Varför väljer man att bli statistiker? Mer än en gång har jag mötts av förundran över mitt yrkesval och tomma blickar när jag försöker berätta hur kreativt och spännande statistik är. De som tror att vi statistiker är experter på Excel och tänker att arbetet är inrutat och mekaniskt har ingen aningen om vilken superkraft som ligger i att förstå till exempel sannolikhetsteori. Eller lyckokänslan förknippat med att hitta en bra modell för ett komplext problem.
Läs mer...
En fråga jag får ibland när jag föreläser om statistik i kliniska studier är om hazardkvot och relativ risk är samma sak, och om inte, vad är skillnaden? Personligen tycker jag att diesel är en slags bensin och jag förhåller mig till glas som om det vore ett fast material (och ingen vätska). På samma sätt menar jag att vi kan tolka en hazardkvot som ett mått på relativ risk utan att tolkningen blir fel, även om de tekniskt sätt inte är exakt samma sak. Jag inser att jag möjligen kan reta upp någon mer principfast statistiker, samtidigt är det viktigt att kunna kommunicera runt resultat i kliniska studier på ett sätt som blir meningsfullt för icke-statistiker. Därför väljer jag personligen att beskriva ett resultat beräknat som en hazardkvot som ett mått på relativ risk.
Läs mer...
Utan statistiska modeller och antaganden kan vi inte säga något om hur en epidemi kommer att utveckla sig eller hur effekten av ett läkemedel kan se ut för en större population.
Läs mer...
”Sabuni är högoddsaren som blev lågoddsare” rapporterade media i somras. Det gällde då valet av ny partiledare till Liberalerna. De flesta av oss förstod då att hon varit ett otippat val (högoddsare) som på grund av olika omständigheter blivit ett sannolikt val (lågoddsare) som nästa partiledare. Användningen av orden ”högoddsare” och ”lågoddsare” är sannolikt kopplat till hur vi använder orden när det gäller spel och att satsa pengar. När man ser på höga odds och låga odds från ett statistiskt perspektiv är betydelsen omvänd.
Läs mer...
Statistikens minsta beståndsdelar är förstås data. Och det allra enklaste vi kan beräkna är medelvärde, median, typvärde och range. Okej, ni vet redan vad det är? Då kan ni skippa den här artikeln, men inte förrän ni tvärsäkert analyserar problemet med min dotters matteprov … Vad tror de om oss föräldrar?Min dotter kommer hem med […]
Läs mer...
Det låter ju helt bakvänt, men faktum är att studier med statistiskt signifikanta resultat och sensationella medicinska nyheter har större sannolikhet att nå media än ”jasså-nyheter”, även om de inte är sanna. Anna Törner förklarar varför i denna intressanta artikel. Enkelt förklarat kan man säga att publikationsbias innebär att spännande och positiva (statistiskt signifikanta) resultat […]
Läs mer...
Ofta får jag höra att det är lättare att visa superiority än non-inferiority. Det vill säga att ett nytt läkemedel är bättre än komparatorn (superiority), istället för att de är kliniskt likvärdiga (non-inferiority). Kan det verkligen vara så? Med risk för att slösa bort cliffhangern redan i ingressen, så måste jag tyvärr meddela att det alltid är enklare att visa att ett nytt läkemedel är kliniskt likvärdigt (non-inferior) jämfört med att visa att det faktiskt är bättre (superior). Nedan kommer jag att försöka förklara varför det är så, och också spekulera lite över var detta utbredda missförstånd kommer ifrån.
Läs mer...
En av de trixigaste frågorna som finns när man designar kliniska studier är att välja effektmått (endpoint på engelska). Å ena sidan kan man ju tänka att det är viktigt att verkligen ta reda hur det går för patienten på lång sikt, å andra sidan vill man gärna att studier skall gå fort och att man relativt tidigt får svar på om en behandling kan tänkas vara effektiv.
Läs mer...
Hur hänger dessa begrepp ihop? Kan ett resultat vara statistiskt signifikant utan att vara kliniskt relevant och omvänt, kan en estimerad effekt i en kliniskt studie vara kliniskt relevant utan att man uppnått statistisk signifikans? Ofta trycker man extra på att resultaten är statistiskt signifikanta; minst lika viktigt (om inte viktigare) är förstås att utvärdera effekter ur ett kliniskt perspektiv.
Läs mer...
Ursprungligen handlade förstås överlevnadsanalys om liv och död och då ofta i förbindelse med försäkringsmatematik och beräkning av försäkringsbelopp och premier. I dag tillhör statistiska metoder för överlevnadsanalys de mest använda statistiska metoderna och de effektmåttsom studeras handlar inte alltid om liv eller död utan kan vara tid tills en patient får ett astmaanfall eller får progress av en cancersjukdom. Eventet eller ”händelsen” som studeras kan alltså vara nästan vad som helst som utgör en distinkt händelse i det kliniska förloppet.
Läs mer...
