Über die Autoren 7

Einleitung 17

Über dieses Buch 17

Was Sie nicht lesen müssen 18

Konventionen in diesem Buch 18

Törichte Annahmen über den Leser 19

Wie dieses Buch aufgebaut ist 19

Teil I: Medizinische Statistik - Gel(i)ebte Daten 19

Teil II: Keine Forschung ohne Fundament - Grundlagen für einen gelungenen Start 19

Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 20

Teil IV: Blick über den Tellerrand - weiterführende Methoden 20

Symbole, die in diesem Buch verwendet werden 20

Teil I: Medizinische Statistik - Gel(i)ebte Daten 23

Kapitel 1 Statistik und Medizin - wie passt das zusammen? 25

Medizinische Statistik, Biostatistik, medizinische Biometrie: Eine Begriffsbestimmung 26

Wo wird medizinische Statistik gebraucht? 26

Aufgabenbereiche der medizinischen Statistik 27

Anwendung statistischer Methoden in medizinischen Forschungsprojekten 27

Kommunikation mit medizinischen Anwendern 28

Entwicklung neuer statistischer Methoden 28

Literatur 29

Kapitel 2 Besser beraten lassen - Hilfe holen erwünscht 31

Wo finden Sie biometrische Unterstützung? 31

Vorbereitung auf einen Beratungstermin 33

Welche Software brauchen Sie? 34

SPSS - gut für Anwender 34

R Project - Am Puls der neusten biometrischen Methoden 36

SAS und STATA - validiert für die Industrie 36

Literatur 37

Teil II: Keine Forschung ohne Fundament - Grundlagen 39

Kapitel 3 Grundbegriffe und Studientypen 41

Grundlegende Begriffe empirischer Forschung in der Medizin 42

Grundgesamtheit und Stichprobe 42

Validität und Reliabilität 45

Endpunkte 47

Störgrößen und Verzerrung 49

Verschiedene Studientypen unterscheiden 50

Unterscheidung nach Zielsetzung - konfirmatorische versus explorative Studien 50

Unterscheidung nach Blickrichtung - prospektive versus retrospective Studien 53

Studientypen in der Primär- und Sekundärforschung 54

Klinische Studie konzipieren - das Studiendesign 56

Kontrolle ist besser - die Kontrollgruppe 57

Zufällige Zuteilung - Randomisierung 59

Denn Sie wissen nicht, was sie tun - Verblindung 65

Noch einmal in Kürze 66

Literatur 67

Kapitel 4 Modelle für die Wirklichkeit 69

Was sind Wahrscheinlichkeiten? 70

Modellannahmen, Verteilungen und Schätzung 72

Merkmale und Verteilungen 72

Zufallsfehler und Bias 78

Gängige Verteilungsannahmen 80

Die First Lady der Verteilungen - die Normalverteilung 80

Die Binomialverteilung 85

Weitere Verteilungen 88

Literatur 91

Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 93

Kapitel 5 Die Kunst der Beschreibung - Deskriptive Statistik 95

Was ist das eigentlich - deskriptive Statistik? 96

Wo brauchen Sie deskriptive Statistik? 97

Merkmale unterscheiden - Skalenniveaus 99

Methoden der Deskription 104

Beschreibung kategorieller Merkmale 105

Kennzahlen, Tabellen und Lagemaße 105

Grafische Darstellung - Torten und Balken 108

Beschreibung ordinalskalierter Merkmale 111

Lage und Streuung - Median und Quartile 111

Grafische Darstellung - der Boxplot 114

Beschreibung intervall- und verhältnisskalierter Merkmale 117

Lage und Streuung - Mittelwert und Standardabweichung 117

Grafische Darstellung - Histogramme 122

Wichtiges hervorheben, Unwichtiges weglassen 125

Literatur 126

Kapitel 6 Nachweis durch Kontrolle des Zufalls - Konfirmatorische Statistik 127

Konfirmatorisch, induktiv, schließend - eine Begriffsbestimmung 128

Idee des statistischen Tests - der konfirmatorische Umweg 128

Die sechs Schritte des statistischen Tests 130

Von der Fragestellung zur Hypothese 130

Die Formulierung der Fragestellung 131

Formulierung der Null- und Alternativhypothese 132

Einseitig und zweiseitig formulierte Hypothesen 134

Was sagen die Daten? Von den Daten zur Testentscheidung 135

Was ist extrem? Wahl einer geeigneten Teststatistik 136

Verteilung der Teststatistik und kritischer Wert 138

p-Wert und Signifikanzniveau 142

Interpretation des Testergebnisses - nichts ist bewiesen 145

Fehlentscheidungen und Fehlerwahrscheinlichkeiten 145

Literatur 152

Kapitel 7 t-Test & Co: Die Klassiker unter den Tests 153

Statistische Tests zum Vergleich von Erwartungswerten und anderen Lagemaßen 154

Der t-Test für zwei unverbundene Stichproben 154

Der t-Test für zwei unverbundene Stichproben mit unterschiedlichen Standardabweichungen 161

Der t-Test für zwei verbundene Stichproben 163

Die Varianzanalyse (ANOVA) für mehr als zwei unverbundene Stichproben 168

Der U-Test für zwei unverbundene Stichproben 174

Der Vorzeichen-Rang-Test nach Wilcoxon für zwei verbundene Stichproben 182

Der Kruskal-Wallis-Test für mehr als zwei unverbundene Stichproben 187

Statistische Tests zum Vergleich von Anteilen und Wahrscheinlichkeiten 190

Der Chiquadrat-Test für zwei unverbundene Stichproben 191

Der Chiquadrat-Test für allgemeine Kreuztabellen 197

Der Binomialtest für eine Stichprobe 201

Der McNemar-Test für zwei verbundene Stichproben 205

Literatur 209

Kapitel 8 Den Behandlungseffekt quantifizieren - Punktschätzer und Konfidenzintervalle 211

Quantifizierung des Effekts - der Punktschätzer 212

Die Größe des Effekts - das Konfidenzintervall 214

Signifikanz versus Relevanz - nicht zu verwechseln 222

Punktschätzer und Konfidenzintervalle für verschiedene Datensituationen 225

Punktschätzer und Konfidenzintervall für Erwartungswerte 227

Punktschätzer und Konfidenzintervall für die Differenz zweier Erwartungswerte 229

Punktschätzer und Konfidenzintervall für einen Anteil 232

Punktschätzer und Konfidenzintervall für die Differenz zweier Anteile 236

Literatur 238

Kapitel 9 Was sonst noch wichtig ist - Vor und nach dem statistischen Test 239

Kontrolle des Fehlers 2 Art? Grundprinzip der Fallzahlplanung 240

Mehr als eine Fragestellung - multiples Testen 252

Adjustierung für multiples Testen 255

Das Ergebnis einer Studie berichten 264

Literatur 265

Kapitel 10 Zusammenhänge und Vorhersage - Korrelation und Regression 267

Wie stark ist die Verbindung - Maße des Zusammenhangs 268

Der Korrelationskoeffizient nach Pearson 270

Der Korrelationskoeffizient nach Spearman 280

Kendalls ¿ 284

Der ¿-Koeffizient 285

Regressionsmodelle 287

Die lineare Regression 289

Erweiterte (lineare) Regressionsmodelle 295

Die logistische Regression 300

Literatur 305

Teil IV: Blick über den Tellerrand - weiterführende Methoden 307

Kapitel 11 Wer lebt länger? Analyse von Ereigniszeiten 309

Was sind Ereigniszeitdaten? Zeiten, Ereignisse und Zensierungen 309

Schätzung von Ereigniswahrscheinlichkeiten - Kaplan-Meier zeigt, wie es geht 313

Gruppenvergleich - Überlebensfunktion, Hazards und Hazard Ratios 321

Logrank-Test und Cox-Regression 323

Literatur 325

Kapitel 12 Methoden zur Bewertung der Diagnostik und Übereinstimmung 327

Diagnostische Studien 327

Goldstandard und Referenzdiagnostik 328

Güte von diagnostischen Tests - Sensitivität und Spezifität 329

Prädiktive Werte und Satz von Bayes 333

Die ROC-Kurve 337

Literatur 344

Kapitel 13 Ausgewählte Methoden epidemiologischer Studien 345

Verzerrungen vermeiden durch Matching 346

Verschiedene Arten des Matchings 349

Auswertung gematchter Daten 353

Löcher in den Daten - Vom Umgang mit fehlenden Werten 353

Fehlen die Daten zufällig? Mechanismen fehlender Werte 354

Fehlende Werte ersetzen - Imputation 355

Literatur 356

Kapitel 14 Methodik von systematischen Reviews und Metaanalysen 357

Systematische Reviews und Metaanalysen in der Medizin 357

Ablauf von systematischen Reviews und Metaanalysen 359

Vom systematischen Review zur Metaanalyse - Gepoolte Effektschätzer 362

Grafische Darstellung einer Metaanalyse - der Forest-Plot 365

Homogenität und Heterogenität 366

Publication Bias und Funnel-Plot 368

Vor- und Nachteile von systematischen Reviews und Metaanalysen 370

Literatur 371

Teil V: Der Top-Ten-Teil 373

Zehn statistische Irrtümer 375

Irrtum 1: Statistische Tests liefern wertvollere Ergebnisse als descriptive Datenauswertungen 375

Irrtum 2: Ein nicht-signifikantes Testergebnis deutet auf die Gültigkeit der Nullhypothese hin 376

Irrtum 3: Der p-Wert ist die Wahrscheinlichkeit, dass die Nullhypothese richtig ist 376

Irrtum 4: Ein kleiner p-Wert spricht immer für einen großen Effekt 377

Irrtum 5: Bei Verwendung eines parametrischen Tests müssen die Daten normalverteilt sein 377

Irrtum 6: Signifikante Ergebnisse sind immer auch klinisch relevant 377

Irrtum 7: Alle p-Werte unter 5% sind signifikante Ergebnisse 378

Irrtum 8: Für eine Fallzahlplanung werden nur ein paar Werte in eine Eingabemaske eingegeben 378

Irrtum 9: Ein multivariates Regressionsmodell dient der Vorhersage einer Zielgröße aus mehreren Einflussgrößen 379

Irrtum 10: Nur Studien mit signifikanten Ergebnissen sollten...