlicher Rahmen Nomos Inhaltsverzeichnis 1 Volkswirtschaftliche
MehrAufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
MehrLeast Absolute Shrinkage And Seletion Operator (LASSO)
Least Absolute Shrinkage And Seletion Operator (LASSO) Peter von Rohr 20 März 2017 Lineare Modell und Least Squares Als Ausgangspunkt haben wir das Lineare Modell und Least Squares y = Xβ + ɛ (1) ˆβ =
Mehrebm info.at ärzteinformationszentrum
ebm info.at ärzteinformationszentrum EbM Ärzteinformationszentrum www.ebm info.at Department für Evidenzbasierte Medizin und Klinische Epidemiologie Donau-Universität Krems Antwortdokument zur Anfrage
MehrSchätzung kumulativer Wahrscheinlichkeiten geordneter kategorialer Daten bei festgelegter Kategorienanzahl und unterschiedlich leeren Klassen
Mathematische Statistik Schätzung kumulativer Wahrscheinlichkeiten geordneter kategorialer Daten bei festgelegter Kategorienanzahl und unterschiedlich leeren Klassen Karen Höltl Katrin Thamm Martin-Luther-Universität
MehrThe Economics of Higher Education in Germany
Michael Maihaus The Economics of Higher Education in Germany Salary Expectations, Signaling, and Social Mobility Tectum Verlag Dr. rer. pol. Michael Maihaus, born in Steinfurt/Germany in 1983, studied
MehrEinführung in die formale Demographie Übung
Einführung in die formale Demographie Übung Roland Rau mailto:roland.rau@uni-rostock.de 27. Oktober 2014 Inhaltsverzeichnis 1 Eigene Funktionen schreiben 2 2 Regression in R 3 3 Aufgaben 8 3.1 Schreiben
MehrMultiple Lineare Regression. Statistik (Biol./Pharm.) Herbst 2012
Multiple Lineare Regression Statistik (Biol./Pharm.) Herbst 2012 Wdh: Einfache lineare Regression Modell: Y i = β 0 + β 1 x i + ε i, ε i ~N 0, σ 2 i. i. d Finde β 0, β 1 : Methode der kleinsten Quadrate
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrGlossar. Cause of Effects Behandelt die Ursache von Auswirkungen. Debriefing Vorgang der Nachbesprechung der experimentellen Untersuchung.
Abhängige Variable Die zu untersuchende Variable, die von den unabhängigen Variablen in ihrer Ausprägung verändert und beeinflusst wird (siehe auch unabhängige Variable). Between-Subjects-Design Wenn die
MehrMultilevel Models for Change: Praktischer Umgang mit zeitlich nicht-äquidistanten Messungen
Multilevel Models for Change: Praktischer Umgang mit zeitlich nicht-äquidistanten Messungen Referat von Anna Zimmermann und Maria Engel Seminar Multilevel Models for Longitudinal Data (U. Altmann) 21.01.2010
MehrZahl der Kreditpunkte, die Sie erwerben möchten: 3 CP 4 CP 6 CP
Klausur in Mikroökonometrie am 26.07.2006 Hinweise: (1) Teil 1 (90 Punkte) muss von allen gelöst werden, Teil 2 (30 Punkte) nur von denjenigen, die 4 oder 6 CP erwerben wollen. (2) Die Punktverteilung
MehrWahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
MehrQuantitative Methoden der Agrarmarktanalyse und des Agribusiness
Quantitative Methoden der Agrarmarktanalyse und des Agribusiness Teil Quantitative Methoden der Agrarmarktanalyse Vorlesung: Montag und Mittwoch 8:30-10:00 Dr. Bernhard Brümmer Tel.: 0431-880-4449, Fax:
MehrBestimmung von allgemeiner und spezifischer Kombinationseignung in diallelen Kreuzungen bei Erdbeeren
Bestimmung von allgemeiner und spezifischer Kombinationseignung in diallelen Kreuzungen bei Erdbeeren Jens Möhring, Markus Bestfleisch Dummerstorf, 8.06.01 1 Übersicht Problemstellung Zielvariablen Modell
MehrNichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke
Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten Frank Konietschke Abteilung für Medizinische Statistik Universität Göttingen 1 Übersicht Beispiele CGI (repeated measures) γ-gt
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
MehrZur Statistik im neuen Genehmigungsantrag
Zur Statistik im neuen Genehmigungsantrag 21. Essener Informationstreffen, 12. März 2014 PD Dr. Nicole Heussen nheussen@ukaachen.de Institut für Medizinische Statistik RWTH Aachen Zur Statistik im neuen
Mehr1 Prognoseverfahren F H
1 Prognoseverfahren 1.1 Zielsetzung 1.2 Bedarfsverlauf von Verbrauchsfaktoren 1.3 Prognose bei regelmäßigen Bedarf 1.4 Prognosemodelle in Standard-ERP-Software 1.5 Ausblick Herrmann, Frank: Operative Planung
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrDisziplin: Alle Disziplinen. Title Metaanalyse. Lecturer Martin Eisend (Europa-Universität Viadrina)
Disziplin: Alle Disziplinen Title Metaanalyse Lecturer Martin Eisend (Europa-Universität Viadrina) Outline.1 Key Issues Der Kurs wendet sich an Nachwuchswissenschaftler und Nachwuchswissenschaftlerinnen,
MehrEvidenztabelle: Innenraum Schimmel und Feuchtigkeit Risikofaktor
Evidenztabelle: Innenraum Schimmel und Feuchtigkeit Risikofaktor Referenz Studientyp Teilnehmer Intervention Kontrolle Zielgröße(n) Hauptergebnis Bemerkung Tischer et al. 2011 (+-) MA von KS, 2a 31.742
MehrAnalyse der pflanzenbaulichen Wirkung des Yara N Sensors unter Praxisbedingungen ein Anwendungsbeispiel
Analyse der pflanzenbaulichen Wirkung des Yara N Sensors unter Praxisbedingungen ein Anwendungsbeispiel H. G. Schön Fachhochschule Osnabrück Fakultät Agrarwissenschaften und Landschaftsarchitektur Versuchsfragen:
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
MehrTreatment-Evaluationsproblematik
Treatment-Evaluationsproblematik Seminarvortrag Seminar: Statistische Herausforderungen im Umgang mit fehlenden bzw. fehlerbehafteten Daten 23.01.2015 Betreuer: Prof. Dr. Thomas Augustin Institut für Statistik
Mehr