1. 알파=false(+)=여기서 + 라는 건 대립가설을 채택한다는 건데 false (+) 는 대립가설을 우연히 채택할 확률=즉 귀무가설을 우연히 기각할 확률을 의미한다. [원래 대립가설을 채택하면 안되고, 귀무가설을 채택해야 할 상황인데 반대로 일이 벌어진 경우다]
) -->
2.베타=false(-) = 여기서 - 라는 건, 귀무가설을 채택한다는 거니까, false(-) 는 귀무가설을 우연히 채택할 확률=즉 대립가설을 우연히 기각할 확률이다. [원래 귀무가설을 채택하면 안 되고, 대립가설을 채택해야 하는데 반대로 일이 벌어진 경우다?]
) -->
3. 변수가 많아지면 N수도 많아져야 그나마 신뢰성이 생긴다.
) -->
4. 메타 분석은 내가 환자를 따로 enroll 하지 않아도 되는 편의성이 있다. 기존에 나온 연구들을 끌어 모와서 새로운 결과를 창출하는 것이기 때문이다. 하지만 [블랙 스완]이라는 책을 보면 나오는 문제가 메타 분석에도 적용된다. 쓰레기 채권이 1장만 있으면 신뢰가 떨어지지만 수백장의 쓰레기 채권을 모으면 더 높은 단계의 새로운 금융 상품을 만들 수 있다. 이게 바로 금융의 마법이라는 점이다. 이런 식으로 논문이 오용될 수 있다. 그리고 각각의 논문이 setting이 다르기 때문에 이런 점도 고려해야 한다.
) -->
5. 회귀 모델 세울 때 변수가 너무 많아지면 서로 간의 연관성이 생겨서 (공선성), 정확도가 떨어질 수 있다. 예를 들어 나이와 유병기간은 서로 공선성이 클 것이다. 나이가 많은 분이면 아무래도
유병기간도 길어질 테니 말이다.
) -->
6. [블랙스완]이라는 책을 사 보자.
) -->
7. 주로 사회경제적 지위가 낮은 사람이 연구 실험에 많이 참여한다[실험에 참여하면 돈도 주고 혜택을 주니까 말이다], 이렇게 Bias가 생기는 걸 완전히 막기는 불가능하다.
) -->
8. Relative Risk 와 Odds Ratio를 비교해 보자. RR은 전향적 코호트 연구에서 많이 사용한다. 누가 질병군이고, 대조군인지는 모르는 상태이고 Risk factor 는 확실히 알고 있는 상태다. 그래서 2x2 table 로 그려 보면 질병군, 대조군이 아직 나뉘지 않았으니 왼쪽 위부터 오른쪽 방향으로 a,b 그리고 왼쪽 아래가 c, 오른쪽 아래가 d 라고 한다면
RR 구할 대 a/a+b 가 되고 c/c+d 가 될 것이다.
odds 는 일종의 승산인데 이건 환자-대조군 연구 때 쓰는 걸로 이미 환자군, 대조군은 알고 risk factor 가 명확하지 않은 상태다. 그러므로, 각각의 odds는 a/c, b/d 가 될 것이고, odds ratio 는 a/c / b/d 가 될 것이다. 즉 질병이 있는 군에서 위험 인자를 지닐 odds와 질병이 없는 군에서위험 인자를 지닐 odds 들을 구하고 각 odds 의 비를 구하는 것이다.
) -->
9. 일단 회귀모델을 세우고 나서 각각의 차이가 10% 이내면 타당하다고 보는데 이 10%는 마치 p값이 5%인 것처럼 임의적인 값이다. p=alpha=1종 오류 값은 0.05(5%) 미만, beta=2종 오류는 0.02(20%) 미만으로 나오게 해야 함.
1-beta=검정력=sensitivity> 0.8 이상은 나와야 함. 1-alpha=specificity
) -->
10. post hoc test 는 사후 분석인데 내가 원하던 1차 결과 얻고 나서, data를 다시 활용해서 다른 결과들(2차 결과)을 도출할 때는 N수를 늘려 줘야 한다. 즉, 결과값을 더 엄격하게 세워줘야 한다.
) -->
11. P 값도 시행 횟수가 많아지면 inflation 이 될 수 있다. 그래서 1000번 정도 중에 1번은 우연하게 p값을 충족해 버리는 오류가 생길 수 있다. 이걸 막기 위한 보수적 방법이 본페로니 검정이다.
시행 횟수로 p값을 나눠져 버리는 것이다.
) -->
12. 근거수준은 level I 이 최상위다. Double-blind 되고, RCT인 연구가 최고의 근거 수준을 지닌다. 그 다음이 Double blind 는 아니지만 RCT가 유지되는 경우, 그 다음은 대규모 연구이긴 한데 Randomization 이 안된 연구(ex) 코호트 연구 등), 그 다음은 N수가 20~50 사이정도 되는 연구, 가장 근거 수준이 낮은 연구는 Case report 정도가 될 것이다.
) -->
13. ITT=intention to treat 으로서 처음 enroll 할 때부터 환자군으로 골라둔 군이다. 이 군에서 연구 도중 f/u loss가 될 위기가 오고, drop out 될 것 같으면 그 환자를 빼버리면 초기에 세워둔 randomization이 깨져 버리기 때문에 오히려 객관성이 떨어질 수 있다. 그래서 LOCF (last observation carried forward)를 사용하는데, 가장 마지막에 나온 값을 그 이후에도 동일하게 적용하는 거다.
-> 가량 12주 연구 프로그램인데 11주차 때 한 피험자가 drop out 되었다면 마지막 BDI 점수인 10점을 12주 차에도 동일하게 사용해서 식을 계산하는 거다.
※ 모든 이미지는 구글에서 가져왔습니다.
'통계학' 카테고리의 다른 글
| [통계학] ANOVA, ANCOVA, Kruskal-Wallis H test, 카이 제곱 검정 (0) | 2018.11.21 |
|---|---|
| [통계학] 의학 통계에 대해 몇 가지 공부해 본 것 (0) | 2018.11.19 |
| [통계학] 의학 통계를 공부하면서 몇 가지 정리한 내용 (0) | 2018.11.19 |
WRITTEN BY
- 케노시스
다양한 주제의 이야기들을 나누는 공간입니다.
