Hoorcollege 2 – samenvatting
Segment 1 leerdoelen:
De resultaten van OLS-regressie (lineaire regressie) vertalen in betekenisvolle
causale en associatieve concepten die van toepassing zijn op een onderzoeksvraag
Moderatie-analyse toepassen
DAG’s
Wanneer je een pijl tekent, dan is er sprake van een potentiële causale relatie. Wanneer je
geen pijl tekent dan is er absoluut geen sprake van een causale relatie. De onderbouwing
waarom je niet tekent moet sterker zijn dan wanneer je wel tekent.
DAG’s kunnen o.a. gebruikt worden om causale paths, backdoor paths en colliders te
ontdekken.
Van belang dat niet-causale elementen verwijderd worden uit de keten door ervoor te zorgen
dat backdoor paths worden geblokkeerd.
- Adjustment voor confounders
- No adjustment voor colliders
Wanneer je een adjustment voor een collider uitvoert, kan het probleem ontstaan dat er
een pad gesloten wordt. Soms kunnen paden juist geopend worden wanneer je
adjustment toepast voor confounders.
Hoe kan adjustment plaatsvinden?
1. Stratificatie
Stratificatie is het ‘uitsplitsen’ van data in één of meerdere subgroepen. Wanneer er veel
confounders zijn in een onderzoek, is het niet handig om te stratificeren omdat er dan veel
subgroepen ontstaan met weinig data. Hierdoor neemt de betrouwbaarheid van het
onderzoek af.
Middels deze methode kunnen uitkomsten vergeleken worden van groepen die wel en niet
blootgesteld zijn met dezelfde kenmerken exchangeability!
- Voordelen: makkelijk & op intuïtie te interpreteren
- Nadelen: niet toe te passen voor te veel confounders te veel subgroepen met te
weinig data & confounders moeten worden gecategoriseerd
2. Regressie
Regressie beschrijft de wiskundige relatie tussen de uitkomst en één of meerdere variabelen.
Doel: kwantificeren van de relatie van de uitkomstvariabele met de blootstelling, waarbij
wordt gecorrigeerd voor andere variabele. Middels regressie kunnen meerdere confounders
gecorrigeerd worden, hierdoor is het ook een betere methode dan stratificatie. Echter is het
relatief makkelijk te gebruiken maar moeilijk goed te gebruiken, en gevaarlijk bij onjuist
gebruik.
Door middel van de intercept/constant en
coëfficiënt kunnen waarden voorspeld
worden. De voorspelling is wel een
gemiddelde voor mensen met dezelfde
kenmerken.
Wanneer je dit in
een software
stopt, ziet hij sex en age niet als confounders maar als losse
, variabelen. Er komen drie coëfficiënten uit de vergelijking en deze zijn gelijk aan de relatie
van de bovenstaande pijlen.
Wanner je in de tweede vergelijking age toevoegt, gaat de
coëfficiënt omhoog. Wanneer we dan ook sex toevoegen, gaat
de coëfficiënt omlaag. Dus het toevoegen van variabelen, leidt
tot verschuiving van de verbanden en verandering van de
schatting.
Dan nu moderation analysis want height heeft mogelijk een
ander verschil voor mannen dan voor vrouwen. Dit kan ook
gemodelleerd worden door het interactie effect. Hier wordt ook
een coëfficiënt voor gebruikt
Moderatie
0.067 (interactieterm) betekent dat
height minder gewicht toevoegt dan
voor mannen. Je kan nu ook
zeggen dat er twee vergelijkingen
zijn. Je kan deze dus dan los van
elkaar zien.
Wanneer er sprake is van een non
zero coëfficiënt voor de interaction
term dan kun zeggen dat er sprake
is van moderation.
Moet je dit altijd toepassen? Dit hangt af van je onderzoeksvraag. Dit heeft niks te maken
met bias. Wanneer je dus verschil wilt zien tussen mannen en vrouwen, dan doe je het wel.
Moderatie gaat niet over bias. Maakt onderscheid tussen groepen in plaats van het
gemiddelde te nemen. Coëfficiënt: extra effect in de subgroep.
Wheelan’s warnings
Niet-lineaire relaties relaties kunnen ook kwadratisch, logaritmisch zijn etc.
Multicollineariteit verklarende variabele waar geen onderscheid in gemaakt kan
worden
Extrapoleren van de data data is alleen geldig binnen vergelijkbare populaties
Omgekeerde causaliteit teken DAG
Ommited variable bias geen adjusting toegepast terwijl je dit wel had moeten
doen.
Ordinary least squared regression (OLS)
Wanneer je regressieanalyse uitvoert, ontstaat er een boxplot. Samenhang kan berekend
worden door de correlatie uit te rekenen. Er is sprake van een lineair verband tussen de
uitkomst en de verklarende variabelen. Echter kan OLS ook gebruikt worden bij niet-lineaire
relaties. Dit doe je door gebruik te maken van x2 interpretatie van de coëfficiënt wordt ook
belangrijker.
Wanneer je software de uitkomst- en verklarende variabele verteld, zal de software de
coëfficiënten vinden met de beste pasvorm de beste lijn door de punten heen. Het
minimaliseert de kwadratische afwijkingen van de regressievergelijking. Nadeel: software
maakt geen onderscheid tussen blootstelling en confounders.
Segment 1 leerdoelen:
De resultaten van OLS-regressie (lineaire regressie) vertalen in betekenisvolle
causale en associatieve concepten die van toepassing zijn op een onderzoeksvraag
Moderatie-analyse toepassen
DAG’s
Wanneer je een pijl tekent, dan is er sprake van een potentiële causale relatie. Wanneer je
geen pijl tekent dan is er absoluut geen sprake van een causale relatie. De onderbouwing
waarom je niet tekent moet sterker zijn dan wanneer je wel tekent.
DAG’s kunnen o.a. gebruikt worden om causale paths, backdoor paths en colliders te
ontdekken.
Van belang dat niet-causale elementen verwijderd worden uit de keten door ervoor te zorgen
dat backdoor paths worden geblokkeerd.
- Adjustment voor confounders
- No adjustment voor colliders
Wanneer je een adjustment voor een collider uitvoert, kan het probleem ontstaan dat er
een pad gesloten wordt. Soms kunnen paden juist geopend worden wanneer je
adjustment toepast voor confounders.
Hoe kan adjustment plaatsvinden?
1. Stratificatie
Stratificatie is het ‘uitsplitsen’ van data in één of meerdere subgroepen. Wanneer er veel
confounders zijn in een onderzoek, is het niet handig om te stratificeren omdat er dan veel
subgroepen ontstaan met weinig data. Hierdoor neemt de betrouwbaarheid van het
onderzoek af.
Middels deze methode kunnen uitkomsten vergeleken worden van groepen die wel en niet
blootgesteld zijn met dezelfde kenmerken exchangeability!
- Voordelen: makkelijk & op intuïtie te interpreteren
- Nadelen: niet toe te passen voor te veel confounders te veel subgroepen met te
weinig data & confounders moeten worden gecategoriseerd
2. Regressie
Regressie beschrijft de wiskundige relatie tussen de uitkomst en één of meerdere variabelen.
Doel: kwantificeren van de relatie van de uitkomstvariabele met de blootstelling, waarbij
wordt gecorrigeerd voor andere variabele. Middels regressie kunnen meerdere confounders
gecorrigeerd worden, hierdoor is het ook een betere methode dan stratificatie. Echter is het
relatief makkelijk te gebruiken maar moeilijk goed te gebruiken, en gevaarlijk bij onjuist
gebruik.
Door middel van de intercept/constant en
coëfficiënt kunnen waarden voorspeld
worden. De voorspelling is wel een
gemiddelde voor mensen met dezelfde
kenmerken.
Wanneer je dit in
een software
stopt, ziet hij sex en age niet als confounders maar als losse
, variabelen. Er komen drie coëfficiënten uit de vergelijking en deze zijn gelijk aan de relatie
van de bovenstaande pijlen.
Wanner je in de tweede vergelijking age toevoegt, gaat de
coëfficiënt omhoog. Wanneer we dan ook sex toevoegen, gaat
de coëfficiënt omlaag. Dus het toevoegen van variabelen, leidt
tot verschuiving van de verbanden en verandering van de
schatting.
Dan nu moderation analysis want height heeft mogelijk een
ander verschil voor mannen dan voor vrouwen. Dit kan ook
gemodelleerd worden door het interactie effect. Hier wordt ook
een coëfficiënt voor gebruikt
Moderatie
0.067 (interactieterm) betekent dat
height minder gewicht toevoegt dan
voor mannen. Je kan nu ook
zeggen dat er twee vergelijkingen
zijn. Je kan deze dus dan los van
elkaar zien.
Wanneer er sprake is van een non
zero coëfficiënt voor de interaction
term dan kun zeggen dat er sprake
is van moderation.
Moet je dit altijd toepassen? Dit hangt af van je onderzoeksvraag. Dit heeft niks te maken
met bias. Wanneer je dus verschil wilt zien tussen mannen en vrouwen, dan doe je het wel.
Moderatie gaat niet over bias. Maakt onderscheid tussen groepen in plaats van het
gemiddelde te nemen. Coëfficiënt: extra effect in de subgroep.
Wheelan’s warnings
Niet-lineaire relaties relaties kunnen ook kwadratisch, logaritmisch zijn etc.
Multicollineariteit verklarende variabele waar geen onderscheid in gemaakt kan
worden
Extrapoleren van de data data is alleen geldig binnen vergelijkbare populaties
Omgekeerde causaliteit teken DAG
Ommited variable bias geen adjusting toegepast terwijl je dit wel had moeten
doen.
Ordinary least squared regression (OLS)
Wanneer je regressieanalyse uitvoert, ontstaat er een boxplot. Samenhang kan berekend
worden door de correlatie uit te rekenen. Er is sprake van een lineair verband tussen de
uitkomst en de verklarende variabelen. Echter kan OLS ook gebruikt worden bij niet-lineaire
relaties. Dit doe je door gebruik te maken van x2 interpretatie van de coëfficiënt wordt ook
belangrijker.
Wanneer je software de uitkomst- en verklarende variabele verteld, zal de software de
coëfficiënten vinden met de beste pasvorm de beste lijn door de punten heen. Het
minimaliseert de kwadratische afwijkingen van de regressievergelijking. Nadeel: software
maakt geen onderscheid tussen blootstelling en confounders.
