Multivariabele regressie voorlopig - Revision history

M Wolvers: /* Ik heb backwards selection gebruikt - hoe interpreteer ik mijn resultaten? */

2025-04-23T15:36:48Z

Ik heb backwards selection gebruikt - hoe interpreteer ik mijn resultaten?

← Older revision		Revision as of 17:36, 23 April 2025
Line 85:		Line 85:
	''Ik ben bezig met een onderzoek naar welke variabelen van invloed zijn op een tumorbiopsie-uitkomst (wel of geen diagnose). Hiervoor heb ik een aantal parameters (bijv. tumorgrootte, lokatie van de tumor, in welke mate de tumor uitstulpt etc) genomen waarvan ik verwacht dat ze van invloed zijn. Ik heb er een backward multiple regressie op los gelaten en krijg hier ook wel resultaten uit, maar weet niet zo goed hoe ik die moet interpreteren.		''Ik ben bezig met een onderzoek naar welke variabelen van invloed zijn op een tumorbiopsie-uitkomst (wel of geen diagnose). Hiervoor heb ik een aantal parameters (bijv. tumorgrootte, lokatie van de tumor, in welke mate de tumor uitstulpt etc) genomen waarvan ik verwacht dat ze van invloed zijn. Ik heb er een backward multiple regressie op los gelaten en krijg hier ook wel resultaten uit, maar weet niet zo goed hoe ik die moet interpreteren.

	Als ik het goed begrijp gebruik je observationele data om een reeks verklarende onderzoeksvragen te beantwoorden. Datagedreven selectie leent zich daar in principe niet voor, je wilt in dat geval zélf - voor elk van de te onderzoeken parameters - bepalen hoe je ''minimal adjustment set'' eruit ziet.		Als ik het goed begrijp gebruik je observationele data om een reeks verklarende onderzoeksvragen te beantwoorden. Datagedreven selectie leent zich daar in principe niet voor, je wilt in dat geval zélf - voor elk van de te onderzoeken parameters - bepalen hoe je ''minimal sufficient adjustment set'' eruit ziet.

	== Hoe kan ik het best mijn variabelen selecteren, dmv handmatige selectie of met een automatische procedure? ==		== Hoe kan ik het best mijn variabelen selecteren, dmv handmatige selectie of met een automatische procedure? ==

M Wolvers at 15:31, 23 April 2025

2025-04-23T15:31:12Z

@@ Line 1: / Line 1: @@
 {{auteurs|
 |mainauthor= [[user: M Wolvers | dr. M.D.J. Wolvers]]
-|coauthor= Jeroen Hoogland
+|coauthor= Jeroen Hoogland en Nan van Geloven
 }}
@@ Line 74: / Line 74: @@
 Bij voorspellend onderzoek is datagedreven selecteren van variabelen wel degelijk een acceptabele manier om overfitting te voorkomen. Een modernere datagedreven selectie van predictoren in het geval van voorspellend onderzoek is regularisatie <cite>[McNeish2015][Friedrich2022]</cite>. Daarbij worden bij het fitten van het model complexere modellen numeriek gestraft, wat resulteert in een nuttiger, beter generaliseerbaar model. Maar let op: datagedreven selectie en inferentie (dus het gebruiken of interpreteren van standaardfouten en p-waarden) gaan in principe niet goed samen <cite>[Babyak2004]</cite>. Bovendien heeft de typische toepassing van "traditionele" stepwise regressiemethoden talrijke eigen problemen <cite>[Babyak2004][Livingston2010]</cite>.
 = Referenties =
@@ Line 93: / Line 157: @@
 #Babyak2004 pmid=15184705
 #Luijken2023 pmid=36946319
 </biblio>
 = Verder lezen =

M Wolvers: /* Referenties */

2025-04-23T14:26:48Z

Referenties

← Older revision		Revision as of 16:26, 23 April 2025
Line 92:		Line 92:
	#Friedrich2022 pmid=36384320		#Friedrich2022 pmid=36384320
	#Babyak2004 pmid=15184705		#Babyak2004 pmid=15184705
			#Luijken2023 pmid=36946319
	</biblio>		</biblio>

M Wolvers: /* Observationeel onderzoek */

2025-04-23T14:26:10Z

Observationeel onderzoek

← Older revision		Revision as of 16:26, 23 April 2025
Line 47:		Line 47:
	=== Observationeel onderzoek ===		=== Observationeel onderzoek ===
	Niet altijd is het ethisch of haalbaar om causale vragen a.d.h.v. de gouden standaard, rct’s, te beantwoorden. Dit kan ook worden bewerkstelligd met observationeel onderzoek, zij het met limitaties, te weten een veel grotere set aan (onverifieerbare) aannamen. Een schoolvoorbeeld van zo een vraag is “veroorzaakt roken longkanker?”.		Niet altijd is het ethisch of haalbaar om causale vragen a.d.h.v. de gouden standaard, rct’s, te beantwoorden. Dit kan ook worden bewerkstelligd met observationeel onderzoek, zij het met limitaties, te weten een veel grotere set aan (onverifieerbare) aannamen. Een schoolvoorbeeld van zo een vraag is “veroorzaakt roken longkanker?”.
	Bij observationeel onderzoek is de onderzoeksvraag en/of de [https://en.wikipedia.org/wiki/Estimand estimand] vaak niet helder geformuleerd <cite>[Carlin2024]</cite>. [~~https:/~~/~~onlinelibrary.wiley.com/doi/full/10.1002/pds.5620 In dit paper] wordt~~ aan de hand van pharmacologisch onderzoek ~~besproken~~ waarom ~~dat~~ lastig kan zijn, maar essentieel is.		Bij observationeel onderzoek is de onderzoeksvraag en/of de [https://en.wikipedia.org/wiki/Estimand estimand] vaak niet helder geformuleerd <cite>[Carlin2024]</cite>. Luijken et al. <cite>[Luijken2023]</cite> bespreken aan de hand van pharmacologisch onderzoek waarom het formuleren van een estimand lastig kan zijn, maar essentieel is.

	Om tot een concrete onderzoeksvraag en estimand te komen, kan het nuttig zijn om een hypothetische target trial te formuleren <cite>[Hernan2016][Goetghebeur2020]</cite>. Vanuit daar valt vaak te redeneren welke zaken - gegeven de praktische en ethische restricties - relevante hinder leveren voor het betrouwbaar schatten van het belangwekkende effect/de estimand.		Om tot een concrete onderzoeksvraag en estimand te komen, kan het nuttig zijn om een hypothetische target trial te formuleren <cite>[Hernan2016][Goetghebeur2020]</cite>. Vanuit daar valt vaak te redeneren welke zaken - gegeven de praktische en ethische restricties - relevante hinder leveren voor het betrouwbaar schatten van het belangwekkende effect/de estimand.

M Wolvers: /* Voorspellen */

2025-04-23T14:22:11Z

Voorspellen

← Older revision		Revision as of 16:22, 23 April 2025
Line 28:		Line 28:
	Meestal is een dergelijke uitkomst in de toekomst gelegen, maar soms, zoals vaak het geval is bij [[diagnostisch onderzoek]], is deze uitkomst op (ongeveer) hetzelfde moment gemeten. Dit gebeurt bijvoorbeeld wanneer de uitkomst te invasief, duur of onpraktisch is om op grote schaal te meten <cite>[Hamaker2020]</cite>.		Meestal is een dergelijke uitkomst in de toekomst gelegen, maar soms, zoals vaak het geval is bij [[diagnostisch onderzoek]], is deze uitkomst op (ongeveer) hetzelfde moment gemeten. Dit gebeurt bijvoorbeeld wanneer de uitkomst te invasief, duur of onpraktisch is om op grote schaal te meten <cite>[Hamaker2020]</cite>.

	Multivariabele regressie is een nuttig en veelgebruikt gereedschap in dergelijk onderzoek. Bij deze vorm van onderzoek worden predictoren gekozen op basis van expertise, maar kan het nuttig zijn om statistische technieken te gebruiken voor het selecteren van predictoren of concurrerende modellen. Daarover [[multivariabele_regressie_voorlopig#~~modelselectie~~ \| hieronder]] meer.		Multivariabele regressie is een nuttig en veelgebruikt gereedschap in dergelijk onderzoek. Bij deze vorm van onderzoek worden predictoren gekozen op basis van expertise, maar kan het nuttig zijn om statistische technieken te gebruiken voor het selecteren van predictoren of concurrerende modellen. Daarover [[multivariabele_regressie_voorlopig#overfitting \| hieronder]] meer.

	Anders dan vaak gedacht, hoeft een statistisch model niet veel te lijken op ‘de echte wereld' <cite>[Shmueli2010]</cite> om nauwkeurige voorspellingen op te leveren. Bovendien: de individuele parameters van het model hebben geen betekenisvolle interpretatie (zie ook: [[multivariabele_regressie_voorlopig#Table_2_fallacy \| Table 2 fallacy]]), deze zijn bij voorspellend onderzoek ondergeschikt aan de mate waarin het uiteindelijke model in staat is om nauwkeurige voorspellingen in (nieuwe) cases te generen.		Anders dan vaak gedacht, hoeft een statistisch model niet veel te lijken op ‘de echte wereld' <cite>[Shmueli2010]</cite> om nauwkeurige voorspellingen op te leveren. Bovendien: de individuele parameters van het model hebben geen betekenisvolle interpretatie (zie ook: [[multivariabele_regressie_voorlopig#Table_2_fallacy \| Table 2 fallacy]]), deze zijn bij voorspellend onderzoek ondergeschikt aan de mate waarin het uiteindelijke model in staat is om nauwkeurige voorspellingen in (nieuwe) cases te generen.

M Wolvers: /* Multivariabele regressie om te corrigeren voor confounding */

2025-04-23T14:20:46Z

Multivariabele regressie om te corrigeren voor confounding

← Older revision		Revision as of 16:20, 23 April 2025
Line 54:		Line 54:
	Een multivariabel regressiemodel is een gereedschap dat kan worden gebruikt voor het corrigeren van confounding en selection bias. Er zijn meerdere manieren waarop dit gerealiseerd kan worden, zoals		Een multivariabel regressiemodel is een gereedschap dat kan worden gebruikt voor het corrigeren van confounding en selection bias. Er zijn meerdere manieren waarop dit gerealiseerd kan worden, zoals

	# een sufficient adjustment set opnemen als covariaten in een multivariabel regressiemodel <cite>[Greenland1999]</cite>.		# een ''sufficient adjustment set'' opnemen als covariaten in een multivariabel regressiemodel <cite>[Greenland1999]</cite>.
	# of, in meerdere stappen, inverse propensity score weighting (IPSW) of inverse probability of treatment weights (IPTW) gebruiken. Daarbij wordt multivariabele regressiemodel gebruikt om een weging mee te geven aan observaties (meestal: patiënten) in de uiteindelijke analyse <cite>[Chesnaye2021]</cite>.		# of, in meerdere stappen, ''inverse propensity score weighting'' (IPSW) of ''inverse probability of treatment weights'' (IPTW) gebruiken. Daarbij wordt multivariabele regressiemodel gebruikt om een weging mee te geven aan observaties (meestal: patiënten) in de uiteindelijke analyse <cite>[Chesnaye2021]</cite>.
	In beide scenario’s is een aanpak te prefereren waarbij van tevoren in een statistisch analyseplan voor elke onderzoeksvraag is vastgesteld en beargumenteerd hoe elke variabelen word gebruikt om een zo relevant mogelijk schatting van de estimand op te leveren. Het is raadzaam om bij het vaststellen van de set van confounders gebruik te maken van directed acyclic graphs (DAGs). [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html Deze introductie] in R en [https://www.edx.org/learn/data-analysis/harvard-university-causal-diagrams-draw-your-assumptions-before-your-conclusions deze gratis online cursus] zijn mogelijk nuttige startpunten.		In beide scenario’s is een aanpak te prefereren waarbij van tevoren in een statistisch analyseplan voor elke onderzoeksvraag is vastgesteld en beargumenteerd hoe elke variabelen word gebruikt om een zo relevant mogelijk schatting van de estimand op te leveren. Het is raadzaam om bij het vaststellen van de set van confounders gebruik te maken van ''directed acyclic graphs'' (DAGs). [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html Deze introductie] in R en [https://www.edx.org/learn/data-analysis/harvard-university-causal-diagrams-draw-your-assumptions-before-your-conclusions deze gratis online cursus] zijn mogelijk nuttige startpunten.

	==== Table 2 fallacy ====		==== Table 2 fallacy ====

M Wolvers: /* Table 2 fallacy */

2025-04-23T14:19:57Z

Table 2 fallacy

← Older revision		Revision as of 16:19, 23 April 2025
Line 59:		Line 59:

	==== Table 2 fallacy ====		==== Table 2 fallacy ====
	Een ander aandachtspunt bij het gebruik van multivariabele modellen in deze context is de zogenaamde Table 2 fallacy <cite>[Westreich2013]</cite>; het presenteren van de geschatte regressiecoëfficiënten van een multivariabel model met de implicatie dat dit praktische, klinisch interpreteerbare kwantiteiten zijn. Het kán zo zijn dat (een deel van) de gemodelleerde associaties heel toevallig afdoende gecorrigeerd zijn voor confounding en dus kwantificaties van (relevante) causale effecten zijn, maar dit is niet zomaar te verwachten: in principe hebben de coëfficiënten allemaal géén causale interpretatie, met als enige uitzondering de coëfficiënt die hoort bij een goed uitgedachte causale estimand.		Een ander aandachtspunt bij het gebruik van multivariabele modellen in deze context is de zogenaamde ''Table 2 fallacy'' <cite>[Westreich2013]</cite>; het presenteren van de geschatte regressiecoëfficiënten van een multivariabel model met de implicatie dat dit praktische, klinisch interpreteerbare kwantiteiten zijn. Het kán zo zijn dat (een deel van) de gemodelleerde associaties heel toevallig afdoende gecorrigeerd zijn voor confounding en dus kwantificaties van (relevante) causale effecten zijn, maar dit is niet zomaar te verwachten: in principe hebben de coëfficiënten allemaal géén causale interpretatie, met als enige uitzondering de coëfficiënt die hoort bij een goed uitgedachte causale estimand.

	== Let op: Vaak is verklaren wel degelijk het doel! ==		== Let op: Vaak is verklaren wel degelijk het doel! ==

M Wolvers: /* Multivariabele regressie om te corrigeren voor confounding */

2025-04-23T14:18:24Z

Multivariabele regressie om te corrigeren voor confounding

← Older revision		Revision as of 16:18, 23 April 2025
Line 55:		Line 55:

	# een sufficient adjustment set opnemen als covariaten in een multivariabel regressiemodel <cite>[Greenland1999]</cite>.		# een sufficient adjustment set opnemen als covariaten in een multivariabel regressiemodel <cite>[Greenland1999]</cite>.

	# of, in meerdere stappen, inverse propensity score weighting (IPSW) of inverse probability of treatment weights (IPTW) gebruiken. Daarbij wordt multivariabele regressiemodel gebruikt om een weging mee te geven aan observaties (meestal: patiënten) in de uiteindelijke analyse <cite>[Chesnaye2021]</cite>.		# of, in meerdere stappen, inverse propensity score weighting (IPSW) of inverse probability of treatment weights (IPTW) gebruiken. Daarbij wordt multivariabele regressiemodel gebruikt om een weging mee te geven aan observaties (meestal: patiënten) in de uiteindelijke analyse <cite>[Chesnaye2021]</cite>.
	In beide scenario’s is een aanpak te prefereren waarbij van tevoren in een statistisch analyseplan voor elke onderzoeksvraag is vastgesteld en beargumenteerd hoe elke variabelen word gebruikt om een zo relevant mogelijk schatting van de estimand op te leveren. Het is raadzaam om bij het vaststellen van de set van confounders gebruik te maken van directed acyclic graphs (DAGs). [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html Deze introductie] in R en [https://www.edx.org/learn/data-analysis/harvard-university-causal-diagrams-draw-your-assumptions-before-your-conclusions deze gratis online cursus] zijn mogelijk nuttige startpunten.		In beide scenario’s is een aanpak te prefereren waarbij van tevoren in een statistisch analyseplan voor elke onderzoeksvraag is vastgesteld en beargumenteerd hoe elke variabelen word gebruikt om een zo relevant mogelijk schatting van de estimand op te leveren. Het is raadzaam om bij het vaststellen van de set van confounders gebruik te maken van directed acyclic graphs (DAGs). [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html Deze introductie] in R en [https://www.edx.org/learn/data-analysis/harvard-university-causal-diagrams-draw-your-assumptions-before-your-conclusions deze gratis online cursus] zijn mogelijk nuttige startpunten.

M Wolvers: /* Multivariabele regressie om te corrigeren voor confounding */

2025-04-23T14:18:07Z

Multivariabele regressie om te corrigeren voor confounding

← Older revision		Revision as of 16:18, 23 April 2025
Line 56:		Line 56:
	# een sufficient adjustment set opnemen als covariaten in een multivariabel regressiemodel <cite>[Greenland1999]</cite>.		# een sufficient adjustment set opnemen als covariaten in een multivariabel regressiemodel <cite>[Greenland1999]</cite>.

	## of, in meerdere stappen, inverse propensity score weighting (IPSW) of inverse probability of treatment weights (IPTW) gebruiken. Daarbij wordt multivariabele regressiemodel gebruikt om een weging mee te geven aan observaties (meestal: patiënten) in de uiteindelijke analyse <cite>[Chesnaye2021]</cite>.		# of, in meerdere stappen, inverse propensity score weighting (IPSW) of inverse probability of treatment weights (IPTW) gebruiken. Daarbij wordt multivariabele regressiemodel gebruikt om een weging mee te geven aan observaties (meestal: patiënten) in de uiteindelijke analyse <cite>[Chesnaye2021]</cite>.
	In beide scenario’s is een aanpak te prefereren waarbij van tevoren in een statistisch analyseplan voor elke onderzoeksvraag is vastgesteld en beargumenteerd hoe elke variabelen word gebruikt om een zo relevant mogelijk schatting van de estimand op te leveren. Het is raadzaam om bij het vaststellen van de set van confounders gebruik te maken van directed acyclic graphs (DAGs). [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html Deze introductie] in R en [https://www.edx.org/learn/data-analysis/harvard-university-causal-diagrams-draw-your-assumptions-before-your-conclusions deze gratis online cursus] zijn mogelijk nuttige startpunten.		In beide scenario’s is een aanpak te prefereren waarbij van tevoren in een statistisch analyseplan voor elke onderzoeksvraag is vastgesteld en beargumenteerd hoe elke variabelen word gebruikt om een zo relevant mogelijk schatting van de estimand op te leveren. Het is raadzaam om bij het vaststellen van de set van confounders gebruik te maken van directed acyclic graphs (DAGs). [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html Deze introductie] in R en [https://www.edx.org/learn/data-analysis/harvard-university-causal-diagrams-draw-your-assumptions-before-your-conclusions deze gratis online cursus] zijn mogelijk nuttige startpunten.

M Wolvers: /* Multivariabele regressie om te corrigeren voor confounding */

2025-04-23T14:17:50Z

Multivariabele regressie om te corrigeren voor confounding

← Older revision		Revision as of 16:17, 23 April 2025
Line 54:		Line 54:
	Een multivariabel regressiemodel is een gereedschap dat kan worden gebruikt voor het corrigeren van confounding en selection bias. Er zijn meerdere manieren waarop dit gerealiseerd kan worden, zoals		Een multivariabel regressiemodel is een gereedschap dat kan worden gebruikt voor het corrigeren van confounding en selection bias. Er zijn meerdere manieren waarop dit gerealiseerd kan worden, zoals

	1. een sufficient adjustment set opnemen als covariaten in een multivariabel regressiemodel <cite>[Greenland1999]</cite>.		# een sufficient adjustment set opnemen als covariaten in een multivariabel regressiemodel <cite>[Greenland1999]</cite>.

	2. of, in meerdere stappen, inverse propensity score weighting (IPSW) of inverse probability of treatment weights (IPTW) gebruiken. Daarbij wordt multivariabele regressiemodel gebruikt om een weging mee te geven aan observaties (meestal: patiënten) in de uiteindelijke analyse <cite>[Chesnaye2021]</cite>.		## of, in meerdere stappen, inverse propensity score weighting (IPSW) of inverse probability of treatment weights (IPTW) gebruiken. Daarbij wordt multivariabele regressiemodel gebruikt om een weging mee te geven aan observaties (meestal: patiënten) in de uiteindelijke analyse <cite>[Chesnaye2021]</cite>.
	In beide scenario’s is een aanpak te prefereren waarbij van tevoren in een statistisch analyseplan voor elke onderzoeksvraag is vastgesteld en beargumenteerd hoe elke variabelen word gebruikt om een zo relevant mogelijk schatting van de estimand op te leveren. Het is raadzaam om bij het vaststellen van de set van confounders gebruik te maken van directed acyclic graphs (DAGs). [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html Deze introductie] in R en [https://www.edx.org/learn/data-analysis/harvard-university-causal-diagrams-draw-your-assumptions-before-your-conclusions deze gratis online cursus] zijn mogelijk nuttige startpunten.		In beide scenario’s is een aanpak te prefereren waarbij van tevoren in een statistisch analyseplan voor elke onderzoeksvraag is vastgesteld en beargumenteerd hoe elke variabelen word gebruikt om een zo relevant mogelijk schatting van de estimand op te leveren. Het is raadzaam om bij het vaststellen van de set van confounders gebruik te maken van directed acyclic graphs (DAGs). [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html Deze introductie] in R en [https://www.edx.org/learn/data-analysis/harvard-university-causal-diagrams-draw-your-assumptions-before-your-conclusions deze gratis online cursus] zijn mogelijk nuttige startpunten.