–
SPSS Statistikk
Output fra ved hjelp av Kaplan-Meier-metoden i SPSS Statistikk
SPSS Statistikk genererer ganske mye av produksjonen for Kaplan-Meier-metoden: Overlevelse Funksjoner og Sensurere bort tomter, og en rekke tabeller: det Betyr og Medians for Overlevelse Tid, saksbehandling Oppsummering og Samlet Sammenligninger og tabeller., Hvis du har statistisk signifikante forskjeller mellom overlevelse funksjoner, vil du også trenger å tolke Parvis Sammenlikning bordet, slik at du kan bestemme hvor forskjellene mellom gruppene løgn. I avsnittene under, har vi fokus på den Generelle Sammenligninger bordet, så vel som å stryke på Overlevelse Funksjoner tomten.,
Merk: Hvis du er usikker på hvordan du skal tolke og rapportere beskrivende statistikk fra gjennomsnittet og Medians for Overlevelse Tid bordet, eller prosenter fra saksbehandling Oppsummering tabellen, som er en del av forutsetningen testing har vi diskutert i de Forutsetninger som tidligere avsnitt, kan vi vise deg hvordan å gjøre dette i våre forbedret Kaplan-Meier guide. Hvis du finner ut at du har statistisk signifikante forskjeller mellom overlevelse-distribusjoner, har vi også forklare hvordan du skal tolke og rapportere Parvis Sammenlikning bordet., Du må også kjøre flere prosedyrer i SPSS Statistikk for å utføre disse parvis sammenlikning fordi de 13 trinn i Test-Prosedyre i SPSS Statistikk avsnittet ovenfor, omfatter ikke prosedyre for parvis sammenlikning.
SPSS Statistikk
Overlevelse funksjoner
Den første og beste sted å starte forstå og tolke resultatene er vanligvis med plott av kumulativ overlevelse funksjoner for de ulike grupper av mellom-fag faktor (dvs., de tre grupper av tiltak: de «hypnoterapi-programmet», «nicotine patch» og bruk av «e-sigarett» – grupper). Dette er et plott av kumulativ overlevelse andel mot tiden for hver intervention group og er merket Overlevelse Funksjoner tomten i SPSS Statistikk. Denne tomten er vist nedenfor:
Publisert med tillatelse fra SPSS Statistikk, IBM Corporation.
tomten ovenfor vil hjelpe deg til å forstå hvordan overlevelsen distribusjoner sammenligne mellom grupper., En nyttig funksjon av tomten er å illustrere om overlevelse kurvene krysser hverandre (dvs., om det er en «samspill» mellom overlevelse distribusjoner). Dette har implikasjoner på strømmen av statistiske tester for å påvise forskjeller mellom overlevelse distribusjoner. I tillegg, bør du bestemme deg for om overlevelse kurver er formet på samme måte, selv om de er over eller under hverandre. Dette har implikasjoner for valg av statistisk test som brukes til å analysere resultatene fra Kaplan-Meier-metoden (dvs., enten du bruker log-rank test, Breslow test eller Tarone-Ware test, som diskutert senere).
«hendelse» du er interessert i er vanligvis ansett for å være skadelig (for eksempel, feil eller død). Derfor er det ikke noe du ønsker å oppstå. Alle andre ting likt (f.eks., sensur av tilfeller), flere hendelser som oppstår, jo lavere er den kumulative overlevelse andelen og lavere (dvs, på y-aksen) overlevelse kurve i diagrammet., Som sådan, en gruppe overlevelse kurve som vises «over» en annen gruppe er overlevelse kurve er vanligvis ansett for å være demonstrere en gunstig/fordelaktig effekt.
Vi kan se fra vår tomt som den kumulative overlevelse andelen ser ut til å være mye høyere i hypnoterapi-gruppen sammenlignet med nikotinplaster og e-sigarett grupper, som ikke ser ut til å variere betydelig (selv om den nicotine patch intervensjon ser ut til å ha en liten fordel på overlevelse, det vil si at færre deltakere fortsette å røyke)., Det ser ut til at hypnoterapi program som vesentlig forlenger tiden til deltakerne å fortsette å røyke (dvs., event) i forhold til andre tiltak. Imidlertid, hvis vi inspisere kurver’ siste kumulative overlevelse andel, kan vi se at andelen av deltakerne som ikke hadde fortsette å røyke ved slutten av studien synes ikke at forskjellige mellom intervensjon grupper (ca 10%). Vi vil se nærmere på å avgjøre om disse overlevelse kurver er statistisk signifikant forskjellig senere.,
Merk: etter å Ha inspisert den kumulative overlevelse tomten i forrige avsnitt, er det en god idé å se på beskrivende elementer fra resultatene ved å bruke det Middel og Medians for Overlevelse Tid bordet. Dette vil bidra til å avklare de ulike overlevelse ganger for grupper. For å gjøre dette, trenger du å tolke median verdier og 95% konfidensintervall. Du kan også plotte median overlevelse ganger av gruppene på toppen av overlevelse tomten illustrert ovenfor., I vår forbedrede Kaplan-Meier-guiden vil vi forklare hvordan du skal tolke og rapportere SPSS Statistikk ut fra de Betyr og Medians for Overlevelse Tid bordet.
SPSS Statistikk
Velge mellom statistiske tester: log-rank test, Breslow test og Tarone-Ware test
Det er tre statistiske tester som kan velges i SPSS Statistikk som vil teste om overlevelse funksjoner er like., Disse er log-rank test (Mantel, 1966), Breslow test (Breslow, 1970; Gehan, 1965) og Tarone-Ware test (Tarone & Ware, 1977), som vi valgte å bli produsert i Test-Prosedyre i SPSS Statistikk-delen ovenfor. Disse tre testene er presentert i den Generelle Sammenligninger tabellen, som vist nedenfor:
Publisert med tillatelse fra SPSS Statistikk, IBM Corporation.
Alle tre testene, kan du sammenligne en vektet forskjellen mellom den observerte antall hendelser (dvs.,, gjenopptakelse av røyking) og antall forventede hendelser på ethvert tidspunkt, men er forskjellige i hvordan de beregner vekten. Vi diskuterer forskjellene mellom disse tre statistiske tester og som test for å velge i vår forbedrede Kaplan-Meier guide.
Det er ganske vanlig å finne at alle tre testene vil lede deg til samme konklusjon (dvs., de vil avvise nullhypotesen eller de alle, vil ikke det), men som testen du bør velge, avhenger av hvordan du forvente overlevelse utdelinger til forskjellige slik som å gjøre best mulig bruk av de ulike vektene hver test tildeler den tid poeng (dvs., øke statistisk power). Dessverre, du kan ikke stole på at det blir en best i test – det vil avhenge av dine data. Hvis du velger tilnærming for å plukke en bestemt test, må du gjøre dette før du analysere dine data., Du bør ikke kjøre alle av dem, og deretter er det bare å plukke det som skjer med den «beste» p-verdi for ditt studium (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
I vårt eksempel, log-rank test, er den mest passende, så vi diskutere resultatene fra denne testen i neste avsnitt.,
SPSS Statistikk
Sammenligning av intervensjoner
for Å bruke log-rank test, du trenger for å tolke «Logg Rang (Mantel-Cox)» rad i den Generelle Sammenligninger tabellen, som er uthevet nedenfor:
Publisert med tillatelse fra SPSS Statistikk, IBM Corporation.
log-rank test tester nullhypotesen at det ikke er noen forskjell i den generelle overlevelsen fordelingen mellom grupper (f.eks., intervensjon grupper) i befolkningen., For å teste denne nullhypotesen, log-rank test beregner en χ2-statistikken (den «Chi-Square» – kolonnen), som er sammenlignet med en χ2-fordeling med to grader av frihet (den «df» – kolonnen). For å finne ut om overlevelse-distribusjoner er statistisk signifikant forskjellig, må du konsultere «Sig.»kolonnen som inneholder p-verdien for denne testen. Du kan se at betydningen verdien av denne testen er .000 kroner. Dette betyr ikke at p = .000, men at p < .0005., Hvis du ønsker å vite den faktiske p-verdi, kan du dobbeltklikke på bordet, og hold musen over de aktuelle p-verdi, som er uthevet nedenfor:
Publisert med tillatelse fra SPSS Statistikk, IBM Corporation.
Du kan nå se at p-verdien er faktisk .000002 (dvs., p = .000002). Grunnen til det innledningsvis vises til at p = .000 er på grunn av resultatet bare blir rapportert i tabell 3 desimaler., Det er imidlertid sjelden at du vil sitere en så liten p-verdi, slik at du kan enkelt si at p < .0005.
Hvis p < .05, du har en statistisk signifikant resultat, og kan konkludere med at overlevelsen fordelingen av de ulike typene av tiltak er ikke lik i befolkningen (dvs., de er ikke alle det samme). På den annen side, hvis p > .05, du ikke har en statistisk signifikant resultat og ikke kan konkludere med at overlevelsen utdelinger er forskjellige i befolkningen (dvs., de er alle det samme/like). I dette eksempelet, siden p = .000002, har vi en statistisk signifikant resultat. Det er, overlevelse distribusjoner er forskjellige i befolkningen.
Merk: Hvis du finner ut at du har statistisk signifikante forskjeller mellom overlevelse distribusjoner, som vi gjør i vårt eksempel, ville du nå trenger for å tolke og rapportere resultater fra Parvis Sammenlikning bordet. De Parvis Sammenlikning tabellen er ikke produsert automatisk ved hjelp av de 13 trinn i Test-Prosedyre i SPSS Statistikk-delen ovenfor., I stedet, du vil nødt til å kjøre flere trinn i SPSS Statistikk, som vi viser i vår forbedrede Kaplan-Meier guide. Du kan få tilgang til forbedrede Kaplan-Meier-guiden ved å abonnere på Laerd Statistikk.