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 ❤️

Есть дикое желание написать пост, есть идея (об источниках, которые рекомендую), но я дико заебался
Дохера работы
И ее меньше не становится
Особенно с учётом, что я сейчас один хирург, и прёт дополнительно куча травм (я каким-то чудом успеваю только операции проводить)

НЕ МЕШКИ ВОРОЧАТЬ

Всегда важно знать откуда брать информацию (для аргументации, более подробного изучения в дальнейшем и пр.). В этот раз я хочу рассказать о своих источниках по статистике🤗

🔹Курсы "Основы статистики" - 1 и 2 части на степике (stepik) от Анатолия Карпова и института биоинформатики

Для меня это было началом погружения в статистику. Многое я лучше понимаю сейчас, но сначала для меня это звучало как "абракадабра". Однако Анатолий очень хорошо рассказывает об основах, даются задачи для закрепления знаний. В общем, рекомендую абсолютно всем (хоть и есть несколько некритичных неточностей). Курсы абсолютно бесплатны!💸
https://stepik.org/course/76/promo
https://stepik.org/course/524/promo

🔹"Статистические методы анализа в клинической практике". Румянцев П.О., Саенко В.А., Румянцева У.В., Чекин С.Ю.

Это был второй источник, который я прочитал. В целом хорошая краткая методичка на русском языке! Есть тоже неточности, но на 44 страницы достаточно хорошая информация. 
Можно найти бесплатно в гугле🔎

🔹Форум datamethods от Фрэнка Харелла (Frank Harrell)

Это настоящий кладезь дискуссий о большинстве тем в статистике. Там можно найти объяснение основ, споры о подходах и интерпретации (с т.зр. частотнической и байесовской статистики), рассуждения о необходимости и многое другое.
Бесплатно, интересно, жарко. И закрадывается мысль о "точности" статистики🤔

🔹"Fundamentals of Biostatistics. 8th edition". Bernard Rosner.

Вся база по статистике, куча формул, примеров и многоанглийскихбукв – это всё эта книга. Почти каждый раз, когда я хочу узнать суть метода, его нюансы или понять его интерпретацию, я первым делом обращаюсь к этой книге.
Почти 1000 страниц, которые можно перечитывать по кругу👨🏻‍🎓

🔹Глава "Public Health Sciences" из "First Aid for USMLE step 1". Tao Le и др.

В целом кратко написано о многих основах эпидемиологии и статистики. На мой взгляд, это можно использовать как список тем, которые нужно изучить подробно, т.к. объем информации в ней очень скудный. Но, думаю, это можно считать минимумом для каждого врача.
Красочно, поверхностно📕

🔹Статья "Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations". S. Greenland и др.

Если вы до сих пор не знаете, что такое уровень р и доверительные интервалы, то это статья заставит вас либо полюбить (и мыслить), либо ненавидеть эти темы. Очень много объяснений о том, как их неверно интерпретируют.
Однозначно рекомендую, но сложно🤯

🔹Книга "Statistical Rethinking". Richard McElreath.

Если вам интересно забыть всё, что учили до и узнать о байесовской статистике, то это для вас.
Осторожно! Очень сложно без подготовки. Если вы считаете себя гуманитарием, то лучше пройдите мимо🧠

🔹"Clinical Trials. A Practical Guide to Design, Analysis, and Reporting". Duolao Wang и Ameet Bakhai.

Книга старая и больше про клин. исследования, но там есть главы про некоторые аспекты статистики. На мой взгляд хорошее изложение с примерами.
Рекомендую, чтобы начать погружение в отдельные темы🕵🏻‍♂️

🔹"Epidemiology and Biostatistics. An Introduction to Clinical Research. 2nd Edition". Bryan Kestenbaum.

В книге целый раздел посвящен статистике. Есть примеры, объясняется интерпретация. Не все идеально, но может рассматриваться как база для изучения.
Неплохо, не длинно📚

🔹"YaRrr! The Pirate’s Guide to R". Nathaniel D. Phillips.

Если вам наскучило работать в обычных стат. программах, вас задолбала реклама успешных IT, вы хотите повысить свой скилл, то присоединяйтесь к пиратам!
Здесь больше, про программирования на языке R, но есть раздел с использованием методов статистики для анализа данных.
Мне понравился юмор, как одна из книг для начала освоения R для статистики💻

На самом деле есть еще очень много ресурсов (книги, методички, статьи, видео, курсы, каналы) по статистике. Я здесь написал лишь те, с которыми ознакомился и могу порекомендовать🤘🏻 Со временем начинаешь больше читать специализированной литературы и уже теряешь счет количеству источников. Поэтому надеюсь что, что-то сможет стать для вас отправной точкой в этот безграничный мир🌏

#ebm_статистика #биостатистика #biostatistics #источники

Я иногда слышу или вижу от некоторых врачей такую фразу "интересно было бы посмотреть как коррелирует X с Y"
Мне кажется, что они совершенно не понимают, что говорят. По контексту они явно хотят узнать о каузации (хотя бы предположить ее), но почему-то используют совершенно неверный термин "корреляция"
Запомните "Correlation does not imply causation"

Советую прочитать данную статью, чтобы понять суть

Если вы, как и я, считаете, что знания должны распространяться бесплатно, что важно адекватно реализовывать адекватные идеи, и понимаете, почему мой журнальный клуб существует бесплатно (хоть и в закрытом формате), то рекомендую к просмотру данный диалог

https://youtu.be/C4zgUO1C4NM