Понял, что одного поста о ДИ мало🤷‍♂
Поэтому буду думать над вторым, где хочу рассказать о подходах оценки значимости, используя р и ДИ

Оказывается я иногда ещё и врач, а работа может оттянуть все время от блога

И в какой степени (по вашему мнению) ее нужно клиницисту знать?

Знаете, что самое смешное, когда тебя банят? До этого эти люди рассказывали о свободе слова и мнений

ОЦЕНИВАЙ ВМЕСТЕ

"Забудьте о p-значениях и о том, исключают ли ваши доверительные интервалы 0" ©

Одна из завершающих строчек (пер. с английского) книги "Регрессия: теория и практика" Гельмана Э. и др. Но почему такое отношение у профессоров по статистике❓

В предыдущих постах я рассказывал о p-value и доверительных интервалах ⏮️ Очень часто их используют, чтобы принимать какие-то решения. И действительно, часто можно увидеть эти показатели в исследованиях, где тестируются гипотезы 🟰

📍Для р стандартно определяется порог в 0,05. Он говорит, что вероятность увидеть наши такие или еще более экстремальные результаты при верной нулевой гипотезе (различий нет) составляет 5%❗
И в научном обществе посчитали, что такая вероятность достаточно мала, чтобы мы ее могли наблюдать 👻

На самом деле уровень 0,05 установлен по согласованию, никаких объективных причин он за собой не несет. В связи с чем постоянно ведутся споры и предлагается ужесточение до 0,01 или даже до 0,001 🤬
Но тогда возникает проблема с пересмотром уже имеющихся исследований ⚖️

⚠️Поэтому формально: если р<0,05, то мы отвергаем нулевую гипотезу (различий нет), указывая "получены значимые различия"⚠️

📍95 % доверительный интервал (ДИ) – это интервал, сгенерированный процедурой, которая при многократных повторах выборок с вероятностью 95% содержит/включает/"покрывает" истинное значение популяции❗
Т.е. если в 100 разных выборках рассчитать 95% ДИ, то в среднем 95 из них будут покрывать истинный эффект, остальные 5 будут ошибаться 🤯

Для ДИ есть две ситуации:
1️⃣ Если мы оцениваем его для разницы/difference (А – В), то он не должен включать 0. Потому что иначе мы предполагаем, что есть вероятность, что истинное значение равно ему (либо покрывает, либо нет, но мы этого не знаем). И так как мы оцениваем только один конкретный ДИ для одной выборки, то не можем знать другие (иначе можно было бы предположить, что мы ошибаемся).

2️⃣ В случае оценки отношения/ratio (А/В), он не должен включать 1. Остальной принцип остается таким же.

⚠️Поэтому формально: для разницы ДИ не должен включать 0, для отношения – 1, тогда мы отклоняем нулевую гипотезу⚠️

Обычно точную оценку (estimate) приводят вместе с 95% ДИ и р. Могут возникать формальные ситуации, когда ДИ не значим, а р значим. Как в этой ситуации поступать?🙀

Я обычно склоняюсь к идеи оценивания по ДИ (за счет его большей информативность). Но в такой ситуации нужно обязательно учитывать другие нюансы (размер выборки, множественные сравнения, распределение ошибок и т.д.)🧐

Так почему такое отношение у профессоров по статистике?👨🏻‍🎓 Они против формальных оценок на основе пересечения порога. Один показатель - плохой способ оценить всю методологию и анализ, нужно не отбрасывать доступную информацию, а использовать ее 🙇🏻‍♂️

#ebm_статистика #биостатистика #biostatistics

Хочется оставить в общем виде посты по диагностике:

1) чувствительность (Se) и специфичность (Sp)

2) использование (польза) от чувствительности и специфичности

3) пред- (априорная) и посттестовая (апостериорная) вероятности

4) положительная и негативная прогностические ценности (PPV и NPV)

5) методы рассчёта посттестовой вероятности

Надеюсь так будет удобнее и понятнее😅

#ebm_диагностика

В общем, теперь выскажу свое мнение)
Я сейчас стараюсь углубляться в изучение статистики, поэтому очевидно, что у меня смещенный взгляд
Но! Чем дальше я читаю, тем больше у меня вопросов о взаимосвязях и причинно-следственных выводах в исследованиях. Я стараюсь продумывать, насколько адекватно оно по методологии и стат. анализу, ведь от этого зависит какие результаты получены, а значит и какие выводы сделают авторы.
Так же в книгах озвучивается мысль, что работа статистика не заучить и написать формулу, а правильно применять методы анализа и их интерпретировать. "Правильно" - это подходящий под установленные конкретные цели. Потому что единых и строго верных алгоритмов тут нет.

Зачем же все это врачу? Мы итак учимся 6-8 лет, а тут ещё параллельно "это".

На мой (максимально субъективный, предвзятый и хирургический) взгляд, это помогает оценивать статьи (особенно после изучения causal inference), самому принимать решения (определять важные и имеющие влияние факторы), понимать другие сферы, связанные со статистикой (экономика, социология, бизнес), углубиться в область исследований (т.к. статистика связана с методологией, как предыдущим этапом).

Какой объем необходим?
Честно, на этот вопрос у меня нет ответа. Как минимум стоит вспомнить математику из школы. В комментариях писали разные мнения, но примерный список тем достаточно часто встречается в "базовых" курсах об основах статистики.
На мой все тот же взгляд, надо начать, а дальше не останавливаться 😁 там как и в медицине, огромные просторы знаний. И я думаю, что огромное искусство - совместить вместе эти просторы (знать бы как...)!

визуализация результатов отдельный вид искусства)

Как при помощи статистики можно решать конфликты 😁

Сегодня скинули в чате по R 😁

Теперь мы путешествуем втроём ❤️