introduktion til biostatistik 2008 biostatistics kap 1 , 2 og 3 uge 46 inge henningsen

Inge Henningsen, University of Copenhagen, [email protected]

Introduktion til biostatistik 2008Biostatistics kap 1 , 2 og 3

Uge 46Inge Henningsen


Introduktion til (bio)statistik

• Hvad er (bio)statistik• Data• Planlægning af forsøg (Design)• Gentagelser/Den videnskabelige metode• Brug af statistiske metoder


Hvad er (bio)statistik?

Statistiske Metoder omfatter procedurer for

• At planlægge undersøgelser• Indsamle data • Præsentere og opsummere data• Slutte fra en stikprøve (et udvalg af data) til en

bagvedliggende population


Data – Grundlaget for undersøgelser

Observationer med variabilitet/usikkerhed

Biologisk variation

“Målefejl”

“Crap in – crap out”


Planlægning af forsøg

•Afgrænsning af undersøgelsespopulation/referenceramme

•Valg af undersøgelsesenheder (randomisering)

•Målemetoder

•Repræsentativitet/Generalisering

•Stikprøvestørrelse


Planlægning af forsøg

• Afgrænsning af undersøgelsespopulation/referenceramme

• Valg af undersøgelsesenheder (randomisering)

• Målemetoder

• Repræsentativitet/Generalisering

• Stikprøvestørrelse


Gentagelse/den videnskabelige metode

• Sammenhæng er ikke kausalitet

• Metaanalyser


Brug af statistiske metoder

Det vigtigste er at forstå den sammenhæng i hvilken de statistiske procedurer bruges

Denne sammenhæng omfatter

• Formålet med undersøgelsen• Data• Hvordan data er indsamlet og målt• Grundlaget for at bruge de forskellige statistiske

procedurer

Mere end at kunne bruge en statistikpakke!!!!


Data og tal

2.1 Data: Numerisk Repræsentation2.2 Observationer og Variable2.3 Skalaer 2.4 Reliabilitet and Validitet2.6 Almindelige Problemer med Data


Data og tal

2.1 Data: Numerisk Repræsentation2.2 Observationer og Variable


Data dig40 (udsnit)

id trtmt age race sex bmi creat sysbp

2289 0 76 1 1 30.586 1.700 130

6745 0 45 1 1 22.850 1.398 130

1322 1 45 1 2 43.269 0.900 115

538 1 31 1 1 27.025 1.159 120

999 1 47 1 2 30.506 1.386 120

3103 0 60 1 1 29.867 1.091 140

1954 1 77 1 1 26.545 1.307 140

5750 1 76 1 1 39.837 1.455 140

1109 0 68 1 2 27.532 1.534 144

.........


2.3 Skalaer

Skala Eksempel Meningsfuldt Gennemsnit Ratio Nominal Køn Nej Nej Ordinal Smertefølelse Nej Nej Interval Temperatur J a Nej Ratio Vægt J a J a

Nominal/kategoriskOrdinal/ordnetInterval/afstand giver meningRatio/interval + nulpunkt


Måling af pH.

Apparatur 1 Apparatur 2 Dag Patient

Lab 1 Lab 2 Lab 3 Lab 4 Lab 5 Lab 6

1 7.369 7.364 7.363 7.351 7.371 7.355

2 7.367 7.367 7.359 7.341 7.380 7.355

3 7.359 7.350 7.360 7.332 7.365 7.345

1

4 7.355 7.350 7.337 7.332 7.362 7.339

5 7.421 7.440 7.441 7.452 7.448 7.432

6 7.411 7.398 7.405 7.415 7.418 7.404

2

7 7.407 7.395 7.395 7.398 7.407 7.390

8 7.472 7.7.482 7.487 7.482 7.474 7.469

9 7.476 7.465 7.488 7.477 7.452 7.477

10 7.378 7.388 7.385 7.390 7.384 7.373

11 7.364 7.371 7.374 7.360 7.348 7.359

3

12 7.419 7.427 7.420 7.420 7.412 7.417


2.4 Reliabilitet (pålidelighed) og Validitet

Reliabilitet - gentagen brug af metoden vil give (omtrent) de samme resultater

Validitet - måler metoden det man tror at den måler


Almindelige dataproblemer

• Manglende værdier• Outliers • Koder som 99 eller 999 for manglende observationer

behandles som datra• Ændringer i målemetode/ i kodning/ niveauskift for proces

etc.• Data er for “pæne”• Falsifikation

[email protected]


Introduktion til biostatistik 2008Biostatistics kap 3

Inge Henningsen


Hvad er (bio)statistik?

Statistiske Metoder omfatter procedurer for

• At planlægge undersøgelser• Indsamle data • Præsentere og opsummere data• Slutte fra en stikprøve (et udvalg af data) til en

bagvedliggende population


Data – Grundlaget for undersøgelser

Data er “Numerisk Repræsentation”• Observationer og Variable• Målinger og skalaer

Observationer med variabilitet/usikkerhed• Biologisk variation• “Målefejl”


Data dig40 (udsnit)


2289 0 76 1 1 30.586 1.700 130

6745 0 45 1 1 22.850 1.398 130

1322 1 45 1 2 43.269 0.900 115

538 1 31 1 1 27.025 1.159 120

999 1 47 1 2 30.506 1.386 120

3103 0 60 1 1 29.867 1.091 140

1954 1 77 1 1 26.545 1.307 140

5750 1 76 1 1 39.837 1.455 140

1109 0 68 1 2 27.532 1.534 144

.........


Skalaer




Beskrivelse af datasæt

Summariske mål

Niveau• Gennemsnit• Median• Modus

Variabilitet• Range• Interquartile range• Varians• Spredning


Middelværdi og varians

Spredning = standardafvigelse


Quartiler

25%-quartil= 25% af observationerne ligger til venstre for punktet

50%-quartil = 50% af observationerne ligger til venstre for punktet (median)


Interquartil-afstand = 75%-quartil – 25%-quartil


Nogle noter om SAS systemet

PC-SAS. Version 9.1 for WindowsSAS (= Strategic Analysis system) er Statistik-system/”Statistik-pakke”

Andre systemer

Generelle Specialiserede

RBMDPSPSSSTATA

StatExactRATSDIGRAM


SAS Program

• SAS er et selvstændigt sprog.• Kræver (formelt) ikke kendskab til programmering

Særheder: • Variable deklareres ikke• Linieskift betyder ikke noget. I stedet bruges ’;’

SAS-program

Data-trin Her tilrettelægges data

Procedure-trin

Forprogrammerede procedurer til præsentation og statistisk analyse af data


Data dig40 (udsnit)


2289 0 76 1 1 30.586 1.700 130

6745 0 45 1 1 22.850 1.398 130

1322 1 45 1 2 43.269 0.900 115

538 1 31 1 1 27.025 1.159 120

999 1 47 1 2 30.506 1.386 120

3103 0 60 1 1 29.867 1.091 140

1954 1 77 1 1 26.545 1.307 140

5750 1 76 1 1 39.837 1.455 140

1109 0 68 1 2 27.532 1.534 144

.........


Co-transfections assay

Undersøgelse af effekten af v-H-ras på to geners promotorer, MARC og UPase. Data stammer fra co-transfektions assays af et reporter konstrukt indeholdene enten promotoren for MARC eller for UPase. Den respektive promotor er klonet ind i et plasmid der indeholder genet for Luciferase, sådan at genet kommer under promotorens kontrol. Luciferase omdanner luciferin til et flourescerende stof. Jo mere promotor aktivitet, jo større mængder Luciferase og jo større lysintensitet fås. For hver af 6 promotorer, MARC740, UPase-n, MARC184, MARC208, MARC740c og MARC740i, foretoges 3 målinger af mængden af Luciferase efter tilsættelse af 1.5 $\mu$g Ras plasmid. Målingerne, der er korrigeret for udsving i transmissions- effektivitet og for aktivitet ved 0 $\mu$g Ras plasmid, er i det følgende betegnet foldinduktionen. Logaritmen til foldinduktionen er angivet i tabellen nedenfor.


Day 1: 2,2 x 105 cells are seeded in each of 8 dishes

Grow overnight in 10% medium supplemented with tetracycline

Day 2: Cells are incubated with transfectionmix for 6 hrs

1µg rep.plasmid 1µg rep. plasmid 0,5µg Cmv-luc 2µg plasmid 1µg lac-Z plasmid 1µg lac-Z plasmid 1µg lac-Z plasmid 0,5µg plasmid

Dish 1: +Tet Dish 2-4: +Tet Dish 5-7: -Tet Dish 8: +Tet Positive control Negative control

Change medium

Day 3: Medium is changed to 05% medium

Grow overnight

Day 4: Cells are harvested and extracts are analysed


MARC740 UPase-n MARC184 MARC208 MARC740c MARC740i 2.47591 2.51629 2.63107

-0.02778 -0.25944 0.02508

-0.42481 0.42857 0.20779

0.41111 1.06776 0.81277

2.17903 2.28239 3.58600

-2.04620 -2.47058 -2.38402

Logaritme til foldinduktion efter tilsættelse af Plasmid i 6 forsøg

Datasæt


Datasæt

Id Promotor Log-FI

1 MARC740 2.47591

2 MARC740 2.51629

3 MARC740 2.63107

4 Upase-n -0.02778

. . .

. . .

15 MARC740c 3.58600

16 MARC740i -2.04620

17 MARC740i 2.47058

18 MARC740i 2.38402


Datatrin

Datasættet har 37 observationer og 4 variable

• type, h, l, u,

der for hver observation angiver hhv• type • andel højmokylær M • andel lav molekylær M • andel uglykosyleret M

Kilde: Collinge et al, Nature vol 383, 24. oktober 1996.

DATA cjd_4; INPUT type h l u; CARDS; 1 18 47 35 1 20 49 31 1 25 38 37 1 31 37 32 1 32 36 32 1 29 48 23 2 21 49 30 2 22 46 32 2 22 47 31 2 23 48 29 2 24 51 25 2 24 44 32 2 24 42 34 2 25 46 29 2 25 45 30 2 25 43 32 2 25 42 33 2 26 40 34 2 26 47 27 2 28 42 30 2 29 42 29 2 33 50 17 2 29 45 26 2 29 46 25 3 25 40 35 3 28 46 26 3 30 44 26 3 32 46 22 4 43 45 12 4 44 47 9 4 47 44 9 4 47 46 7 4 48 43 9 4 49 33 18 4 50 35 15 4 51 37 12 4 53 43 4


Datatrin


•type, genotype, art

der for hver observation angiver hhv•type •genotype•genese


DATA cjd-1; INPUT type genotype $ art $ ; CARDS; 1 mm s 1 mm s 1 mm s 1 mm s 1 mm s 1 mm i 2 mm s 2 mm s 2 mm s 2 mm s . . 2 vv s 2 vv s 2 mm i 3 mv i 3 vv i . . . 4 mm n 4 mm n 4 mm n ;


Data dig40 (udsnit)


2289 0 76 1 1 30.586 1.700 130

6745 0 45 1 1 22.850 1.398 130

1322 1 45 1 2 43.269 0.900 115

538 1 31 1 1 27.025 1.159 120

999 1 47 1 2 30.506 1.386 120

3103 0 60 1 1 29.867 1.091 140

1954 1 77 1 1 26.545 1.307 140

5750 1 76 1 1 39.837 1.455 140

1109 0 68 1 2 27.532 1.534 144

.........


Skalaer




Beskrivelse af datasæt

Summariske mål

Niveau• Gennemsnit• Median• Modus

Variabilitet• Range• Interquartile range• Varians• Spredning


Middelværdi og varians

Spredning = standardafvigelse


Quartiler


50%-quartil = 50% af observationerne ligger til venstre for punktet (median)


Interquartil-afstand = 75%-quartil – 25%-quartil


Nogle noter om SAS systemet

PC-SAS. Version 9.1 for WindowsSAS (= Strategic Analysis system) er Statistik-system/”Statistik-pakke”

Andre systemer

Generelle Specialiserede

RBMDPSPSSSTATA

StatExactRATSDIGRAM


SAS Program

• SAS er et selvstændigt sprog.• Kræver (formelt) ikke kendskab til programmering

Særheder: • Variable deklareres ikke• Linieskift betyder ikke noget. I stedet bruges ’;’

SAS-program

Data-trin Her tilrettelægges data

Procedure-trin

Forprogrammerede procedurer til præsentation og statistisk analyse af data


Datatrin

Datamatrix

Var1 Var2 Var3 Var4 Var5

Obs 1

Obs2

Obs3

Obs4

Obs5

Obs6

Obs7

Obs8

Obs9


Datatrin

Datamatrix

Id Prom Beh M1 FI

Obs 1 56 U Ja 22.3 2.18

Obs2 9 M Ja 31.2 0.38

Obs3 3 M Nej 18.6 1.12

Obs4 32 M Ja 22.8 0.22

Obs5 4 U Ja 25.3 0.15

Obs6 33 U Nej 11.5 0.71

Obs7 2 M Nej 83.3 1.38

Obs8 5 U Ja 19.7 0.66

Obs9 18 U Nej 22.2 0.58


Data dig40 (udsnit)


2289 0 76 1 1 30.586 1.700 130

6745 0 45 1 1 22.850 1.398 130

1322 1 45 1 2 43.269 0.900 115

538 1 31 1 1 27.025 1.159 120

999 1 47 1 2 30.506 1.386 120

3103 0 60 1 1 29.867 1.091 140

1954 1 77 1 1 26.545 1.307 140

5750 1 76 1 1 39.837 1.455 140

1109 0 68 1 2 27.532 1.534 144

.........


Co-transfections assay

Undersøgelse af effekten af v-H-ras på to geners promotorer, MARC og UPase. Data stammer fra co-transfektions assays af et reporter konstrukt indeholdene enten promotoren for MARC eller for UPase. Den respektive promotor er klonet ind i et plasmid der indeholder genet for Luciferase, sådan at genet kommer under promotorens kontrol. Luciferase omdanner luciferin til et flourescerende stof. Jo mere promotor aktivitet, jo større mængder Luciferase og jo større lysintensitet fås. For hver af 6 promotorer, MARC740, UPase-n, MARC184, MARC208, MARC740c og MARC740i, foretoges 3 målinger af mængden af Luciferase efter tilsættelse af 1.5 $\mu$g Ras plasmid. Målingerne, der er korrigeret for udsving i transmissions- effektivitet og for aktivitet ved 0 $\mu$g Ras plasmid, er i det følgende betegnet foldinduktionen. Logaritmen til foldinduktionen er angivet i tabellen nedenfor.


Day 1: 2,2 x 105 cells are seeded in each of 8 dishes

Grow overnight in 10% medium supplemented with tetracycline

Day 2: Cells are incubated with transfectionmix for 6 hrs

1µg rep.plasmid 1µg rep. plasmid 0,5µg Cmv-luc 2µg plasmid 1µg lac-Z plasmid 1µg lac-Z plasmid 1µg lac-Z plasmid 0,5µg plasmid

Dish 1: +Tet Dish 2-4: +Tet Dish 5-7: -Tet Dish 8: +Tet Positive control Negative control

Change medium

Day 3: Medium is changed to 05% medium

Grow overnight

Day 4: Cells are harvested and extracts are analysed


MARC740 UPase-n MARC184 MARC208 MARC740c MARC740i 2.47591 2.51629 2.63107

-0.02778 -0.25944 0.02508

-0.42481 0.42857 0.20779

0.41111 1.06776 0.81277

2.17903 2.28239 3.58600

-2.04620 -2.47058 -2.38402

Logaritme til foldinduktion efter tilsættelse af Plasmid i 6 forsøg

Datasæt


Datasæt

Id Promotor Log-FI

1 MARC740 2.47591

2 MARC740 2.51629

3 MARC740 2.63107

4 Upase-n -0.02778

. . .

. . .

15 MARC740c 3.58600

16 MARC740i -2.04620

17 MARC740i 2.47058

18 MARC740i 2.38402


Datatrin


• type, h, l, u,

der for hver observation angiver hhv• type • andel højmokylær M • andel lav molekylær M • andel uglykosyleret M


DATA cjd_4; INPUT type h l u; CARDS; 1 18 47 35 1 20 49 31 1 25 38 37 1 31 37 32 1 32 36 32 1 29 48 23 2 21 49 30 2 22 46 32 2 22 47 31 2 23 48 29 2 24 51 25 2 24 44 32 2 24 42 34 2 25 46 29 2 25 45 30 2 25 43 32 2 25 42 33 2 26 40 34 2 26 47 27 2 28 42 30 2 29 42 29 2 33 50 17 2 29 45 26 2 29 46 25 3 25 40 35 3 28 46 26 3 30 44 26 3 32 46 22 4 43 45 12 4 44 47 9 4 47 44 9 4 47 46 7 4 48 43 9 4 49 33 18 4 50 35 15 4 51 37 12 4 53 43 4


Datatrin


•type, genotype, art

der for hver observation angiver hhv•type •genotype•genese


DATA cjd-1; INPUT type genotype $ art $ ; CARDS; 1 mm s 1 mm s 1 mm s 1 mm s 1 mm s 1 mm i 2 mm s 2 mm s 2 mm s 2 mm s . . 2 vv s 2 vv s 2 mm i 3 mv i 3 vv i . . . 4 mm n 4 mm n 4 mm n ;

introduktion til biostatistik 2008 biostatistics kap 1 , 2 og 3 uge 46 inge henningsen

Documents