intTypePromotion=1

Bài giảng Thống kê y học - Bài 9: Nguyên lí kiểm định

Chia sẻ: Nguyễn Bình Minh | Ngày: | Loại File: DOC | Số trang:6

0
79
lượt xem
7
download

Bài giảng Thống kê y học - Bài 9: Nguyên lí kiểm định

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng Thống kê y học - Bài 9: Nguyên lí kiểm định cung cấp các kiến thức giúp người học có thể trình bày được sự liên hệ giữa kiểm định ý nghĩa và khoảng tin cậy, phân biệt được 2 loại sai lầm - sai lầm loại I và sai lầm loại II. Mời các bạn cùng tham khảo.

Chủ đề:
Lưu

Nội dung Text: Bài giảng Thống kê y học - Bài 9: Nguyên lí kiểm định

  1. NGUYÊN LÍ KIỂM ĐỊNH Mục tiêu: Sau khi nghiên chủ đề, học viên có khả năng: ­  Trình bày được sự liên hệ giữa kiểm định ý nghĩa và khoảng tin cậy  ­ Phân biệt được 2 loại sai lầm: sai lầm loại I và sai lầm loại II 1. Chọn lựa kiểm định phù hợp Như vậy nguyên lí của kiểm định ý nghĩa (hay kiểm định giả thuyết là như nhau). Các  kiểm định chỉ  khác nhau việc lựa chọn thống kê xuất phát từ  giả  thuyết H0. Việc lựa  chọn này phụ thuộc vào biến số của vấn đề quan tâm và thiết kế của nghiên cứu. Bảng 10. Chọn lựa kiểm định phù hợp Loại thiết kế nghiên cứu Hai nhóm  Ba (hay  Trước và  Nhiều điều  Liên hệ  điều trị gồm  nhiêù)  sau một  trị trên cùng  giữa hai  các cá nhân  nhóm điều  điều trị  các đối  biến số Thang đo của biến số khác nhau trị gồm các  (hoặc 2  tượng cá nhân  điều trị) ở  khác nhau trên cùng  các đối  tượng Ðịnh lượng (mẫu rút từ  t­test không  Phân tích  t­test bắt  Phân tích  Hồi quy  một   dân   số   có   phân  bắt cặp phương sai cặ p phương sai  tuyến tính  phối   bình   thường   và  đo lường  và tương  phương   sai   hai   nhóm  lập lại quan  đồng nhất pearson Ðịnh tính ­ Danh định χ2 bảng 2 x  χ2 bảng 3 x  test  Cochrance  Hệ số của  n n McNemar Q bảng n x m (phi, OR,  RR) Ðịnh tính ­Thứ tự Kiểm định  Kruskal­ Kiểm định  Friedman hệ số  (hay   biến   định   lượng  tổng sắp  Wallis sắp hạng  tương quan  không bình thường) hạng  có dấu  Spearman Mann­ Wilcoxon Whitney 2. Kiểm định ý nghĩa; Kiểm định giả thuyết Ý tưởng về kiểm định ý nghĩa (significance testing) được khởi xướng bởi R A Fisher.   Giả sử chúng ta muốn đánh giá xem một loại thuốc mới có cải thiện tỉ lệ sống còn  1  năm sau khi bị  nhồi máu cơ  tim hay không. Chúng ta tiến hành một nghiên cứu các  bệnh nhân đượcđiều trị với một loại thuốc mới và một nhóm tương đương được điều 
  2. trị với giả dược và phát hiện rằng tử vong trong nhóm điều trị với thuốc mới chỉ bằng   một nửa so với nhóm điều trị bằng placebo. Đây là một kết quả hứa hẹn nhưng có khi   chỉ là một kết quả do cơ may? Chúng ta hãy xem xét câu hỏi này bằng cách tính giá trị  p. Giá trị  p chính là xác suất có ít nhất sự  khác biệt 2 lần về  tỉ  lệ  tử  vong nếu như  thuốc thực sự không có tác động gì lên tỉ lệ sống còn. Fisher thấy rằng giá trị p là một chỉ số đo lường sức mạnh của chứng cớ chống lại giả  thuyết Ho (trong thí dụ này, giả thuyết là thuốc không tác động gì lên tỉ lệ  sống còn).  Ông ta cổ vũ sử dụng P 
  3. Không  Nếu  A  ⇒B  ⇔  {P( B )  thấ p ⇒  P(A)  thấ p} { Ho  ⇒ Tkê  S   }  ⇔ {P( Tkê  S ) 
  4. mới làm giảm nguy cơ  tử  vong” mà phải chỉ  rõ nguy cơ  tử  vong giảm bao nhiêu:  “thuốc mới làm giảm nguy cơ tử vong 60%” Nhà nghiên cứu có quyền tự do chọn quy   tắc quyết định bằng cách phát biểu cụ thể đối thuyết, nguy cơ sai lầm loại I, và nguy  cơ  sai lầm loại II, nhưng điều này phải được thực hiện trước khi nghiên cứu. Do đó   trong cách tiếp cận của Neyman­Pearson chúng ta xây dựng một nguyên tắc ra quyết  định để giúp lí giải kết quả nghiên cứu từ trước khi tiến hành nghiên cứu và việc phân  tích chỉ  đơn giản là bác bỏ  hay chấp nhận giả  thuyết không và,  ngược lại với cách   tiếp cận chủ  quan của Fisher, không cố  gắng lí giải giá trị  p trong từng một nghiên   cứu cụ thể. Phaùt bieån H 0 ;H a Tính soá thoáng keâ (z; t; chi 2 ; F) Thöïc hieän nghieân Xaùc suaát sai Xaùc suaát sai Khoâng nhoû Khoâng nhoû cöùu vôùi côõ maãu laàm loaïi 1 laàm loaïi 2 tra baûng tính p lôùn hôn Nhoû Nhoû Chaáp nhaän giaû Baùc boû giaû thuyeát thuyeát Điều đáng tiếc các nhà nghiên cứu lại không tìm   hiểu rõ ràng ý tưởng và sử  dụng   phần thô sơ  nhất của cách tiếp cận này cho rằng giả  thuyết không sẽ  được bác bỏ  nếu p
  5. Hình 5. Biểu đồ minh hoạ mối liên quan giữa sai lầm loại 1, sai lầm loai 2, cỡ mẫu và khoảng cách giữa Ho - Ha. Đường phân phối màu đậm bên trái thể hiện giả thuyết Ho, đường màu nhạt bên phải thể hiện giả thuyết Ha. Vùng diện tích màu đậm là xác suất sai lầm loại 1 và vùng diện tích màu nhạt thể hiện xác suất sai lầm loại 2. Chúng ta có thể nhận xét với cùng cỡ mẫu, nguy cơ sai lầm loại 2 càng tăng nếu Ha càng gần Ho. Cần phải tăng cỡ mẫu để phân biệt được Ha và Ho (giảm nguy cơ sai lầm loại 2) khi Ha gần Ho 4. So sánh các tiếp cận cổ điển (chủ nghĩa tần suất) và Bayes trong suy luận thống kê Giả  sử  chúng ta muốn đánh giá một loại thuốc mới có cải thiện tỉ  lệ  sống còn một  năm   sau   khi   bị   nhồi   máu   cơ   tim   bằng  một   thử   nghiệm   lâm   sàng   có   nhóm  chứng  placebo. Chúng ta sẽ thực hiện điều này bằng cách ước lượng tỉ số nguy cơ – nguy cơ  tử vong trong bệnh nhân được điều trị với thuốc mới chia cho nguy cơ tử vong ở nhóm  đối chứng. Nếu tỉ số nguy cơ là 0,5, thuốc mới giảm nguy cơ tử vong 50%, nếu tỉ số  nguy cơ là 1 thì thuốc mới không có tác dụng. Thống kê tần suất chủ nghĩa ­ Cho rằng chân lí đã có sẵn. Chúng ta sử dụng số liệu để suy luận từ giá trị  của tỉ  số nguy cơ ở dân số có thực (nhưng chưa biết) ­  Khoảng tin cậy 95% cho chúng ta khoảng giá trị  hợp lí của tỉ số nguy cơ dân số;   Chúng ta thực hiện nghiên cứu 100 lần thì 95% những khoảng tin cậy tính được sẽ  chứa giá trị của dân số ­ Giá trị  p là xác suất có được tỉ  số  nguy cơ  tương tự  hay nhỏ  hơn tỉ  số  nguy cơ  chúng ta đã phát hiện  nếu giả thuyết Ho là đúng.
  6. Thống kê Bayes ­ Người theo chủ nghĩa Bayes có cách tiếp cận chủ quan. Chúng ta bắt đầu với quan  điểm chúng ta về tỉ số nguy cơ và thể hiện nó theo phân phối xác suất Chúng ta sẽ  dùng số liệu để điều chỉnh ý kiến đó (chúng tá sẽ  rút ra phân phối xác suất của tỉ  số nguy cơ dựa trên số liệu và phân phối có sẵn) ­ Khoảng tin tưởng 95% (95% credible interval) là khoảng có 95% cơ may có chứa tỉ  số nguy cơ dân số. ­ Phân phối hậu nghiệm có thể được dùng để rút ra các khẳng định xác suất về tỉ số  nguy cơ – thí dụ, xác suất thuốc làm tăng nguy cơ tử vong ­ Có sự  tương tự  giữa thống kê Bayes và việc sử  dụng test trong chẩn đoán bệnh,   trong đó power của kiểm định tương tự như độ nhạy, giá trị p tương tự như (1­ độ  chuyên) và   tương tự như tỉ số độ khả dĩ dương. Khi đó nếu kết quả là bác bỏ Ho,   số chênh hậu nghiệm của mệnh đề bằng số chênh tiền nghiệm x  Nếu chúng ta không có ý  kiến tiền nghiệm (chúng ta xem các khoảng giá trị  đều có khả  năng ngang nhau) thì kết quả  của các tiếp cận cổ  điển tương tự  như  cách tiếp cận của  Bayes. ­ Khoảng tin cậy 95% tương tự như khoảng tin tưởng 95% (95% credible interval) ­ Giá trị  p (một bên) tương tự  như  xác suất hậu nghiệm của mệnh đề  thuốc làm   tăng nguy cơ tử vong (giả sử rằng chúng ta có được kết quả là thuốc có tác dụng  bảo vệ) Dù vậy hai cách tiếp cận này sẽ cho kết quả khác nhau ý kiến tiền nghiệm của chúng  ta về mệnh đề không phải là mơ hồ
ADSENSE
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2