Lastig Week 3 Flashcards Preview

ARM - Hertentamen - Lastig > Lastig Week 3 > Flashcards

Flashcards in Lastig Week 3 Deck (16)
Loading flashcards...
1

Wat kan je zeggen over de coëfficiënten van een logistische regressie?

We hebben coëfficiënten in een logistische regressie, maar ze betekenen niet de probability.

2

Wat is het verschil tussen risk difference en risk ratio/relative risk?

RD: verschil tussen proporties / probabilities

RR: ratio van proportions / probabilities

3

Wat kan je zeggen over de coëfficiënten in een regression equation bij een logistische regressie? (positief vs negatief)

Positief coëfficiënt (β): hogere X betekent een hogere probability p

Negatief coëfficiënt (β): hogere X betekent een lagere probability p

4

Hoe interpreteer je een odds ratio?

Stel:
-Aantal mannen groter dan 1.80m 50%
-Aantal vrouwen groter dan 1.80m 20%

RD = 30% point RRMvsF = 2.5
ORMvsF = 4

Odds voor mannen om groter te zijn dan 1.80m zijn 4 keer de odds voor vrouwen.

5

Wat kan je zeggen over de odds ratios?

Zijn ze informatief?

Niet erg informatief.
Overestimate van de relative risk

6

Hoe krijg je wat je wil na een RCT?
Wat kan je uitrekenen aan de hand van uitkomst?

RR / RD berekenen aan de hand van geobserveerde proporties

7

Waarom blokkeren we paden?

We willen exchangeability bereiken:
-Verwijderen van uncausal elementen van de associatie.

8

Wat is de table 2 fallacy?

Het interpreteren van alle coëfficiënten uit een regressiemodel als ‘unbiased’ en als een schatting van het totale effect.

9

Waarom heet het de table 2 fallacy?

In table 2 worden vaak de resultaten van een analyse gepresenteerd

(Tabel 1 wordt gebruikt voor een beschrijving van de data.)

10

Wat zeggen open paden?

Die geven een associatie door.
Deze associaties kunnen worden uitgedrukt als regressie coëfficiënten

11

Als we het directe effect van HIV op stroke willen weten; is het een probleem dat we voor U niet kunnen adjusten (het is een unmeasured confounder)?

Nee, we blokken het pad door te adjusten voor smoking Als we geïnteresseerd zijn in het effect van roken Roken was een partial effect op stroke, maar het is niet meer unbiased omdat er een extra backdoorpath is door U. Nu noemen we het een ‘biased estimate of a partial effect’.

12

Welke risico’s heb jij een observational studie als je geen gebruik maakt van randomization?

-Confounding bias
-Selection bias
-Lack of consistency (exposure may not be consistent)
-Statistical errors
-Table 2 fallacy
-Chance findings

Dus: Dit is allemaal EVIDENCE… geen PROOF!

13

Welke risico’s heb je bij een RCT?

-Statistical errors
-Table 2 fallacy
-Chance findings
-Generalisability (je kan het niet generaliseren => vertelt je niks over dezelfde exposure in een andere context)

14

Waar kun je het beste naar kijken met de resultaten van een onderzoek?

Kijken naar de ‘estimates’, niet naar de test (hoe groot is het verschil, niet: is er een effect); kijk naar de coëfficiënten.

Confidence interval is ook niet perfect, maar wel beter dan het gebruik van P-values.

15

Wanneer is een estimate unbiased?

Als alle relevante causal paths open zijn
EN
alle backdoor paths gesloten zijn

16

Wat is het verschil tussen causation and assocation?

Causation: THEORETICAL CONCEPT
Wat zou zijn gebeurd als iedereen behandeld werd / wat zou zijn gebeurd als niemand behandeld werd?

Association: OBSERVED RELATIONSHIP
Wat is er gebeurd met mensen die behandeld zijn / wat is er gebeurd met mensen die niet behandeld zijn?