Statisztikai szakértői csomagjaink

1. csomag: leíró statisztikák

• Eloszlások százalékos értékeinek bemutatása

Zár, félig zár, illetve nyitott válaszlehetőségű változók esetén alkalmazható eljárás. Lehetőség van arra is, hogy folytonos változókat alakítunk át megfelelően megválasztott értéktartományok között kategóriális változókká. Továbbá lehetőség van arra is, hogy többválaszos kérdéseknél megmutassuk az egyes válaszlehetőségek százalékos eloszlását. Szemelőtt tartva a "Top of Mind" említést, azaz ami elsőként az eszébe jut válaszadóinknak.

Általában kutatásainkat több keresztmetszetben végezzük el, azaz több orvoscsoportot kérdezünk meg, vagy régió szerint is tagoljuk a kutatást. Ezen változók szerinti bontásban is rendelkezésre bocsátjuk az eredményeket.

• Középértékek (várható értékek) kiszámítása

Folytonos mérési szintű változók esetén alkalmazhatjuk. Két módszer adott a várható értékek kiszámítására. Leggyakrabban a számtani átlagot szoktuk alkalmazni, de szóba szokott jönni a medián kiszámítása is. Természetesen ebben az esetben is be tudjuk mutatni a megadott csoportosítás szerinti (orvoscsoport, régió) várható értékeket.

2. csomag: közép szintű statisztikai elemzések

• Kereszttábla-elemzések (khí-négyzet teszt)

Két kategóriális változó közötti kapcsolat vizsgálata khí-négyzet statisztiai próba segítségével. Nullhipotézisünk az, hogy a két változó független egymástó. Például, nincs szignifikáns különbség a családorvosok és a belgyógyászok között abból a szempontból, hogy elsőként melyik lipidszint csökkentő készítményt rendelik középkorú férfi betegeiknek. A teszt elvégzése után megtudhatjuk, hogy kölönbőzőnek tekinthetjük-e a két orvoscsoportot a fent megadott szempont szerint.

• Folytonos változók várható értékeinek összehasonlítása (t-próba, ANOVA)

Az eljárás többek között arra ad lehetőséget, hogy folytonos mérési szintű változók átlagait hasonlítsuk össze egymással különböző csoportokban. Például, azt szeretnénk megtudni, hogy van-e különbség a kardiológusok és a belgyógyászok között egy adott készítmény dozírozásának szempontjából. Nullhipotézisünk az, hogy a két orvoscsoport között nincs különbéség ebből a szempontból. Jelen esetben a t-próba elvégzése után megtudhatjuk, hogy különbözőnek tekinthetjük-e a két orvoscsoportot az adott dozírozás szempontjából.

• Esélyhányadosok kiszámítása (odds ratio)

Esélyhányadosok alkalmazása az egészségügyi kutatások területén meglehetősen elterjedtek, különösen klinikai vizsgálatoknál. Például kimutatható, hogy két különböző terápia alkalmazása során mennyivel nagyobb a túlélés esélye az egyik terápia esetén, mint a másik terápia bevetésekor. Tehát mondjuk az "A" terápia 1,4-szer nagyobb eséllyel gyógyítja meg paciensünket, mint a "B" terápia.

3. csomag: emelt szintű statisztikai elemzések

• Korreláció számítás

A korreláció két folytonos változó közötti asszociációt mér. Azt mutatja meg, hogy az egyik ismérv (pl. gyógyszerek támogatásforgalma) milyen erős kapcsolatot mutat a másik ismérvvel (pl. DOT-forgalommal). A korrelációs együttható nem csak az asszociáció mértékét fejezi ki, hanem annak irányát is. Meg tudjuk mondani, hogy két ismérv között milyen kapcsolat áll fenn. Ha egy gyógyszer támotatásforgalma magas, akkor nagy valószínűséggel a DOT-forgalma is magas lesz (pozitív kapcsolat). Ha egy gyógyszer fogyasztói ára magas, akkor annak nagy eséllyel DOT-forgalma alacsony lesz (negatív kapcsolat).

• Regresszió-analízis

A regresszió szintén két folytonos változó közötti kapcsolatot vizsgál. Az egyszerűség kedvéért most foglalkozzunk a lineáris regresszióval. Hipotézisunk legyen az, hogy a családorvoshoz leadott TB kártyák pozitív mértékben befolyásolják egy adott készítmény havi felírási gyakoriságát.

Az elemzés elvégzése után kaphatjuk a következő eredményt. Ha egy családorvosnál 500 betegkártya van leadva, akkor 500*0.1+30 azaz 80 dobozzal ír fel havonta az adott gyógyszerből. Amennyiben 1000 betegkártyája van, akkor 1000*0.1+30 tehát 130 dobozzal rendel belőle. Mint látjuk lineáris kapcsolat van a két ismérv között. A regresszió segítségével lehetőség nyílik becslések alkalmazására. Mint fenti példánkban láthatjuk, meg tudjuk becsülni egy orvos felírási gyakoriságát egy adott készítmény esetében, ha megmondják nekünk, hogy hány betegkártya van leadva nála.

• Klaszteranalízis

Főleg folytonos változók esetében alkalmazott eljárás. Az eljárásnak az a lényege, hogy a megadott változók segítségével csoportokat alakít ki. A csoportképzés távolságok mérésén alapul. Azokat tekintjük egy csoportban lévőknek, akik elkülönülten közel vannak egymáshoz. Az elemzés nehézsége leginkább abban áll, hogy a kialakult csoportoknak tényleg tudunk-e nevet adni.

• Főkomponens- és faktorelemzés

Folytonos változók esetén alkalmazott dimenziócsökkentő eljárás.
Főkomponens-elemzés segítségével azt tudjuk megmondani, hogy több változó közül melyik az az egy, amelyik a legnagyobb magyarázó erővel bír a többihez képest.

A faktorelemzés több változó viselkedését írja le mesterségesen képzett változók segítségével. Tehát például, hat változóból készít két faktort. Az első faktor két változó, míg a második faktor négy változó transzformált adatait tartalmazza. A faktorokat sok esetben használjuk regresszió-analízisek során.

• Többdimenziós skálázás

Több sorba rendezhető válaszlehetőségű változó esetében használjuk. Dimenzió csökkentésre használjuk abban az esetben, ha több változó hasonló dolgot mér. Tipikus eset erre, amikor 1-től 5-ig, illetve 10-ig terjedő skálán kell értékelni egy adott készítményt különböző ismérvek szerint. Az elemzés során az ismérvek egy csoportja fogja meghatározni az egyik, míg egy másik csoportja a másik tengelyt. Ebben az esetben viszonyításunkat a tengelyeket alkotó képzett változók fogják meghatározni.