SPSS Statistics
Output from using the Kaplan-Meier method in SPSS Statistics
SPSS Statistics genererar en hel del utdata för Kaplan-Meier-metoden: Överlevnadsfunktionerna och Censurerna, och ett antal tabeller: medel och medianer för överlevnadstid, Fallbearbetningsöversikt och övergripande jämförelsetabeller., Om du har statistiskt signifikanta skillnader mellan överlevnadsfunktionerna måste du också tolka jämförelsetabellen Pairwise, så att du kan bestämma var skillnaderna mellan dina grupper ligger. I avsnitten nedan fokuserar vi på den övergripande jämförelsetabellen, samt att röra på Överlevnadsfunktionerna plot.,
Obs! Om du är osäker på hur du tolkar och rapporterar beskrivande statistik från medelvärdet och medianerna för Överlevnadstabellen, eller procentsatserna från Sammanfattningstabellen för ärendehantering, som ingår i antagningstestet som vi diskuterade i Antagandesektionen tidigare, visar vi dig hur du gör det i vår förbättrade Kaplan-Meier-guide. Om du upptäcker att du har statistiskt signifikanta skillnader mellan dina överlevnadsfördelningar, förklarar vi också hur du tolkar och rapporterar jämförelsetabellen Pairwise., Du kommer också att behöva köra ytterligare procedurer i SPSS-statistiken för att utföra dessa parvisa jämförelser eftersom de 13 stegen i testproceduren i SPSS-Statistiksektionen ovan inte inkluderar förfarandet för parvisa jämförelser.
SPSS-Statistik
överlevnadsfunktioner
det första och bästa stället att börja förstå och tolka dina resultat är vanligtvis med plottet av de kumulativa överlevnadsfunktionerna för de olika grupperna av mellanämnena (dvs.,, de tre grupperna av intervention:” hypnoterapi programmet”,” nikotin patch ”och användning av” e-cigarett ” grupper). Detta är en plot av den kumulativa överlevnadsandelen mot tiden för varje interventionsgrupp och är märkt Överlevnadsfunktionerna plot i SPSS-Statistik. Denna plot visas nedan:
publicerad med skriftligt tillstånd från SPSS Statistics, IBM Corporation.
diagrammet ovan hjälper dig att förstå hur överlevnadsfördelningarna jämför mellan grupper., En användbar funktion av tomten är att illustrera om överlevnadskurvorna korsar varandra (dvs om det finns en ”interaktion” mellan överlevnadsfördelningar). Detta har konsekvenser för kraften i de statistiska testerna för att upptäcka skillnader mellan överlevnadsfördelningarna. Dessutom bör du bestämma om överlevnadskurvorna är likartade formade, även om de är över eller under varandra. Detta har konsekvenser för valet av statistiskt test som används för att analysera resultaten från Kaplan-Meier-metoden (dvs,, oavsett om du använder log rank test, Breslow test eller taron-Ware test, som diskuteras senare).
den ”händelse” du är intresserad av anses vanligtvis vara skadlig (t.ex. misslyckande eller död). Därför är det inte något du vill uppstå. Allt annat är lika (t.ex. censurering av fall), ju fler händelser som uppstår, desto lägre kumulativ överlevnadsandel och den lägre (dvs på y-axeln) överlevnadskurvan på grafen., Som sådan anses en gruppöverlevnadskurva som visas ”över” en annan grupps överlevnadskurva vanligtvis visa en fördelaktig / fördelaktig effekt.
Vi kan se från vår tomt att den kumulativa överlevnadsgraden verkar vara mycket högre i hypnoterapigruppen jämfört med nikotinplåstret och e-cigarettgrupperna, som inte verkar skilja sig avsevärt (även om nikotinplåsterinterventionen verkar ha en liten fördel på överlevnad; det vill säga färre deltagare återupptar rökning)., Det verkar som hypnoterapi programmet förlänger avsevärt tiden tills deltagarna återuppta rökning (dvs händelsen) jämfört med de andra interventioner. Men om vi inspekterar kurvornas sista kumulativa överlevnadsandel kan vi se att andelen deltagare som inte hade återupptagit rökning i slutet av studien inte verkar vara så olika mellan interventionsgrupperna (vid cirka 10%). Vi kommer att undersöka om dessa överlevnadskurvor är statistiskt signifikant olika senare.,
Obs! efter att ha inspekterat den kumulativa överlevnadsplanen i föregående avsnitt är det en bra idé att titta på de beskrivande elementen från dina resultat med hjälp av medel och medianer för Överlevnadstabellen. Detta kommer att bidra till att klargöra de olika överlevnadstiderna för dina grupper. För att göra detta måste du tolka medianvärdena och deras 95% konfidensintervall. Du kan också rita medianöverlevnadstiderna för grupperna ovanpå överlevnadsplanen som illustreras ovan., I vår förbättrade Kaplan-Meier guide förklarar vi hur vi tolkar och rapporterar SPSS-statistikproduktionen från medel och medianer för Överlevnadstidtabellen.
SPSS Statistik
välja mellan statistiska tester: log rank test, Breslow test och taron-Ware test
det finns tre statistiska tester som kan väljas i SPSS Statistik som testar om överlevnadsfunktionerna är lika., Dessa är de log rank test (Mantel, 1966), Breslow test (Breslow, 1970; Gehan, 1965) och Tarone-Ware test (Tarone & Ware, 1977), som vi valt att produceras i Provet i SPSS Statistics avsnittet ovan. Dessa tre tester presenteras i jämförelsetabellen som visas nedan:
publicerad med skriftligt tillstånd från SPSS Statistics, IBM Corporation.
alla tre testerna jämför en viktad skillnad mellan det observerade antalet händelser (dvs., antalet förväntade händelser vid varje tidpunkt, men skiljer sig åt i hur de beräknar vikten. Vi diskuterar skillnaderna mellan dessa tre statistiska tester och vilket test som ska väljas i vår förbättrade Kaplan-Meier guide.
det är ganska vanligt att finna att alla tre tester kommer att leda dig till samma slutsats (dvs.,, de kommer alla att avvisa nollhypotesen eller de kommer alla inte), men vilket test du väljer bör bero på hur du förväntar dig att överlevnadsfördelningarna skiljer sig åt för att bäst använda de olika viktningarna varje test tilldelar tidpunkterna (dvs öka statistisk kraft). Tyvärr kan du inte lita på att det finns ett bästa test-det beror på dina data. Om du väljer tillvägagångssättet att välja ett visst test måste du göra detta innan du analyserar dina data., Du borde inte köra dem alla och välj sedan bara den som råkar ha det ”bästa” p-värdet för din studie (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
i vårt exempel är log rank-testet det mest lämpliga, så vi diskuterar resultaten från detta test i nästa avsnitt.,
SPSS Statistik
jämförelse av interventioner
för att använda log rank test måste du tolka raden ”Log Rank (mantel-Cox)” i den övergripande jämförelsetabellen, som markeras nedan:
publicerad med skriftligt tillstånd från SPSS Statistics, IBM Corporation.
log rank test testar nollhypotesen att det inte finns någon skillnad i den totala överlevnadsfördelningen mellan grupperna (t.ex. interventionsgrupper) i befolkningen., För att testa denna nollhypotes beräknar log rank-testet en χ2-statistik (”Chi-Square” – kolumnen), som jämförs med en χ2-fördelning med två frihetsgrader (”DF” – kolumnen). För att avgöra om överlevnadsfördelningarna är statistiskt signifikant olika måste du konsultera ”Sig”.”kolumn som innehåller p-värdet för detta test. Du kan se att betydelsen av detta test är .000. Detta betyder inte att p = .000, men att p < .0005., Om du vill veta det faktiska p-värdet kan du dubbelklicka på tabellen och hålla muspekaren över det relevanta p-värdet, vilket markeras nedan:
publicerad med skriftligt tillstånd från SPSS Statistics, IBM Corporation.
Du kan nu se att p-värdet faktiskt är .000002 (dvs, p = .000002). Anledningen till att det ursprungligen visade att p = .000 beror på att resultatet endast rapporteras i tabellen med 3 decimaler., Det är dock sällsynt att du citerar ett så litet p-värde, så du kan enkelt ange att p < .0005.
om p <.05, du har ett statistiskt signifikant resultat och kan dra slutsatsen att överlevnadsfördelningen av de olika typerna av ingrepp inte är lika i befolkningen (dvs de är inte alla samma). Å andra sidan, om p > .05, du har inget statistiskt signifikant resultat och kan inte dra slutsatsen att överlevnadsfördelningarna är olika i befolkningen (dvs., de är alla samma/lika). I det här exemplet, eftersom p = .000002, vi har ett statistiskt signifikant resultat. Det vill säga överlevnadsfördelningarna är olika i befolkningen.
Obs! Om du upptäcker att du har statistiskt signifikanta skillnader mellan dina överlevnadsfördelningar, som vi gör i vårt exempel, måste du nu tolka och rapportera resultat från jämförelsetabellen Pairwise. Jämförelsetabellen Pairwise produceras inte automatiskt med de 13 stegen i provningsförfarandet i avsnittet SPSS-Statistik ovan., Istället måste du köra ytterligare steg i SPSS-Statistik, som vi visar dig i vår förbättrade Kaplan-Meier guide. Du kan komma åt den förbättrade Kaplan-Meier guide genom att prenumerera på Laerd statistik.