Statistik in der Physiotherapie
Zum Skript
0.1
Wozu dieses Skript
0.2
Ein paar Bemerkungen zum Skript
0.3
Wie immer: Y a mieux mais c’est plus cher
0.4
Wie navigiert man durch das Skript?
1
Wozu brauchen wir Statistik in der Physiotherapie
1.1
Zusammenfassen und Beschreiben
1.1.1
Welche Diagnose kommt am häufigsten vor?
1.2
Veränderungen dokumentieren
1.3
Zusammenhänge darstellen
1.4
Interpretieren von wissenschaftlichen Studien
—
Grundbegriffe
2
Skalenniveaus
2.1
Daten und Skalen-Niveaus
2.1.1
Nominale Daten / kategorielle Daten
2.1.2
Ordinale Daten
2.1.3
Intervallskalierte Daten
2.2
Von der Messgrösse oder dem Konstrukt zu den Daten
2.3
Testen Sie Ihr Wissen mit einem kleinen Quiz
3
Quantile und Perzentile
3.0.1
Wir benötigen folgende Pakte in diesem Kapitel
3.1
Perzentile
3.1.1
Beispiele Perzentile
3.2
Quantile
4
Zentrale Tendenz
4.1
Der arithmetische Mittelwert
4.2
Der Median
4.2.1
Beispiel Extremwerte und Einfluss auf Median / Mean
4.3
Der Modus
4.4
Harmonisches Mittel
4.4.1
Beispiel Gehgeschwindigket
4.4.2
Beispiel Gehgeschwindigkeit über 6 Minuten
4.5
Geometrisches Mittel
4.6
Beispiel aus der wissenschaftlichen Literatur: Antigen-Titer
4.7
Quiz zur zentralen Tendenz
4.8
Referenzen
5
Streuungsmasse
5.1
Varianz und Standardabweichung
5.2
Interquartilsbereich
5.3
Quiz Streuungsmasse
6
Graphische Darstellung von ordinalen Daten
6.1
Visualisierung ordinaler Daten
6.1.1
Likert Item Daten
6.1.2
Likert Plot
6.1.3
Rating Skalen
6.1.4
Graphische Darstellung der Rating Skalen
6.1.5
Lollipop als alternative zum Balkendiagramm
6.1.6
Rating Skalen bei denen nicht mehr jede Kategorie beschrieben ist
6.1.7
Numeric Rating Scales
6.1.8
Gruppieren, wenn eine Kategorie nicht benutzt wird
6.2
Mosaik-Plot
7
Zusammenfassen von ordinal- und intervallskalierten Daten in R
7.1
Mittelwert in R berechnen
7.2
Die glorreichen Sieben: Die Kennzahlen Minimum, 25.Perzentile, Median, Mean, 75. Perzentile und Maximum und Standardabweichung
8
Nominale (kategorielle) Daten zusammenfassen
8.1
Absolute und relative Häufigkeiten.
8.2
Absolute Häufigkeit in R
8.3
Relative Häufigkeit in R
8.3.1
Berechnung der relativen Häufigkeit in einem Data Frame
8.4
Kumulative Prozente
8.5
“Culture générale” Proportion (Standardabweichung / Standardfehler)
9
Verteilungen
9.1
Verteilungen und beschreibende Statistik
9.2
Für Interessierte
10
Dependent and Independent Variables
11
Korrelationen
11.1
Pearson’s r
11.1.1
Voraussetzungen für die Pearson’s Korrelation (gilt immer für beide Variablen, da ja eine Korrelation zwischen zwei Variablen berechnet wird):
11.1.2
Formel Pearson’s r
11.1.3
Zusammenhang zwischen Pearson’s r und Regressionskoeffizienten
11.2
Spearman’s rho
11.2.1
Voraussetzungen Spearman Korrelation
11.3
Wann ist eine Korrelation 0?
11.4
Wann ist eine Korrelation 1 oder -1?
11.5
Nicht-lineare Zusammenhänge
11.5.1
Motone Zusammenhänge
11.5.2
Quantifizierung der Zusammenhänge
11.6
Vor dem Rechnen von Korrelationskoeffizienten immer die Daten visualisieren
11.7
Reduzierte Streuung führt zu einer kleineren Korrelation
11.8
Weitere Beispiele aus der Literatur
11.9
Korrelation zwischen Trail Making Test und SPPB Score
11.10
Zusammenhang zwischen Trail Making Test, Short Physical Performance Battery und der Anzahl Stürze (
Count Data
).
12
Lineare Regression
12.1
Zu Übungszwecken simulieren wir Daten
12.2
Schauen wir einmal an, wie die Daten untereinander korrelieren.
12.3
Lineare Regression
12.4
Die multivariable lineare Regression
12.5
Diagnostik der Analyse:
12.6
Nicer output
12.7
Wenn wir in R mehrere Regressionen rechnen wollen und für jede Regression eine andere abhängige Variable nehmen möchten, so können wir das relativ einfach wie folgt tun:
12.8
Beispiel aus der Literatur
12.9
Beispiel aus der Literatur 2
12.10
Code zum Erstellen des Bildes zuoberst auf der Seite
12.11
Sum of Squares / Quadratsummen
13
Diagnostik Lineare Regression
13.1
Pakete für dieses Kapitel
14
Histogramm versus Balkendiagramm
14.1
Histogramm
14.2
Barplot
15
Population und Stichprobe
15.1
Stichprobenziehen in R
15.1.1
Visualisierung des Einflusses der Stichprobengrösse auf den Standardfehler.
15.2
Simulation: Einfluss der unterschiedlichen Stichprobengrössen auf die Variabilität der Stichprobenmittelwerte
15.3
Verteilung der Stichprobenmittelwerte
15.4
Unterschiedliche Buchstaben für Mittelwert der Stichprobe, Punktschätzer und Populationsmittelwert
16
z-Transformation und Standardnormalverteilung
16.1
Die Standardnormalverteilung
16.2
z-Transformation
—
Zwei Rollen der Statistik
17
Stichprobenfehler
17.1
Stichprobenvariabilität / Stichprobenfehler / Sampling Error
17.2
Beschreiben einer Stichprobe oder Schätzen eines Populationsparameters
17.3
Gibt es einen Zusammenhang zwischen Haarlänge und Gleichgewicht?
17.4
Stichproben ziehen
17.5
Simulation: Stichprobenziehen und Korrelation
18
Standardfehler des Mittelwertes
19
Standardfehler bei Differenzen oder Summen zweier Gruppen
19.1
Standardabweichung der Differenz von zwei Stichproben (Gruppen)
19.2
Was wenn nun die Stichproben nicht unabhängig sind?
20
Standardabweichung oder Standardfehler?
21
Mit Statistik Fragen beantworten und Hypothesen testen
21.1
95% Konfidenzintervall
21.2
Schätzen versus Hypothesentesten
21.3
Vorgehen Hypothesentesten
21.4
Visualisierung der Stichprobenmittelwerte.
21.5
Nicht nur eine Studie anschauen. Wir brauchen den Überblick über alle Studien
21.6
Was muss ein Bachelor of Science in der Physiotherapie über den p-Wert und das Konfidenzintervall wissen?
21.7
Statistische Signifikanz versus klinische Relevanz.
21.8
Hilfe zur Auswahl der statistischen Tests
22
Beispiele zum Kapitel “Mit Statistik Fragen beantworten und Hypothesen testen”
22.1
Hypothesen testen
22.2
Visuelle Überprüfung der Verteilung
22.2.1
Nichtparametrische Tests
22.3
Vergleich T-Test - Lineare Regression
22.4
Wie sieht ein QQ-Plot bei einer Stichrpobe aus, die aus normalverteilten Daten gezogen wurde?
22.5
Drei Gruppen vergleichen
22.5.1
Variante 1
22.5.2
Variante 2
22.6
Beispiel Risikofgruppen
23
Beispiele aus der Literatur zu “Mit Statistik Fragen beantworten und Hypothesen testen”
23.1
Beispiel 1:
The effect of preoperative chest physiotherapy on oxygenation and lung function in cardiac surgery patients: a randomized controlled study
23.2
Beispiel 2:
Home-based rehabilitation programme compared with traditional physiotherapy for patients at risk of poor outcome after knee arthroplasty: the CORKA randomised controlled trial.
23.3
Beispiel 3:
Effectiveness of a dance-physiotherapy combined intervention in Parkinson’s disease: a randomized controlled pilot trial
24
Typ-I Fehler
24.1
Hypothesen erstellen
24.2
Wie viele müssen an der Studie teilnehmen?
24.3
Die randomisierte Studie
24.4
Die Resultate der Studie
24.4.1
Flow Chart
24.5
Beschreibende Statistik zu Beginn der Studie
24.6
Resultate nach sechs Monaten
24.6.1
Effektstärke Cohen’s d
24.7
Wie hat die Statistikerin den p-Wert berechnet?
24.7.1
Vergleich der Mittelwerte der Veränderungen
24.7.2
Vergleich der Mittelwerte nach Abschluss der Therapie
25
Typ-II Fehler
25.1
Hypothesen erstellen
25.2
Wie viele müssen an der Studie teilnehmen?
25.3
Die randomisierte Studie
25.4
Die Resultate der Studie
25.4.1
Flow Chart
25.5
Beschreibende Statistik zu Beginn der Studie
25.6
Resultate nach sechs Monaten
25.6.1
Effektstärke Cohen’s d
25.7
Wie hat die Statistikerin den p-Wert berechnet?
25.7.1
Vergleich der Mittelwerte der Veränderungen
25.7.2
Vergleich der Mittelwerte nach Abschluss der Therapie
26
P wie Probleme
26.1
Wie beschreibt man Resultate
27
Heiler vs. Placebo
27.1
Randomisation
27.2
Behandlung
27.3
Wir präsentieren die Resultate
27.4
Simulation: 100 Studien Heiler versus Placebo
27.5
Small Study Bias und Hinweis auf Publication Bias
28
Confounding
28.1
Pakete zu diesem Kapitel
28.2
Weiteres Beispiel
28.3
Table 2 Fallacy
29
Collider Bias
29.1
Pakete
29.2
Daten simulieren
30
Risikofaktoren, prognostische Faktoren und Effekt-modifizerende Faktoren
30.1
Risikofaktor
30.2
Effekt-Modifikator
30.2.1
Graphische Darstellung Interaktion Sturzgeschichte
—
Messeigenschaften - Measurement Properties
31
Zwei Arten von Fehler
31.1
Zufälliger Fehler
31.2
Systematischer Fehler
31.2.1
Pakete für dieses Kapitel
31.3
Beispiele
31.4
Streudiagramm für Frau und Herr Perfekt
31.4.1
Bland Altman Plot
31.5
Frau und Herr Zufällig
31.5.1
Bland Altman Plot für Frau und Herr Zufällig
31.6
Frau und Herr Verzerrung-Bias
31.6.1
Bland Altman Plot für Frau und Herr Verzerrung-Bias
31.7
Frau und Herr Abitofrandom
31.7.1
Bland Altman Plot Frau und Herr Abitofrandom
31.8
Frau und Herr A.Bitofrandomandbias
31.8.1
Bland Altman Plot Frau und Herr A.Bitofrandomandbias
32
Messfehler
32.1
Achtung culture générale!
33
Reliabilitaet: ICC
33.1
Reliabilität mit ICC
33.2
Beispiel schmerzhafte und gesunde Schulter
33.3
Simulieren der Daten
33.4
Streuung der Beweglichkeit
33.5
Simulieren der Test-Retest Fehler
33.6
Streudiagramm mit den Test-Retest Messungen
33.7
Bland-Altman Plot
33.8
Berechnen des ICC mit dem Paket psych
33.9
Wie hoch sollte ein ICC sein?
34
Reliabilitaet: Kappa und gewichteter Kappa
34.0.1
Pakete für dieses Kapitel
34.1
Beurteilung und Übereinstimmung
34.2
Was werden Sie hier lernen:
34.2.1
Beispiel aus dem Buch “Foundations of Clinical Research”
34.3
Manuelle Berechnung des ungewichteten Kappas (Cohen’s kappa)
34.4
Cohen’s Kappa mit der Funktion psych::cohen.kappa
34.5
Gewichteter Kappa
34.6
Prävalenz und verzerrungsbereinigtes Kappa (Prevalence and Bias Adjusted Kappa: PABAK)
34.7
Ein veröffentlichtes Beispiel PABAK
34.8
Excel Tabelle mit drei Beispielen
34.9
Mehr als zwei Bewerter: Fleiss Kappa
34.10
Konfidenzintervalle für Kappa
34.11
SPSS
35
Berechnungen Standard-Messfehler (SEM)
35.1
SEM aus ICC
35.2
Beispiel schmerzhafte und gesunde Schulter
35.3
Simulieren der Daten
35.4
Streuung der Beweglichkeit
35.5
Simulieren der Test-Retest Fehler
35.6
Berechnen des Standardmessfehlers (Standard Error of the Mean, SEM)
35.6.1
Variante 1:
\(\frac{SD~Difference~}{\sqrt{2}}\)
35.6.2
Variante 2:
\(\sigma\)
Merkmal
\(\sqrt{(1-ICC)}\)
= SD
pooled
\(\sqrt{(1-ICC)}\)
35.6.3
Variante 3: SEM =
\(\sqrt{sigma^2~Error~}\)
35.7
Smallest Detectable Change
35.8
Wir berechnen nun das Gleiche noch für die schmerzhafte Seite:
35.8.1
Variante 1:
\(\frac{SD~Difference~}{\sqrt{2}}\)
(Achtung: diese Formel berücksichtigt den systematischen Fehler nicht!)
35.8.2
Variante 2: SD
Messung
\(\sqrt{(1-ICC)}\)
35.8.3
Variante 3: SEM =
\(\sqrt{sigma^2~Error~}\)
35.9
Smallest Detectable Change für die schmerzhafte Seite
36
ICC Beispiel Seite 106 COSMIN Buch
36.1
Reproduktion Tabelle 5.2 Seite 106 Cosmin Buch
36.2
Im Buch werden zwei ICCs beschrieben:
36.2.1
Erklärung
36.3
Standardmessfehler für die consistency Situation
36.3.1
Variante 1:
36.3.2
Variante 2:
36.4
Standardmessfehler mit Berücksichtigung systematischer Fehler
37
Bland Altman Plot
37.0.1
Wir benötigen folgende Pakte
37.1
Bland-Altman Plot erklärt
37.2
Beispiel aus der Literatur
37.2.1
Bland-Altman Plot ohne Trend
37.3
Bland-Altman mit Trend und variierender Varianz
37.3.1
Bland-Altman Plot ohne Trend
37.4
Bland-Altman mit wiederholten Messungen
37.5
Beispiel bei dem das Logarithmieren der Daten den Trend korrigiert.
37.6
Referenzen
38
Physiotherapeutische Diagnosen stellen
38.1
Was lernen wir in diesem Kapitel
38.2
Vorhersage Sturzrisiko
38.3
Beispiel eines etwas besseren Prädiktors, nämlich der Anzahl Stürze in den letzten zwölf Monaten vor dem Assessment.
38.3.1
smoothed plot
39
Werte in mehreren Variablen ersetzen
39.0.1
Wir benötigen folgende Pakete
39.0.2
Folgende Pakete benötigen wir:
40
Fehlende Daten
40.0.1
Wir benutzen folgende Pakete in diesem Kapitel:
40.1
Missing Completely at Random (MCAR)
40.1.1
Komplette Daten
40.1.2
Streudiagramm FEV1 - Six Minute Walking Distance (keine fehlenden Werte)
40.1.3
Korrelationsmatrix (Daten enthalten keine fehlenden Werte)
40.2
Zufälliges Löschen von Daten (d.h. Missing Completely At Random)
40.2.1
Korrelationsmatrix (Daten enthalten fehlende Werte)
40.2.2
Scatterplot (Missing Completely At Random)
40.3
Testen ob fehlende Werte
Missing Completely At Random
oder nicht
40.3.1
Beispiel mit mehr Daten
40.4
Missing At Random
40.4.1
Daten erstellen für dieses
MAR
Beispiel
40.4.2
Umorganisieren der Daten von Wide zu Long
40.4.3
Beschreibende Statistik
40.4.4
Differenz in den Löhnen zwischen beobachteten und “wahren” Lohn
40.5
Missing At Random bedingt auf den Job
40.5.1
Das Problem
40.6
Beschreibende Statistik
40.7
Beweis
40.7.1
Logistische Regression auf fehlende Werte
40.7.2
Abbildung MAR
40.7.3
Job-Informationen mitberücksichtigen
40.8
Einfache Imputation
40.9
Missing Not At Random
41
Dokumentieren von fehlenden Daten
41.0.1
Wir benutzen folgende Pakete in diesem Kapitel:
41.1
Daten simulieren.
41.2
Fehlende Werte visualisieren
41.2.1
Mit Angaben zum Datentyp
41.2.2
Mit Prozentangabe
41.2.3
Über eine andere Variable
41.2.4
Fehlende Werte über zwei Variablen
41.2.5
Baum mit fehlenden Werten pro Variable
41.3
Variable mit Anzahl fehlender Werte
42
Sampling Methoden
42.1
Pakete
42.2
Erstellen einer Population
42.3
Beschreibende Statistik der Population
42.4
Simple Random Sample
42.5
Geschichtetes (stratifiziertes) Sampling
42.6
Random sampling mit oversampling in Stata
42.7
Referenzen
43
Meta-Analyse in der Physiotherapie
43.1
Vorteile einer Meta-Analyse
43.2
Datenextraktion
43.2.1
Long und Wide Format
43.2.2
Fehlende Mittelwerte oder fehlende Standardabweichungen.
43.3
Meta-Analyse mit den Wide Daten
43.4
Forest Plot mit den extrahierten und ersetzten (berechneten und geschätzten) Daten.
43.5
Tabelle mit Formeln zu den Methoden um SD zu schätzen / berechnen.
43.6
Hilfe zum Leistungsnachweis
43.6.1
Hier die Ausgabe als Graphik in unterschiedlichen Formaten:
43.6.2
Falls Sie lieber im Long-Format Daten eingeben möchten.
44
Synthese komplexer Intervention
45
Fehlende Daten in Meta-Analysen
45.1
F-Test wird angegeben, aber kein mean und keine sd
—
Daten Bearbeiten
46
Intro R in der Physiotherapie
47
Installation R und RStudio
48
Pakete installieren
49
R oder RStudio als Taschenrechner
49.1
Division mit Rest
49.2
Ganzzahlige Division
50
Wissenschaftliche Notation
50.1
Beispiele wissenschaftliche Notation
51
Unterschiedliche Methoden Beschriftung der Werte
52
Faktoren in logistischen Regressionen
52.1
Faktoren in einer logistischen Regression.
52.2
Bespiel mit numerischer Variable und Faktor-Variable als abhängige Variable.
52.2.1
Wir können jetzt aus dem Intercept auch die Probabilität der Krankheit, respektive die Prävalenz der Krankheit ungeachtet der anderen Variablen, berechnen.
53
Einfachste Graphiken erstellen (ohne ggplot2)
53.1
Wir können auch einen Vektor in ein Objekt speichern
53.1.1
Wir können Grafiken kombinieren, z.B. um eine Regressionslinie hinzuzufügen, man kann sogar den Determinationskoeffizienten (r2) hinzufügen.
53.1.2
Wir können auch die Regressionsformel anfügen:
53.1.3
Im nächsten Beispiel eine Regression mit mehreren unabhängigen Variablen.
54
Importieren von Daten
54.1
Pakete für dieses Kapitel
54.2
Importieren eines CSV Files
54.2.1
Base-R Lösung: Dauert oft relativ lange. In diesem Beispiel dauert es extrem lange (etwa 80 Sekunden), da es ein grosser Datensatz ist.
54.3
Variante mit dem Paket rio
54.4
Variante mit dem readr Paket
54.5
Wir möchten nun untersuchen, welche Methode schneller ist
54.6
Rio ist der Favorit
54.6.1
Import von SPSS
54.6.2
Import von Stata
54.6.3
Import von Text Format
54.6.4
Import von Stata und speichern als SPSS
54.6.5
Import von Excel - auch hier: benutzt rio
54.6.6
Speichern und Laden des Workspace
54.7
Excel direkt in csv umwandeln
54.8
Von csv in SPSS umwandeln
54.9
Daten von SPSS Format in Stata Format umwandeln
54.10
Es kann vorkommen, dass mit rio::export RStudio konsequent abstürzt. Dann einfach readr::write(data, “Datensatz_als_csv_gespeichert.csv”) benutzen.
54.11
Öffnen der Daten mit der Maus
55
Umlaute und Sonderzeichen
56
Variablennamen bearbeiten
56.0.1
Pakete
56.1
Suchen und Ersetzen von Teilen der Variablennamen
56.2
Gross- und Kleinschreibung
57
Testen ob nicht eine Nummer
57.0.1
Pakete
58
Wide oder Long so lang wie breit
58.1
Jetzt erstellen wir ein etwas komplexeres Beispiel mit zwei Variablen:
58.2
Diese Daten sind im
wide
Format - Jetzt wollen wir sie in das
long
Format umwandeln.
58.3
Für diese Übung löschen wir
df_wide
, nur um es neu zu erstellen (von
long
wieder zu
wide
umzustellen).
58.4
Manchmal führen Umwege zum Ziel: Von Wide to Long to Long-Wide
58.5
Oh, ein Beispiel haben wir noch.
58.6
Häufigkeitstabellen mit mehr als einer Variable
59
Zeit und Daten
59.1
Data
59.2
Hinzufügen des aktuellen Datums (ohne Uhrzeit)
59.3
Hinzufügen des aktuellen Datums und der Uhrzeit
59.4
Betrachten wir die Daten, bevor wir sie in Datumsformate umwandeln
59.5
Daten in Kalenderdaten umwandeln
59.5.1
Zunächst versuchen wir es auf die falsche Weise.
59.5.2
Hier die korrekte Vorgehensweise (mit dem dplyr/tidyverse-Ansatz)
59.6
Berechnungen mit Datum und Uhrzeit
59.7
Elemente extrahieren
59.8
Suche nach dem letzten Datum (Tag) eines Monats
59.9
Suche nach dem ersten Datum (Tag) eines Monats
59.10
Weitere Informationen
60
Fragen mit Mehrfachantworten
60.0.1
Folgende Pakete benötigen wir:
60.1
Beispiel 1
61
Daten fusionieren (Merge / Join)
61.1
Zusammenfügen von Datenblättern, die die gleichen Variablen enthalten.
61.2
Updating / Ersetzen von Werten mit Werten aus zweiter Datenquelle
61.3
Hinzufügen von Zeilen / Fällen (Rows)
62
Texte bereinigen
62.1
Diagnosen auslesen
62.2
E-Mail auslesen
62.3
Telefonnummern auslesen
62.4
Name und Vorname umdrehen
62.5
Elemente aus E-Mail auslesen
62.6
Punktschätzer und Limiten der Konfidenzintervalle auslesen
62.7
Viele Variablennamen auf einmal ändern
63
Suchen nach Variablen
63.1
Lookfor
64
Fehlende Daten und Multiple Imputation
64.0.1
Wir benötigen folgende Pakete in diesem Kapitel
64.1
Beispiel 1
64.1.1
Missing At Random
64.1.2
Multiple Imputation mit mice
64.2
Zweiter Ansatz
64.2.1
Schnelle Variablenauswahl zur Schätzung der fehlenden Werte
64.3
Auswahl der Imputationsmodelle
65
Fragebogen und fehlende Daten
65.0.1
Pakete die wir brauchen
65.1
Beispiel
65.1.1
Multiple Imputation
65.1.2
Hilfestellung vom Paket
mice
66
Daten anonymisieren
66.1
Dieses Kapitel wird erst geschrieben.
—
67
Intro Graphik mit R
68
ggplot2
68.0.1
Pakete
68.1
ggplot Graphiken bestehen aus verschiedenen Elementen
68.1.1
Statistik
68.1.2
Scales
68.1.3
Geometrien
68.1.4
Fazetten (Facets)
68.1.5
Koordinaten
68.1.6
Themen (Themes)
68.1.7
Alle ggplot2 Graphken haben mindestens die folgenden drei Elemente:
68.2
Wie werden die Graphiken aufgebaut
68.2.1
Unsere erste ggplot2 Graphik
68.3
Farben in R
68.3.1
Achtung: Unterschied zwischen
colour
und
fill
68.4
Aesthetics
in den unterschiedlichenn
Geoms
68.5
Innerhalb oder ausserhalb
aes()
die Variablen angeben?
68.5.1
Geometrien als Lagen
69
ggplot Beispiele
69.1
Boxplot mit Strich auf den Whiskers
70
ggplot Balkengraphiken mit N und Prozenten
70.0.1
Pakete
70.0.2
Daten aus veröffentlichtem Artikel
70.1
Barpplot mit nur einer möglichen Antwortskategorie
70.2
Balkengraphik mit Fragen mit mehr als einer möglichen Antwort
71
Likert Bar Plots
71.0.1
Pakete
71.0.2
Daten aus veröffentlichtem Artikel
71.1
Likert Plot Variante 1 (wie im Artikel)
—
Statistik mit R
72
Beschreibende Statistik
72.1
Pakete für dieses Kapitel
72.2
Daten für dieses Kapitel
72.3
Statistik über Gruppen
73
Intro Statistik mit R in der Physiotherapie
74
Mittelwerte und Standardabweichungen von Gruppen kombinieren
74.0.1
Pakete für dieses Kapitel
74.1
Beispiel Meta-Analysen
74.2
Kombinieren von mehr als zwei Gruppen
74.2.1
Beispiel vier Gruppen
74.3
Warum ist die Berechnung der SD der ganzen Gruppe nicht gleich wie für die SD der Summe oder der Differenz?
75
Simulieren von Daten
75.0.1
Pakete für dieses Kapitel
75.1
Beispiel Bland-Altman Plot
76
Mixed Models
76.1
To do:
76.1.1
Pakete für dieses Kapitel
76.2
Links zu Tutorials
76.3
Simulated Examples
76.3.1
Independent T-Test
76.3.2
lineare Regression
76.4
Repeated (Longitudinal) Data
76.4.1
Mit einem Mixed Model
76.4.2
Time as only variable in the model
76.4.3
Time as factor
76.4.4
Time as numeric 0 / 1 variable
76.5
Vergleich mit drei linearen Modellen
77
Proportionen
77.0.1
Wir benötigen folgendee Pakete
77.1
Proportionen von zwei unabhängigen Gruppen
77.2
Vergleich der Proportionen von drei unabhängigen Gruppen
77.3
Wir könnten die drei Proportion auch wieder mit dem prop.test Befehl analysieren. Verschiedene
Pakete
benutzen diesen Befehl und ermöglichen eine einfachere Anwendung, so dass man den Befehl direkt mit einem Datensatz individueller Daten benutzen kann. Wir benutzen hier das
Paket
mosaic
.
77.4
Vergleich von mehr als zwei Proportionen mit einem generalisierten linearen Modell.
77.5
Events / Total Forma
77.5.1
Trend Analysieren
77.6
Proportionen schätzen: weitere Beispiele
78
Inzidenz Raten
78.0.1
Wir benötigen folgende Pakete:
78.1
Berechnung der Inzidenz, Formel 1
78.1.1
Berechnung mit individueller Zeit
78.2
Im nächsten Beispiel wurden nicht alle Teilnehmenden über 365 Tage verfolgt.
78.2.1
Berechnung der Inzidenzrate mit der gleichen Formel wie oben:
78.2.2
Berechnung mit individueller Zeit
78.2.3
Korrelation zwischen Anzahl Stürze und Beobachtungszeit.
78.2.4
Berechnung der Inzidenzrate mit der gleichen Formel wie oben:
78.2.5
Berechnung mit individueller Zeit
78.2.6
negative Korrelation zwischen Anzahl Stürzen und Beobachtungszeit
78.2.7
Berechnung der Inzidenzrate mit der gleichen Formel wie oben:
78.2.8
Berechnung mit individueller Zeit
78.3
Berechnung mit einer negativen binomialen Regression.
78.3.1
Berechnung der Inzidenzrate mit der gleichen Formel wie oben:
78.3.2
Berechnung mit individueller Zeit
78.3.3
Negative binomiale Regression
78.3.4
Mit Stata
78.4
Berechnung mit einer Poisson Regression
78.4.1
Poisson oder negative binomial Regression?
78.5
Das Ganze mit Simulation nach einer negativ binomialen Verteilung
78.6
Berechnung der Inzidenz, Formel 1
78.6.1
Berechnung mit individueller Zeit
78.7
Im nächsten Beispiel wurden nicht alle Teilnehmenden über 365 Tage verfolgt.
78.7.1
Berechnung der Inzidenzrate mit der gleichen Formel wie oben:
78.7.2
Berechnung mit individueller Zeit
78.7.3
Korrelation zwischen Anzahl Stürze und Beobachtungszeit.
78.7.4
Berechnung der Inzidenzrate mit der gleichen Formel wie oben:
78.7.5
Berechnung mit individueller Zeit
78.7.6
negative Korrelation zwischen Anzahl Stürzen und Beobachtungszeit
78.7.7
Berechnung der Inzidenzrate mit der gleichen Formel wie oben:
78.7.8
Berechnung mit individueller Zeit
78.8
Berechnung mit einer negativen binomialen Regression.
78.8.1
Berechnung der Inzidenzrate mit der gleichen Formel wie oben:
78.8.2
Berechnung mit individueller Zeit
78.9
Berechnung mit einer negativen binomialen Regression.
78.10
Berechnung mit einer Poisson Regression
78.10.1
Poisson oder negative binomial Regression?
79
Epidemiologische Analysen
79.0.1
Wir benötigen folgende Pakete:
80
Ordinale Logistische Regression
80.0.1
Wir benötigen folgende Pakete:
80.1
Daten simulieren
80.2
Weitere Beispiele
80.2.1
Diagnostic of the proportional odds assumption
81
RCT Analysieren
81.1
Packete für dieses Kapitel
81.2
Graphische Darstellung der Resultate
82
Stata in RMarkdown
82.0.1
Pakete für dieses Kapitel
82.1
Beispiel mit Graphik
82.2
Vergleich der Analysen R versus Stata
—
Dokumentation mit R
83
Dokumentieren mit R und anderen Programmen
84
Tabellen erstellen und exportieren
84.0.1
Weiterführende Literatur:
84.0.2
Pakete, die wir hier benutzen:
84.1
Beschreibung der Stichproben in einem Projekt mit drei Gruppen
84.2
Tableby Arsenal
84.3
Beispiel mit Re-Organisation der Daten
84.4
Flexible Tabelle in Stata erstellen
84.4.1
Baseline Tabelle einer RCT, Variante btable
84.4.2
Baseline Table, Variante 2
85
Referenzen in R benutzen
85.0.1
Pakete, die wir hier benutzen:
85.1
Beispiel Publikationsliste
85.2
Beispiel der Referenzen
85.3
Speichern des BibEntry Objektes in eine Datei
85.4
Scholar Google
85.5
Beispiel einer Suchstrategie in PubMed
85.6
Zitieren in einem RMarkdown
85.7
Referenzen
86
Fehler
86.1
Laden von Dateien mit é ö ä etc geht nicht (mehr)
87
Runden immer erst am Schluss
87.0.1
Weiterführende Literatur:
87.0.2
Pakete, die wir hier benutzen:
Unkorrigierte Arbeitsversion
Statistik in der Physiotherapie
—