SPSS Statistics
Output utilizzando il metodo di Kaplan-Meier in SPSS Statistics
SPSS Statistics genera un bel po ‘ di uscita per il metodo di Kaplan-Meier: la Sopravvivenza Funzioni e la Censura di trame, e un certo numero di tavole: le medie e le Mediane per il Tempo di Sopravvivenza, Caso di Elaborazione di Sintesi e in Generale i Confronti tabelle., Se si hanno differenze statisticamente significative tra le funzioni di sopravvivenza, sarà anche necessario interpretare la tabella di confronto a coppie, consentendo di determinare dove si trovano le differenze tra i gruppi. Nelle sezioni seguenti, ci concentriamo sulla tabella di confronto generale, oltre a toccare la trama delle funzioni di sopravvivenza.,
Nota: Se non sei sicuro di come interpretare e riportare le statistiche descrittive dalla tabella Media e mediane per il tempo di sopravvivenza, o le percentuali dalla tabella riassuntiva dell’elaborazione dei casi, che fa parte del test di assunzione di cui abbiamo discusso in precedenza nella sezione Assunzioni, ti mostriamo come farlo nella nostra guida avanzata Kaplan-Meier. Se trovi differenze statisticamente significative tra le tue distribuzioni di sopravvivenza, spieghiamo anche come interpretare e riportare la tabella dei confronti a coppie., È inoltre necessario eseguire ulteriori procedure nelle statistiche SPSS per eseguire questi confronti a coppie perché i 13 passaggi della procedura di test nella sezione Statistiche SPSS sopra non includono la procedura per i confronti a coppie.
Statistiche SPSS
Funzioni di sopravvivenza
Il primo e il posto migliore per iniziare a comprendere e interpretare i risultati è di solito con la trama delle funzioni di sopravvivenza cumulative per i diversi gruppi del fattore tra soggetti (cioè,, i tre gruppi di intervento: il “programma di ipnoterapia”, ” cerotto alla nicotina “e l’uso di gruppi” e-sigaretta”). Questo è un grafico della percentuale di sopravvivenza cumulativa rispetto al tempo per ciascun gruppo di intervento ed è etichettato come grafico delle funzioni di sopravvivenza nelle statistiche SPSS. Questo grafico è mostrato di seguito:
Pubblicato con il permesso scritto di SPSS Statistics, IBM Corporation.
La trama sopra ti aiuterà a capire come le distribuzioni di sopravvivenza si confrontano tra i gruppi., Una funzione utile della trama è quella di illustrare se le curve di sopravvivenza si incrociano (cioè se esiste una “interazione” tra le distribuzioni di sopravvivenza). Ciò ha implicazioni sulla potenza dei test statistici per rilevare le differenze tra le distribuzioni di sopravvivenza. Inoltre, dovresti decidere se le curve di sopravvivenza hanno una forma simile, anche se sono sopra o sotto l’un l’altro. Ciò ha implicazioni per la scelta del test statistico che viene utilizzato per analizzare i risultati del metodo Kaplan-Meier (cioè,, se si utilizza il log rank test, Breslow test o Tarone-Ware test, come discusso più avanti).
L ‘”evento” a cui sei interessato è solitamente considerato deleterio (ad esempio, fallimento o morte). Pertanto, non è qualcosa che si desidera che si verifichi. A parità di altre condizioni (ad esempio, censura dei casi), più eventi si verificano, minore è la proporzione di sopravvivenza cumulativa e minore (cioè sull’asse y) la curva di sopravvivenza sul grafico., Come tale, una curva di sopravvivenza di gruppo che appare “sopra” la curva di sopravvivenza di un altro gruppo è solitamente considerata come dimostrazione di un effetto benefico/vantaggioso.
Possiamo vedere dalla nostra trama che la percentuale di sopravvivenza cumulativa sembra essere molto più alta nel gruppo di ipnoterapia rispetto al cerotto alla nicotina e ai gruppi di sigarette elettroniche, che non sembrano differire considerevolmente (anche se l’intervento del cerotto alla nicotina sembra avere un piccolo vantaggio sulla sopravvivenza; cioè, meno partecipanti riprendono a fumare)., Sembrerebbe che il programma di ipnoterapia prolunghi significativamente il tempo fino a quando i partecipanti riprendono il fumo (cioè l’evento) rispetto agli altri interventi. Tuttavia, se esaminiamo l’ultima percentuale di sopravvivenza cumulativa delle curve, possiamo vedere che la percentuale di partecipanti che non aveva ripreso a fumare entro la fine dello studio non appare così diversa tra i gruppi di intervento (circa il 10%). Esamineremo in seguito se queste curve di sopravvivenza sono statisticamente significativamente diverse.,
Nota: Dopo aver ispezionato la trama di sopravvivenza cumulativa nella sezione precedente, è una buona idea guardare gli elementi descrittivi dai risultati utilizzando la tabella dei mezzi e delle mediane per la sopravvivenza. Questo aiuterà a chiarire i vari tempi di sopravvivenza per i tuoi gruppi. Per fare ciò, è necessario interpretare i valori mediani e i loro intervalli di confidenza del 95%. Puoi anche tracciare i tempi di sopravvivenza mediani dei gruppi in cima alla trama di sopravvivenza illustrata sopra., Nella nostra guida avanzata Kaplan-Meier, spieghiamo come interpretare e riportare l’output delle statistiche SPSS dalle Medie e mediane per la tabella dei tempi di sopravvivenza.
SPSS Statistics
Scelta tra test statistici: log rank test, Breslow test e Tarone-Ware test
Ci sono tre test statistici che possono essere selezionati in SPSS Statistics che testano se le funzioni di sopravvivenza sono uguali., Questi sono il log rank test (Mantel, 1966), Breslow test (Breslow, 1970; Gehan, 1965) e il Tarone-Ware test (Tarone & Ware, 1977), tutti selezionati per essere prodotti nella procedura di test nella sezione Statistica SPSS sopra. Questi tre test sono presentati nella tabella di confronto generale, come mostrato di seguito:
Pubblicato con il permesso scritto di SPSS Statistics, IBM Corporation.
Tutti e tre i test confrontano una differenza ponderata tra il numero di eventi osservati (cioè,, la ripresa del fumo) e il numero di eventi attesi in ogni momento, ma differiscono nel modo in cui calcolano il peso. Discutiamo le differenze tra questi tre test statistici e quale test scegliere nella nostra guida avanzata Kaplan-Meier.
È abbastanza comune scoprire che tutti e tre i test ti porteranno alla stessa conclusione (cioè,, rifiuteranno tutti l’ipotesi nulla o non lo faranno tutti), ma quale test scegli dovrebbe dipendere da come ti aspetti che le distribuzioni di sopravvivenza differiscano in modo da sfruttare al meglio le diverse ponderazioni che ogni test assegna ai punti temporali (cioè, aumentare la potenza statistica). Sfortunatamente, non puoi fare affidamento sul fatto che ci sia un test migliore: dipenderà dai tuoi dati. Se scegli l’approccio per scegliere un particolare test, dovrai farlo prima di analizzare i tuoi dati., Non dovresti eseguirli tutti e poi semplicemente scegliere quello che ha il valore p “migliore” per il tuo studio (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
Nel nostro esempio, il log rank test è il più appropriato, quindi discutiamo i risultati di questo test nella prossima sezione.,
SPSS Statistics
Confronto degli interventi
Per utilizzare il log-rank test, è necessario interpretare il “Log-Rank (Mantel-Cox)” riga in Generale a Confronto tabella, come evidenziato di seguito:
Pubblicato con il permesso scritto da SPSS Statistics, IBM Corporation.
Il log rank test sta testando l’ipotesi nulla che non vi sia alcuna differenza nelle distribuzioni di sopravvivenza globale tra i gruppi (ad esempio, gruppi di intervento) nella popolazione., Per testare questa ipotesi nulla, il log rank test calcola una statistica χ2 (la colonna” Chi-Quadrato”), che viene confrontata con una distribuzione χ2 con due gradi di libertà (la colonna” df”). Per determinare se le distribuzioni di sopravvivenza sono statisticamente significativamente diverse, è necessario consultare il ” Sig.”colonna che contiene il valore p per questo test. Si può vedere che il valore di significato di questo test è .000. Questo non significa che p = .000, ma che p <.0005., Se si desidera conoscere il valore p effettivo, è possibile fare doppio clic sulla tabella e passare il mouse sul valore p pertinente, come evidenziato di seguito:
Pubblicato con il permesso scritto di SPSS Statistics, IBM Corporation.
Ora puoi vedere che il valore p è effettivamente .000002 (cioè, p = .000002). La ragione per cui inizialmente appare che p = .000 è dovuto al fatto che il risultato viene riportato solo nella tabella a 3 cifre decimali., Tuttavia, è raro che tu citi un valore p così piccolo, quindi potresti semplicemente affermare che p < .0005.
Se p <.05, hai un risultato statisticamente significativo e puoi concludere che le distribuzioni di sopravvivenza dei diversi tipi di intervento non sono uguali nella popolazione (cioè non sono tutte uguali). D’altra parte, se p > .05, non si dispone di un risultato statisticamente significativo e non si può concludere che le distribuzioni di sopravvivenza siano diverse nella popolazione (es.,, sono tutti uguali/uguali). In questo esempio, poiché p = .000002, abbiamo un risultato statisticamente significativo. Cioè, le distribuzioni di sopravvivenza sono diverse nella popolazione.
Nota: se si riscontrano differenze statisticamente significative tra le distribuzioni di sopravvivenza, come facciamo nel nostro esempio, ora è necessario interpretare e riportare i risultati dalla tabella dei confronti a coppie. La tabella di confronto a coppie non viene prodotta automaticamente utilizzando i 13 passaggi della procedura di prova nella sezione Statistiche SPSS di cui sopra., Invece, dovrai eseguire ulteriori passaggi nelle statistiche SPSS, che ti mostriamo nella nostra guida avanzata Kaplan-Meier. È possibile accedere alla guida avanzata Kaplan-Meier iscrivendosi a Laerd Statistics.