UEber die Autoren 7
Einleitung 17
UEber dieses Buch 17
Was Sie nicht lesen muessen 18
Konventionen in diesem Buch 18
Toerichte Annahmen ueber den Leser 19
Wie dieses Buch aufgebaut ist 19
Teil I: Medizinische Statistik - Gel(i)ebte Daten 19
Teil II: Keine Forschung ohne Fundament - Grundlagen fuer einen gelungenen Start 19
Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 20
Teil IV: Blick ueber den Tellerrand - weiterfuehrende Methoden 20
Symbole, die in diesem Buch verwendet werden 20
Teil I: Medizinische Statistik - Gel(i)ebte Daten 23
Kapitel 1 Statistik und Medizin - wie passt das zusammen? 25
Medizinische Statistik, Biostatistik, medizinische Biometrie: Eine Begriffsbestimmung 26
Wo wird medizinische Statistik gebraucht? 26
Aufgabenbereiche der medizinischen Statistik 27
Anwendung statistischer Methoden in medizinischen Forschungsprojekten 27
Kommunikation mit medizinischen Anwendern 28
Entwicklung neuer statistischer Methoden 28
Literatur 29
Kapitel 2 Besser beraten lassen - Hilfe holen erwuenscht 31
Wo finden Sie biometrische Unterstuetzung? 31
Vorbereitung auf einen Beratungstermin 33
Welche Software brauchen Sie? 34
SPSS - gut fuer Anwender 34
R Project - Am Puls der neusten biometrischen Methoden 36
SAS und STATA - validiert fuer die Industrie 36
Literatur 37
Teil II: Keine Forschung ohne Fundament - Grundlagen 39
Kapitel 3 Grundbegriffe und Studientypen 41
Grundlegende Begriffe empirischer Forschung in der Medizin 42
Grundgesamtheit und Stichprobe 42
Validitaet und Reliabilitaet 45
Endpunkte 47
Stoergroessen und Verzerrung 49
Verschiedene Studientypen unterscheiden 50
Unterscheidung nach Zielsetzung - konfirmatorische versus explorative Studien 50
Unterscheidung nach Blickrichtung - prospektive versus retrospective Studien 53
Studientypen in der Primaer- und Sekundaerforschung 54
Klinische Studie konzipieren - das Studiendesign 56
Kontrolle ist besser - die Kontrollgruppe 57
Zufaellige Zuteilung - Randomisierung 59
Denn Sie wissen nicht, was sie tun - Verblindung 65
Noch einmal in Kuerze 66
Literatur 67
Kapitel 4 Modelle fuer die Wirklichkeit 69
Was sind Wahrscheinlichkeiten? 70
Modellannahmen, Verteilungen und Schaetzung 72
Merkmale und Verteilungen 72
Zufallsfehler und Bias 78
Gaengige Verteilungsannahmen 80
Die First Lady der Verteilungen - die Normalverteilung 80
Die Binomialverteilung 85
Weitere Verteilungen 88
Literatur 91
Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 93
Kapitel 5 Die Kunst der Beschreibung - Deskriptive Statistik 95
Was ist das eigentlich - deskriptive Statistik? 96
Wo brauchen Sie deskriptive Statistik? 97
Merkmale unterscheiden - Skalenniveaus 99
Methoden der Deskription 104
Beschreibung kategorieller Merkmale 105
Kennzahlen, Tabellen und Lagemasse 105
Grafische Darstellung - Torten und Balken 108
Beschreibung ordinalskalierter Merkmale 111
Lage und Streuung - Median und Quartile 111
Grafische Darstellung - der Boxplot 114
Beschreibung intervall- und verhaeltnisskalierter Merkmale 117
Lage und Streuung - Mittelwert und Standardabweichung 117
Grafische Darstellung - Histogramme 122
Wichtiges hervorheben, Unwichtiges weglassen 125
Literatur 126
Kapitel 6 Nachweis durch Kontrolle des Zufalls - Konfirmatorische Statistik 127
Konfirmatorisch, induktiv, schliessend - eine Begriffsbestimmung 128
Idee des statistischen Tests - der konfirmatorische Umweg 128
Die sechs Schritte des statistischen Tests 130
Von der Fragestellung zur Hypothese 130
Die Formulierung der Fragestellung 131
Formulierung der Null- und Alternativhypothese 132
Einseitig und zweiseitig formulierte Hypothesen 134
Was sagen die Daten? Von den Daten zur Testentscheidung 135
Was ist extrem? Wahl einer geeigneten Teststatistik 136
Verteilung der Teststatistik und kritischer Wert 138
p-Wert und Signifikanzniveau 142
Interpretation des Testergebnisses - nichts ist bewiesen 145
Fehlentscheidungen und Fehlerwahrscheinlichkeiten 145
Literatur 152
Kapitel 7 t-Test & Co: Die Klassiker unter den Tests 153
Statistische Tests zum Vergleich von Erwartungswerten und anderen Lagemassen 154
Der t-Test fuer zwei unverbundene Stichproben 154
Der t-Test fuer zwei unverbundene Stichproben mit unterschiedlichen Standardabweichungen 161
Der t-Test fuer zwei verbundene Stichproben 163
Die Varianzanalyse (ANOVA) fuer mehr als zwei unverbundene Stichproben 168
Der U-Test fuer zwei unverbundene Stichproben 174
Der Vorzeichen-Rang-Test nach Wilcoxon fuer zwei verbundene Stichproben 182
Der Kruskal-Wallis-Test fuer mehr als zwei unverbundene Stichproben 187
Statistische Tests zum Vergleich von Anteilen und Wahrscheinlichkeiten 190
Der Chiquadrat-Test fuer zwei unverbundene Stichproben 191
Der Chiquadrat-Test fuer allgemeine Kreuztabellen 197
Der Binomialtest fuer eine Stichprobe 201
Der McNemar-Test fuer zwei verbundene Stichproben 205
Literatur 209
Kapitel 8 Den Behandlungseffekt quantifizieren - Punktschaetzer und Konfidenzintervalle 211
Quantifizierung des Effekts - der Punktschaetzer 212
Die Groesse des Effekts - das Konfidenzintervall 214
Signifikanz versus Relevanz - nicht zu verwechseln 222
Punktschaetzer und Konfidenzintervalle fuer verschiedene Datensituationen 225
Punktschaetzer und Konfidenzintervall fuer Erwartungswerte 227
Punktschaetzer und Konfidenzintervall fuer die Differenz zweier Erwartungswerte 229
Punktschaetzer und Konfidenzintervall fuer einen Anteil 232
Punktschaetzer und Konfidenzintervall fuer die Differenz zweier Anteile 236
Literatur 238
Kapitel 9 Was sonst noch wichtig ist - Vor und nach dem statistischen Test 239
Kontrolle des Fehlers 2 Art? Grundprinzip der Fallzahlplanung 240
Mehr als eine Fragestellung - multiples Testen 252
Adjustierung fuer multiples Testen 255
Das Ergebnis einer Studie berichten 264
Literatur 265
Kapitel 10 Zusammenhaenge und Vorhersage - Korrelation und Regression 267
Wie stark ist die Verbindung - Masse des Zusammenhangs 268
Der Korrelationskoeffizient nach Pearson 270
Der Korrelationskoeffizient nach Spearman 280
Kendalls ? 284
Der ?-Koeffizient 285
Regressionsmodelle 287
Die lineare Regression 289
Erweiterte (lineare) Regressionsmodelle 295
Die logistische Regression 300
Literatur 305
Teil IV: Blick ueber den Tellerrand - weiterfuehrende Methoden 307
Kapitel 11 Wer lebt laenger? Analyse von Ereigniszeiten 309
Was sind Ereigniszeitdaten? Zeiten, Ereignisse und Zensierungen 309
Schaetzung von Ereigniswahrscheinlichkeiten - Kaplan-Meier zeigt, wie es geht 313
Gruppenvergleich - UEberlebensfunktion, Hazards und Hazard Ratios 321
Logrank-Test und Cox-Regression 323
Literatur 325
Kapitel 12 Methoden zur Bewertung der Diagnostik und UEbereinstimmung 327
Diagnostische Studien 327
Goldstandard und Referenzdiagnostik 328
Guete von diagnostischen Tests - Sensitivitaet und Spezifitaet 329
Praediktive Werte und Satz von Bayes 333
Die ROC-Kurve 337
Literatur 344
Kapitel 13 Ausgewaehlte Methoden epidemiologischer Studien 345
Verzerrungen vermeiden durch Matching 346
Verschiedene Arten des Matchings 349
Auswertung gematchter Daten 353
Loecher in den Daten - Vom Umgang mit fehlenden Werten 353
Fehlen die Daten zufaellig? Mechanismen fehlender Werte 354
Fehlende Werte ersetzen - Imputation 355
Literatur 356
Kapitel 14 Methodik von systematischen Reviews und Metaanalysen 357
Systematische Reviews und Metaanalysen in der Medizin 357
Ablauf von systematischen Reviews und Metaanalysen 359
Vom systematischen Review zur Metaanalyse - Gepoolte Effektschaetzer 362
Grafische Darstellung einer Metaanalyse - der Forest-Plot 365
Homogenitaet und Heterogenitaet 366
Publication Bias und Funnel-Plot 368
Vor- und Nachteile von systematischen Reviews und Metaanalysen 370
Literatur 371
Teil V: Der Top-Ten-Teil 373
Zehn statistische Irrtuemer 375
Irrtum 1: Statistische Tests liefern wertvollere Ergebnisse als descriptive Datenauswertungen 375
Irrtum 2: Ein nicht-signifikantes Testergebnis deutet auf die Gueltigkeit der Nullhypothese hin 376
Irrtum 3: Der p-Wert ist die Wahrscheinlichkeit, dass die Nullhypothese richtig ist 376
Irrtum 4: Ein kleiner p-Wert spricht immer fuer einen grossen Effekt 377
Irrtum 5: Bei Verwendung eines parametrischen Tests muessen die Daten normalverteilt sein 377
Irrtum 6: Signifikante Ergebnisse sind immer auch klinisch relevant 377
Irrtum 7: Alle p-Werte unter 5% sind signifikante Ergebnisse 378
Irrtum 8: Fuer eine Fallzahlplanung werden nur ein paar Werte in eine Eingabemaske eingegeben 378
Irrtum 9: Ein multivariates Regressionsmodell dient der Vorhersage einer Zielgroesse aus mehreren Einflussgroessen 379
Irrtum 10: Nur Studien mit signifikanten Ergebnissen sollten publiziert werden 379
Stichwortverzeichnis 381
