SPSS Statistics
Ausgang aus der Verwendung der Kaplan-Meier-Methode in SPSS Statistics
SPSS Statistics erzeugt ziemlich viel output für die Kaplan-Meier-Methode: der Survival-Funktionen und Zensur von Grundstücken, sowie eine Reihe von Tabellen: die Mittel und Mediane für die Überlebenszeit, Case Processing Summary und Allgemeine Vergleiche Tabellen., Wenn Sie statistisch signifikante Unterschiede zwischen den Überlebensfunktionen haben, müssen Sie auch die paarweise Vergleichstabelle interpretieren, um festzustellen, wo die Unterschiede zwischen Ihren Gruppen liegen. In den folgenden Abschnitten konzentrieren wir uns auf die allgemeine Vergleichstabelle sowie auf die Darstellung der Überlebensfunktionen.,
Hinweis: Wenn Sie sich nicht sicher sind, wie Sie die beschreibenden Statistiken aus dem Mittelwert und dem Median für die Überlebenszeittabelle oder die Prozentsätze aus der Fallverarbeitungstabelle interpretieren und melden sollen, die Teil der Annahmetests sind, die wir zuvor im Abschnitt Annahmen besprochen haben, zeigen wir Ihnen in unserem erweiterten Kaplan-Meier-Handbuch, wie Sie dies tun können. Wenn Sie feststellen, dass Sie statistisch signifikante Unterschiede zwischen Ihren Überlebensverteilungen haben, erklären wir Ihnen auch, wie Sie die paarweise Vergleichstabelle interpretieren und melden., Sie müssen auch zusätzliche Prozeduren in SPSS Statistics ausführen, um diese paarweisen Vergleiche durchzuführen, da die 13 Schritte im Testverfahren im Abschnitt SPSS Statistics die Prozedur für paarweise Vergleiche nicht enthalten.
SPSS Statistics
Überleben-Funktionen
Der erste und beste Ort, um zu beginnen, das Verständnis und die Interpretation Ihrer Ergebnisse ist in der Regel mit der Handlung des kumulativen überlebens-Funktionen für die verschiedenen Gruppen der between-subjects-Faktor (d.h.,, die drei Gruppen der Intervention: das „Hypnotherapie-Programm“, „Nikotinpflaster“ und die Verwendung von“ E-Zigarette “ Gruppen). Dies ist eine Darstellung des kumulativen Überlebensanteils gegenüber der Zeit für jede Interventionsgruppe und wird als Überlebensfunktionsdiagramm in der SPSS-Statistik bezeichnet. Dieses Diagramm ist unten dargestellt:
Veröffentlicht mit schriftlicher Genehmigung von SPSS Statistics, IBM Corporation.
Das obige Diagramm hilft Ihnen zu verstehen, wie die Überlebensverteilungen zwischen Gruppen verglichen werden., Eine nützliche Funktion des Diagramms besteht darin, zu veranschaulichen, ob sich die Überlebenskurven kreuzen (dh ob eine „Interaktion“ zwischen Überlebensverteilungen besteht). Dies hat Auswirkungen auf die Leistungsfähigkeit der statistischen Tests, um Unterschiede zwischen den Überlebensverteilungen zu erkennen. Darüber hinaus sollten Sie entscheiden, ob die Überlebenskurven ähnlich geformt sind, auch wenn sie über oder untereinander liegen. Dies hat Auswirkungen auf die Wahl des statistischen Tests, der zur Analyse der Ergebnisse der Kaplan-Meier-Methode verwendet wird (d. H.,, ob Sie den Log Rank Test, Breslow Test oder Tarone-Ware Test verwenden, wie später besprochen).
Das“ Ereignis“, an dem Sie interessiert sind, wird normalerweise als schädlich angesehen (z. B. Versagen oder Tod). Daher ist es nicht etwas, das Sie auftreten möchten. Alle anderen Dinge sind gleich (z. B. Zensur von Fällen), je mehr Ereignisse auftreten, desto geringer ist der kumulative Überlebensanteil und desto niedriger (dh auf der y-Achse) ist die Überlebenskurve in der Grafik., Daher wird üblicherweise davon ausgegangen, dass eine Gruppenüberlebenskurve, die „über“ der Überlebenskurve einer anderen Gruppe erscheint, einen vorteilhaften/vorteilhaften Effekt zeigt.
Wir können aus unserer Handlung ersehen, dass der kumulative Überlebensanteil in der Hypnotherapiegruppe im Vergleich zu den Nikotinpflastern und E-Zigaretten-Gruppen, die sich nicht wesentlich zu unterscheiden scheinen, viel höher zu sein scheint (obwohl die Nikotinpflaster-Intervention einen kleinen Überlebensvorteil zu haben scheint; das heißt, weniger Teilnehmer nehmen das Rauchen wieder auf)., Es scheint, dass das Hypnotherapieprogramm die Zeit bis zur Wiederaufnahme des Rauchens (d. H. Des Ereignisses) im Vergleich zu den anderen Interventionen erheblich verlängert. Wenn wir jedoch den letzten kumulativen Überlebensanteil der Kurven untersuchen, können wir feststellen, dass der Anteil der Teilnehmer, die am Ende der Studie nicht wieder mit dem Rauchen begonnen hatten, zwischen den Interventionsgruppen nicht so unterschiedlich zu sein scheint (bei ungefähr 10%). Wir werden später untersuchen, ob sich diese Überlebenskurven statistisch signifikant unterscheiden.,
Hinweis: Nachdem Sie das kumulative Überlebensdiagramm im vorherigen Abschnitt untersucht haben, ist es eine gute Idee, die beschreibenden Elemente aus Ihren Ergebnissen mit den Mitteln und Medianen für die Überlebenszeittabelle zu betrachten. Dies wird helfen, die verschiedenen Überlebenszeiten für Ihre Gruppen zu klären. Dazu müssen Sie die Medianwerte und ihre 95% – Konfidenzintervalle interpretieren. Sie können auch die mittleren Überlebenszeiten der Gruppen über dem oben dargestellten Überlebensdiagramm darstellen., In unserem erweiterten Kaplan-Meier-Leitfaden erklären wir, wie die SPSS-Statistiken aus den Mitteln und Medianen für die Überlebenszeittabelle interpretiert und gemeldet werden.
SPSS Statistics
Auswahl zwischen statistischen Tests: log rank Test, Breslow Test und Tarone-Ware Test
Es gibt drei statistische Tests, die in SPSS Statistics ausgewählt werden können, die testen, ob die Überlebensfunktionen gleich sind., Dies sind der Log-Rank-Test (Mantel, 1966), der Breslow-Test (Breslow, 1970; Gehan, 1965) und der Tarone-Ware-Test (Tarone & Ware, 1977), die wir ausgewählt haben, um im obigen Abschnitt zur SPSS-Statistik im Testverfahren hergestellt zu werden. Diese drei Tests werden in der allgemeinen Vergleichstabelle dargestellt, wie unten gezeigt:
Veröffentlicht mit schriftlicher Genehmigung von SPSS Statistics, IBM Corporation.
Alle drei Tests vergleichen eine gewichtete Differenz zwischen der beobachteten Anzahl von Ereignissen (dh,, die Wiederaufnahme des Rauchens) und die Anzahl der erwarteten Ereignisse zu jedem Zeitpunkt, unterscheiden sich jedoch darin, wie sie das Gewicht berechnen. Wir diskutieren die Unterschiede zwischen diesen drei statistischen Tests und welchen Test wir in unserem erweiterten Kaplan-Meier-Leitfaden auswählen sollten.
Es ist ziemlich häufig zu finden, dass alle drei Tests Sie zu der gleichen Schlussfolgerung führen (dh, alle die Nullhypothese ablehnen oder nicht), aber welcher Test Sie wählen, sollte davon abhängen, wie Sie erwarten, dass sich die Überlebensverteilungen unterscheiden, um die verschiedenen Gewichtungen, die jeder Test den Zeitpunkten zuweist, bestmöglich zu nutzen (dh die statistische Leistung zu erhöhen). Leider können Sie sich nicht darauf verlassen, dass es einen gibt bester Test-es hängt von Ihren Daten ab. Wenn Sie sich für die Auswahl eines bestimmten Tests entscheiden, müssen Sie dies tun, bevor Sie Ihre Daten analysieren., Sie sollten nicht alle ausführen und dann einfach den auswählen, der zufällig den „besten“ p-Wert für Ihr Studium hat (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
In unserem Beispiel ist der Log-Rank-Test am besten geeignet, daher besprechen wir die Ergebnisse dieses Tests im nächsten Abschnitt.,
SPSS-Statistiken
Vergleich von Interventionen
Um den Log-Rank-Test zu verwenden, müssen Sie die Zeile „Log Rank (Mantel-Cox)“ in der allgemeinen Vergleichstabelle interpretieren, wie unten hervorgehoben:
Veröffentlicht mit schriftlicher Genehmigung von SPSS Statistics, IBM Corporation.
Der Log rank Test testet die Nullhypothese, dass es keinen Unterschied in den Gesamtüberlebensverteilungen zwischen den Gruppen (z. B. Interventionsgruppen) in der Population gibt., Um diese Nullhypothese zu testen, berechnet der Log-Rank-Test eine χ2-Statistik (die Spalte“ Chi-Quadrat“), die mit einer χ2-Verteilung mit zwei Freiheitsgraden (die Spalte“ df“) verglichen wird. Um festzustellen, ob die Überlebensverteilungen statistisch signifikant unterschiedlich sind, müssen Sie die „Sig.“spalte, die den p-Wert für diesen Test enthält. Sie können sehen, dass der Signifikanzwert dieses Tests ist .000. Dies bedeutet nicht, dass p = .000, aber das S. < .0005., Wenn Sie den tatsächlichen p-Wert kennen möchten, können Sie auf die Tabelle doppelklicken und mit der Maus über den entsprechenden p-Wert fahren, wie unten hervorgehoben:
Veröffentlicht mit schriftlicher Genehmigung von SPSS Statistics, IBM Corporation.
Sie können nun sehen, dass der p-Wert tatsächlich ist .000002 (d.h. p = .000002). Der Grund dafür ist zunächst, dass p = .000 ist darauf zurückzuführen, dass das Ergebnis nur in der Tabelle auf 3 Dezimalstellen gemeldet wird., Es ist jedoch selten, dass Sie einen so kleinen p-Wert angeben, sodass Sie möglicherweise einfach angeben, dass p < .0005.
Wenn p < .Sie haben jedoch ein statistisch signifikantes Ergebnis und können daraus schließen, dass die Überlebensverteilungen der verschiedenen Interventionsarten in der Population nicht gleich sind (dh nicht alle gleich sind). Auf der anderen Seite, wenn p > .Sie haben jedoch kein statistisch signifikantes Ergebnis und können nicht zu dem Schluss kommen, dass die Überlebensverteilungen in der Population unterschiedlich sind (d. H.,, sie sind alle gleich / gleich). In diesem Beispiel seit p = .000002 wir haben ein statistisch signifikantes Ergebnis. Das heißt, die Überlebensverteilungen sind in der Bevölkerung unterschiedlich.
Hinweis: Wenn Sie feststellen, dass Sie statistisch signifikante Unterschiede zwischen Ihren Überlebensverteilungen haben, wie wir es in unserem Beispiel tun, müssen Sie jetzt die Ergebnisse aus der paarweisen Vergleichstabelle interpretieren und melden. Die paarweise Vergleichstabelle wird nicht automatisch mit den 13 Schritten im Testverfahren im Abschnitt SPSS Statistics erstellt., Stattdessen müssen Sie zusätzliche Schritte in der SPSS-Statistik ausführen, die wir Ihnen in unserem erweiterten Kaplan-Meier-Handbuch zeigen. Sie können auf den erweiterten Kaplan-Meier-Leitfaden zugreifen, indem Sie Laerd Statistics abonnieren.