–
SPSS Statistik
Output fra ved hjælp af Kaplan-Meier-metoden i SPSS Statistik
SPSS Statistics genererer en hel del af produktionen til Kaplan-Meier-metoden: Overlevelse Funktioner og Censurerer plots, og en række tabeller: de Betyder, og Medianer for Overlevelse Tid, Tilfælde af Behandling Resumé og Samlet Sammenligninger tabeller., Hvis du har statistisk signifikante forskelle mellem overlevelsesfunktionerne, skal du også fortolke den parvise sammenligningstabel, så du kan bestemme, hvor forskellene mellem dine grupper ligger. I afsnittene nedenfor fokuserer vi på den overordnede sammenligningstabel, samt at berøre Overlevelsesfunktionerne.,
Bemærk: Hvis du er i tvivl om, hvordan til at fortolke og rapportere den beskrivende statistik fra gennemsnit og Medianer for Overlevelse Tid bordet, eller de procenter fra Case Processing Summary table, som er en del af den antagelse, test, vi diskuterede i de Antagelser, der tidligere afsnit viser vi dig, hvordan du gør dette i vores forbedrede Kaplan-Meier-guide. Hvis du finder ud af, at du har statistisk signifikante forskelle mellem dine overlevelsesfordelinger, forklarer vi også, hvordan du fortolker og rapporterer parvis sammenligningstabel., Du skal også køre yderligere procedurer i SPSS-statistikker for at udføre disse parvise sammenligninger, fordi de 13 trin i testproceduren i SPSS-statistikafsnittet ovenfor ikke inkluderer proceduren for parvise sammenligninger.
SPSS Statistik
Overlevelse funktioner
Det første og bedste sted at starte med at forstå og fortolke dine resultater er normalt med plot på den samlede overlevelse funktioner for de forskellige grupper af mellem-fag faktor (dvs,, de tre grupper af intervention: “hypnoterapi program”, “nikotinplaster” og brug af” e-cigaret ” grupper). Dette er et plot af den kumulative overlevelsesandel i forhold til tiden for hver interventionsgruppe og er mærket overlevelsesfunktionerne plot i SPSS statistik. Dette plot er vist nedenfor:
Udgivet med skriftlig tilladelse fra SPSS Statistics, IBM Corporation.
plottet ovenfor hjælper dig med at forstå, hvordan overlevelsesfordelingerne sammenligner mellem grupper., En nyttig funktion af plottet er at illustrere, om overlevelseskurverne krydser hinanden (dvs.om der er en “interaktion” mellem overlevelsesfordelinger). Dette har konsekvenser for styrken af de statistiske tests for at detektere forskelle mellem overlevelsesfordelingerne. Derudover skal du beslutte, om overlevelseskurverne er lignende formede, selvom de er over eller under hinanden. Dette har betydning for valget af statistisk test, der bruges til at analysere resultaterne fra Kaplan-Meier-metoden (dvs .,, uanset om du bruger log rank test, Breslo.test eller Tarone-testare test, som diskuteret senere).
den “begivenhed”, du er interesseret i, anses normalt for at være skadelig (f.eks. Derfor er det ikke noget, du vil forekomme. Alt andet lige (f.censurering af sager), jo flere hændelser der opstår, jo lavere er den kumulative overlevelsesandel og den lavere (dvs. på y-aksen) overlevelseskurven på grafen., Som sådan anses en gruppeoverlevelseskurve, der vises “over” en anden gruppes overlevelseskurve, normalt for at demonstrere en gavnlig/fordelagtig effekt.
Vi kan se fra vores plot, at den samlede overlevelse andelen ser ud til at være meget højere i hypnose-gruppen i forhold til nikotin plaster og e-cigaret grupper, der ikke synes at variere betydeligt (selv om nikotin plaster intervention ser ud til at have en lille fordel på overlevelse; der er færre deltagere genoptagelse af rygning)., Det ser ud til, at hypnoterapiprogrammet forlænger tiden markant, indtil deltagerne genoptager rygning (dvs.begivenheden) sammenlignet med de andre interventioner. Men hvis vi undersøger kurver’ sidste kumuleret overlevelse andelen, kan vi se, at andelen af deltagere, der ikke havde genoptaget rygning ved slutningen af undersøgelsen ikke ud til, at forskellige mellem intervention grupper (ca 10%). Vi vil undersøge, om disse overlevelseskurver er statistisk signifikant forskellige senere.,
Bemærk: efter at Have inspiceret kumuleret overlevelse plot i forrige afsnit, er det en god idé at se på de beskrivende elementer fra dine resultater, ved hjælp af de Midler og Medianer for Overlevelse Tid, bordet. Dette vil hjælpe med at afklare de forskellige overlevelsestider for dine grupper. For at gøre dette skal du fortolke medianværdierne og deres 95% konfidensintervaller. Du kan også plotte median overlevelse gange af grupperne på toppen af overlevelse plot illustreret ovenfor., I vores forbedrede Kaplan-Meier guide, forklarer vi, hvordan man fortolker og rapporterer SPSS statistik output fra midler og Medians for Survival Time table.
SPSS Statistik
Valg mellem statistiske tests: log rank test, Breslow test og Tarone-Ware-test
Der er tre statistiske test, der kan vælges i SPSS Statistics at teste, om overlevelse funktioner, der er ens., Disse er log-rank test (Mantel, 1966), Breslow test (Breslow, 1970; Gehan, 1965) og den Tarone-Ware test (Tarone & Ware, 1977), som vi valgte at blive produceret i Test Procedure i SPSS Statistik afsnittet ovenfor. Disse tre tests er præsenteret i den Samlede Sammenligninger tabel, som vist nedenfor:
Udgivet med skriftlig tilladelse fra SPSS Statistics, IBM Corporation.
alle tre tests sammenligner en vægtet forskel mellem det observerede antal hændelser (dvs ., antallet af forventede begivenheder på hvert tidspunkt, men adskiller sig i, hvordan de beregner vægten. Vi diskuterer forskellene mellem disse tre statistiske tests, og hvilken test der skal vælges i vores forbedrede Kaplan-Meier guide.
det er ret almindeligt at finde ud af, at alle tre tests vil føre dig til den samme konklusion (dvs .,, vil de alle afvise nulhypotesen, eller de vil alle ikke), men hvilken test du vælger, skal afhænge af, hvordan du forventer, at overlevelsesfordelingerne skal afvige for at udnytte de forskellige vægtninger, som hver test tildeler tidspunkterne (dvs.øge statistisk effekt). Desværre kan du ikke stole på, at der er en bedste test – det afhænger af dine data. Hvis du vælger fremgangsmåden til at vælge en bestemt test, skal du gøre dette, før du analyserer dine data., Du skal ikke køre dem alle og derefter blot vælge den, der tilfældigvis har den “bedste” p-værdi til din undersøgelse (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
i vores eksempel er lograngeringstesten den mest hensigtsmæssige, så vi diskuterer resultaterne fra denne test i næste afsnit.,
SPSS Statistik
Sammenligning af interventioner
for At bruge log-rank test, du har brug for at fortolke “Log Rank (Mantel-Cox)” træk i den Samlede Sammenligninger tabel, som er fremhævet nedenfor:
Udgivet med skriftlig tilladelse fra SPSS Statistics, IBM Corporation.
lograngeringstesten tester nullhypotesen om, at der ikke er nogen forskel i den samlede overlevelsesfordeling mellem grupperne (f.eks. interventionsgrupper) i befolkningen., For at teste denne nulhypotese beregner lograngeringstesten en statis2-statistik (kolonnen “Chi-s .uare”), som sammenlignes med en .2-fordeling med to frihedsgrader (kolonnen “df”). For at afgøre, om overlevelsesfordelingerne er statistisk signifikant forskellige, skal du konsultere “Sig.”kolonne, der indeholder p-værdien for denne test . Du kan se, at betydningen værdien af denne test er .000. Dette betyder ikke, at p =.000, men at p < .0005., Hvis du ønsker at kende den faktiske p-værdi, kan du dobbelt-klikke på bordet og musen i den relevante p-værdi, som er fremhævet nedenfor:
Udgivet med skriftlig tilladelse fra SPSS Statistics, IBM Corporation.
Du kan nu se, at p-værdien faktisk er .000002 (dvs, p = .000002). Grunden til det oprindeligt vises, at p = .000 skyldes, at resultatet kun rapporteres i tabellen med 3 decimaler., Det er dog sjældent, at du vil citere en så lille p-værdi, så du kan simpelthen angive, at p < .0005.
Hvis p < .05, har du et statistisk signifikant resultat og kan konkludere, at overlevelsesfordelingen af de forskellige typer intervention ikke er ens i befolkningen (dvs.de er ikke alle ens). På den anden side, hvis p > .05, har du ikke et statistisk signifikant resultat og kan ikke konkludere, at overlevelsesfordelingerne er forskellige i befolkningen (dvs.,, de er alle ens / lige). I dette eksempel, da p = .000002, vi har et statistisk signifikant resultat. Det vil sige, overlevelsesfordelingerne er forskellige i befolkningen.
Bemærk: Hvis du opdager, at du har statistisk signifikante forskelle mellem overlevelse-distributioner, som vi gør i vores eksempel, vil du nu nødt til at fortolke og rapportere resultater fra de Parvise Sammenligninger tabel. Den parvise sammenligningstabel fremstilles ikke automatisk ved hjælp af de 13 trin i testproceduren i SPSS-statistikafsnittet ovenfor., I stedet skal du køre yderligere trin i SPSS-statistikker, som vi viser dig i vores forbedrede Kaplan-Meier-guide. Du kan få adgang til den forbedrede Kaplan-Meier guide ved at abonnere på laerd statistik.