STATISTIEK PRAKTIJK
REVAKI 2020-2021
Universiteit Antwerpen
Kaat Francken
, Sample size berekeningen
1 Herhaling O&S 1
2 hypothese:
- 0-hypothese → de nieuwe behandeling werkt niet
- Alternatieve hypothese → de nieuwe behandeling werkt wel
We gaan uit van een normale verdeling
De hoogte van de grafiek geeft de kansdichtheid weer en de afstand tussen de grenzen de
effectieve kans.
De verspreiding wordt bepaald door de standaardafwijking.
→ Hoe meer proefpersonen, hoe kleiner de standaardafwijking
1.1 Alternatieve interventie
Op voorhand gaan we dit niet kunnen weten → gokken aan de hand van een pilootstudie of
het klinisch relevant verschil dat we willen zien.
Stel wanneer we het onderzoek uitvoeren is er een verschil aanwezig. We bekijken de
grenswaarden of het verschil significant is.
- Kleiner dan de grenswaarde = 0-hypothese
- Groter dan de grenswaarde = alternatieve hypothese
De grenswaarde wordt opgesteld aan de hand van de α-waarden.
1.2 Fouten
Type I – fout
Kans dat de 0-hypothese onterecht wordt verworpen.
→ Wordt beïnvloed door α
Type II – fout
Kans dat de 0-hypothese onterecht wordt behouden.
→ Wordt beïnvloed door β
We kunnen de kritieke waarden verleggen zodat de kan op een fout minder groot wordt.
Echter wanneer we de kans op de ene verlagen, verhogen we dan kans op de andere.
→ Er moet een evenwicht gezocht worden
1
,2 Inleiding
Voor we een wetenschappelijk onderzoek kunnen starten moet de steekproef bepalen. Als
de steekproef te klein is, is het onderzoek waardeloos.
Sample size berekening = hoeveel personen moet de interventiegroep en de controlegroep
bevatten om een vooraf vastgesteld verschil tussen beide groepen statistisch significant te
laten zijn.
- Significantie = α → 5%
- Power = 1 – β → 80-95% (kans dat we terecht de 0-hypothese verwerpen)
De power mag niet lager dan 80% liggen
- De standaardafwijking wordt bepaald met een schatting uit de literatuur over een
gelijkaardig onderzoek of uit een eerder uitgevoerde pilootstudie
3 Uitvoering in G-Power
3.1 Stap 1: testfamilie kiezen
- T-test in geval van continue variabelen
- Z-test in geval van dichotome variabelen
3.2 Stap 2: statistische test kiezen
Bepalen aan de hand van het onderzoek.
3.3 Stap 3: type power analysis
Veiligste is de a priori optie.
3.4 Input variabelen
Veiligste is om 2-zijdig te testen tenzij we zeker weten dat het eenzijdig kan.
De effectsize moet geschreven worden als een kommagetal.
𝑣𝑒𝑟𝑤𝑎𝑐ℎ𝑡𝑒 𝑣𝑒𝑟𝑠𝑐ℎ𝑖𝑙
→ d = 𝑠𝑡𝑎𝑛𝑑𝑎𝑎𝑟𝑑𝑎𝑓𝑤𝑖𝑗𝑘𝑖𝑛𝑔
α = 5% → 0,05
β = 80% indien anders aangegeven
3.5 Proportions
- P1 = herstelpercentage dat we willen zien bij de interventie
- P2 = herstelpercentage bij de basisbehandeling
2
, 3.6 Allocation ratio
𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑔𝑟𝑜𝑒𝑝
Verdeling van de groepen = → uitkomst van de broek invullen
𝑖𝑛𝑡𝑒𝑟𝑣𝑒𝑛𝑡𝑖𝑒𝑔𝑟𝑜𝑒𝑝
Het meest efficiënte is een gelijke verdeling over de groepen maar meer personen is altijd
beter.
- 50/50 > 60-40
- 60/50 > 50/50
- 55/55 > 60/50
3.7 Resultaten
Groepen aflezen → rekening houden met welke groep groter zou moeten zijn.
Let op! Het is het beste om altijd wat meer te nemen dan de voorspelde groepen zodat er
rekening gehouden wordt met drop-outs.
4 Opmerkingen
- In realiteit → je mag de sample size berekeningen niet aanpassen aan de
mogelijkheden
- Hou rekening bij het vastleggen van je aantallen met eventuele uitvallers
- Kleine veranderingen in de parameters kunnen leiden tot een groot verschil in de
benodigde sample size
- Doel meta-analyse → sample size zo groot mogelijk maken om een zo betrouwbaar
mogelijke conclusie te trekken
- Bij ieder onderzoek streven naar een zo groot mogelijke steekproef → voor de
statistiek zou dit goed zijn maar er zijn ook andere factoren die een belangrijke rol
spelen (ethisch, duur, tijd, schadelijk, …)
- Binnen REVAKI gebruiken we α = 0,05 en β = 0,20 (dus 1- β = 0,80)
3
REVAKI 2020-2021
Universiteit Antwerpen
Kaat Francken
, Sample size berekeningen
1 Herhaling O&S 1
2 hypothese:
- 0-hypothese → de nieuwe behandeling werkt niet
- Alternatieve hypothese → de nieuwe behandeling werkt wel
We gaan uit van een normale verdeling
De hoogte van de grafiek geeft de kansdichtheid weer en de afstand tussen de grenzen de
effectieve kans.
De verspreiding wordt bepaald door de standaardafwijking.
→ Hoe meer proefpersonen, hoe kleiner de standaardafwijking
1.1 Alternatieve interventie
Op voorhand gaan we dit niet kunnen weten → gokken aan de hand van een pilootstudie of
het klinisch relevant verschil dat we willen zien.
Stel wanneer we het onderzoek uitvoeren is er een verschil aanwezig. We bekijken de
grenswaarden of het verschil significant is.
- Kleiner dan de grenswaarde = 0-hypothese
- Groter dan de grenswaarde = alternatieve hypothese
De grenswaarde wordt opgesteld aan de hand van de α-waarden.
1.2 Fouten
Type I – fout
Kans dat de 0-hypothese onterecht wordt verworpen.
→ Wordt beïnvloed door α
Type II – fout
Kans dat de 0-hypothese onterecht wordt behouden.
→ Wordt beïnvloed door β
We kunnen de kritieke waarden verleggen zodat de kan op een fout minder groot wordt.
Echter wanneer we de kans op de ene verlagen, verhogen we dan kans op de andere.
→ Er moet een evenwicht gezocht worden
1
,2 Inleiding
Voor we een wetenschappelijk onderzoek kunnen starten moet de steekproef bepalen. Als
de steekproef te klein is, is het onderzoek waardeloos.
Sample size berekening = hoeveel personen moet de interventiegroep en de controlegroep
bevatten om een vooraf vastgesteld verschil tussen beide groepen statistisch significant te
laten zijn.
- Significantie = α → 5%
- Power = 1 – β → 80-95% (kans dat we terecht de 0-hypothese verwerpen)
De power mag niet lager dan 80% liggen
- De standaardafwijking wordt bepaald met een schatting uit de literatuur over een
gelijkaardig onderzoek of uit een eerder uitgevoerde pilootstudie
3 Uitvoering in G-Power
3.1 Stap 1: testfamilie kiezen
- T-test in geval van continue variabelen
- Z-test in geval van dichotome variabelen
3.2 Stap 2: statistische test kiezen
Bepalen aan de hand van het onderzoek.
3.3 Stap 3: type power analysis
Veiligste is de a priori optie.
3.4 Input variabelen
Veiligste is om 2-zijdig te testen tenzij we zeker weten dat het eenzijdig kan.
De effectsize moet geschreven worden als een kommagetal.
𝑣𝑒𝑟𝑤𝑎𝑐ℎ𝑡𝑒 𝑣𝑒𝑟𝑠𝑐ℎ𝑖𝑙
→ d = 𝑠𝑡𝑎𝑛𝑑𝑎𝑎𝑟𝑑𝑎𝑓𝑤𝑖𝑗𝑘𝑖𝑛𝑔
α = 5% → 0,05
β = 80% indien anders aangegeven
3.5 Proportions
- P1 = herstelpercentage dat we willen zien bij de interventie
- P2 = herstelpercentage bij de basisbehandeling
2
, 3.6 Allocation ratio
𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑔𝑟𝑜𝑒𝑝
Verdeling van de groepen = → uitkomst van de broek invullen
𝑖𝑛𝑡𝑒𝑟𝑣𝑒𝑛𝑡𝑖𝑒𝑔𝑟𝑜𝑒𝑝
Het meest efficiënte is een gelijke verdeling over de groepen maar meer personen is altijd
beter.
- 50/50 > 60-40
- 60/50 > 50/50
- 55/55 > 60/50
3.7 Resultaten
Groepen aflezen → rekening houden met welke groep groter zou moeten zijn.
Let op! Het is het beste om altijd wat meer te nemen dan de voorspelde groepen zodat er
rekening gehouden wordt met drop-outs.
4 Opmerkingen
- In realiteit → je mag de sample size berekeningen niet aanpassen aan de
mogelijkheden
- Hou rekening bij het vastleggen van je aantallen met eventuele uitvallers
- Kleine veranderingen in de parameters kunnen leiden tot een groot verschil in de
benodigde sample size
- Doel meta-analyse → sample size zo groot mogelijk maken om een zo betrouwbaar
mogelijke conclusie te trekken
- Bij ieder onderzoek streven naar een zo groot mogelijke steekproef → voor de
statistiek zou dit goed zijn maar er zijn ook andere factoren die een belangrijke rol
spelen (ethisch, duur, tijd, schadelijk, …)
- Binnen REVAKI gebruiken we α = 0,05 en β = 0,20 (dus 1- β = 0,80)
3
