Erilaiset monimuuttujamallit ovat lääketieteellisen tutkimuksen yleisimpiä tilastollisia menetelmiä. Yleinen asetelma on se, että tutkimusaineistossa on useita muuttujia, joiden keskinäisiä vaikutuksia tiettyyn päätemuuttujaan halutaan selvittää. Oikein käytettynä monimuuttujamallit tarjoavat tähän erinomaisen työkalun. Monimuuttujamallien käyttöön liittyy kuitenkin runsaasti erilaisia virheellisiä toimintatapoja sekä sudenkuoppia. Tässä artikkelissa käydään läpi erilaisia käytännön näkökulmia monimuuttujamallien käyttöön ja tulkintaan. Oletuksena on, että ..
Category : Monimuuttujamallit
Keskeinen soveltavan tilastotieteen menetelmä lääketieteellisessä tutkimuksessa on ennustemallin laatiminen ja kehittäminen. Tavoite on tällöin arvioida, miten hyvin annetuilla lähtömuuttujilla voidaan ennustaa päätemuuttujaa ja miten hyvin lähtömuuttujat selittävät päätemuuttujan vaihtelua tai todennäköisyyttä. Myös lähtömuuttujien keskinäistä tärkeyttä kokonaisuuden kannalta voidaan arvioida ennustemallin näkökulmasta. Kokonaisselitysasteen R2 tutkiminen antaa tietoa, siitä miten hyvin lähtömuuttujilla voidaan selittää päätemuuttujan vaihtelua. Jos ..
Johdanto Diagnostiikan ja hoidon ohella prognoosi eli ennuste on keskeinen elementti lääketieteessä. Ennustaminen (eng. prediction) eli ennustetutkimus tai prediktiivinen tutkimus on siksi yleistä lääketieteessä. Varsinkin monimuuttujamallien hyödyntäminen on keskeistä ennustetutkimuksessa. Prediktiivisen tutkimuksen yhtenä tarkoituksena on luoda kliinisen työn tueksi kliinisiä ennustemalleja ja -sääntöjä (eng. clinical prediction rule). Hyvä esimerkki on FINRISKI-laskuri (https://thl.fi/fi/web/kansantaudit/sydan-ja-verisuonitaudit/finriski-laskuri). Vastaavasti esimerkiksi eri ..
Artikkelissa hyödynnetään DAGitty -sovellusta. Pika-ohje sen käyttöön löytyy täältä. Johdanto Edellisessä artikkelissa kuvattiin selittämiseen liittyviä keskeisiä huomioita sekä teoreettista pohjaa selityssuhteille havainnoivassa tutkimuksessa. Tässä artikkelissa käydään läpi käytännön esimerkkejä siitä, miten selitysmalleja ja kausaalisuhteita voidaan hyödyntää harhan minimoimiseksi havainnoivassa tutkimuksessa. Aikaisemmassa artikkelissa kuvattiin miten sekoittava tekijä, mediaattori eli välitysmuuttuja ja collider-muuttuja tulisi huomioida selityssuhteiden osalta. ..
Taustaa Havainnoivassa tutkimuksessa keskeisintä on erottaa selittäminen ja ennustaminen. Selittäminen yhdistetään usein syy-seuraus-päättelyyn eli kausaalisuuteen. Tämän ympärille on syntynyt oma tilastotieteen osa-alue, ns. kausaali-inferenssi (eng. causal inference). Siinä keskitytään asioiden ja ilmiöiden selittämiseen eikä vain muuttujien väliseen korrelaatioon tai assosiaatioon. Yksinkertaistettuna selittäminen tarkoittaa kahden muuttujan välisen yhteyden tutkimista. Perinteisiä esimerkkejä ovat esimerkiksi äidin tupakoinnin vaikutus ..
Monimuuttujamallit ovat yleisesti käytettyjä tilastollisia menetelmiä lääketieteellisessä tutkimuksessa. Kuten nimikin kertoo, monimuuttujamallissa on mukana useita eri muuttujia. Monimuuttujamallien avulla pystytään tutkimaan useiden muuttujien välisiä vaikutussuhteita, mikä tekee malleista hyvin joustavia palvelemaan useita erilaisia tavoitteita. Muuttujien valintamenetelmät ja mallin antamien tulosten tulkinta riippuvatkin puhtaasti siitä, mikä on tutkimuksen tavoite ja miten malli on rakennettu. Yleensä monimuuttujamalleja ..
Tervetuloa Tilastokuntoon!
