SPSS Statistics
Kimenet segítségével a Kaplan-Meier-módszerrel az SPSS Statistics
az SPSS Statisztikai generál elég sok kimenet a Kaplan-Meier-módszerrel: a Túlélés Funkciót, illetve a Cenzúra telkek, valamint a táblázatok száma: az azt Jelenti, Medians a Túlélési Idő, az Esetben a Feldolgozás Összefoglaló Összességében Összehasonlítások táblázatok., Ha statisztikailag szignifikáns különbségek vannak a túlélési funkciók között, akkor a páronkénti összehasonlítási táblázatot is értelmeznie kell, lehetővé téve annak meghatározását, hogy hol vannak a csoportok közötti különbségek. Az alábbi szakaszokban az Általános összehasonlítási táblázatra összpontosítunk, valamint megérintjük a túlélési funkciók parcelláját.,
Megjegyzés: Ha nem biztos benne, hogyan kell értelmezni és jelenteni a leíró statisztikákat a Mean and Medians for Survival Time table-ból, vagy az Esetfeldolgozási összefoglaló táblázat százalékos arányát, amely része a feltételezésvizsgálatnak, amelyet korábban a feltételezések szakaszban tárgyaltunk, megmutatjuk, hogyan kell ezt megtenni a továbbfejlesztett Kaplan-Meier útmutatóban. Ha úgy találja, hogy statisztikailag szignifikáns különbségek vannak a túlélési eloszlások között, akkor azt is elmagyarázzuk, hogyan kell értelmezni és jelenteni a páronkénti összehasonlítási táblázatot., Ezen páronkénti összehasonlítások elvégzéséhez további eljárásokat kell futtatnia az SPSS statisztikákban, mivel a fenti SPSS statisztikai szakaszban a vizsgálati eljárás 13 lépése nem tartalmazza a páronkénti összehasonlítások eljárását.
SPSS statisztika
túlélési funkciók
Az eredmények megértésének és értelmezésének első és legjobb helye általában az alanyok közötti faktor különböző csoportjainak összesített túlélési funkcióinak ábrázolása (pl.,, a beavatkozás három csoportja: a “hipnoterápiás program”, a “nikotin tapasz” és az “e-cigaretta” csoportok használata). Ez az egyes beavatkozási csoportokra vonatkozó összesített túlélési arány ábrázolása, és az SPSS statisztikákban a túlélési funkciók parcellája van feltüntetve. Ez a cselekmény az alábbiakban látható:
megjelent írásbeli engedélyével SPSS statisztika, IBM Corporation.
a fenti ábra segít megérteni, hogy a túlélési eloszlások hogyan hasonlíthatók össze a csoportok között., A cselekmény hasznos funkciója annak szemléltetése, hogy a túlélési görbék keresztezik-e egymást (azaz van-e “kölcsönhatás” a túlélési eloszlások között). Ez hatással van a statisztikai tesztek erejére a túlélési eloszlások közötti különbségek kimutatására. Ezenkívül el kell döntenie, hogy a túlélési görbék hasonlóan alakúak-e, még akkor is, ha egymás felett vagy alatt vannak. Ez hatással van a statisztikai teszt kiválasztására, amelyet a Kaplan-Meier módszer eredményeinek elemzésére használnak (azaz,, függetlenül attól, hogy a log rank tesztet, a Breslow tesztet vagy a Tarone-Ware tesztet használja-e, amint azt később tárgyaltuk).
az “esemény” érdekli általában tekinthető káros (pl kudarc vagy halál). Ezért ez nem olyan dolog, amit meg akarsz tenni. Minden más dolog egyenlő (például az esetek cenzúrázása), minél több esemény fordul elő, annál alacsonyabb a kumulatív túlélési arány és annál alacsonyabb (azaz az y tengelyen) a túlélési görbe a grafikonon., Mint ilyen, a csoport túlélési görbéje, amely “egy másik csoport túlélési görbéje felett” jelenik meg, általában úgy tekinthető, hogy jótékony/előnyös hatást mutat.
láthatják a telek, hogy az összesített túlélés aránya, úgy tűnik, hogy sokkal magasabb a hipnoterápia csoportban, mint a nikotin tapasz, e-cigaretta csoportok, amelyek látszólag nem különböznek jelentősen (bár a nikotin tapasz intervenciós úgy tűnik, hogy van egy kis előnye a túlélés; ez kevesebb a résztvevők folytatása dohányzás)., Úgy tűnik, hogy a hipnoterápiás program jelentősen meghosszabbítja az időt, amíg a résztvevők folytatják a dohányzást (azaz az eseményt) a többi beavatkozáshoz képest. Ha azonban megvizsgáljuk a görbék utolsó összesített túlélési arányát, láthatjuk, hogy a vizsgálat végére nem folytató résztvevők aránya nem tűnik olyan másnak az intervenciós csoportok között (körülbelül 10%). Megvizsgáljuk annak meghatározását, hogy ezek a túlélési görbék statisztikailag szignifikánsan különböznek-e később.,
Megjegyzés: miután megvizsgálta a kumulatív túlélési telket az előző szakaszban, jó ötlet, hogy az eredményekből a leíró elemeket a Means and Medians for Survival Time táblázat segítségével Nézze meg. Ez segít tisztázni a csoportok különböző túlélési idejét. Ehhez a medián értékeket és azok 95% – os konfidencia-intervallumait kell értelmezni. A fent bemutatott túlélési telek tetején ábrázolhatja a csoportok medián túlélési idejét is., Továbbfejlesztett Kaplan-Meier útmutatónkban elmagyarázzuk, hogyan kell értelmezni és jelenteni az SPSS statisztikáit az eszközökből és a Medians for Survival Time table-ből.
SPSS Statistics
választás statisztikai tesztek között: a log rank test, Breslow test and Tarone-Ware test
három statisztikai teszt választható ki az SPSS statisztikákban, amelyek azt vizsgálják, hogy a túlélési funkciók egyenlőek-e., Ezek a log rank teszt (Mantel, 1966), Breslow teszt (Breslow, 1970; Gehan, 1965) és a Tarone-Ware teszt (Tarone & Ware, 1977), amelyek mindegyikét a fenti SPSS statisztikai szakaszban a vizsgálati eljárás során állítottuk elő. Ezt a három tesztet a teljes összehasonlítási táblázat tartalmazza, az alábbiak szerint:
az SPSS Statistics, IBM Corporation írásbeli engedélyével tették közzé.
mindhárom vizsgálat összehasonlítja a megfigyelt események száma közötti súlyozott különbséget (azaz,, a dohányzás újraindítása) és a várható események száma minden időpontban, de különböznek a súly kiszámításának módjától. Megbeszéljük a három statisztikai teszt közötti különbségeket, és a továbbfejlesztett Kaplan-Meier útmutatóban melyik tesztet választjuk.
meglehetősen gyakori, hogy mind a három teszt ugyanazt a következtetést vonja le (azaz, fognak elutasítani a null-hipotézis vagy mind nem), de amely próbára válassza ki kell attól függ, hogy mennyire várja a túlélés disztribúciók is különböznek annyira, mint a legjobban kihasználni a különböző korrekciós szorzó minden vizsgálatot rendel az idő pontot (azaz növeli a statisztikai erő). Sajnos nem számíthat arra, hogy van egy legjobb teszt – ez az adataitól függ. Ha egy adott teszt kiválasztásának megközelítését választja, ezt meg kell tennie az adatok elemzése előtt., Nem szabad mindet futtatni, majd egyszerűen csak azt választani, amelyik történetesen a “legjobb” p-értékkel rendelkezik a tanulmányához (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
példánkban a log rank teszt a legmegfelelőbb, ezért a teszt eredményeit a következő szakaszban tárgyaljuk.,
SPSS statisztika
beavatkozások összehasonlítása
a log rank teszt használatához az Általános összehasonlítási táblázatban a “Log Rank (Mantel-Cox)” sort kell értelmeznie, az alábbiak szerint kiemelve:
az SPSS statisztikák írásbeli engedélyével megjelent IBM vállalat.
a log rank teszt azt a null hipotézist teszteli, hogy nincs különbség a populációban a csoportok (például intervenciós csoportok) közötti teljes túlélési eloszlásban., Ennek a null hipotézisnek a teszteléséhez a log rank teszt egy χ2-statisztikát (a “Chi-négyzet” oszlopot) számít ki, amelyet összehasonlítunk egy χ2-eloszlással, két szabadságfokkal (a “df” oszlop). Annak megállapításához, hogy a túlélési eloszlások statisztikailag szignifikánsan különböznek-e, konzultálnia kell a “Sig” – vel.”oszlop, amely tartalmazza a vizsgálat p-értékét. Láthatjuk, hogy ennek a tesztnek a jelentősége van .000. Ez nem jelenti azt, hogy p = .000, de ez a p <.0005., Ha szeretné tudni a tényleges p-értéket, kattintson duplán a táblázatra, és vigye az egeret a megfelelő p-érték fölé, az alábbiak szerint kiemelve:
megjelent az SPSS Statistics, IBM Corporation írásbeli engedélyével.
most már láthatja ,hogy a p-érték valójában.000002 (azaz p = .000002). Ennek oka kezdetben úgy tűnt, hogy p = .A 000 annak köszönhető, hogy az eredményt csak a táblázatban 3 tizedesjegyre jelentették., Ritka azonban, hogy ilyen kis P-értéket idézzen, így egyszerűen kijelentheti, hogy p < .0005.
Ha p<.05, statisztikailag szignifikáns eredményed van, és arra a következtetésre juthatsz, hogy a különböző típusú beavatkozások túlélési eloszlása nem egyenlő a populációban (azaz nem azonosak). Másrészt, ha p > .05, nincs statisztikailag szignifikáns eredménye, és nem vonható le az a következtetés, hogy a túlélési eloszlások eltérőek a populációban (azaz,, mindegyik azonos / egyenlő). Ebben a példában, mivel p = .000002, statisztikailag szignifikáns eredményünk van. Vagyis a túlélési eloszlások különböznek a populációban.
Megjegyzés: Ha úgy találja, hogy statisztikailag szignifikáns különbségek vannak a túlélési eloszlások között, mint mi a példánkban, akkor most a páronkénti összehasonlítási táblázat eredményeit kell értelmeznie és jelentenie. A páronkénti összehasonlítási táblázat nem készül automatikusan a fenti SPSS statisztikai szakaszban a vizsgálati eljárás 13 lépésével., Ehelyett további lépéseket kell futtatnia az SPSS statisztikákban, amelyeket megmutatunk a továbbfejlesztett Kaplan-Meier útmutatóban. A továbbfejlesztett Kaplan-Meier útmutatót a Laerd statisztikákra való feliratkozással érheti el.