SPSS Statistics
Ieșire la utilizarea Kaplan-Meier metodă în SPSS Statistics
SPSS Statistics generează destul de o mulțime de ieșire pentru Kaplan-Meier metodă: Funcții de Supraviețuire și Cenzura parcele, și un număr de tabele: mediile și Medianele pentru Timpul de Supraviețuire, în Caz de Prelucrare Sumară și Generală Comparații mese., Dacă aveți diferențe semnificative statistic între funcțiile de supraviețuire, va trebui, de asemenea, să interpretați tabelul comparațiilor perechi, permițându-vă să determinați unde se află diferențele dintre grupurile dvs. În secțiunile de mai jos, ne concentrăm pe tabelul de comparații globale, precum și pe graficul funcțiilor de supraviețuire.,
Notă: Dacă nu sunteți sigur cum să interpreteze și să raporteze statisticile descriptive din medii și Mediane pentru Supraviețuire Timp de masă, sau procentele de Caz Prelucrare în tabelul de Sinteză, care este parte din ipoteza de testare am discutat în secțiunea Ipoteze mai devreme, vă vom arăta cum să facă acest lucru într noastră îmbunătățită Kaplan-Meier ghid. Dacă descoperiți că aveți diferențe semnificative statistic între distribuțiile dvs. de supraviețuire, vă explicăm, de asemenea, cum să interpretați și să raportați tabelul comparațiilor perechi., De asemenea, va trebui să executați proceduri suplimentare în statisticile SPSS pentru a efectua aceste comparații perechi, deoarece cei 13 pași din procedura de testare din secțiunea Statistici SPSS de mai sus nu includ procedura de comparații perechi.
SPSS Statistics
funcții de Supraviețuire,
primul și Cel mai bun loc pentru a începe înțelegerea și interpretarea rezultatelor este, de obicei, cu teren de supraviețuire cumulativă funcții pentru diferite grupuri de între-subiecte factor (de exemplu,,, cele trei grupuri de intervenție: „programul de hipnoterapie”, „plasturele cu nicotină” și utilizarea grupurilor „e-țigară”). Acesta este un grafic al proporției de supraviețuire cumulativă în raport cu timpul pentru fiecare grup de intervenție și este etichetat graficul funcțiilor de supraviețuire în statisticile SPSS. Acest teren este prezentat mai jos:
Publicat cu permisiunea scrisă din SPSS Statistics, IBM Corporation.graficul de mai sus vă va ajuta să înțelegeți cum se compară distribuțiile de supraviețuire între grupuri., O funcție utilă a parcelei este de a ilustra dacă curbele de supraviețuire se încrucișează între ele (adică dacă există o „interacțiune” între distribuțiile de supraviețuire). Acest lucru are implicații asupra puterii testelor statistice pentru a detecta diferențele dintre distribuțiile de supraviețuire. În plus, ar trebui să decideți dacă curbele de supraviețuire au o formă similară, chiar dacă sunt deasupra sau dedesubtul reciproc. Acest lucru are implicații pentru alegerea testului statistic care este utilizat pentru a analiza rezultatele din metoda Kaplan-Meier (adică.,, indiferent dacă utilizați testul log rank, testul Breslow sau testul Tarone-Ware, așa cum sa discutat mai târziu).
„evenimentul” care vă interesează este de obicei considerat a fi dăunător (de exemplu, eșec sau deces). Prin urmare, nu este ceva ce vrei să apară. Toate celelalte lucruri fiind egale (de exemplu, cenzurarea cazurilor), cu cât apar mai multe evenimente, cu atât proporția de supraviețuire cumulată este mai mică și cu atât este mai mică (adică pe axa y) curba de supraviețuire pe grafic., Ca atare, o curbă de supraviețuire a grupului care apare „deasupra” curbei de supraviețuire a unui alt grup este de obicei considerată a demonstra un efect benefic/avantajos.
putem vedea din complot care cumulativă de supraviețuire procentul pare a fi mult mai mare în hipnoterapie grup comparativ cu nicotina patch-uri și e-țigară grupuri, care nu par să difere considerabil (deși nicotina patch-uri de intervenție pare a avea un mic avantaj de supraviețuire; că este, mai puțini participanți reluarea fumatului)., S-ar părea că programul de hipnoterapie prelungește semnificativ timpul până când participanții reiau fumatul (adică evenimentul) în comparație cu celelalte intervenții. Cu toate acestea, dacă inspectăm ultima proporție de supraviețuire cumulativă a curbelor, putem vedea că proporția participanților care nu au reluat fumatul până la sfârșitul studiului nu pare a fi diferită între grupurile de intervenție (la aproximativ 10%). Vom analiza dacă aceste curbe de supraviețuire sunt semnificativ diferite statistic mai târziu.,
Notă: după ce a inspectat cumulativă de supraviețuire complot în secțiunea precedentă, este o idee bună să se uite la elemente descriptive din rezultate folosind mediile și Medianele pentru Supraviețuire Timp de masa. Acest lucru va ajuta la clarificarea diferitelor perioade de supraviețuire pentru grupurile dvs. Pentru a face acest lucru, trebuie să interpretați valorile mediane și intervalele lor de încredere de 95%. Puteți, de asemenea, să trasați timpii mediani de supraviețuire ai grupurilor deasupra parcelei de supraviețuire ilustrate mai sus., În ghidul nostru îmbunătățit Kaplan-Meier, vă explicăm cum să interpretați și să raportați rezultatele statisticilor SPSS din mijloacele și mediile pentru tabelul de timp de supraviețuire.
SPSS Statistics
Alegerea între teste statistice: log rank test, Breslow de testare și Tarone-Ware test
Există trei teste statistice care pot fi selectate în SPSS Statistics care testa dacă supraviețuirea funcții sunt egale., Acestea sunt testului log rank (Mantel, 1966), Breslow test (Breslow, 1970; Gehan, 1965) și Tarone-Ware test (Tarone & Ware, 1977), toate din care am selectat pentru a fi produse în cadrul Procedurii de Testare în SPSS Statistics secțiunea de mai sus. Aceste trei teste sunt prezentate în Ansamblu Comparații masă, așa cum se arată mai jos:
Publicat cu permisiunea scrisă din SPSS Statistics, IBM Corporation.toate cele trei teste compară o diferență ponderată între numărul observat de evenimente (adică.,, reluarea fumatului) și numărul de evenimente așteptate în fiecare moment, dar diferă în modul în care calculează greutatea. Discutăm diferențele dintre aceste trei teste statistice și ce test să alegem în ghidul nostru îmbunătățit Kaplan-Meier. este destul de comun să constatăm că toate cele trei teste vă vor conduce la aceeași concluzie (adică.,, toți vor respinge ipoteza nulă sau toți nu vor), dar testul pe care îl alegeți ar trebui să depindă de modul în care vă așteptați ca distribuțiile de supraviețuire să difere, astfel încât să utilizeze cel mai bine diferitele ponderi pe care fiecare test le atribuie punctelor de timp (adică crește puterea statistică). Din păcate, nu vă puteți baza pe faptul că există cel mai bun test – va depinde de datele dvs. Dacă alegeți abordarea de a alege un anumit test, va trebui să faceți acest lucru înainte de a analiza datele., Nu ar trebui să le rulați pe toate și apoi să alegeți pur și simplu cea care se întâmplă să aibă „cea mai bună” valoare p pentru studiul dvs. (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
în exemplul nostru, testul log rank este cel mai potrivit, așa că discutăm rezultatele acestui test în secțiunea următoare.,
SPSS Statistics
Compararea intervențiilor
Pentru a utiliza log rank test, aveți nevoie pentru a interpreta „Log Rank (Mantel-Cox)” rând în Ansamblu Comparații masă, așa cum a subliniat de mai jos:
Publicat cu permisiunea scrisă din SPSS Statistics, IBM Corporation.
testul log rank testează ipoteza nulă că nu există nicio diferență în distribuțiile globale de supraviețuire între grupurile (de exemplu, grupurile de intervenție) din populație., Pentru a testa această ipoteză nulă, testul log rank calculează o statistică χ2 (coloana” Chi-Square”), care este comparată cu o distribuție χ2 cu două grade de libertate (coloana” df”). Pentru a determina dacă distribuțiile de supraviețuire sunt semnificativ diferite din punct de vedere statistic, trebuie să consultați „Sig.”coloana care conține valoarea p pentru acest test. Puteți vedea că valoarea de semnificație a acestui test este .000. Acest lucru nu înseamnă că p=.000, dar că p <.0005., Dacă vrei să știi efective p-value, puteți face dublu-clic pe masă și hover mouse-ul peste relevante p-valoare, așa cum a subliniat de mai jos:
Publicat cu permisiunea scrisă din SPSS Statistics, IBM Corporation.acum Puteți vedea că valoarea p este de fapt .000002 (adică, p = .000002). Motivul pentru care apare inițial că p=.000 se datorează faptului că rezultatul este raportat numai în tabel cu 3 zecimale., Cu toate acestea, este rar să citați o valoare p atât de mică, astfel încât să puteți spune simplu că p < .0005.
Dacă p <.05, aveți un rezultat semnificativ statistic și puteți concluziona că distribuțiile de supraviețuire ale diferitelor tipuri de intervenție nu sunt egale în populație (adică nu sunt toate la fel). Pe de altă parte, dacă p > .05, nu aveți un rezultat semnificativ statistic și nu puteți concluziona că distribuțiile de supraviețuire sunt diferite în populație (adică.,, toate sunt la fel/egale). În acest exemplu, deoarece p=.000002, avem un rezultat semnificativ statistic. Adică, distribuțiile de supraviețuire sunt diferite în populație.
Notă: Dacă veți găsi că aveți diferențe semnificative statistic între supraviețuire distribuții, ca în exemplul nostru, ar trebui acum să interpreteze și să raporteze rezultate din Comparațiile pe Perechi de masă. Tabelul comparațiilor perechilor nu este produs automat utilizând pașii 13 din procedura de testare din secțiunea de statistici SPSS de mai sus., În schimb, va trebui să parcurgeți pași suplimentari în statisticile SPSS, pe care vi le arătăm în ghidul nostru îmbunătățit Kaplan-Meier. Puteți accesa Ghidul îmbunătățit Kaplan-Meier prin abonarea la Statisticile Laerd.