MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Survey-PHREG

Survey-PHREGanaliz

Ağırlıklı, tabakalı ve kümeli bir örneklem tasarımıyla toplanmış (ör. ulusal sağlık araştırması) sağkalım verisinde, Cox regresyonunu evrenin tamamını temsil edecek biçimde kestiren ve standart hataları örneklem tasarımına göre hesaplayan yöntem.

Kavram

Ulusal araştırmalarda katılımcılar basit rastgele seçilmez: ülke önce bölgelere (tabakalar) ayrılır, her bölgede birkaç mahalle ya da köy (birincil örnekleme birimi, PSU) seçilir, sonra bu birimlerde haneler seçilir. Bazı gruplar bilinçli olarak fazla örneklenir. Bu yüzden her katılımcı evrende farklı sayıda kişiyi temsil eder ve aynı mahalledeki kişiler birbirine benzer. Bu tasarımı yok sayan sıradan bir Cox regresyonu hem evreni temsil etmeyen kestirimler hem de yanlış standart hatalar üretir.

Tasarıma dayalı Cox modeli üç bileşeni hesaba katar. Ağırlıklar (seçilme olasılığının tersi) kısmi olabilirliğe girer; böylece tehlike oranları örneklemin değil evrenin tehlike oranlarını kestirir (sözde en çok olabilirlik). Kümeler ve tabakalar ise varyans hesabına girer: varyans, kümelerin katkılarının tabaka içindeki dağılımından Taylor doğrusallaştırmasıyla ya da jackknife, BRR, bootstrap gibi replikasyon yöntemleriyle hesaplanır. Serbestlik derecesi gözlem sayısına değil, küme ve tabaka sayısına göre belirlenir (yaklaşık PSU sayısı eksi tabaka sayısı).

Tehlike oranı sıradan Cox'taki gibi okunur, ama 'evrende' anlamına gelir. Ağırlıklı olabilirlik gerçek bir olabilirlik olmadığından log-olabilirlik ve AIC model karşılaştırmasında kullanılmamalıdır; testler Wald türündendir. Tasarım etkisi (DEFF), tasarımın varyansı basit rastgele örnekleme göre ne kadar büyüttüğünü ya da küçülttüğünü gösterir. Orantılı tehlikeler ve bilgi taşımayan sansür varsayımları geçerliliğini korur.

Ne zaman kullanılır?

  • Sağkalım verisi örnekleme ağırlıkları, tabakalar ve kümeler içeren bir olasılık örnekleminden geliyorsa ve sonuçların evrene genellenmesi gerekiyorsa (ulusal sağlık ve beslenme araştırmaları, hane kohortları).
  • Yalnız bir alt grup (ör. kadınlar ya da belirli bir yaş grubu) incelenecekse veriyi kesmek yerine alt evren seçeneği kullanılır; aksi hâlde standart hatalar yanlış hesaplanır.
  • Veri tasarlanmış bir örneklemden gelmiyorsa ve yalnız aynı kişiden birden çok gözlem varsa küme-sağlam (marjinal) Cox modeli yeterlidir; ağırlık ve tasarım yoksa sıradan Cox regresyonu kullanılır.

Gündelik bir örnek

Bir ulusal sağlık araştırmasında 81 ilden tabakalı ve kümeli bir örneklemle 12 000 yetişkin seçilmiş ve 10 yıl izlenmiş; kırsal bölgeler bilinçli olarak fazla örneklenmiş. Araştırmacı sigara içmenin kalp hastalığına kadar geçen süreye etkisini evren düzeyinde kestirmek istiyor. Survey-PHREG her katılımcıyı temsil ettiği nüfus kadar ağırlıklandırır, aynı köyden seçilenlerin benzerliğini standart hataya yansıtır ve örneğin 'Türkiye'deki yetişkinlerde sigara içenlerin kalp hastalığı tehlikesi içmeyenlerin 1,8 katıdır' gibi bir sonuç verir.

MerQur'da parametreler

Ağırlık

Kavram: Örnekleme ağırlığı, bir katılımcının evrende kaç kişiyi temsil ettiğini gösterir ve seçilme olasılığının tersidir. Ağırlıklar kestirime girdiğinde tehlike oranları, örneklemin değil evrenin bileşimini yansıtır.

Gündelik örnek: Kırsal bölgeler fazla örneklendiyse bir köylü katılımcı 500, bir kentli katılımcı 2000 kişiyi temsil edebilir. Ağırlık kullanılmazsa sonuçlar kırsal kesimin gerçekte olduğundan daha büyük bir pay aldığı bir 'ülke' için geçerli olur.

Ne işe yarar: Örnekleme ağırlığı (seçilme olasılığının tersi). Kısmi olabilirlik ve skor artıkları ağırlıklandırılır (sözde en çok olabilirlik, Binder 1992); nokta kestirimi evren düzeyi Cox parametresini hedefler.

Sonuca etkisi: Katsayıyı ve SE'yi değiştirir; ağırlık oranları önemlidir, ölçek önemsizdir.

Doğrulama verisinde: LibrarySurvey Age katsayısı ağırlıklı kestirimde 0.0825012, ağırlık kaldırıldığında 0.0817383; SE 0.00968136 ve 0.00983326.

→ Örneklem ağırlığı (tasarım ağırlığı)

Küme / PSU

Kavram: Birincil örnekleme birimi (PSU), örneklemenin ilk aşamasında seçilen kümedir (mahalle, köy, okul). Aynı kümedeki kişiler birbirine benzediğinden bilgi miktarı kişi sayısının düşündürdüğünden azdır; varyans küme toplamlarının dağılımından hesaplanır.

Gündelik örnek: Aynı köyden seçilen 30 kişi benzer beslenme alışkanlıklarına ve sağlık hizmetine sahiptir; 30 bağımsız kişi kadar bilgi taşımazlar. PSU belirtildiğinde sigara etkisinin standart hatası bu benzerliği hesaba katarak genellikle büyür.

Ne işe yarar: Birincil örnekleme birimi. Aynı PSU'daki gözlemlerin skor artıkları toplanır; varyans PSU toplamlarının dağılımından (yerine koymalı Taylor sandviç) hesaplanır.

Sonuca etkisi: Yalnız SE, t, p, GA ve serbestlik derecesi (PSU sayısı - tabaka sayısı); katsayı değişmez.

Doğrulama verisinde: LibrarySurvey: Age SE PSU'suz 0.00968136, PSU ile 0.00995485; t 8.52165 ve 8.28754; sd 90 ve 36.

→ Birincil örneklem birimi (PSU) ve küme örneklemesi

Tasarım tabakası

Kavram: Tasarım tabakaları, PSU'ların ayrı ayrı seçildiği alt evrenlerdir (bölge, il). Tabakalama, tabakalar arası farkları varyanstan ayıkladığı için çoğu zaman standart hataları küçültür.

Gündelik örnek: Her ilden ayrı ayrı köy ve mahalle seçildiyse il tasarım tabakasıdır. Varyans illerin kendi içindeki dağılıma göre hesaplanır; iller arası doğal farklılık belirsizliğe eklenmez.

Ne işe yarar: PSU'lar tabaka içinde seçilmiştir; PSU toplamları tabaka içinde merkezlenir (Σ_h n_h/(n_h-1) Σ (U_hj - Ū_h)²).

Sonuca etkisi: SE (genellikle küçülür) ve sd (PSU - tabaka); katsayı değişmez. Temel tehlike tabakasıyla karıştırılmamalıdır.

Doğrulama verisinde: LibrarySurvey ağırlıklı koşuda Age SE tabakasız 0.00968136, tabakalı 0.00952815.

→ Tabakalı örnekleme (tasarım tabakası)

Temel tehlike tabakası

Kavram: Temel tehlike tabakası, örneklem tasarımıyla değil modelle ilgilidir: her tabakaya kendi taban tehlikesi tanınır, kovaryatların etkisi ise ortak kabul edilir. Orantılı tehlikeler varsayımını bozan bir değişkeni ayıklamak için kullanılır.

Gündelik örnek: Kalp hastalığı riski kadınlarda ve erkeklerde yaşla farklı biçimde artıyorsa cinsiyet temel tehlike tabakası yapılır. Sigaranın tehlike oranı iki cinsiyet için ortak kestirilir.

Ne işe yarar: Her tabakaya ayrı (serbest) temel tehlike, ortak regresyon katsayıları (tabakalı Cox).

Sonuca etkisi: Katsayıyı ve SE'yi değiştirir (risk kümeleri tabaka içinde kurulur); tabaka değişkeninin kendi etkisi kestirilmez.

Doğrulama verisinde: Blind, Type tabakası: Treat_Others katsayısı tabakasız 0.425026, tabakalı 0.783132; SE 0.185475 ve 0.149501.

→ Tabakalı analiz (tabaka değişkeni)

Sonlu evren düzeltmesi (FPC)

Kavram: Sonlu evren düzeltmesi, yerine koymadan yapılan örneklemede evrenin büyük bir kısmı seçildiğinde varyansı küçültür: tüm birimler seçilseydi örnekleme belirsizliği kalmazdı. Örnekleme oranı küçükse düzeltmenin etkisi ihmal edilebilir.

Gündelik örnek: Küçük bir ilde 40 köyün 30'u seçildiyse evrenin çoğu gözlenmiştir ve belirsizlik azalır. Büyük bir ilde 2000 köyden 30'u seçildiyse düzeltme neredeyse hiçbir şeyi değiştirmez.

Ne işe yarar: İadesiz örneklemede tabaka katkısı (1 - f_h) ile çarpılır. Değer ≤ 1 ise örnekleme oranı f_h, > 1 ise tabakadaki evren PSU sayısı N_h'dir (f_h = n_h/N_h).

Sonuca etkisi: Yalnız SE küçülür; katsayı ve sd değişmez. İki gösterim aynı sonucu verir.

Doğrulama verisinde: LibrarySurvey: Age SE FPC'siz 0.00968136, FPC ile 0.00963763 (N_h ve f_h girişi aynı sonucu verir).

→ Sonlu anakütle düzeltmesi (FPC)

Alt evren (domain) değişkeni ve Alt evren değeri

Kavram: Alt evren analizi, modeli yalnız belirli bir alt grup için kurar ama varyans hesabında örneklem tasarımının tamamını korur. Veriyi alt gruba göre kesmek, bazı kümelerin ve tabakaların kaybolmasına yol açtığı için standart hataları yanlış hesaplar.

Gündelik örnek: Sigara etkisi yalnız kadınlarda incelenmek isteniyorsa 'cinsiyet = kadın' alt evren olarak tanımlanır. Erkekler model kestirimine girmez, ama tasarım bilgisi (hangi köyler, hangi iller) varyans hesabında kalır.

Ne işe yarar: Model yalnız alan içindeki gözlemlerle kurulur, ancak tasarımın tamamı varyans kestiriminde kalır (alan dışı skor katkısı sıfırdır). Değer boş bırakılırsa açık hata verilir.

Sonuca etkisi: Katsayı alt örneklemden; SE ve sd tüm tasarımdan. Veriyi süzmekten farklıdır (Lumley 2010, bölüm 2.3).

Doğrulama verisinde: Doğrulama verisi sas_mortality (referans son düzey), POVARIND_k1: tüm evren katsayı 0.384961, SE 0.0775857 (n = 1668); GENDER = 1 alanı 0.424922, SE 0.156583 (n = 813).

→ Alan (alt anakütle) tahmini

Bağ (ties) yöntemi (Efron / Breslow)

Kavram: Aynı zamanda birden fazla olay olduğunda (bağ) kısmi olabilirliğin nasıl hesaplanacağını belirler. Efron yaklaşımı genellikle daha doğrudur; olay zamanları kaba ölçüldüyse ve bağ çoksa iki yöntem belirgin biçimde farklı sonuç verebilir.

Gündelik örnek: Olay zamanı yalnız yaş (tam yıl) olarak kaydedildiyse aynı yaşta birçok kişi kalp hastalığına yakalanmış görünür. Bu kadar çok bağda Efron, Breslow'dan daha güvenilir bir tehlike oranı verir.

Ne işe yarar: Bağlı olay süreleri için kısmi olabilirlik yaklaşımı.

Sonuca etkisi: Katsayı ve SE; bağ sayısı arttıkça fark büyür.

Doğrulama verisinde: LibrarySurvey Age katsayısı Efron'da 0.0825012, Breslow'da 0.0615929 (SE 0.00968136 ve 0.0083655).

→ Bağ yöntemi (Efron, Breslow, kesin)

Kategorik referans (ilk düzey / son düzey)

Kavram: Metin olarak kodlanmış bir kategorik değişkende temel düzeyin alfabetik olarak ilk mi yoksa son düzey mi olacağını belirler. Temel düzey değişince katsayının işareti ve karşılaştırılan grup değişir, modelin kendisi değişmez.

Gündelik örnek: Sigara durumu 'içen / içmeyen' olarak kodlandıysa ilk düzey referansta 'içmeyen' grubu 'içen'e göre, son düzey referansta tersi okunur; tehlike oranları birbirinin tersidir (ör. 1,8 ve 0,56).

Ne işe yarar: Metin kategorik değişkenlerde temel düzey (alfabetik sıraya göre).

Sonuca etkisi: Kukla parametrelemesi; model ve uyum aynı, katsayılar referansa göre yeniden ifade edilir.

Doğrulama verisinde: Blind: ilk düzey referansla Treat_Others 0.425026, son düzey referansla Treat_Laser -0.425026 (SE 0.185475).

→ Referans kategori (karşılaştırma düzeyi)

Varyans yöntemi (Taylor doğrusallaştırma / Jackknife (JK1 / JKn) / BRR (dengeli yarım örneklem) / Fay BRR / Bootstrap (Rao-Wu) / Hazır replikasyon ağırlıkları)

Kavram: Tasarıma dayalı varyansın nasıl hesaplanacağını belirler. Taylor doğrusallaştırma, küme katkılarından doğrudan bir formülle varyans hesaplar; jackknife ise her seferinde bir PSU'yu çıkarıp modeli yeniden kestirir ve kestirimlerin ne kadar oynadığına bakar.

Gündelik örnek: Jackknife'ta 160 köy ve mahallenin her biri sırayla çıkarılıp sigara etkisi 160 kez yeniden hesaplanır; etki köyden köye çok oynuyorsa standart hata büyüktür. Taylor yöntemi aynı bilgiyi tek bir hesapla yaklaşık olarak verir.

Ne işe yarar: Taylor doğrusallaştırma ya da tasarımdan türetilen jackknife (her PSU sırayla silinir; aynı tabakadaki PSU'lar n_h/(n_h-1) ile ağırlıklandırılır).

Sonuca etkisi: Yalnız SE, t, p ve GA.

Doğrulama verisinde: LibrarySurvey Age SE: Taylor + Breslow 0.0083655, JKn 0.00915617 (t 7.36273 ve 6.72693); Efron: Taylor 0.00995485, JKn 0.0105558.

→ Taylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleri

Jackknife sapma merkezi (Replikasyon ortalaması (R varsayılanı) / Tam örneklem tahmini (SAS, mse))

Kavram: Jackknife varyansında sapmaların neye göre ölçüleceğini belirler: replikasyon kestirimlerinin ortalamasına ya da tam örneklem kestirimine göre. İki seçenek genellikle neredeyse aynı sonucu verir; fark, sonuçları başka programlarla birebir eşleştirmek için önemlidir.

Gündelik örnek: Sigara katsayısının jackknife standart hatası iki merkezle 0,09156 ve 0,09159 çıkabilir. Bu fark yorum açısından önemsizdir; yalnız başka bir yazılımla ondalık düzeyinde karşılaştırma yapılıyorsa ayar eşleştirilir.

Ne işe yarar: Jackknife varyansında sapmaların merkezi: replikasyon ortalaması ya da tam örneklem tahmini (MSE biçimi). Yalnızca jackknife seçiliyken etkindir.

Sonuca etkisi: Yalnız jackknife SE'si (ve t, p, GA); tam örneklem merkezi her zaman ortalama merkezli varyanstan büyük ya da ona eşittir.

Doğrulama verisinde: LibrarySurvey, Age, Breslow: ortalama merkezli SE 0.00915617, tam örneklem 0.00915868 (dört anlamlı basamakta 0.009159).

→ Jackknife

Varyans yöntemi: BRR (dengeli yarım örneklem), Fay BRR, Bootstrap (Rao-Wu), Hazır replikasyon ağırlıkları

Kavram: Replikasyon yöntemleri, ağırlıkları belirli kurallara göre değiştirerek birçok 'yeniden örneklem' oluşturur ve modeli her birinde yeniden kestirir; kestirimlerin dağılımı varyansı verir. BRR her tabakadan iki PSU'dan birini seçer, Fay yöntemi bunu daha yumuşak ağırlıklarla yapar, bootstrap PSU'ları yerine koyarak çeker; bazı ulusal araştırmalar ise hazır replikasyon ağırlıklarıyla yayımlanır.

Gündelik örnek: Araştırma kurumu gizliliği korumak için köy kimliklerini paylaşmayıp veri setine 80 replikasyon ağırlığı sütunu eklediyse 'hazır replikasyon ağırlıkları' seçilir. Sigara etkisi 80 kez yeniden hesaplanır ve standart hata bu 80 değerin dağılımından gelir.

Ne işe yarar: Varyansı replikasyon ağırlıklarıyla kestirir; her replikasyonda ağırlıklar w x çarpan ile değiştirilip Cox modeli yeniden kestirilir. BRR tabaka başına tam 2 PSU ister (Hadamard matrisi, ölçek 1/K, K replikasyon sayısı); Fay çarpanları 2 - rho ve rho; bootstrap (Rao-Wu) tabaka başına n_h - 1 PSU çeker, ölçek 1/(K - 1); hazır seçenek veri setindeki replikasyon sütunlarını kullanır.

Sonuca etkisi: Yalnız SE, t, p ve GA değişir; katsayılar aynıdır. Serbestlik derecesi rank(replikasyon ağırlıkları) - 1'dir.

Doğrulama verisinde: Benzetim verisinde (7 tabaka x 2 PSU) x'in SE'si BRR 0.0953459251565, Fay (rho = 0.3) 0.0875397143335, Taylor 0.0822418608093. mortality BRR SE 0.1013; BRR SE'si kullanılan Hadamard matrisine bağlıdır.

→ Taylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleri

Fay katsayısı (rho), Bootstrap replikasyon sayısı, Replikasyon ağırlık sütunları, Replikasyon türü (JK1 / JKn / BRR / Fay / bootstrap / other), Ölçek (scale), Replikasyon ölçekleri (rscales)

Kavram: Replikasyon yöntemlerinin ayrıntılarıdır: Fay katsayısı ağırlıkların ne kadar yumuşak değiştirileceğini, bootstrap replikasyon sayısı kaç yeniden örneklem çekileceğini, ölçek ise replikasyon sapmalarının varyansa hangi çarpanla dönüştürüleceğini belirler. Hazır ağırlıklarda bu bilgiler veriyi yayımlayan kurumun belgelerinden alınır.

Gündelik örnek: Araştırma belgesi 'Fay yöntemi, rho = 0,5, 80 replikasyon' diyorsa bu değerler aynen girilir. Yanlış bir ölçek seçilirse standart hata sistematik olarak büyük ya da küçük çıkar, katsayının kendisi değişmez.

Ne işe yarar: Yönteme göre etkinleşen yardımcı alanlar: Fay rho (varsayılan 0.5), bootstrap replikasyon sayısı (varsayılan 500), hazır replikasyon sütunları, replikasyon türü (varsayılan ölçeği belirler, K replikasyon sayısı: JK1 (K - 1)/K, BRR 1/K, bootstrap 1/(K - 1), other 1), ölçek (boşsa türün varsayılanı, kesir yazılabilir) ve rscales.

Sonuca etkisi: Yalnız replikasyon varyansının ölçeğini ve çarpanlarını, dolayısıyla SE, t, p ve GA'yı değiştirir. Taylor ya da jackknife seçiliyken bu alanlar kullanılmaz.

Doğrulama verisinde: Fay rho = 0.3 için SE (x) 0.0875397143335, BRR için 0.0953459251565. Bootstrap K = 50 için ölçek 1/49'dur.

→ Taylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleri

Ek çıktılar: Tasarım etkisi (DEFF), Artıkları kaydet

Kavram: Tasarım etkisi (DEFF), bir katsayının tasarıma dayalı varyansının aynı ağırlıklarla basit rastgele örneklem varsayılarak hesaplanacak varyansa oranıdır. DEFF > 1 kümelemenin bilgiyi azalttığını, DEFF < 1 tabakalamanın kesinliği artırdığını gösterir. Artıklar modelin uyumunu ve etkili gözlemleri incelemek için veri setine kaydedilebilir.

Gündelik örnek: Sigara katsayısının DEFF'i 1,5 ise kümeli tasarım yüzünden 12 000 kişilik örneklem, yaklaşık 8000 kişilik basit rastgele örneklem kadar bilgi taşır. DEFF 0,7 ise tabakalama sayesinde örneklem beklenenden daha verimlidir.

Ne işe yarar: DEFF, katsayı varyansının aynı ağırlıklarla basit rastgele (iadeli) örneklem varyansına oranıdır ve katsayı tablosuna sütun ekler. Kaydetme seçeneği martingale, deviance ve (ağırlıklı) dfbeta artıklarını veri setine ekler.

Sonuca etkisi: Sonuç tablolarını değiştirmez; yalnız ek sütun ve özet satırı.

Doğrulama verisinde: Doğrulama verisi sas_mortality, POVARIND_k1 DEFF = 0.64589 (tüm evren) ve 0.79563 (GENDER = 2 alanı).

→ Tasarım etkisi (DEFF)

Güven Düzeyi (%90 / %95 / %99 / Diğer (özel), 80 ile 99.9)

Kavram: Tehlike oranlarının güven aralığının düzeyini belirler. Aralık, gözlem sayısına değil tasarımın serbestlik derecesine (yaklaşık PSU sayısı eksi tabaka sayısı) dayanan t dağılımıyla kurulur.

Gündelik örnek: 12 000 kişi olsa da 81 ilde seçilmiş 160 köy ve mahalleden oluşan bir tasarımda serbestlik derecesi yaklaşık 160 - 81 = 79'dur. Bu nedenle sigaranın tehlike oranı için %95 güven aralığı, kişi sayısının düşündürdüğünden biraz daha geniş çıkar.

Ne işe yarar: HR güven aralığının düzeyi (t(sd) kantili).

Sonuca etkisi: Yalnız HR alt ve üst sınırları.

Doğrulama verisinde: %90, %99, %97.5 ve %80 koşularında yalnızca aralık sınırları değişir.

→ Güven düzeyi ve güven aralığı

Gerçek veride örnek

Veri: Yorum: ders verisi mortality22x2_rep (SAS SURVEYPHREG Örnek 3 mortality, 22 tabaka x 2 PSU + BRR ağırlıkları; n = 1458, 630 ölüm, 44 PSU, sd 22). Parametre örneklerindeki mortality değerleri doğrulama verisi sas_mortality'den (1891 satır, eksik çıkınca 1668, 55 PSU, sd 33); diğer örnekler LibrarySurvey ve Blind verilerinden.

Değişkenler: süre AGE, olay DEAD, prediktör POVARIND_k (yoksulluk), ağırlık SWEIGHT, PSU VARPSU, tabaka VARSTRATA

  • Soru: Karmaşık örneklem tasarımlı ulusal bir ölüm araştırmasında (ders verisi mortality22x2_rep; n = 1458, 630 ölüm; 22 tabaka, 44 PSU) yoksulluk durumu (POVARIND) yaşa göre ölüm tehlikesiyle ilişkili mi?
  • Tasarım: Örnekleme ağırlığı SWEIGHT ile evren düzeyi kestirim; PSU ve tabakaya dayalı Taylor doğrusallaştırma (sandviç) varyansı; serbestlik derecesi PSU - tabaka = 22.
  • Sonuç: POVARIND k2 düzeyinin (referans ilk düzey k1) katsayısı -0.3835 (SH 0.0877, t(22) = -4.37, p = 0.00024); HR = 0.6815, %95 GA [0.568, 0.817]. k2 grubunda ölüm tehlikesi k1'e göre yaklaşık %32 düşüktür.
  • Genel test: Wald F(1, 22) = 19.12, p = 0.00024 (tek parametrede t² = F).
  • Sınırlılık: Ağırlıklı (sözde) olabilirlik nedeniyle log-olabilirlik ve AIC ağırlıkların ölçeğinde büyüktür ve model karşılaştırması için kullanılmamalıdır; tasarımı yok sayan sıradan Cox SH'yi (0.1306) farklı verir.
  • APA: Tasarım tabanlı Cox regresyonunda POVARIND, b = -0.38, SH = 0.09, t(22) = -4.37, p < .001, HR = 0.68, %95 GA [0.57, 0.82], ölüm tehlikesini anlamlı yordamıştır.

İlgili kavramlar

Bağ yöntemi (Efron, Breslow, kesin)JackknifeTaylor doğrusallaştırması ve yineleme (replikasyon) varyans yöntemleriBirincil örneklem birimi (PSU) ve küme örneklemesiTabakalı analiz (tabaka değişkeni)Sonlu anakütle düzeltmesi (FPC)Alan (alt anakütle) tahminiTasarım etkisi (DEFF)

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.