4 Bias

Question 1

Zufälliger Fehler (Entstehung und Verhalten)

Answer 1

• entsteht durch zufällige Stichprobe oder Gruppeneinteilung
• größere Stichprobe > wird kleiner (siehe Standardfehler & KI Interval)

Question 2

Systematischer Fehler (= Bias)

(Formel, Über-/Unterschätzung, Gesamtfehler, Zielscheibe, praktisches Problem, wann ist Bias groß (5), je 1 Verringerungsmethode für zufälligen und systematischen Fehler)

Answer 2

Bias = E(theta Hut) - theta
(= Erwartungswert von Durchschnittsschätzung - wahrer Parameter in Zielpopulation)

Bias > 0 Überschätzung
Bias < 0 Unterschätzung

Gesamtfehler = Bias + zufälliger Fehler (MSE = Bias^2 + Varianz)

Zielscheibenanalogie mit 4 Varianten

praktisches Problem: Bias unbekannt und kaum untersuchbar

Bias groß wenn: Stichprobe nicht repräsentativ, keine Randomisierung, schlecht gemessen, Vorzeitigkeit unklar, aber geringer bei Assoziation (wo Randomisierung egal!)

MSE verringern:
1. zufälliger Fehler: größere Stichprobe
2. system. Fehler: Studiendesign

Question 3

3 Bias Ursachen (& für welche Art des Zusammenhangs)

Answer 3

confounding (spezifisch für kausale Schlüsse)

&
Selektion
Messfehler
(beide auch bei Assoz.)

Question 4

Confounding variables

(Def x2, Bsp, Methode bei vielen Z)

Answer 4

gemeinsame Ursachen von X & Y (wenn danach adjustiert der Effekt von X auf Y verringert ist)

gibt keine korrekte Definition zur empirischen Anwendung

meist gemeinsame vorausgehende Faktoren, z.B. Kindheitstrauma -> Depr. & soz. Phobie (Z* = alpha1 * alpha2)
» nur vorausgehende Faktoren betrachten und danach adjustieren

bei vielen Z-Variablen: directed acyclic graphs (DAGs), non-parametische Methode, macht Annahmen darüber, wie Z Variablen untereinander und auf X und Y wirken -> bestimmt Auswahl an zu berücksichtigen Z Variablen

Question 5

Statistische Modelle, um confounder zu berücksichtigen (2: 4 + 1)

Answer 5

between:
- Regressionsmethoden (am gröbsten)
- Propensity-Score-Verfahren (macht X von Z unanhängig durch Adjustieren)
- Statistisches Matching (basierend auf Prop.-Score-V.)
- Doubly robust estimation (versucht ersten beiden, 2x Chance auf richtiges Modell)

within:
innerhalb der Individuen über Zeit -> mehrere Messungen durchführen: Y(t1) - Y(t0) -> eliminiert Einfluss von confounding variable

Question 6

Selektion (4 Ursachen + 2 Bsp, Rand)

Answer 6

Ursachen: Quell =/ Zielpopulation, praktische Restriktion, Nichtteilnahme/Dropouts, fehlende Werte

Bsp: Prävalenz von Agoraphobie ohne Panikstörung -> Stichprobe aus Klinik, Probanden kommen aber erst durch/mit Panikstörung in die Klinik (vorher anders diagnostiziert o.ä.)

Bsp: Raucherentwöhnung mit KVT; Selektionsbias durch Aufhörbereitschaft

> > Randomisierung stellt nur sicher, dass beide Gruppen aus gleicher Population!

Question 7

Messfehler

(Def, 11 Einflüsse)

Answer 7

Messung stimmt nicht mit zu messendem Phänomen überein (gemessen wird ohnehin nur Projektion der Realität)

beeinflusst durch: Instrument, Person, Wahrnehmung, Kognition, Erinnerung, Interaktion, soziale Erwünschtheit (Bsp. Penisgröße), Tageseinfluss, Angabebereitschaft, Untersuchungsdauer, Trauma etc.

Question 8

Sensitivität & Spezifität

Answer 8

Sensitivität: erkennt Fälle als Fälle
Spezifität: erkennt nicht-Fälle als nicht-Fälle

Question 9

Messfehler bei intervallskaliertem Y (Formel + 2 Typen)

Answer 9

Y* = Y + Messfehler

> nichtdifferentielle Messfehler: von X unabhängig, in beiden Gruppen gleich groß -> Y Differenz unverändert

> differentielle Messfehler: in einem X größer, dadurch Über-/Unterschätzung

Question 10

Messfehler bei intervallskaliertem X (2 Typen + Bsp)

Answer 10

> unabhängig von X: kein Bias, gleicher Anstieg der Regressionsgeraden

> abhängig von X: veränderter Anstieg -> Bias!

Bsp. Test schlechter bei Älteren

Question 11

Messfehler bei kategorialen Variablen

(S+S, 2 Typen, which S worse)

Answer 11

“Fehlklassifikation”

Richtung/Größe von Bias bestimmt durch Sensitivität und Spezifität

> nichtdifferentielle Fehlklassifikation: Messfehler nur in X, S+S von Y unabhängig -> Unterschätzung

> differentielle Fehlklassifikation: S+S von Y abhängig
Bsp. Depression bei Kindern wird bei selbst betroffenen Eltern überschätzt, da diese sensitiviert fürs Thema sind -> Überschätzung

> > niedrige Spezifität führt zu stärkerer Unterschätzung als niedrige Sensitivität (falls (P(X=1 < 0.5))

Question 12

Auftretreihenfolge von Bias

(Reihenfolge, Gründe, Interaktion)

Answer 12

wahrer Effekt > confounding > Selektion > Messfehler > beobachteter Effekt

> confounding: produziert Zusammenhänge, die man beobachten könnte (Bsp. gemeinsame Ursachen)
Selektion: entscheidet über Individuen, bei denen Zusammenhänge beobachtet werden
Messfehler: produziert Zusammenhänge, die man tatsächlich beobachtet

> > 3 Arten von Bias interagieren häufig! Bsp. anderer Bias durch Messfehler, falls Selektion in Klinik, wo anders diagnostisch erfasst

Question 13

Umgang mit Bias (falls nicht im Design verhindert - beste Option!) (5)

Answer 13

1. ignorieren
2. diskutieren
3. einfache statistische Ansätze
   a) confounding: adjustieren
   b) Selektion: Daten gewichten
   c) Messfehler: keine einfachen Ansätze
4. Sensitivitätsanalysen durchführen
5. Monte-Carlo-, Bayesianische Sensitivitätsanalysen

Question 14

Analytical Bias (Def, 4 Ursachen)

Answer 14

weitere Bias-Art

Daten falsch ausgewertet -> irreführende Ergebnisse

Ursachen:
> Analyse-Voraussetzungen nicht erfüllt
> Zusammenhangsstruktur nicht beachtet
> Modell für Frage ungeeignet
> zu kleine Stichprobe für Modell (zu viele X)

Question 15

Heuristik: Bradford-Hill-Betrachtungen (Def + 8)

Answer 15

qualitative Annäherungen, sind Kontext-abhängig

Ist Assoziation eher kausal wenn…
> stark ausgeprägt?
> konsistent?
> spezifisch?
> Dosis-Wirkungs-Beziehung?
> plausibel?
> von Theorien unterstützt?
> auf RCT beruhend?
> bereits in analogen Situationen gezeigt?