Samenvatting voorkennis + Power en sample size berekeningen

Onderzoeksmethodologie en statistiek 3:

Samenvatting: Onderdeel statistiek
1. Power en sample size berekeningen

, Power en sample size berekeningen
Voorkennis opfrissen:

Deze les vereist voorkennis over oa. Alfa en Beta (type I en type II fouten)
- Fout type 1: door kiezen significantieniveau 🡪 kans op risico dat de nulhypothesen
ten onrechte wordt verworpen (symbool α)
- Fout type 2: als uit statische procedure het omgekeerde zou blijken, en de
nulhypothese wordt aanvaard (symbool β)

Sample = steekproef (aantal personen opgenomen in het onderzoek) + Size = grootte

We willen 2 groepen gaan vergelijken + gaan die onderzoeken
→ we gaan zien welke het beste resultaat krijgt: is nieuwe beter dan oude?
- We willen zo veel mogelijk patiënten, hoe meer je er hebt, hoe beter je weet of
nieuwe beter is dan oude (jezelf onafhankelijk maken van toevallige effecten)

→ Grote nadelen
1. Vaak niet veel patiënten die we kunnen onderzoeken → is het dan wel de
moeite om dit te gaan onderzoeken?
2. De nieuwe behandelingsmethode die je wilt onderzoeken, kan slecht zijn en
zelfs schade toebrengen aan de patiënten.
3. Kost veel tijd/moeite en geld om al die patiënten te onderzoeken, als er veel
deelnemers zijn. Als het niet nodig is ga je dat liever niet doen.
⇒ Daarom neem je in sommige gevallen niet veel patiënten op

- vb: patiënten met tenniselleboog nodig in onderzoek, dan moet je ook patiënten
vinden met een tenniselleboog. We hebben misschien niet zoveel patiënten en deze
patiënten moeten ook nog eens akkoord gaan met het onderzoek. Te weinig
patiënten? = resultaat zou kunnen ontstaan door toeval, is het onderzoek dan wel
nuttig?
Afhankelijk van het soort onderzoek dat je gaat doen, gaat de berekening anders in zijn
werk.

Sample size berekenen: hoeveel patiënten moeten we includeren in een onderzoek om een
goed onderzoek te kunnen uitvoeren?

, Voorkennis adhv live les + kennisclip:
Concreet voorbeeld van voorkennisclip:
‘Patiënten met lage rugpijn’ → deze proberen helpen. We hebben een nieuwe
behandeling uitgevonden en we willen testen of deze werkt.

We gaan dit doen aan de hand van 2 hypotheses:
1. veronderstellen dat behandeling NIET werkt
= NULHYPOTHESE
= Als we de mensen hiermee behandelen, geeft dit geen verschil
= nutteloos

2. veronderstellen dat behandeling WEL helpt
= alternatieve hypothese
= nieuwe behandeling heeft wel degelijk positief effect op de klacht


Geogebra-functie = groene normaalverdeling
Op horizontale as = pijnverschil
- pijn meten op 2 momenten: voor en na behandeling
→ We kunnen dit doen aan de hand van een VAS-schaal:
score op 10 (we moeten een numeriek getal uitkomen!)

We gaan de patiënt dus 2 keer vragen
- 2 scores zijn niet veel waard want je wil weten hoeveel
je verbeterd hebt (heeft die meer of minder pijn)
→ pijn verschilscore (verschil tussen de 2 pijnscores)

- Ofwel is de techniek nutteloos = H0 → pijnverschil
tussen deze 2 momenten van 0 (in dit voorbeeld: patiënt heeft voor behandeling
evenveel pijn als na de behandeling)
= dit stelt de groene normaalverdeling voor
- De groene functie is langs beide kanten een beetje uitgespreid, dit is omdat
het niet 100% zeker is dat we een pijnverschil van 0 meten, zelfs als onze
behandeling nutteloos is.
- vb: patiënt kan een goede dag hebben op de dag van het 2e
meetmoment = toevallige beïnvloeding

- Er kan toeval in het spel zijn, dit kan door factoren die we niet in de hand
hebben
→ we kunnen bijvoorbeeld een pijnverschil van 1 vinden = pijn is met 1
afgenomen of met 1 toegenomen (maar ligt niet aan de techniek die je hebt
toegepast)
- De kans dat dit voorkomt is niet zo groot (daarom ligt de grafiek lager
thv de ‘1’ als thv de ‘0’)
→ De kans dat dit door toeval gebeurt, heeft te maken met hoe groot
de grafiek is bij die bepaalde x-waarde (de verticale staat echter niet
gelijk aan kans, maar aan kansdichtheid).

- Alternatieve hypothese: techniek heeft wel een verbetering → er is een pijn verschil