Bagaimana Anda menjelaskan perbedaan antara risiko relatif dan risiko absolut?


12

Suatu hari saya berkonsultasi dengan ahli epidemiologi. Dia adalah MD dengan gelar kesehatan masyarakat dalam epidemiologi dan memiliki banyak pengetahuan statistik. Dia membimbing rekan penelitian dan penghuninya dan membantu mereka dengan masalah statistik. Dia memahami pengujian hipotesis dengan cukup baik. Dia memiliki masalah khas membandingkan dua kelompok untuk melihat apakah ada perbedaan risiko yang terkait dengan gagal jantung kongestif (CHF). Dia menguji perbedaan rata-rata dalam proporsi mata pelajaran yang mendapatkan CHF. Nilai p adalah 0,08. Kemudian dia juga memutuskan untuk melihat risiko relatif dan mendapat nilai-p 0,027. Jadi dia bertanya mengapa yang satu penting dan yang lainnya tidak. Melihat pada interval kepercayaan dua sisi 95% untuk perbedaan dan untuk rasio dia melihat bahwa interval perbedaan rata-rata berisi 0 tetapi batas kepercayaan atas untuk rasio itu kurang dari 1. Jadi mengapa kita mendapatkan hasil yang tidak konsisten. Jawaban saya sementara secara teknis benar tidak terlalu memuaskan. Saya berkata, "Ini adalah statistik yang berbeda dan dapat memberikan hasil yang berbeda. Nilai-p keduanya sama-sama signifikan secara marginal. Ini dapat dengan mudah terjadi." Saya pikir harus ada cara yang lebih baik untuk menjawab ini dalam istilah awam kepada dokter untuk membantu mereka memahami perbedaan antara pengujian risiko relatif vs risiko absolut. Dalam studi epi masalah ini muncul banyak karena mereka sering melihat kejadian langka di mana tingkat kejadian untuk kedua kelompok sangat kecil dan ukuran sampel tidak terlalu besar. Saya telah memikirkan hal ini sedikit dan memiliki beberapa Ide yang akan saya bagikan. Tetapi pertama-tama saya ingin mendengar bagaimana beberapa dari Anda akan menangani ini. Saya tahu bahwa banyak dari Anda bekerja atau berkonsultasi di bidang medis dan mungkin menghadapi masalah ini. Apa yang akan kamu lakukan?


Apakah model menyertakan kovariat lain selain efek kelompok?
onestop

@onestop Ada kovariat yang mereka tertarik untuk melihat tetapi tes yang sebenarnya hanya membandingkan efek utama. Jika Anda ingin berkomentar seandainya tes didasarkan pada model regresi atau peristiwa asumsikan kami punya waktu untuk data acara agar sesuai dengan model regresi Cox jangan ragu untuk berkomentar. Saya ingin mendengar wawasan Anda. Pertanyaan saya ditujukan kepada masalah umum dan bukan hanya contoh spesifik.
Michael R. Chernick

Maksud saya, apakah tes yang membandingkan efek utama (kelompok) disesuaikan untuk kovariat, atau tidak disesuaikan? Jika tidak disesuaikan, maka mungkin bermanfaat untuk memberi kita tabel 2 × 2, atau yang serupa, untuk memfokuskan ide.
onestop

Tidak disesuaikan untuk tes khusus ini.
Michael R. Chernick

Jawaban:


7

Nah, dari apa yang sudah Anda katakan, saya pikir Anda sudah membahas sebagian besar dari itu tetapi hanya perlu memasukkannya ke dalam bahasanya: Satu adalah perbedaan risiko, satu rasio. Jadi satu tes hipotesis bertanya apakah sementara yang lain bertanya apakah p 2p2p1=0p2p1=1.002/.001=2.002.001=.001.2/.1=2.2.1=.1


2
Anda memiliki salah satu ide saya di sana, ketika jumlahnya kecil yang umum dalam mempelajari tingkat insiden rendah, perbedaan terlihat kecil tetapi rasio masih terlihat besar. Contoh numerik Anda sangat meyakinkan. Saya tergoda untuk menambahkan sesuatu tentang stabilitas perkiraan di bawah hipotesis nol. Untuk beberapa ini mungkin terlalu teknis tetapi pada tingkat kecanggihannya mungkin tidak. Misalkan dua populasi memiliki distribusi nomral berarti nol dan varian umum yang diketahui. Kemudian perbedaan yang dinormalisasi adalah N (0,1) di bawah hipotesis nol memberikan statistik uji yang sangat stabil.
Michael R. Chernick

1
Tetapi berdasarkan asumsi ini rasio memiliki distribusi Cauchy dan bisa sangat besar. Mungkin argumen ini perlu dimodifikasi karena angka kejadian harus positif dan mungkin distribusinya sangat miring. Saya kira yang saya inginkan adalah contoh yang menunjukkan perbedaan memiliki distribusi yang sangat stabil dan rasionya tidak terutama karena ukuran sampel kecil dan penyebutnya bisa mendekati 0. Ada yang punya contoh ilustrasi yang bagus?
Michael R. Chernick

pi

Saya pikir maksudnya p1 ketika dia menulis p0. Hanya kesalahan mendasar. Memiliki tiga ps dalam konteks ini tidak masuk akal.
Michael R. Chernick

1
Saya membuat perubahan untuk Peter. Berteriaklah pada saya jika saya melakukan kesalahan!
Michael R. Chernick

6

Pikiran bahwa dalam kedua tes, Anda menguji hipotesis yang sama sekali berbeda dengan asumsi yang berbeda. Hasilnya tidak sebanding, dan itu adalah kesalahan yang terlalu umum.

Dalam risiko absolut Anda menguji apakah perbedaan (rata-rata) dalam proporsi berbeda secara signifikan dari nol. Hipotesis yang mendasari dalam uji standar untuk ini mengasumsikan bahwa perbedaan dalam proporsi terdistribusi normal. Ini mungkin berlaku untuk proporsi yang kecil, tetapi tidak untuk yang besar. Secara teknis Anda menghitung probabilitas bersyarat berikut:

P(p1p2=0|X)

p1p2Xb

p=a+bX+ϵ

ϵN(0,σ)

X

P(log(p1p2)=0|X)

yang setara dengan menguji kemiringan dalam model logistik berikut:

log(p1p)=a+bX+ϵ

log(p1p)

Alasan mengapa ini membuat perbedaan diberikan dalam jawaban Peter Flom: perbedaan kecil dalam risiko absolut dapat menyebabkan nilai besar untuk peluang. Jadi dalam kasus Anda itu berarti bahwa proporsi orang yang terkena penyakit tidak berbeda secara substansial, tetapi kemungkinan berada dalam satu kelompok secara signifikan lebih besar daripada peluang berada di kelompok lain. Itu sangat masuk akal.


1
Saya pikir kita semua sejauh ini sepakat bahwa alasan utama masalah ini adalah bahwa perbedaan kecil dalam risiko absolut dapat menyebabkan perbedaan besar dalam risiko relatif. Lagi pula .2 to.1 memiliki risiko relatif yang sama dengan 0,0002 hingga 0,0001. Saya pikir ini adalah pesan yang bisa kita bawa pulang kepada orang awam. Penjelasan Anda sangat bagus untuk ahli statistik tetapi saya tidak yakin itu akan mudah dipahami oleh orang awam dan orang bisa mengatakan "Jadi bagaimana jika Anda menguji hipotesis yang berbeda.
Michael R. Chernick

Anda masih berusaha menentukan di mana atau tidak tarifnya berbeda. Jadi meskipun hipotesisnya berbeda, hasilnya harus konsisten. Lagipula p1-p2 = 0 sama dengan p1 / p2 = 1. "Jadi saya pikir fakta bahwa hipotesis berbeda tidak tepat dan bukan penjelasan yang memuaskan.
Michael R. Chernick

@MichaelChernick Saya hendak mengatakan bahwa perbedaan proporsi adalah bersyarat, dan rasio odds tidak. Tapi bukan itu masalahnya, keduanya memberikan hasil yang sama persis setelah transposing tabel (dalam kasus tabel 2X2). Saya telah menjalankan beberapa simulasi, tetapi saya tidak bisa memaksakan nilai-p prop.test(atau chisq.testkarena ini setara dengan kasus 2x2) dan fisher.testterpisah lebih dari 0,005. Jadi saya ingin tahu tes mana yang dia gunakan ...
Joris Meys

Entah itu uji chi square atau Fisher. Kemungkinan besar uji Fisher karena dia tahu dalam sampel kecil bahwa perkiraan chi square tidak baik. Ketika saya melakukan statistik untuk mereka, saya menggunakan SAS. Dia melakukan pekerjaannya menggunakan STATA. Saya mungkin bisa menggali tabel yang sebenarnya.
Michael R. Chernick

2
log(p1p0)=log(p1)log(p0)p1p0
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.