Statistische Glühbirne
Auf dieser Seite stelle ich von Zeit zu Zeit meine unstrukturierten Gedanken über Statistik und Epidemiologie dar.
Es ist eine Herausforderung, Evidenz im Kontext von Unsicherheit zu finden.
Inhalt
Population und Stichprobe (5. July 2022)Kollinearität und Konfounding Bias (11. Februar 2022)
Die Rolle von Variablen in epidemiologischen Studien (7. Februar 2022)
Zahlenumrechner zwischen Risiken, Inzidenzen, Prozentangaben und Dezimalzahlen (4. Februar 2022)
Surprisal S-Wert: Werfen wir eine Münze, um den Wert eines p-Wertes zu verstehen (4. Februar 2022)
Vermeiden Sie die Kategorisierung einer kontinuierlichen Variable (15. Februar 2018)
Durcheinander durch den p-Wert (17. November 2017)
Grundsätze der statistischen Analyse (15. November 2017)
Kollinearität und Konfounding Bias
11. Februar 2022Kollinearität liegt vor, wenn in einem Regressionsmodell eine (starke) lineare Beziehung zwischen zwei oder mehr Regressionsvariablen besteht. Kollinearität kann dann zu überhöhten Varianzen für die geschätzten Koeffizienten und (in nichtlinearen Modellen) zu einer Verzerrung der geschätzten Koeffizienten führen. Eine übliche Lösung in solchen Situationen besteht darin, eine der kollinearen Variablen aus dem Modell zu entfernen, obwohl dies zu einer Konfounding Bias führen kann, wenn die entfernte Variable ein Konfounder ist (nach Porta, M. (Ed.). (2014). A dictionary of epidemiology. Oxford university press).
Korrelierte Adjustierungsvariablen in einem Regressionsmodell sind sinnvoll, um z.B. Konfoundingvariablen berücksichtigen zu können, wenn kausale Fragen beantwortet werden sollen (explanatory modelling). Bei der Modellierung sollte die angenommene kausale Struktur berücksichtigt werden, da es sonst zu verzerrten Effektschätzung kommen kann.
Wenn Sie begründen wollen, welche Variablen in ein Regressionsmodell aufgenommen werden sollten und welche nicht, lesen Sie einfach zum Anfang dies: "A Crash Course in Good and Bad Controls" by Cinelli C, Forney A, and Pearl J. see https://ftp.cs.ucla.edu/pub/stat_ser/r493.pdf
Konfounding und Kollinearität: https://sumanmathmedicine.blogspot.com/2014/03/confounding-collinearity.html
Artikel
Schisterman EF, Perkins NJ, Mumford SL, Ahrens KA, Mitchell EM. Collinearity and Causal Diagrams: A Lesson on the Importance of Model Specification. Epidemiology. 2017 Jan;28(1):47-53. doi: 10.1097/EDE.0000000000000554