Week 2 - Significance & Mediation Flashcards
Op welke manieren kan je adjusten?
Door middel van:
- Stratificatie
- Regressie
Wat houdt stratificatie in?
Onderzoekspopulatie in één of meerdere subcategorieën verdelen volgens bepaalde criteria (bv leeftijd, geslacht, sociale status etc.)
Wat zijn de voor- en nadelen van stratificatie?
- *Voordelen**:
- Makkelijk, te interpreteren
- *Nadelen**:
- Kan het alleen in bepaalde situaties doen (beperkt aantal confounders)
Wat houdt regressie in?
Wordt gebruikt voor het adjusten van verschillende confounders op hetzelfde moment. Het beschrijft mathematische relaties tussen uitkomst en een of meerdere variabelen.
Wat kan je zeggen over ‘moderation analysis’?
Een variabele kan een verschillend effect hebben op verschillende outcomes. Bijvoorbeeld lengte kan een ander effect hebben op het gewicht van mannen dan bij vrouwen. Dit kunnen we analyseren door het gebruiken van een interaction term.
Wanneer zou je ‘moderation analysis’ toepassen en wanneer niet?
Als je het effect van bepaalde subgroepen wil weten doe je dit in je regressieanalyse.
Als je het gemiddelde effect wil weten dan doe je dit er niet in.
Welke waarschuwingen geeft Wheelan over regressie analyse?
- Non-linearity
- Multicollinearity
- Extrapoleren buiten de data
- Reverse causality
- Omitted variable bias
Wat kan je zeggen over non-linearity als waarschuwing bij regressie analyse?
Gebruik geen regressie analyse wanneer er geen lineair verband is tussen de variabelen die je onderzoekt. Een relatie tussen twee variabelen kan lineair zijn, maar dit hoeft niet het geval te zijn.
Wat kan je zeggen over multicollinearity als waarschuwing bij regressie analyse?
Variabelen in je regressieanalyse die sterk aan elkaar gerelateerd zijn.
Bijvoorbeeld: het effect van cocaïne en heroïne op een test. Grote waarschijnlijkheid dat de groepen beide drugs gebruiken en niet slechts 1 drugs.
Wat kan je zeggen over extrapoleren buiten de data als waarschuwing bij regressie analyse?
Resultaten gelden alleen voor de data die je geanalyseerd hebt. De resultaten zijn alleen geldig voor de populatie die gelijk is aan de sample.
Voorbeeld: effect van lengte op gewicht.
Sample is van volwassenen.
Je kan dit niet toepassen op pasgeborenen.
Wat kan je zeggen over reverse causality als waarschuwing bij regressie analyse?
Wat als lengte niet het gewicht bepaald maar andersom? (gebruik een DAG!)
Wat kan je zeggen over omitted variable bias als waarschuwing bij regressie analyse?
Het falen in het adjusten voor alles waar je wel voor had moeten adjusten.
Bv: Golfers hebben een hogere incidentie van hartziekten, kanker en artritis. => Een analyse die leeftijd als explanatory variabele weglaat, mist het feit dat golfers gemiddeld ouder zijn dan niet-golfers. => Golfen maakt mensen niet dood, ouder worden wel.
Kan je een Ordinary Least Square alleen gebruiken als er een lineaire relatie is?
Nee ook bij een non-lineaire relatie.
Bijvoorbeeld: uitgaven zorgkosten. In plaats van age gebruik je age^2
Hoe bepaal je wat je in een regressie analyse doet?
Er is geen duidelijk antwoord.
Je start met een DAG en gebruik die variabelen in je regressieanalyse.
Wat kan je zeggen over mediation analyse?
Je kan kiezen om voor een mediator te adjusten of niet. Een mediator is een variabele die op een causaal pad zit tussen de exposure en outcome. Voorbeeld mediator:
Wat is mediator-outcome confounding?
Er is een confounder op de relatie tussen mediator en outcome. Dus een variabele die zowel je mediator als je outcome beïnvloedt.
Hoe kan je het directe effect weten bij mediator-outcome confounding?
Als je adjust voor de mediator en de variabele die zowel de mediator als de outcome beïnvloedt.
In het voorbeeld dus voor Antidepressant use (mediator)
en voor U (variabele die zowel mediator als outcome beïnvloedt)
