Details

<p>Über die Autoren 7</p> <p><b>Einleitung 17</b></p> <p>Über dieses Buch 17</p> <p>Was Sie nicht lesen müssen 18</p> <p>Konventionen in diesem Buch 18</p> <p>Törichte Annahmen über den Leser 19</p> <p>Wie dieses Buch aufgebaut ist 19</p> <p>Teil I: Medizinische Statistik – Gel(i)ebte Daten 19</p> <p>Teil II: Keine Forschung ohne Fundament - Grundlagen für einen gelungenen Start 19</p> <p>Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 20</p> <p>Teil IV: Blick über den Tellerrand - weiterführende Methoden 20</p> <p>Symbole, die in diesem Buch verwendet werden 20</p> <p><b>Teil I: Medizinische Statistik - Gel(i)ebte Daten 23</b></p> <p><b>Kapitel 1 Statistik und Medizin – wie passt das zusammen?</b> <b>25</b></p> <p>Medizinische Statistik, Biostatistik, medizinische Biometrie: Eine Begriffsbestimmung 26</p> <p>Wo wird medizinische Statistik gebraucht? 26</p> <p>Aufgabenbereiche der medizinischen Statistik 27</p> <p>Anwendung statistischer Methoden in medizinischen Forschungsprojekten 27</p> <p>Kommunikation mit medizinischen Anwendern 28</p> <p>Entwicklung neuer statistischer Methoden 28</p> <p>Literatur 29</p> <p><b>Kapitel 2 Besser beraten lassen - Hilfe holen erwünscht</b> <b>31</b></p> <p>Wo finden Sie biometrische Unterstützung? 31</p> <p>Vorbereitung auf einen Beratungstermin 33</p> <p>Welche Software brauchen Sie? 34</p> <p>SPSS - gut für Anwender 34</p> <p>R Project - Am Puls der neusten biometrischen Methoden 36</p> <p>SAS und STATA - validiert für die Industrie 36</p> <p>Literatur 37</p> <p><b>Teil II: Keine Forschung ohne Fundament - Grundlagen</b> <b>39</b></p> <p><b>Kapitel 3 Grundbegriffe und Studientypen</b> <b>41</b></p> <p>Grundlegende Begriffe empirischer Forschung in der Medizin 42</p> <p>Grundgesamtheit und Stichprobe 42</p> <p>Validität und Reliabilität 45</p> <p>Endpunkte 47</p> <p>Störgrößen und Verzerrung 49</p> <p>Verschiedene Studientypen unterscheiden 50</p> <p>Unterscheidung nach Zielsetzung - konfirmatorische versus explorative Studien 50</p> <p>Unterscheidung nach Blickrichtung - prospektive versus retrospective Studien 53</p> <p>Studientypen in der Primär- und Sekundärforschung 54</p> <p>Klinische Studie konzipieren - das Studiendesign 56</p> <p>Kontrolle ist besser - die Kontrollgruppe 57</p> <p>Zufällige Zuteilung - Randomisierung 59</p> <p>Denn Sie wissen nicht, was sie tun - Verblindung 65</p> <p>Noch einmal in Kürze 66</p> <p>Literatur 67</p> <p><b>Kapitel 4 Modelle für die Wirklichkeit</b> <b>69</b></p> <p>Was sind Wahrscheinlichkeiten? 70</p> <p>Modellannahmen, Verteilungen und Schätzung 72</p> <p>Merkmale und Verteilungen 72</p> <p>Zufallsfehler und Bias 78</p> <p>Gängige Verteilungsannahmen 80</p> <p>Die First Lady der Verteilungen – die Normalverteilung 80</p> <p>Die Binomialverteilung 85</p> <p>Weitere Verteilungen 88</p> <p>Literatur 91</p> <p><b>Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis</b> <b>93</b></p> <p><b>Kapitel 5 Die Kunst der Beschreibung - Deskriptive Statistik</b> <b>95</b></p> <p>Was ist das eigentlich - deskriptive Statistik? 96</p> <p>Wo brauchen Sie deskriptive Statistik? 97</p> <p>Merkmale unterscheiden - Skalenniveaus 99</p> <p>Methoden der Deskription 104</p> <p>Beschreibung kategorieller Merkmale 105</p> <p>Kennzahlen, Tabellen und Lagemaße 105</p> <p>Grafische Darstellung - Torten und Balken 108</p> <p>Beschreibung ordinalskalierter Merkmale 111</p> <p>Lage und Streuung - Median und Quartile 111</p> <p>Grafische Darstellung - der Boxplot 114</p> <p>Beschreibung intervall- und verhältnisskalierter Merkmale 117</p> <p>Lage und Streuung - Mittelwert und Standardabweichung 117</p> <p>Grafische Darstellung - Histogramme 122</p> <p>Wichtiges hervorheben, Unwichtiges weglassen 125</p> <p>Literatur 126</p> <p><b>Kapitel 6 Nachweis durch Kontrolle des Zufalls – Konfirmatorische Statistik</b> <b>127</b></p> <p>Konfirmatorisch, induktiv, schließend - eine Begriffsbestimmung 128</p> <p>Idee des statistischen Tests - der konfirmatorische Umweg 128</p> <p>Die sechs Schritte des statistischen Tests 130</p> <p>Von der Fragestellung zur Hypothese 130</p> <p>Die Formulierung der Fragestellung 131</p> <p>Formulierung der Null- und Alternativhypothese 132</p> <p>Einseitig und zweiseitig formulierte Hypothesen 134</p> <p>Was sagen die Daten? Von den Daten zur Testentscheidung 135</p> <p>Was ist extrem? Wahl einer geeigneten Teststatistik 136</p> <p>Verteilung der Teststatistik und kritischer Wert 138</p> <p>p-Wert und Signifikanzniveau 142</p> <p>Interpretation des Testergebnisses - nichts ist bewiesen 145</p> <p>Fehlentscheidungen und Fehlerwahrscheinlichkeiten 145</p> <p>Literatur 152</p> <p><b>Kapitel 7 t-Test & Co: Die Klassiker unter den Tests</b> <b>153</b></p> <p>Statistische Tests zum Vergleich von Erwartungswerten und anderen Lagemaßen 154</p> <p>Der t-Test für zwei unverbundene Stichproben 154</p> <p>Der t-Test für zwei unverbundene Stichproben mit unterschiedlichen Standardabweichungen 161</p> <p>Der t-Test für zwei verbundene Stichproben 163</p> <p>Die Varianzanalyse (ANOVA) für mehr als zwei unverbundene Stichproben 168</p> <p>Der U-Test für zwei unverbundene Stichproben 174</p> <p>Der Vorzeichen-Rang-Test nach Wilcoxon für zwei verbundene Stichproben 182</p> <p>Der Kruskal-Wallis-Test für mehr als zwei unverbundene Stichproben 187</p> <p>Statistische Tests zum Vergleich von Anteilen und Wahrscheinlichkeiten 190</p> <p>Der Chiquadrat-Test für zwei unverbundene Stichproben 191</p> <p>Der Chiquadrat-Test für allgemeine Kreuztabellen 197</p> <p>Der Binomialtest für eine Stichprobe 201</p> <p>Der McNemar-Test für zwei verbundene Stichproben 205</p> <p>Literatur 209</p> <p><b>Kapitel 8 Den Behandlungseffekt quantifizieren – Punktschätzer und Konfidenzintervalle</b> <b>211</b></p> <p>Quantifizierung des Effekts - der Punktschätzer 212</p> <p>Die Größe des Effekts - das Konfidenzintervall 214</p> <p>Signifikanz versus Relevanz - nicht zu verwechseln 222</p> <p>Punktschätzer und Konfidenzintervalle für verschiedene Datensituationen 225</p> <p>Punktschätzer und Konfidenzintervall für Erwartungswerte 227</p> <p>Punktschätzer und Konfidenzintervall für die Differenz zweier Erwartungswerte 229</p> <p>Punktschätzer und Konfidenzintervall für einen Anteil 232</p> <p>Punktschätzer und Konfidenzintervall für die Differenz zweier Anteile 236</p> <p>Literatur 238</p> <p><b>Kapitel 9 Was sonst noch wichtig ist - Vor und nach dem statistischen Test</b> <b>239</b></p> <p>Kontrolle des Fehlers 2 Art? Grundprinzip der Fallzahlplanung 240</p> <p>Mehr als eine Fragestellung - multiples Testen 252</p> <p>Adjustierung für multiples Testen 255</p> <p>Das Ergebnis einer Studie berichten 264</p> <p>Literatur 265</p> <p><b>Kapitel 10 Zusammenhänge und Vorhersage – Korrelation und Regression</b> <b>267</b></p> <p>Wie stark ist die Verbindung - Maße des Zusammenhangs 268</p> <p>Der Korrelationskoeffizient nach Pearson 270</p> <p>Der Korrelationskoeffizient nach Spearman 280</p> <p>Kendalls <i>τ </i>284</p> <p>Der <i>φ</i>-Koeffizient 285</p> <p>Regressionsmodelle 287</p> <p>Die lineare Regression 289</p> <p>Erweiterte (lineare) Regressionsmodelle 295</p> <p>Die logistische Regression 300</p> <p>Literatur 305</p> <p><b>Teil IV: Blick über den Tellerrand – weiterführende Methoden</b> <b>307</b></p> <p><b>Kapitel 11 Wer lebt länger? Analyse von Ereigniszeiten 309</b></p> <p>Was sind Ereigniszeitdaten? Zeiten, Ereignisse und Zensierungen 309</p> <p>Schätzung von Ereigniswahrscheinlichkeiten - Kaplan-Meier zeigt, wie es geht 313</p> <p>Gruppenvergleich - Überlebensfunktion, Hazards und Hazard Ratios 321</p> <p>Logrank-Test und Cox-Regression 323</p> <p>Literatur 325</p> <p><b>Kapitel 12 Methoden zur Bewertung der Diagnostik und Übereinstimmung</b> <b>327</b></p> <p>Diagnostische Studien 327</p> <p>Goldstandard und Referenzdiagnostik 328</p> <p>Güte von diagnostischen Tests - Sensitivität und Spezifität 329</p> <p>Prädiktive Werte und Satz von Bayes 333</p> <p>Die ROC-Kurve 337</p> <p>Literatur 344</p> <p><b>Kapitel 13 Ausgewählte Methoden epidemiologischer Studien</b> <b>345</b></p> <p>Verzerrungen vermeiden durch Matching 346</p> <p>Verschiedene Arten des Matchings 349</p> <p>Auswertung gematchter Daten 353</p> <p>Löcher in den Daten - Vom Umgang mit fehlenden Werten 353</p> <p>Fehlen die Daten zufällig? Mechanismen fehlender Werte 354</p> <p>Fehlende Werte ersetzen - Imputation 355</p> <p>Literatur 356</p> <p><b>Kapitel 14 Methodik von systematischen Reviews und Metaanalysen</b> <b>357</b></p> <p>Systematische Reviews und Metaanalysen in der Medizin 357</p> <p>Ablauf von systematischen Reviews und Metaanalysen 359</p> <p>Vom systematischen Review zur Metaanalyse – Gepoolte Effektschätzer 362</p> <p>Grafische Darstellung einer Metaanalyse - der Forest-Plot 365</p> <p>Homogenität und Heterogenität 366</p> <p>Publication Bias und Funnel-Plot 368</p> <p>Vor- und Nachteile von systematischen Reviews und Metaanalysen 370</p> <p>Literatur 371</p> <p><b>Teil V: Der Top-Ten-Teil</b> <b>373</b></p> <p><b>Zehn statistische Irrtümer</b> <b>375</b></p> <p>Irrtum 1: Statistische Tests liefern wertvollere Ergebnisse als descriptive Datenauswertungen 375</p> <p>Irrtum 2: Ein nicht-signifikantes Testergebnis deutet auf die Gültigkeit der Nullhypothese hin 376</p> <p>Irrtum 3: Der p-Wert ist die Wahrscheinlichkeit, dass die Nullhypothese richtig ist 376</p> <p>Irrtum 4: Ein kleiner p-Wert spricht immer für einen großen Effekt 377</p> <p>Irrtum 5: Bei Verwendung eines parametrischen Tests müssen die Daten normalverteilt sein 377</p> <p>Irrtum 6: Signifikante Ergebnisse sind immer auch klinisch relevant 377</p> <p>Irrtum 7: Alle p-Werte unter 5% sind signifikante Ergebnisse 378</p> <p>Irrtum 8: Für eine Fallzahlplanung werden nur ein paar Werte in eine Eingabemaske eingegeben 378</p> <p>Irrtum 9: Ein multivariates Regressionsmodell dient der Vorhersage einer Zielgröße aus mehreren Einflussgrößen 379</p> <p>Irrtum 10: Nur Studien mit signifikanten Ergebnissen sollten publiziert werden 379</p> <p>Stichwortverzeichnis 381</p>

Prof. Dr. Geraldine Rauch ist aktuell Direktorin des Instituts für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin. <br> <br> Dr. Konrad Neumann stammt aus München und ist zurzeit wissenschaftlicher Mitarbeiter am Institut für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin. <br> <br> PD Dr. Ulrike Grittner ist eine erfahrene Biostatistikerin und arbeitet am Institut für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin. <br> <br> Carolin Herrmann ist zurzeit wissenschaftliche Mitarbeiterin am Institut für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin.<br> <br> Dr. Jochen Kruppa leitet aktuell die Arbeitsgruppe Statistische Bioinformatik am Institut für Biometrie und Klinische Epidemiologie der Charité Universitätsmedizin Berlin. <br>

DE