SPSS-statistieken
Output van het gebruik van de Kaplan-Meier-methode in SPSS-statistieken
SPSS-statistieken genereert vrij veel output voor de Kaplan-Meier-methode: de Overlevingsfuncties en censurerende plots, en een aantal tabellen: de middelen en medianen voor overlevingstijd, samenvatting van Case Processing en algemene vergelijkingen tabellen., Als je statistisch significante verschillen hebt tussen de overlevingsfuncties, moet je ook de paarsgewijze vergelijkingstabel interpreteren, zodat je kunt bepalen waar de verschillen tussen je groepen liggen. In de onderstaande secties richten we ons op de Algemene vergelijkingstabel, evenals op het plot van de Overlevingsfuncties.,
Opmerking: Als u niet zeker weet hoe u de beschrijvende statistieken van de gemiddelde en medianen voor Overlevingstijdstabel moet interpreteren en rapporteren, of de percentages van de Samenvattingstabel voor Case Processing, die deel uitmaakt van de assumptietests die we eerder in de aannames-sectie hebben besproken, laten we u zien hoe u dit kunt doen in onze uitgebreide Kaplan-Meier-gids. Als je vindt dat je statistisch significante verschillen hebt tussen je overlevingsdistributies, leggen we ook uit hoe je de tabel met paarsgewijze vergelijkingen kunt interpreteren en rapporteren., U zult ook extra procedures in SPSS statistieken moeten uitvoeren om deze paarsgewijze vergelijkingen uit te voeren, omdat de 13 stappen in de testprocedure in SPSS statistieken hierboven niet de procedure voor paarsgewijze vergelijkingen bevatten.
SPSS statistieken
Overlevingsfuncties
De eerste en beste plaats om uw resultaten te begrijpen en te interpreteren is meestal met de plot van de cumulatieve overlevingsfuncties voor de verschillende groepen van de factor tussen proefpersonen (d.w.z.,, de drie groepen van interventie: het “hypnotherapieprogramma”, “nicotinepleister” en het gebruik van” e-sigaret ” groepen). Dit is een plot van de cumulatieve overlevingsratio tegen tijd voor elke interventiegroep en wordt in SPSS-statistieken aangeduid als de plot van Overlevingsfuncties. Dit plot wordt hieronder getoond:
gepubliceerd met schriftelijke toestemming van SPSS Statistics, IBM Corporation.
de grafiek hierboven zal u helpen om te begrijpen hoe de overlevingsdistributies zich verhouden tussen groepen., Een nuttige functie van de plot is om te illustreren of de overlevingscurves elkaar kruisen (d.w.z. of er een “interactie” is tussen overlevingsdistributies). Dit heeft gevolgen voor het vermogen van de statistische tests om verschillen tussen de overlevingsdistributies op te sporen. Bovendien moet u beslissen of de overlevingscurven op dezelfde manier zijn gevormd, zelfs als ze boven of onder elkaar zijn. Dit heeft implicaties voor de keuze van de statistische test die wordt gebruikt om de resultaten van de Kaplan-Meier methode te analyseren (d.w.z.,, of u nu de log rank test, Breslow test of Tarone-Ware test, zoals later besproken).
de “gebeurtenis” waarin u geïnteresseerd bent, wordt meestal als schadelijk beschouwd (bijvoorbeeld falen of overlijden). Daarom is het niet iets wat je wilt gebeuren. Als alle andere dingen gelijk zijn (bijvoorbeeld het censureren van gevallen), hoe meer gebeurtenissen zich voordoen, hoe lager de cumulatieve overlevingsratio en hoe lager (op de y-as) de overlevingscurve op de grafiek., Als zodanig, wordt een groepsoverlevingscurve die “boven” de overlevingscurve van een andere groep verschijnt gewoonlijk beschouwd om een voordelig/voordelig effect aan te tonen.
we kunnen uit onze plot zien dat de cumulatieve overlevingsratio veel hoger lijkt te zijn in de hypnotherapiegroep in vergelijking met de groepen nicotinepleisters en e-sigaretten, die niet aanzienlijk lijken te verschillen (hoewel de nicotinepleisterinterventie een klein voordeel lijkt te hebben op de overleving; dat wil zeggen, minder deelnemers die weer gaan roken)., Het lijkt erop dat het hypnotherapieprogramma de tijd tot de deelnemers weer gaan roken (d.w.z. het evenement) aanzienlijk verlengt in vergelijking met de andere interventies. Als we echter het laatste cumulatieve overlevingspercentage van de curves onderzoeken, kunnen we zien dat het percentage deelnemers dat aan het einde van de studie niet was hervat met roken, niet zo verschillend lijkt te zijn tussen de interventiegroepen (bij ongeveer 10%). We zullen later onderzoeken of deze overlevingscurves statistisch significant verschillen.,
opmerking: na het inspecteren van de cumulatieve overlevingsgrafiek in de vorige sectie, is het een goed idee om de beschrijvende elementen uit uw resultaten te bekijken met behulp van de Means and Medians for Survival time table. Dit zal helpen om de verschillende overlevingstijden voor jullie groepen te verduidelijken. Om dit te doen, moet u de mediane waarden en hun 95% betrouwbaarheidsintervallen interpreteren. U kunt ook de mediane overlevingstijden van de groepen op de top van de survival plot hierboven geà llustreerd., In onze uitgebreide Kaplan-Meier-gids leggen we uit hoe we de SPSS-statistieken van de Means en Medians voor Overlevingstijdstabel kunnen interpreteren en rapporteren.
SPSS statistieken
kiezen tussen statistische tests: de log rank test, Breslow test en Tarone-Ware test
Er zijn drie statistische tests die kunnen worden geselecteerd in SPSS statistieken die testen of de overlevingsfuncties gelijk zijn., Dit zijn de log rank test (Mantel, 1966), Breslow test (Breslow, 1970; Gehan, 1965) en de Tarone-Ware test (Tarone & Ware, 1977), die we allemaal hebben geselecteerd om te worden geproduceerd in de testprocedure in de SPSS statistieken sectie hierboven. Deze drie tests worden gepresenteerd in de algemene vergelijking tabel, zoals hieronder weergegeven:
gepubliceerd met schriftelijke toestemming van SPSS Statistics, IBM Corporation.
alle drie de tests vergelijken een gewogen verschil tussen het waargenomen aantal gebeurtenissen (d.w.z.,, de hervatting van het roken) en het aantal verwachte gebeurtenissen op elk tijdstip, maar verschillen in hoe ze het gewicht berekenen. We bespreken de verschillen tussen deze drie statistische tests en welke test te kiezen in onze uitgebreide Kaplan-Meier gids.
het is vrij gebruikelijk om uit te vinden dat alle drie de tests zullen leiden tot dezelfde conclusie (d.w.z., ze zullen allemaal de nulhypothese afwijzen of niet), maar welke test je kiest hangt af van hoe je verwacht dat de overlevingsdistributies verschillen om zo het beste gebruik te maken van de verschillende wegingen die elke test toekent aan de tijdpunten (dat wil zeggen, statistische macht vergroten). Helaas kunt u er niet op vertrouwen dat er één beste test is – het zal afhangen van uw gegevens. Als u kiest voor de aanpak van het kiezen van een bepaalde test, moet u dit doen voordat het analyseren van uw gegevens., Je moet ze niet allemaal uitvoeren en dan gewoon degene kiezen die toevallig de “beste” p-waarde voor uw studie heeft (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
in ons voorbeeld is de log rank test het meest geschikt, dus we bespreken de resultaten van deze test in de volgende sectie.,
SPSS Statistics
Comparison of interventions
om de log rank test te gebruiken, moet u de “Log Rank (Mantel-Cox)” rij in de Algemene vergelijkingen tabel interpreteren, zoals hieronder aangegeven:
gepubliceerd met schriftelijke toestemming van SPSS Statistics, IBM Corporation.
de log rank test is het testen van de nulhypothese dat er geen verschil is in de totale overlevingsdistributie tussen de groepen (bijvoorbeeld interventiegroepen) in de populatie., Om deze nulhypothese te testen, berekent de log rank test een χ2-statistiek (de kolom “Chi-kwadraat”), die wordt vergeleken met een χ2-verdeling met twee vrijheidsgraden (de kolom “df”). Om te bepalen of de overlevingsdistributies statistisch significant verschillend zijn, moet u de “Sig” raadplegen.”kolom met de p-waarde voor deze test. Je kunt zien dat de significantie waarde van deze test is .000. Dit betekent niet dat p = .000, maar dat p < .0005., Als u de werkelijke p-waarde wilt weten, kunt u dubbelklikken op de tabel en met de muis over de relevante p-waarde gaan, zoals hieronder is aangegeven:
gepubliceerd met schriftelijke toestemming van SPSS Statistics, IBM Corporation.
u kunt nu zien dat de p-waarde daadwerkelijk is .000002 (d.w.z., p = .000002). De reden voor het aanvankelijk verschijnen dat p = .000 is te wijten aan het feit dat het resultaat slechts tot op 3 decimalen in de tabel is weergegeven., Het is echter zeldzaam dat u zo ‘ n kleine p-waarde citeert, dus u kunt eenvoudig stellen dat p < .0005.
indien p < .05, je hebt een statistisch significant resultaat en kan concluderen dat de overlevingsdistributies van de verschillende soorten interventie niet gelijk zijn in de populatie (dat wil zeggen, ze zijn niet allemaal hetzelfde). Aan de andere kant, als p > .05, heeft u geen statistisch significant resultaat en kunt u niet concluderen dat de overlevingsdistributies verschillen in de populatie (d.w.z.,, ze zijn allemaal hetzelfde / gelijk). In dit voorbeeld, sinds p = .000002, we hebben een statistisch significant resultaat. Dat wil zeggen, de overlevingsdistributies zijn verschillend in de populatie.
Opmerking: Als u vindt dat u statistisch significante verschillen hebt tussen uw overlevingsdistributies, zoals we in ons voorbeeld doen, moet u nu de resultaten van de tabel met paarsgewijze vergelijkingen interpreteren en rapporteren. De tabel met paarsgewijze vergelijkingen wordt niet automatisch geproduceerd met behulp van de 13 stappen in de testprocedure in het gedeelte SPSS-statistieken hierboven., In plaats daarvan moet u extra stappen uitvoeren in SPSS-statistieken, die we u laten zien in onze verbeterde Kaplan-Meier-gids. U kunt toegang krijgen tot de verbeterde Kaplan-Meier gids door u te abonneren op Laerd Statistics.