SPSS Statistics
Saída usando o método de Kaplan-Meier em SPSS Statistics
SPSS Statistics gera um monte de saída para o método de Kaplan-Meier: as Funções de Sobrevida e a Censura de parcelas, e uma série de tabelas: as médias e Medianas para o Tempo de Sobrevivência, Caso Processamento de Resumo e, em Geral Comparações tabelas., Se tiver diferenças estatisticamente significativas entre as funções de sobrevivência, também terá de interpretar a tabela de comparações emparelhadas, permitindo-lhe determinar onde se situam as diferenças entre os seus grupos. Nas secções abaixo, concentramo-nos na tabela de comparações globais, bem como no gráfico de funções de Sobrevivência.,
Nota: Se não tem a certeza de como interpretar e relatar as estatísticas descritivas da tabela média e média de tempo de sobrevivência, ou as percentagens da tabela de resumo de processamento de casos, que faz parte do teste de hipóteses que discutimos na secção de pressupostos anteriormente, mostramos-lhe como fazê-lo no nosso guia Kaplan-Meier melhorado. Se você descobrir que você tem diferenças estatisticamente significativas entre suas distribuições de sobrevivência, nós também explicamos como interpretar e relatar a tabela de comparações emparelhadas., Você também precisará executar procedimentos adicionais nas estatísticas de SPSS para realizar estas comparações emparelhadas porque as 13 etapas no procedimento de teste na seção de estatísticas de SPSS acima não incluem o procedimento para comparações emparelhadas.
estatísticas de SPSS
funções de Sobrevivência
o primeiro e melhor local para começar a compreender e interpretar os seus resultados é normalmente com o gráfico das funções de sobrevivência cumulativas para os diferentes grupos do factor entre sujeitos (i.e.,, os três grupos de intervenção: o” programa de hipnoterapia”,” adesivo de nicotina “e o uso de grupos de” cigarro electrónico”). Este é um gráfico da proporção de sobrevivência cumulativa em função do tempo para cada grupo de intervenção e é rotulado como o gráfico das funções de sobrevivência nas estatísticas SPSS. Esta parcela é mostrada abaixo:
publicado com autorização por escrito da SPSS Statistics, IBM Corporation.
o gráfico acima ajudá-lo-á a compreender como as distribuições de sobrevivência se comparam entre os grupos., Uma função útil do enredo é ilustrar se as curvas de sobrevivência se cruzam (ou seja, se existe uma “interação” entre as distribuições de sobrevivência). Isto tem implicações sobre o poder dos testes estatísticos para detectar diferenças entre as distribuições de sobrevivência. Além disso, deve decidir se as curvas de sobrevivência têm a mesma forma, mesmo que estejam acima ou abaixo umas das outras. Isto tem implicações para a escolha do teste estatístico que é usado para analisar os resultados do método Kaplan-Meier (i.e.,, quer use o teste log rank, o teste Breslow ou o teste Tarone-Ware, como discutido mais tarde).
O” evento ” em que você está interessado é geralmente considerado como deletério (por exemplo, falha ou morte). Portanto, não é algo que você queira ocorrer. Todas as outras coisas sendo iguais( por exemplo, censurando casos), quanto mais eventos ocorrem, menor a proporção cumulativa de Sobrevivência e menor (por exemplo, no eixo y) a curva de sobrevivência no gráfico., Como tal, uma curva de sobrevivência de grupo que aparece “acima” da curva de sobrevivência de outro grupo é geralmente considerada como demonstrando um efeito benéfico/vantajoso.podemos ver pela nossa trama que a proporção de sobrevivência cumulativa parece ser muito mais elevada no grupo de hipnoterapia em comparação com os grupos de nicotina e cigarro electrónico, que não parecem diferir consideravelmente (embora a intervenção do adesivo de nicotina pareça ter uma pequena vantagem na sobrevivência; ou seja, menos participantes a retomarem o tabagismo)., Parece que o programa de hipnoterapia prolonga significativamente o tempo até que os participantes recomecem a fumar (ou seja, o evento) em comparação com as outras intervenções. No entanto, se inspecionarmos a última proporção de sobrevivência cumulativa das curvas, podemos ver que a proporção de participantes que não voltaram a fumar até o final do estudo não parece diferente entre os grupos de Intervenção (em aproximadamente 10%). Vamos verificar se essas curvas de sobrevivência são estatisticamente significativamente diferentes mais tarde.,
nota: tendo inspeccionado a parcela de sobrevivência cumulativa na secção anterior, é uma boa ideia olhar para os elementos descritivos dos seus resultados utilizando a tabela de meios e medianos para o tempo de Sobrevivência. Isso ajudará a esclarecer os vários tempos de sobrevivência para seus grupos. Para isso, você precisa interpretar os valores medianos e seus intervalos de confiança de 95%. Você também pode traçar o tempo médio de sobrevivência dos grupos no topo do Gráfico de sobrevivência ilustrado acima., No nosso guia aprimorado Kaplan-Meier, explicamos como interpretar e relatar as estatísticas de SPSS a partir dos meios e medianos para a tabela de tempo de Sobrevivência.
estatísticas de SPSS
escolher entre testes estatísticos: teste de log rank, teste de Breslow e teste de Tarone-Ware
Existem três testes estatísticos que podem ser selecionados nas estatísticas de SPSS que testam se as funções de sobrevivência são iguais., Estes são o log rank test (Mantel, 1966), teste de Breslow (Breslow, 1970; Gehan, 1965) e o Tarone-Ware teste (Tarone & Ware, 1977), os quais foram selecionados para ser produzido no Procedimento de Teste em SPSS Statistics seção acima. Estes três testes são apresentados na tabela de comparações globais, como mostrado abaixo:
publicado com permissão por escrito da SPSS Statistics, IBM Corporation.
todos os três testes comparam uma diferença ponderada entre o número de eventos observados (i.e.,, a retomada do tabagismo) e o número de eventos esperados em cada momento, mas diferem em como eles calculam o peso. Nós discutimos as diferenças entre estes três testes estatísticos e que teste escolher em nosso melhor guia Kaplan-Meier.
é bastante comum encontrar que todos os três testes irão levá-lo à mesma conclusão (i.e.,, todos eles vão rejeitar a hipótese nula ou não), mas que teste você escolha deve depender de como você espera que a sobrevivência de distribuições diferentes, de modo a fazer o melhor uso dos diferentes coeficientes de ponderação de cada teste atribui aos pontos de tempo (por exemplo, aumentar o poder estatístico). Infelizmente, você não pode contar com a existência de um melhor teste – ele vai depender de seus dados. Se escolher a abordagem de escolher um determinado teste, terá de o fazer antes de analisar os seus dados., Você não deve correr todos eles e, em seguida, simplesmente escolher o que acontece ter o “melhor” valor p para o seu estudo (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
no nosso exemplo, o teste log rank é o mais apropriado, por isso discutimos os resultados deste teste na próxima secção.,
SPSS Statistics
a Comparação de intervenções
Para usar o log rank test, você precisa interpretar o “Log Rank (Mantel-Cox)” linha ” em Geral, as Comparações da tabela, conforme destacado abaixo:
Publicado com a permissão por escrito do SPSS Statistics, da IBM Corporation.
o teste de log rank é testar a hipótese nula de que não há diferença nas distribuições de sobrevivência global entre os grupos (por exemplo, grupos de intervenção) na população., Para testar esta hipótese nula, o teste log rank calcula uma estatística χ2 (a coluna “Qui-quadrado”), que é comparada a uma distribuição χ2 com dois graus de liberdade (a coluna “df”). A fim de determinar se as distribuições de sobrevivência são estatisticamente significativamente diferentes, você precisa consultar o “Sig.”coluna que contém o valor p para este ensaio. Você pode ver que o valor significante deste teste é .000. Isto não significa que p = .2000, mas que p < .0005., Se quiser saber o valor p actual, pode fazer duplo-click na tabela e passar o seu rato sobre o valor p relevante, como sublinhado abaixo:
publicado com autorização por escrito das estatísticas SPSS, IBM Corporation.
você pode agora ver que o valor de p é realmente .000002 (i.e., p = .000002). The reason for it initially appearing that p = .0 000 deve-se ao facto de o resultado estar indicado apenas no quadro com 3 casas decimais., No entanto, é raro que você cite um valor p tão pequeno, então você pode simplesmente afirmar que p < .0005.
If p < .05, você tem um resultado estatisticamente significativo e pode concluir que as distribuições de sobrevivência dos diferentes tipos de intervenção não são iguais na população (ou seja, não são todas iguais). Por outro lado, se p > .05, Você não tem um resultado estatisticamente significativo e não pode concluir que as distribuições de sobrevivência são diferentes na população (i.e.,, são todos iguais / iguais). Neste exemplo, desde p = .000002, temos um resultado estatisticamente significativo. Ou seja, as distribuições de sobrevivência são diferentes na população.
Nota: Se descobrir que tem diferenças estatisticamente significativas entre as suas distribuições de sobrevivência, como fazemos no nosso exemplo, terá agora de interpretar e comunicar os resultados da tabela de comparações emparelhadas. O quadro de comparações emparelhadas não é produzido automaticamente utilizando as 13 etapas do procedimento de ensaio na secção Estatísticas SPSS acima., Em vez disso, você terá que executar passos adicionais nas estatísticas SPSS, que nós mostramos em nosso guia Kaplan-Meier aprimorado. Você pode acessar o guia aprimorado Kaplan-Meier assinando as estatísticas de Laerd.