Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis
|
|
|
- Όσιρις Πρωτονοτάριος
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis Xue Han, MPH and Matt Shotwell, PhD Department of Biostatistics Vanderbilt University School of Medicine March 14, 2014 Contents 1 Analysis 1: Transitional Model to model next day s effect Outcome1: Daily Delirium Descriptive Statistics Multinomial logistic regression with Normal as the reference level for outcome variable Delirium Outcome2: Daily troponin (greater than 0.1) as an index of cardiac dysfunction Descriptive Statistics Logistic regression. tro greater than 0.1 (Y/N) Linear regression. Continuous Response Outcome3: Daily renal SOFA score Descriptive Statistics Logistic regression, Daily renal SOFA 2(Y/N) Proportional odds logistic regression regression, Ordinal response (0-4) Outcome4: Daily resp SOFA score ( 2) Descriptive Statistics Logistic regression, Daily RESP SOFA 2(Y/N) Proportional odds logistic regression, Ordinal response (0-4) Outcome5: Daily Ventilator (Y/N) as a measure of success of extubation Descriptive Statistics Logistic regression (Daily Ventilation (Y/N)) Analysis2: Hb during ICU stay and predicted outcomes Outcome1: ICU mortality Descriptive Statistics Logistic regression for ICU.mortality (Y/N) Time dependent covariate survival analysis for Time to ICU.mortality Outcome2: Cardiac dysfunction(tropnin greater than 0.1) Correlated time dependent covariate survival analysis for Time to Tropnin greater than Outcome3: Renal dysfunction Outcome: Time to renal dysfunction Survival analysis with correlated time dependent covariate Outcome4: Time to resolution of delirium Outcome5: Time to successful extubation
2 1 Analysis 1: Transitional Model to model next day s effect 1.1 Outcome1: Daily Delirium Descriptive Statistics Table 1: Descriptive by Icu.status 2 N Normal Discharged Delirious Comatose Deceased Combined Test Statistic N = 1976 N = 697 N = 1994 N = 1917 N = 127 N = 6711 icu.status.today 6711 χ 2 8 = 4326, P < Normal 73% (1451) 66% ( 462) 11% ( 217) 5% ( 88) 9% ( 11) 33% (2229) Delirious 21% ( 410) 28% ( 193) 61% (1210) 20% ( 380) 22% ( 28) 33% (2221) Comatose 6% ( 115) 6% ( 42) 28% ( 567) 76% (1449) 69% ( 88) 34% (2261) Age at enrollment F 4,6706 = 18, P < ICU type 6711 Surgical 28% ( 552) 35% ( 242) 42% ( 844) 38% ( 736) 19% ( 24) 36% (2398) χ 2 4 = 112, P < APACHE APS at enrollment F 4,6706 = 43, P < Charlson score F 4,6706 = 8, P < Framingham stroke risk score F 4,6706 = 24, P < Lowest mean arterial pressure, current 24h F 4,6699 = 51, P < Was patient in ICU today? ICU 100% (1976) 100% ( 697) 100% (1994) 100% (1917) 100% ( 127) 100% (6711) Study day F 4,6706 = 35, P < Septic in the current 24h? 6703 Septic today 60% (1182) 49% ( 344) 67% (1330) 70% (1337) 73% ( 91) 64% (4284) χ 2 4 = 117, P < sevsepsis.l Severely septic today 47% ( 926) 34% ( 240) 65% (1302) 69% (1323) 71% ( 89) 58% (3880) χ 2 4 = 406, P < Lowest hemoglobin, current 24h F 4,5832 = 4.4, P = a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Kruskal-Wallis test
3 1.1.2 Multinomial logistic regression with Normal as the reference level for outcome variable Delirium 3 Level Discharged vs. Level Normal betahat se pval RRR RRR.lo RRR.up icu.status.todaynormal icu.status.todaydelirious icu.status.todaycomatose age.enroll icu.typesurgical apache.aps charlson.score stroke.risk map.low.icu study.day sepsis.l24septic today hgb.icu icu.status.todaydelirious:age.enroll icu.status.todaycomatose:age.enroll icu.status.todaydelirious:icu.typesurgical icu.status.todaycomatose:icu.typesurgical icu.status.todaydelirious:apache.aps icu.status.todaycomatose:apache.aps icu.status.todaydelirious:charlson.score icu.status.todaycomatose:charlson.score icu.status.todaydelirious:stroke.risk icu.status.todaycomatose:stroke.risk icu.status.todaydelirious:map.low.icu icu.status.todaycomatose:map.low.icu icu.status.todaydelirious:study.day icu.status.todaycomatose:study.day icu.status.todaydelirious:sepsis.l24septic today icu.status.todaycomatose:sepsis.l24septic today icu.status.todaydelirious:hgb.icu icu.status.todaycomatose:hgb.icu Level Delirious vs. Level Normal betahat se pval RRR RRR.lo RRR.up icu.status.todaynormal
4 4 icu.status.todaydelirious icu.status.todaycomatose age.enroll icu.typesurgical apache.aps charlson.score stroke.risk map.low.icu study.day sepsis.l24septic today hgb.icu icu.status.todaydelirious:age.enroll icu.status.todaycomatose:age.enroll icu.status.todaydelirious:icu.typesurgical icu.status.todaycomatose:icu.typesurgical icu.status.todaydelirious:apache.aps icu.status.todaycomatose:apache.aps icu.status.todaydelirious:charlson.score icu.status.todaycomatose:charlson.score icu.status.todaydelirious:stroke.risk icu.status.todaycomatose:stroke.risk icu.status.todaydelirious:map.low.icu icu.status.todaycomatose:map.low.icu icu.status.todaydelirious:study.day icu.status.todaycomatose:study.day icu.status.todaydelirious:sepsis.l24septic today icu.status.todaycomatose:sepsis.l24septic today icu.status.todaydelirious:hgb.icu icu.status.todaycomatose:hgb.icu Level Comatose vs. Level Normal betahat se pval RRR RRR.lo RRR.up icu.status.todaynormal icu.status.todaydelirious icu.status.todaycomatose age.enroll icu.typesurgical apache.aps charlson.score
5 5 stroke.risk map.low.icu study.day sepsis.l24septic today hgb.icu icu.status.todaydelirious:age.enroll icu.status.todaycomatose:age.enroll icu.status.todaydelirious:icu.typesurgical icu.status.todaycomatose:icu.typesurgical icu.status.todaydelirious:apache.aps icu.status.todaycomatose:apache.aps icu.status.todaydelirious:charlson.score icu.status.todaycomatose:charlson.score icu.status.todaydelirious:stroke.risk icu.status.todaycomatose:stroke.risk icu.status.todaydelirious:map.low.icu icu.status.todaycomatose:map.low.icu icu.status.todaydelirious:study.day icu.status.todaycomatose:study.day icu.status.todaydelirious:sepsis.l24septic today icu.status.todaycomatose:sepsis.l24septic today icu.status.todaydelirious:hgb.icu icu.status.todaycomatose:hgb.icu Level Deceased vs. Level Normal betahat se pval RRR RRR.lo RRR.up icu.status.todaynormal icu.status.todaydelirious icu.status.todaycomatose age.enroll icu.typesurgical apache.aps charlson.score stroke.risk map.low.icu study.day sepsis.l24septic today hgb.icu icu.status.todaydelirious:age.enroll
6 6 icu.status.todaycomatose:age.enroll icu.status.todaydelirious:icu.typesurgical icu.status.todaycomatose:icu.typesurgical icu.status.todaydelirious:apache.aps icu.status.todaycomatose:apache.aps icu.status.todaydelirious:charlson.score icu.status.todaycomatose:charlson.score icu.status.todaydelirious:stroke.risk icu.status.todaycomatose:stroke.risk icu.status.todaydelirious:map.low.icu icu.status.todaycomatose:map.low.icu icu.status.todaydelirious:study.day icu.status.todaycomatose:study.day icu.status.todaydelirious:sepsis.l24septic today icu.status.todaycomatose:sepsis.l24septic today icu.status.todaydelirious:hgb.icu icu.status.todaycomatose:hgb.icu
7 1.2 Outcome2: Daily troponin (greater than 0.1) as an index of cardiac dysfunction Descriptive Statistics Table 2: Descriptive by Troponin ( greater than 0.1) 7 N No Yes Combined Test Statistic N = 5710 N = 137 N = 5847 tro.imp.cat 6704 χ 2 1 = 369, P < Yes 5% ( 271) 43% ( 59) 6% ( 330) Highest troponin, current 24h (missing = <0.1) F 1,5840 = 80, P < trop.tomo F 1,5845 = 431, P < Age at enrollment F 1,5845 = 3.6, P = ICU type 6711 Surgical 36% (2067) 36% ( 49) 36% (2116) χ 2 1 = 0.01, P = APACHE APS at enrollment F 1,5845 = 3.5, P = Charlson score F 1,5845 = 4.8, P = Framingham stroke risk score F 1,5845 = 8.1, P = Lowest mean arterial pressure, current 24h F 1,5840 = 18, P < Was patient in ICU today? ICU 100% (5710) 100% ( 137) 100% (5847) Septic in the current 24h? 6703 Septic today 65% (3732) 65% ( 89) 65% (3821) χ 2 1 = 0.01, P = sevsepsis.l Severely septic today 60% (3443) 60% ( 82) 60% (3525) χ 2 1 = 0.01, P = Lowest hemoglobin, current 24h F 1,5157 = 2.1, P = a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Wilcoxon test Logistic regression. tro greater than 0.1 (Y/N) Table 3: Outcome:Tropnin (greater than 0.1).. P-values less than 0.05 are in red. tro.imp.cat=yes ( 0.800, ) age.enroll ( 0.980, 1.027) icu.type=surgical ( 0.599, 1.617) apache.aps ( 0.985, 1.045) charlson.score ( 0.952, 1.175) stroke.risk ( 1.011, 1.116) map.low.icu ( 0.965, 1.002) study.day ( 0.918, 0.999) sepsis.l24=septic today ( 0.583, 1.558) hgb.icu ( 0.836, 1.148) tro.imp.cat=yes * age.enroll ( 0.945, 1.023) 0.404
8 Table 3: (continued) tro.imp.cat=yes * icu.type=surgical ( 1.027, 5.348) tro.imp.cat=yes * apache.aps ( 0.933, 1.030) tro.imp.cat=yes * charlson.score ( 0.778, 1.116) tro.imp.cat=yes * stroke.risk ( 0.839, 0.996) tro.imp.cat=yes * map.low.icu ( 0.960, 1.023) tro.imp.cat=yes * study.day ( 0.978, 1.132) tro.imp.cat=yes * sepsis.l24=septic today ( 0.767, 3.986) tro.imp.cat=yes * hgb.icu ( 0.891, 1.472) Linear regression. Continuous Response Table 4: Outcome:Tropnin. Multiple linear regression (OLS) results. P-values less than 0.05 are in red. 8 Parameter Est P-value Coef SE 95% Confidence Interval p-value tro.imp (-0.465, ) <0.001 age.enroll (-0.005, 0.005) icu.type=surgical (-0.134, 0.088) apache.aps (-0.007, 0.006) charlson.score (-0.009, 0.043) stroke.risk (-0.012, 0.012) map.low.icu (-0.001, 0.007) study.day (-0.018, ) sepsis.l24=septic today (-0.169, 0.059) hgb.icu (-0.073, ) tro.imp * age.enroll ( 0.011, 0.013) <0.001 tro.imp * icu.type=surgical (-0.022, 0.083) tro.imp * apache.aps ( 0.000, 0.003) tro.imp * charlson.score (-0.014, ) <0.001 tro.imp * stroke.risk (-0.025, ) <0.001 tro.imp * map.low.icu (-0.018, ) <0.001 tro.imp * study.day ( 0.056, 0.073) <0.001 tro.imp * sepsis.l24=septic today (-0.083, ) <0.001 tro.imp * hgb.icu ( 0.076, 0.090) <0.001
9 1.3 Outcome3: Daily renal SOFA score Descriptive Statistics Table 5: Descriptive by next day s Renal SOFA score 2 9 N No Yes Combined Test Statistic N = 4319 N = 1528 N = 5847 sofa.renal.cat 6704 χ 2 1 = 4270, P < Yes 4% ( 185) 90% (1380) 27% (1565) SOFA renal component score % (2971) 1% ( 11) 51% (2982) χ 2 4 = 4375, P < % (1161) 9% ( 134) 22% (1295) 2 4% ( 172) 48% ( 726) 15% ( 898) 3 0% ( 6) 21% ( 317) 6% ( 323) 4 0% ( 7) 22% ( 337) 6% ( 344) renal.tomo % (3061) 0% ( 0) 52% (3061) χ 2 4 = 5847, P < % (1258) 0% ( 0) 22% (1258) 2 0% ( 0) 58% ( 886) 15% ( 886) 3 0% ( 0) 20% ( 303) 5% ( 303) 4 0% ( 0) 22% ( 339) 6% ( 339) Age at enrollment F 1,5845 = 22, P < ICU type 6711 Surgical 39% (1668) 29% ( 448) 36% (2116) χ 2 1 = 42, P < APACHE APS at enrollment F 1,5845 = 158, P < Charlson score F 1,5845 = 307, P < Framingham stroke risk score F 1,5845 = 20, P < Lowest mean arterial pressure, current 24h F 1,5840 = 213, P < Was patient in ICU today? ICU 100% (4319) 100% (1528) 100% (5847) Septic in the current 24h? 6703 Septic today 65% (2823) 65% ( 998) 65% (3821) χ 2 1 = 0, P = sevsepsis.l Severely septic today 59% (2533) 65% ( 992) 60% (3525) χ 2 1 = 19, P < Lowest hemoglobin, current 24h F 1,5157 = 34, P < a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Wilcoxon test Table 6: Descriptive by next day s Renal SOFA score (0-4) N Combined Test Statistic N = 3061 N = 1258 N = 886 N = 303 N = 339 N = 5847 sofa.renal.cat 6704 χ 2 4 = 4379, P < Yes 0% ( 12) 14% ( 173) 85% ( 756) 98% ( 295) 97% ( 329) 27% (1565) a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Kruskal-Wallis test
10 Table 6: (continued) 10 N Combined Test Statistic N = 3061 N = 1258 N = 886 N = 303 N = 339 N = 5847 SOFA renal component score 6704 χ 2 16 = 11626, P < % (2820) 12% ( 151) 1% ( 7) 1% ( 2) 1% ( 2) 51% (2982) 1 7% ( 227) 74% ( 934) 14% ( 122) 2% ( 5) 2% ( 7) 22% (1295) 2 0% ( 7) 13% ( 165) 73% ( 642) 22% ( 66) 5% ( 18) 15% ( 898) 3 0% ( 2) 0% ( 4) 10% ( 88) 59% ( 179) 15% ( 50) 6% ( 323) 4 0% ( 3) 0% ( 4) 3% ( 26) 17% ( 50) 77% ( 261) 6% ( 344) Age at enrollment F 4,5842 = 22, P < ICU type 6711 Surgical 40% (1215) 36% ( 453) 35% ( 310) 22% ( 68) 21% ( 70) 36% (2116) χ 2 4 = 77, P < APACHE APS at enrollment F 4,5842 = 52, P < Charlson score F 4,5842 = 93, P < Framingham stroke risk score F 4,5842 = 19, P < Lowest mean arterial pressure, current 24h F 4,5837 = 84, P < Was patient in ICU today? ICU 100% (3061) 100% (1258) 100% ( 886) 100% ( 303) 100% ( 339) 100% (5847) Septic in the current 24h? 6703 Septic today 66% (2032) 63% ( 791) 67% ( 589) 61% ( 184) 67% ( 225) 65% (3821) χ 2 4 = 8.4, P = sevsepsis.l Severely septic today 58% (1781) 60% ( 752) 66% ( 583) 61% ( 184) 67% ( 225) 60% (3525) χ 2 4 = 23, P < Lowest hemoglobin, current 24h F 4,5154 = 11, P < a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Kruskal-Wallis test Logistic regression, Daily renal SOFA 2(Y/N) Table 7: Outcome:Daily renal SOFA =2.. P-values less than 0.05 are in red. sofa.renal.cat=yes ( 1.043, ) age.enroll ( 0.992, 1.026) icu.type=surgical ( 0.509, 1.071) apache.aps ( 1.001, 1.047) charlson.score ( 1.018, 1.189) stroke.risk ( 0.930, 1.010) map.low.icu ( 0.950, 0.977) <0.001 study.day ( 0.974, 1.026) sepsis.l24=septic today ( 0.694, 1.470) hgb.icu ( 0.852, 1.073) sofa.renal.cat=yes * age.enroll ( 0.978, 1.024) sofa.renal.cat=yes * icu.type=surgical ( 0.642, 1.762) sofa.renal.cat=yes * apache.aps ( 0.957, 1.015) sofa.renal.cat=yes * charlson.score ( 0.905, 1.129) sofa.renal.cat=yes * stroke.risk ( 0.984, 1.097) sofa.renal.cat=yes * map.low.icu ( 1.020, 1.059) <0.001
11 Table 7: (continued) sofa.renal.cat=yes * study.day ( 0.984, 1.060) sofa.renal.cat=yes * sepsis.l24=septic today ( 0.806, 2.211) sofa.renal.cat=yes * hgb.icu ( 0.861, 1.185) Proportional odds logistic regression regression, Ordinal response (0-4) Table 8: Outcome:Daily renal SOFA (0-4).. P-values less than 0.05 are in red. 11 sofa.renal (11.276, ) <0.001 age.enroll ( 0.999, 1.020) icu.type=surgical ( 0.677, 1.078) apache.aps ( 1.008, 1.037) charlson.score ( 1.009, 1.119) stroke.risk ( 0.964, 1.014) map.low.icu ( 0.965, 0.983) <0.001 study.day ( 0.977, 1.010) sepsis.l24=septic today ( 0.829, 1.328) hgb.icu ( 0.928, 1.067) sofa.renal * age.enroll ( 0.991, 1.003) sofa.renal * icu.type=surgical ( 0.863, 1.153) sofa.renal * apache.aps ( 0.981, 0.997) sofa.renal * charlson.score ( 0.961, 1.019) sofa.renal * stroke.risk ( 0.990, 1.019) sofa.renal * map.low.icu ( 1.004, 1.015) <0.001 sofa.renal * study.day ( 0.998, 1.019) sofa.renal * sepsis.l24=septic today ( 0.860, 1.136) sofa.renal * hgb.icu ( 0.968, 1.056) 0.618
12 1.4 Outcome4: Daily resp SOFA score ( 2) Descriptive Statistics Table 9: Descriptive by next day s RESP SOFA score ( 2) 12 N No Yes Combined Test Statistic N = 276 N = 5571 N = 5847 sofa.resp.cat 6704 χ 2 1 = 2576, P < Yes 39% ( 107) 99% (5510) 96% (5617) SOFA respiratory component score % ( 0) 0% ( 9) 0% ( 9) χ 2 4 = 2717, P < % ( 169) 1% ( 47) 4% ( 216) 2 34% ( 95) 51% (2852) 50% (2947) 3 4% ( 12) 45% (2505) 43% (2517) 4 0% ( 0) 3% ( 153) 3% ( 153) resp.tomo % ( 8) 0% ( 0) 0% ( 8) χ 2 4 = 5847, P < % ( 268) 0% ( 0) 5% ( 268) 2 0% ( 0) 57% (3152) 54% (3152) 3 0% ( 0) 41% (2285) 39% (2285) 4 0% ( 0) 2% ( 134) 2% ( 134) Age at enrollment F 1,5845 = 0.13, P = ICU type 6711 Surgical 23% ( 64) 37% (2052) 36% (2116) χ 2 1 = 21, P < APACHE APS at enrollment F 1,5845 = 33, P < Charlson score F 1,5845 = 0.71, P = Framingham stroke risk score F 1,5845 = 2.4, P = Lowest mean arterial pressure, current 24h F 1,5840 = 9.6, P = Was patient in ICU today? ICU 100% ( 276) 100% (5571) 100% (5847) Septic in the current 24h? 6703 Septic today 30% ( 84) 67% (3737) 65% (3821) χ 2 1 = 157, P < sevsepsis.l Severely septic today 22% ( 61) 62% (3464) 60% (3525) χ 2 1 = 177, P < Lowest hemoglobin, current 24h F 1,5157 = 38, P < a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Wilcoxon test Table 10: Descriptive by next day s RESP SOFA score (0-4) N Combined Test Statistic N = 8 N = 268 N = 3152 N = 2285 N = 134 N = 5847 sofa.resp.cat 6704 χ 2 4 = 2633, P < Yes 88% ( 7) 37% ( 100) 99% (3102) 100% (2275) 99% ( 133) 96% (5617) a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Kruskal-Wallis test
13 Table 10: (continued) 13 N Combined Test Statistic N = 8 N = 268 N = 3152 N = 2285 N = 134 N = 5847 SOFA respiratory component score 6704 χ 2 16 = 5156, P < % ( 0) 0% ( 0) 0% ( 7) 0% ( 2) 0% ( 0) 0% ( 9) 1 12% ( 1) 63% ( 168) 1% ( 40) 0% ( 6) 1% ( 1) 4% ( 216) 2 38% ( 3) 34% ( 92) 76% (2404) 19% ( 435) 10% ( 13) 50% (2947) 3 50% ( 4) 3% ( 8) 22% ( 685) 76% (1744) 57% ( 76) 43% (2517) 4 0% ( 0) 0% ( 0) 0% ( 13) 4% ( 96) 33% ( 44) 3% ( 153) renal.tomo % ( 6) 44% ( 119) 55% (1718) 51% (1158) 45% ( 60) 52% (3061) χ 2 16 = 101, P < % ( 0) 16% ( 44) 20% ( 644) 23% ( 534) 27% ( 36) 22% (1258) 2 25% ( 2) 15% ( 40) 14% ( 441) 17% ( 380) 17% ( 23) 15% ( 886) 3 0% ( 0) 7% ( 19) 6% ( 182) 4% ( 95) 5% ( 7) 5% ( 303) 4 0% ( 0) 17% ( 46) 5% ( 167) 5% ( 118) 6% ( 8) 6% ( 339) Age at enrollment F 4,5842 = 11, P < ICU type 6711 Surgical 75% ( 6) 22% ( 58) 37% (1177) 37% ( 841) 25% ( 34) 36% (2116) χ 2 4 = 39, P < APACHE APS at enrollment F 4,5842 = 11, P < Charlson score F 4,5842 = 6.4, P < Framingham stroke risk score F 4,5842 = 11, P < Lowest mean arterial pressure, current 24h F 4,5837 = 8.9, P < Was patient in ICU today? ICU 100% ( 8) 100% ( 268) 100% (3152) 100% (2285) 100% ( 134) 100% (5847) Septic in the current 24h? 6703 Septic today 75% ( 6) 29% ( 78) 64% (2024) 71% (1611) 76% ( 102) 65% (3821) χ 2 4 = 192, P < sevsepsis.l Severely septic today 62% ( 5) 21% ( 56) 60% (1876) 66% (1505) 62% ( 83) 60% (3525) χ 2 4 = 205, P < Lowest hemoglobin, current 24h F 4,5154 = 12, P < a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Kruskal-Wallis test Logistic regression, Daily RESP SOFA 2(Y/N) Table 11: Outcome:Daily resp SOFA 2..P valueslessthan0.05areinred. sofa.resp.cat=yes ( 7.630, ) <0.001 age.enroll ( 0.955, 1.031) icu.type=surgical ( 1.034, 5.013) apache.aps ( 0.992, 1.076) charlson.score ( 0.803, 1.061) stroke.risk ( 0.977, 1.134) map.low.icu ( 0.957, 0.998) study.day ( 0.905, 1.008) sepsis.l24=septic today ( 1.003, 4.023) sofa.resp.cat=yes * age.enroll ( 0.957, 1.043) 0.966
14 Table 11: (continued) sofa.resp.cat=yes * icu.type=surgical ( 0.228, 1.364) sofa.resp.cat=yes * apache.aps ( 0.943, 1.037) sofa.resp.cat=yes * charlson.score ( 0.859, 1.186) sofa.resp.cat=yes * stroke.risk ( 0.890, 1.056) sofa.resp.cat=yes * map.low.icu ( 0.976, 1.027) sofa.resp.cat=yes * study.day ( 0.982, 1.109) sofa.resp.cat=yes * sepsis.l24=septic today ( 0.603, 2.978) Proportional odds logistic regression, Ordinal response (0-4) Table 12: Outcome:Daily resp SOFA (0-4).. P-values less than 0.05 are in red. 14 sofa.resp ( 3.210, ) <0.001 age.enroll ( 0.965, 1.014) icu.type=surgical ( 3.175, ) <0.001 apache.aps ( 1.000, 1.064) charlson.score ( 0.851, 1.090) stroke.risk ( 1.042, 1.173) <0.001 map.low.icu ( 0.958, 0.998) study.day ( 0.917, 0.995) sepsis.l24=septic today ( 2.568, 8.023) <0.001 hgb.icu ( 0.604, 0.862) <0.001 sofa.resp * age.enroll ( 0.995, 1.014) sofa.resp * icu.type=surgical ( 0.408, 0.635) <0.001 sofa.resp * apache.aps ( 0.974, 0.997) sofa.resp * charlson.score ( 0.942, 1.040) sofa.resp * stroke.risk ( 0.940, 0.983) <0.001 sofa.resp * map.low.icu ( 0.998, 1.014) sofa.resp * study.day ( 1.001, 1.033) sofa.resp * sepsis.l24=septic today ( 0.498, 0.774) <0.001 sofa.resp * hgb.icu ( 1.046, 1.195) 0.001
15 1.5 Outcome5: Daily Ventilator (Y/N) as a measure of success of extubation Descriptive Statistics Table 13: Descriptive by ventilator (Y/N) 15 N No Yes Combined Test Statistic N = 1580 N = 4269 N = 5849 on.vent.l χ 2 1 = 3661, P < Yes 25% ( 399) 98% (4198) 79% (4597) Age at enrollment F 1,5847 = 8.7, P = ICU type 6711 Surgical 32% ( 500) 38% (1616) 36% (2116) χ 2 1 = 19, P < APACHE APS at enrollment F 1,5847 = 110, P < Charlson score F 1,5847 = 16, P < Framingham stroke risk score F 1,5847 = 0.06, P = Lowest mean arterial pressure, current 24h F 1,5842 = 83, P < Was patient in ICU today? ICU 100% (1580) 100% (4269) 100% (5849) Septic in the current 24h? 6703 Septic today 54% ( 858) 69% (2963) 65% (3821) χ 2 1 = 116, P < sevsepsis.l Severely septic today 37% ( 587) 69% (2938) 60% (3525) χ 2 1 = 483, P < Lowest hemoglobin, current 24h F 1,5157 = 29, P < a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Pearson test; 2 Wilcoxon test Logistic regression (Daily Ventilation (Y/N)) Table 14: Outcome:Daily ventilation (Y/N).. P-values less than 0.05 are in red. on.vent.l24=yes ( , ) <0.001 age.enroll ( 0.978, 1.031) icu.type=surgical ( 1.082, 3.250) apache.aps ( 0.977, 1.042) charlson.score ( 0.904, 1.151) stroke.risk ( 0.939, 1.051) map.low.icu ( 0.979, 1.016) study.day ( 0.935, 1.015) sepsis.l24=septic today ( 0.985, 2.986) hgb.icu ( 0.907, 1.277) on.vent.l24=yes * age.enroll ( 0.975, 1.032) on.vent.l24=yes * icu.type=surgical ( 0.234, 0.770) on.vent.l24=yes * apache.aps ( 0.967, 1.037) 0.952
16 Table 14: (continued) on.vent.l24=yes * charlson.score ( 0.813, 1.054) on.vent.l24=yes * stroke.risk ( 0.927, 1.048) on.vent.l24=yes * map.low.icu ( 0.953, 0.993) on.vent.l24=yes * study.day ( 1.012, 1.108) on.vent.l24=yes * sepsis.l24=septic today ( 0.470, 1.560) on.vent.l24=yes * hgb.icu ( 0.732, 1.059)
17 2 Analysis2: Hb during ICU stay and predicted outcomes 2.1 Outcome1: ICU mortality Descriptive Statistics Table 15: Descriptive by Mortality (Y/N) unique subject) N No Yes Combined Test Statistic N = 685 N = 128 N = 813 Age at enrollment F 1,811 = 4.3, P = ICU type 813 Surgical 35% (238) 19% ( 24) 32% (262) χ 2 1 = 13, P < APACHE APS at enrollment F 1,811 = 22, P < Charlson score F 1,811 = 6.5, P = Framingham stroke risk score F 1,811 = 1.9, P = lowest.hgb.icu F 1,801 = 4.8, P = auc.hgb.icu F 1,811 = 0.57, P = mean.sofa F 1,811 = 134, P < duration.sepsis F 1,811 = 12, P < max.sofa.renal % (285) 15% ( 19) 37% (304) χ 2 4 = 44, P < % (163) 23% ( 30) 24% (193) 2 19% (132) 37% ( 47) 22% (179) 3 6% ( 39) 12% ( 16) 7% ( 55) 4 10% ( 66) 12% ( 16) 10% ( 82) a b c represent the lower quartile a, the median b, and the upper quartile c for continuous variables. N is the number of non missing values. Numbers after percents are frequencies. Tests used: 1 Wilcoxon test; 2 Pearson test Logistic regression for ICU.mortality (Y/N) Two different functional forms of hemoglobin during ICU was considered in the below analysis (two different models) Table 16: Outcome:Mortality.. P-values less than 0.05 are in red. lowest.hgb.icu (0.857, 1.157) age.enroll (1.019, 1.065) <0.001 icu.type=surgical (0.217, 0.633) <0.001 apache.aps (0.964, 1.024) charlson.score (0.892, 1.090) stroke.risk (0.907, 1.000) mean.sofa (1.401, 1.670) <0.001 duration.sepsis (0.982, 1.063) Table 17: Outcome:Mortality.. P-values less than 0.05 are in red. auc.hgb.icu (0.991, 1.004) age.enroll (1.020, 1.065) <0.001 icu.type=surgical (0.223, 0.655) <0.001 apache.aps (0.964, 1.024) charlson.score (0.897, 1.094) stroke.risk (0.905, 0.998) mean.sofa (1.407, 1.674) <0.001 duration.sepsis (0.978, 1.114)
18 2.1.3 Time dependent covariate survival analysis for Time to ICU.mortality Variable hgb.icu, daily.sofa, severe sepsis were time variang covariates. charlson.score,stroke.risk did not change over time. Age.enroll, icu.type, apache.aps, Call: coxph(formula = Surv(time1, time2, mortality.censor) ~ hgb.icu + age.enroll + icu.type + apache.aps + charlson.score + stroke.risk + daily.sofa + sevsepsis.l24 + cluster(id), data = brain.dailyobs) coef exp(coef) se(coef) robust se z p hgb.icu e-01 age.enroll e-02 icu.typesurgical e-03 apache.aps e-01 charlson.score e-02 stroke.risk e-02 daily.sofa e-11 sevsepsis.l24severely septic today e-01 Likelihood ratio test=78.3 on 8 df, p=1.05e-13 n= 5848, number of events= 84 (876 observations deleted due to missingness) 18
19 2.2 Outcome2: Cardiac dysfunction(tropnin greater than 0.1) Correlated time dependent covariate survival analysis for Time to Tropnin greater than 0.1 Variable hgb.icu, daily.sofa, severe sepsis were time variang covariates. charlson.score,stroke.risk did not change over time. Call: coxph(formula = Surv(time1, time2, tropnin.censor) ~ hgb.icu + age.enroll + icu.type + apache.aps + charlson.score + stroke.risk + daily.sofa + sevsepsis.l24 + cluster(id), data = brain.dailyobs) Age.enroll, icu.type, apache.aps, coef exp(coef) se(coef) robust se z p hgb.icu age.enroll icu.typesurgical apache.aps charlson.score stroke.risk daily.sofa sevsepsis.l24severely septic today Likelihood ratio test=33.4 on 8 df, p= n= 5848, number of events= 129 (876 observations deleted due to missingness) 19
20 2.3 Outcome3: Renal dysfunction Outcome: Time to renal dysfunction Survival analysis with correlated time dependent covariate Variable hgb.icu, daily.sofa, severe sepsis were time variang covariates. charlson.score,stroke.risk did not change over time. Call: coxph(formula = Surv(time1, time2, renal.censor) ~ hgb.icu + age.enroll + icu.type + apache.aps + charlson.score + stroke.risk + daily.sofa + sevsepsis.l24 + cluster(id), data = brain.dailyobs) Age.enroll, icu.type, apache.aps, coef exp(coef) se(coef) robust se z p hgb.icu age.enroll icu.typesurgical apache.aps charlson.score stroke.risk daily.sofa sevsepsis.l24severely septic today Likelihood ratio test=508 on 8 df, p=0 n= 5848, number of events= 557 (876 observations deleted due to missingness) 2.4 Outcome4: Time to resolution of delirium To be continue 2.5 Outcome5: Time to successful extubation To be continue 20
Biostatistics for Health Sciences Review Sheet
Biostatistics for Health Sciences Review Sheet http://mathvault.ca June 1, 2017 Contents 1 Descriptive Statistics 2 1.1 Variables.............................................. 2 1.1.1 Qualitative........................................
Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S.
Σημειώσεις για το μάθημα Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S. Παπάνα Αγγελική E mail: papanagel@yahoo.gr, agpapana@gen.auth.gr Α.Τ.Ε.Ι. Θεσσαλονίκης ΠΑΡΑΡΤΗΜΑ ΚΑΤΕΡΙΝΗΣ Τμήμα Τυποποίησης και
Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.
A. ΈΛΕΓΧΟΣ ΚΑΝΟΝΙΚΟΤΗΤΑΣ A 1. Έλεγχος κανονικότητας Kolmogorov-Smirnov. Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov. Μηδενική υπόθεση:
Supplementary figures
A Supplementary figures a) DMT.BG2 0.87 0.87 0.72 20 40 60 80 100 DMT.EG2 0.93 0.85 20 40 60 80 EMT.MG3 0.85 0 20 40 60 80 20 40 60 80 100 20 40 60 80 100 20 40 60 80 EMT.G6 DMT/EMT b) EG2 0.92 0.85 5
τατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Λφση επαναληπτικής άσκησης Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το
Supplementary Appendix
Supplementary Appendix Measuring crisis risk using conditional copulas: An empirical analysis of the 2008 shipping crisis Sebastian Opitz, Henry Seidel and Alexander Szimayer Model specification Table
Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS
Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS Ο παρακάτω πίνακας παρουσιάζει θανάτους από καρδιακή ανεπάρκεια ανάμεσα σε άνδρες γιατρούς οι οποίοι έχουν κατηγοριοποιηθεί κατά ηλικία
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared
Chapter 1 Introduction to Observational Studies Part 2 Cross-Sectional Selection Bias Adjustment
Contents Preface ix Part 1 Introduction Chapter 1 Introduction to Observational Studies... 3 1.1 Observational vs. Experimental Studies... 3 1.2 Issues in Observational Studies... 5 1.3 Study Design...
519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008
.. ( ) 2008 519.22(07.07) 78 : ( ) /.. ;. : -, 2008. 38 c. ( ) STATISTICA.,. STATISTICA.,. 519.22(07.07),.., 2008.., 2008., 2008 2 ... 4 1...5...5 2...14...14 3...27...27 3 ,, -. " ", :,,,... STATISTICA.,,,.
Statistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Μαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,...,Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ ) S σ Τ ( Χ,Y)
SECTION II: PROBABILITY MODELS
SECTION II: PROBABILITY MODELS 1 SECTION II: Aggregate Data. Fraction of births with low birth weight per province. Model A: OLS, using observations 1 260 Heteroskedasticity-robust standard errors, variant
Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata
One-way ANOVA µε το SPSS Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata To call in a statistician after the experiment is
Repeated measures Επαναληπτικές μετρήσεις
ΠΡΟΒΛΗΜΑ Στο αρχείο δεδομένων diavitis.sav καταγράφεται η ποσότητα γλυκόζης στο αίμα 10 ασθενών στην αρχή της χορήγησης μιας θεραπείας, μετά από ένα μήνα και μετά από δύο μήνες. Μελετήστε την επίδραση
Άσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F
Άσκηση 0, σελ. 9 από το βιβλίο «Μοντέλα Αξιοπιστίας και Επιβίωσης» της Χ. Καρώνη (i) Αρχικά, εισάγουμε τα δεδομένα στο minitab δημιουργώντας δύο μεταβλητές: τη x για τον άτυπο όγκο και την y για τον τυπικό
Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση
Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση Γενική μορφή g( E[ Y X ]) Xb Κατανομή της Υ στην εκθετική οικογένεια Ανεξάρτητες παρατηρήσεις Ενας όρος για το σφάλμα g(.) Συνδετική συνάρτηση (link function)
Supplemental Table 1. ICD-9-CM codes and ATC codes used in this study
Supplemental Table 1. ICD-9-CM codes and ATC codes used in this study Comorbidities ICD-9-CM codes Medication ATC codes Diabetes 250 Angiotensin-converting enzyme inhibitors C09AA Ischemic heart disease
Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο ανεξάρτητα δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,..., Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ )
Queensland University of Technology Transport Data Analysis and Modeling Methodologies
Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206
Group 2 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks. Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks
Group 1 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks Group 2 Methotrexate 7.5 mg/week, increased to 15 mg/week after 4 weeks Sulfasalazine 2000-3000 mg/day Leflunomide 20 mg/day Infliximab
Simon et al. Supplemental Data Page 1
Simon et al. Supplemental Data Page 1 Supplemental Data Acute hemodynamic effects of inhaled sodium nitrite in pulmonary hypertension associated with heart failure with preserved ejection fraction Short
Table 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed
Tables: Military Service Table 1: Military Service: Models Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed mili 0.489-0.014-0.044-0.044-1.469-2.026-2.026
MATHACHij = γ00 + u0j + rij
Stata output for Hierarchical Linear Models. ***************************************. * Unconditional Random Intercept Model. *************************************** MATHACHij = γ00 + u0j + rij. mixed
1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά
1. Ιστόγραμμα Δεδομένα από το αρχείο Data_for_SPSS.xls Αλλαγή σε Variable View (Κάτω αριστερά) και μετονομασία της μεταβλητής σε NormData, Type: numeric και Measure: scale Αλλαγή πάλι σε Data View. Graphs
MSM Men who have Sex with Men HIV -
,**, The Japanese Society for AIDS Research The Journal of AIDS Research HIV,0 + + + + +,,, +, : HIV : +322,*** HIV,0,, :., n,0,,. + 2 2, CD. +3-ml n,, AIDS 3 ARC 3 +* 1. A, MSM Men who have Sex with Men
Στατιστική Ανάλυση Δεδομένων II. Γραμμική Παλινδρόμηση με το S.P.S.S.
Στατιστική Ανάλυση Δεδομένων II Γραμμική Παλινδρόμηση με το S.P.S.S. μέρος Α (απλή παλινδρόμηση) Νίκος Τσάντας Πρόγραμμα Μεταπτυχιακών Σπουδών Τμήμ. Μαθηματικών Μαθηματικά και Σύγχρονες Εφαρμογές Ακαδημαϊκό
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δειγμάτων, που διαχωρίζονται βάσει ενός επαναλαμβανόμενου και ενός ανεξάρτητου παράγοντα (Ανάλυση διακύμανσης για εξαρτημένα δείγματα ως προς δύο παράγοντες,
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο εξαρτημένων δειγμάτων, που διαχωρίζονται βάσει ενός επαναλαμβανόμενου παράγοντα (Ανάλυση διακύμανσης για εξαρτημένα δείγματα ως
Lampiran 1 Output SPSS MODEL I
67 Variables Entered/Removed(b) Lampiran 1 Output SPSS MODEL I Model Variables Entered Variables Removed Method 1 CFO, ACCOTHER, ACCPAID, ACCDEPAMOR,. Enter ACCREC, ACCINV(a) a All requested variables
Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα
Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα Αρχείο δεδομένων school.sav Στον πίνακα Descriptives, μας δίνονται για την Επίδοση ως προς τις πέντε διαφορετικές μεθόδους διδασκαλίας, το
Διδακτορική Διατριβή
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Διδακτορική Διατριβή Η ΕΠΙΔΡΑΣΗ ΕΚΠΑΙΔΕΥΤΙΚΗΣ ΠΑΡΕΜΒΑΣΗΣ ΥΠΟΒΟΗΘΟΥΜΕΝΗΣ ΑΠΟ ΥΠΟΛΟΓΙΣΤΗ ΣΤΗΝ ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΚΑΙ ΣΤΗΝ ΑΥΤΟΦΡΟΝΤΙΔΑ ΑΣΘΕΝΩΝ ΜΕ ΚΑΡΔΙΑΚΗ
Μέτρηση της ποιότητας ζωής των ασθενών μετά από διαδερμική τοποθέτηση αορτικής βαλβίδας (TAVI) στο Π.Γ.Ν.Ιωαννίνων
Μέτρηση της ποιότητας ζωής των ασθενών μετά από διαδερμική τοποθέτηση αορτικής βαλβίδας (TAVI) στο Π.Γ.Ν.Ιωαννίνων Βασίλειος Τσιάβος Νοσηλευτής, MSc Αιμοδυναμικό εργαστήριο Π.Γ.Ν. Ιωαννίνων Δηλώνω ότι
FORMULAS FOR STATISTICS 1
FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Όταν ανοίγουµε µία βάση στο SPSS η πρώτη εικόνα που
ΑΝΕΠΑΡΚΕΙΑ ΑΟΡΤΗΣ ΚΑΙ ΔΥΣΛΕΙΤΟΥΡΓΙΑ ΑΡΙΣΤΕΡΑΣ ΚΟΙΛΙΑΣ
ΑΝΕΠΑΡΚΕΙΑ ΑΟΡΤΗΣ ΚΑΙ ΔΥΣΛΕΙΤΟΥΡΓΙΑ ΑΡΙΣΤΕΡΑΣ ΚΟΙΛΙΑΣ Αλέξανδρος Στεφανίδης Καρδιολόγος Α Καρδιολογικό τμήμα, Γ.Ν.Νίκαιας Παρουσίαση περιστατικού Ανδρας 60 ετών, εισάγεται λόγω ΟΠΟ. Ιστορικό ΑΥ, υπερλιπιδαιμίας
Παρουσίαση ερευνητικού έργου
Παρουσίαση ερευνητικού έργου Πανεπιστημιακό Νοσοκομείο Ιωαννίνων B Καρδιολογική Κλινική Study of peripheral circulation in patients with Heart Failure 11/2/2016 Μπεχλιούλης Άρης, MD, PhD Kαρδιολόγος, Επιστημονικός
Aquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET
Aquinas College Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Pearson Edexcel Level 3 Advanced Subsidiary and Advanced GCE in Mathematics and Further Mathematics Mathematical
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Εισήγηση 6Α: Ανάλυση Συσχέτισης Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης
Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.
ΣΤ. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (ANALYSIS OF VARIANCE - ANOVA) ΣΤ 1. Ανάλυση ιασποράς κατά µία κατεύθυνση. Όπως έχουµε δει στη παράγραφο Β 2, όταν θέλουµε να ελέγξουµε, αν η µέση τιµή µιας ποσοτικής µεταβλητής διαφέρει
ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ: Mετακύλιση τιμών βασικών προϊόντων και τροφίμων στην περίπτωση του Νομού Αιτωλοακαρνανίας
ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΑΓΡΟΤΙΚΩΝ ΠΡΟΙΟΝΤΩΝ ΚΑΙ ΤΡΟΦΙΜΩΝ MBA ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΡΟΦΙΜΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ: Mετακύλιση τιμών βασικών προϊόντων και τροφίμων στην περίπτωση του Νομού Αιτωλοακαρνανίας
Ala Wai Drogue Survey
Ala Wai Drogue Survey On the afternoon of March 24, 2006, drogue surveys were initiated in response to the Beachwalk Pump Station, forcemain break. In total, ten surveys were completed from March 24 to
1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm
HASIL PENELITIAN 1. Hasil Pengukuran Kadar TNF-α DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm NO KADAR ( pg/ml) ABSORBANSI 1. 0 0.055 2. 15.6 0.207 3. 31.5 0.368 4. 62.5 0.624
Ασθενής 81 ετών με σοβαρή ανεπάρκεια μιτροειδούς και τριγλώχινας
Ασθενής 81 ετών με σοβαρή ανεπάρκεια μιτροειδούς και τριγλώχινας Disclosures - Proctoring activities for Abbott Vascular, Edwards Lifesciences I and the HYGEIA Hospital «Heart Team» have received research
2. Η Βαρύτητα Διαφόρων Γλυκαιμικών Δεικτών Νοσηλείας στην Λειτουργική Έκβαση του ΑΕΕ των Διαβητικών Ασθενών
26 2. Η Βαρύτητα Διαφόρων Γλυκαιμικών Δεικτών Νοσηλείας στην Λειτουργική Έκβαση του ΑΕΕ των Διαβητικών Ασθενών Β. Δραγουμάνος 1, Δ. Αθανασόπουλος 2, Ε. Φουστέρης 1, Δ. Αναστασόπουλος 2, Π. Φουρλεμάδης
Δεδομένα (data) και Στατιστική (Statistics)
Δεδομένα (data) και Στατιστική (Statistics) Η Στατιστική (Statistics) ασχολείται με την ανάλυση δεδομένων (data analysis): Πρόσφατες παιδαγωγικές εξελίξεις υποδεικνύουν ότι η Στατιστική πρέπει και να διδάσκεται
Λογισμικά για Στατιστική Ανάλυση. Minitab, R (ελεύθερο λογισμικό), Sas, S-Plus, Stata, StatGraphics, Mathematica (εξειδικευμένο λογισμικό για
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 1ο Τι είναι το SPSS; Statistical Package for the Social Sciences Λογισμικό για διαχείριση και στατιστική ανάλυση δεδομένων σε γραφικό περιβάλλον http://en.wikipedia.org/wiki/spss
Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans
S1 of S11 Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans Eveline Dirinck, Alin C. Dirtu, Govindan Malarvannan, Adrian
Μη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2
Μη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2. Μη Παραμετρικοί Έλεγχοι Παραμετρικοί είναι οι κλασικοί έλεγχοι υποθέσεων της Στατιστικής οι οποίοι διεξάγονται κάτω από κάποιες προϋποθέσεις για τις παραμέτρους
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή εργασία
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή εργασία ΠΑΡΑΓΟΝΤΕΣ ΠΟΥ ΕΠΗΡΕΑΖΟΥΝ ΤΗΝ ΘΝΗΣΙΜΟΤΗΤΑ ΕΡΙΦΙΩΝ ΤΗΣ ΦΥΛΗΣ ΔΑΜΑΣΚΟΥ ΜΕΧΡΙ ΤΟΝ ΑΠΟΓΑΛΑΚΤΙΣΜΟ ΣΟΦΟΚΛΕΟΥΣ
A Finite Precision of Private Information Precision of Private Information Approaching Infinity 0 θ1 * θ Session Cost of Action A First 20 Last 20 Rounds Rounds Information in Stage 2 First 20 Last
UMI Number: All rights reserved
UMI Number: 3408360 All rights reserved INFORMATION TO ALL USERS The quality of this reproduction is dependent upon the quality of the copy submitted. In the unlikely event that the author did not send
1 1 1 2 1 2 2 1 43 123 5 122 3 1 312 1 1 122 1 1 1 1 6 1 7 1 6 1 7 1 3 4 2 312 43 4 3 3 1 1 4 1 1 52 122 54 124 8 1 3 1 1 1 1 1 152 1 1 1 1 1 1 152 1 5 1 152 152 1 1 3 9 1 159 9 13 4 5 1 122 1 4 122 5
Summary of the model specified
Program: HLM 7 Hierarchical Linear and Nonlinear Modeling Authors: Stephen Raudenbush, Tony Bryk, & Richard Congdon Publisher: Scientific Software International, Inc. (c) 2010 techsupport@ssicentral.com
Bayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
χ 2 test ανεξαρτησίας
χ 2 test ανεξαρτησίας Καθηγητής Ι. Κ. ΔΗΜΗΤΡΙΟΥ demetri@econ.uoa.gr 7.2 Το χ 2 Τεστ Ανεξαρτησίας Tο χ 2 τεστ ανεξαρτησίας (όπως και η παλινδρόμηση) είναι στατιστικά εργαλεία για τον εντοπισμό σχέσεων μεταξύ
τατιςτική ςτην Εκπαίδευςη II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιςτική ςτην Εκπαίδευςη II Αρχείο αποτελεςμάτων Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο
Παράδειγμα 1 Ο παρακάτω πίνακας δίνει τις πωλήσεις (ζήτηση) ενός προϊόντος Υ (σε κιλά) από το delicatessen μιας περιοχής και τις αντίστοιχες τιμές Χ του προϊόντος (σε ευρώ ανά κιλό) για μια ορισμένη χρονική
ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Επίλυση: Oneway Anova Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης Το παρόν
Statistical Inference I Locally most powerful tests
Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided
Part III Fibromyalgia profiles 309 Chapter XI Adaptation profiles comprising objective and subjective 311 measures in fibromyalgia Chapter XII Summary and general discussion 347 Samenvatting (Dutch summary)
794 Appendix A:Tables
Appendix A Tables A Table Contents Page A.1 Random numbers 794 A.2 Orthogonal polynomial trend contrast coefficients 800 A.3 Standard normal distribution 801 A.4 Student s t-distribution 802 A.5 Chi-squared
ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΧΡΗΣΗ SPSS
ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΧΡΗΣΗ SPSS Πανεπιστήμιο Θεσσαλίας-Τμήμα Πολιτικών Μηχανικών Εργαστήριο Κυκλοφορίας, Μεταφορών και Διαχείρισης Εφοδιαστικής Αλυσίδας Αντικείμενα διάλεξης Σύντομη εισαγωγή
Σεμινάριο Προηγμένα Θέματα Στατιστικής. Dr. Nikolaos Mittas Dr. Theodosios Theodosiou
Σεμινάριο Προηγμένα Θέματα Στατιστικής Dr. Nikolaos Mittas Dr. Theodosios Theodosiou Λογιστική Παλινδρόμηση Binary Logistic Regression Dr. Nikolaos Mittas Dr. Theodosios Theodosiou Γενικά-Το κίνητρο (1/2)
ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Εισήγηση 4Β: Έλεγχοι Κανονικότητας Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες
Στατιστική και Θεωρία Πιθανοτήτων (ΓΓ04) ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Εαρινό Εξάμηνο
Εαρινό εξάμηνο 2009-2010 Στατιστική και Θεωρία Πιθανοτήτων (ΓΓ04) ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Εαρινό Εξάμηνο 2009-2010 Στατιστική και Θεωρία Πιθανοτήτων users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr
Δείγμα (μεγάλο) από οποιαδήποτε κατανομή
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 4ο Κατανομές Στατιστικών Συναρτήσεων Δείγμα από κανονική κατανομή Έστω Χ= Χ Χ Χ τ.δ. από Ν µσ τότε ( 1,,..., n) (, ) Τ Χ Χ Ν Τ Χ σ σ Χ Τ Χ n Χ S µ S µ 1( ) = (0,1), ( ) = ( n 1)
Investigating the fuzzy areas of accuracy and confidence of muslim pupils- learners of Greek as Second Language in Thrace, Greece
Investigating the fuzzy areas of accuracy and confidence of muslim pupils- learners of Greek as Second Language in Thrace, Greece Polyxeni Intze & Nikolaos Mathioudakis Democritus University of Thrace,
ΠΩΣ ΕΠΗΡΕΑΖΕΙ Η ΜΕΡΑ ΤΗΣ ΕΒΔΟΜΑΔΑΣ ΤΙΣ ΑΠΟΔΟΣΕΙΣ ΤΩΝ ΜΕΤΟΧΩΝ ΠΡΙΝ ΚΑΙ ΜΕΤΑ ΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΚΡΙΣΗ
Σχολή Διοίκησης και Οικονομίας Κρίστια Κυριάκου ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΕΜΠΟΡΙΟΥ,ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΝΑΥΤΙΛΙΑΣ Της Κρίστιας Κυριάκου ii Έντυπο έγκρισης Παρουσιάστηκε
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ. Εαρινό εξάµηνο ακαδηµαϊκού έτους 2003-2004 ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. Εργασία 4 - Ενδεικτική λύση
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ Εαρινό εξάµηνο ακαδηµαϊκού έτους 34 ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 5 Μαΐου 4 Εργασία 4 - Ενδεικτική λύση Το κείµενο απευθύνεται στους φοιτητές και αιτιολογεί και περιγράφει
Οι επιδόσεις Ελλήνων στο Mini Mental State Examination με βάση την ηλικία και τη νοητική κατάσταση από την παιδική στην τρίτη ηλικία.
CLINICAL TRIALS ΚΛΙΝΙΚΕΣ ΜΕΛΕΤΕΣ 25 Οι επιδόσεις Ελλήνων στο Mini Mental State Examination με βάση την ηλικία και τη νοητική κατάσταση από την παιδική στην τρίτη ηλικία. Τσάνταλη, Ε. 1,2,3, Οικονομίδης,
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Άσκηση 1 η Ένας παραγωγός σταφυλιών ισχυρίζεται ότι τα κιβώτια σταφυλιών που συσκευάζει
Global energy use: Decoupling or convergence?
Crawford School of Public Policy Centre for Climate Economics & Policy Global energy use: Decoupling or convergence? CCEP Working Paper 1419 December 2014 Zsuzsanna Csereklyei Geschwister Scholl Institute
; +302 ; +313; +320,.
1.,,*+, - +./ +/2 +, -. ; +, - +* cm : Key words: snow-water content, surface soil, snow type, water permeability, water retention +,**. +,,**/.. +30- +302 ; +302 ; +313; +320,. + *+, *2// + -.*, **. **+.,
5.4 The Poisson Distribution.
The worst thing you can do about a situation is nothing. Sr. O Shea Jackson 5.4 The Poisson Distribution. Description of the Poisson Distribution Discrete probability distribution. The random variable
ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 13. Συμπεράσματα για τη σύγκριση δύο πληθυσμών
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Main source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1
Main source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1 A Brief History of Sampling Research 1915 - Edmund Taylor Whittaker (1873-1956) devised a
HOMEWORK#1. t E(x) = 1 λ = (b) Find the median lifetime of a randomly selected light bulb. Answer:
HOMEWORK# 52258 李亞晟 Eercise 2. The lifetime of light bulbs follows an eponential distribution with a hazard rate of. failures per hour of use (a) Find the mean lifetime of a randomly selected light bulb.
ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ
A εξάμηνο 2009-2010 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ Μεθοδολογία Έρευνας και Στατιστική ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Χειμερινό Εξάμηνο 2009-2010 Ποιοτικές και Ποσοτικές
Περιγραφή των εργαλείων ρουτινών του στατιστικού
Κεφάλαιο 5 ο Περιγραφή των εργαλείων ρουτινών του στατιστικού πακέτου SPSS που χρησιµοποιήθηκαν. 5.1 Γενικά Το στατιστικό πακέτο SPSS είναι ένα λογισµικό που χρησιµοποιείται ευρέως ανά τον κόσµο από επιχειρήσεις
ΣΧΕΣΗ ΜΕΤΑΞΥ ΠΟΙΟΤΙΚΩΝ ΜΕΤΑΒΛΗΤΩΝ
ΣΧΕΣΗ ΜΕΤΑΞΥ ΠΟΙΟΤΙΚΩΝ ΜΕΤΑΒΛΗΤΩΝ Θα δούμε ένα παράδειγμα από 141 νεογνά που εγχειρίστηκαν σε ένα νοσοκομείο (surgery.sav). Οι παράμετροι που καταγράφηκαν είναι οι εξής: Κωδικός νεογνού (ID), Φύλο Νεογνού
Supplementary Material for The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models
Supplementary Material for The Cusp Catastrophe Model as Cross-Sectional and Longitudinal Mixture Structural Equation Models Sy-Miin Chow Pennsylvania State University Katie Witkiewitz University of New
Μεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι
Μεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι Εργαστήριο 9 1. Να χρησιμοποιηθεί το αρχείο data_kids. Τα δεδομένα του προέρχονται από την έρευνα των Chase και Dummer (1992), μελέτησαν τον ρόλο των
Other Test Constructions: Likelihood Ratio & Bayes Tests
Other Test Constructions: Likelihood Ratio & Bayes Tests Side-Note: So far we have seen a few approaches for creating tests such as Neyman-Pearson Lemma ( most powerful tests of H 0 : θ = θ 0 vs H 1 :
Παιδιατρική ΒΟΡΕΙΟΥ ΕΛΛΑΔΟΣ, 23, 3. Γ Παιδιατρική Κλινική, Αριστοτέλειο Πανεπιστήμιο, Ιπποκράτειο Νοσοκομείο Θεσσαλονίκης, 2
162 Σύγκριση της επίδρασης της Μοντελουκάστης και των Εισπνεομένων Στεροειδών στο Εκπνεόμενο Μονοξείδιο του Αζώτου (eno) και την αναπνευστική λειτουργία σε ασθματικά παιδιά Ε. Χατζηαγόρου 1, Β. Αβραμίδου
PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI
155 Lampiran 6 Yayan Sumaryana, 2014 PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI Universitas Pendidikan Indonesia
η πιθανότητα επιτυχίας. Επομένως, η συνάρτηση πιθανοφάνειας είναι ίση με: ( ) 32 = p 18 1 p
ΑΣΚΗΣΗ 1 ΣΕΜΦΕ 14-15 i. Έστω yi ο αριθμός των προσπαθειών κάθε μαθητή μέχρι να πετύχει τρίποντο. Ο αριθμός των προσπαθειών πριν ο μαθητής να πετύχει τρίποντο θα είναι xi = yi - 1, i = 1,,18. 2 2 3 2 1
OLS. University of New South Wales, Australia
1997 2007 5 OLS Abstract An understanding of the macro-level relationship between fertility and female employment is relevant and important to current policy-making. The objective of this study is to empirically
ΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ. ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ.
ΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ. Κανονική Κατανομή Τυπική Απόκλιση Διακύμανση z τιμές Περιεχόμενα 6 ου μαθήματος Έλεγχος κανονικής
ΕΠΙΔΗΜΙΟΛΟΓΙΑ ΤΟΥ ΚΑΡΚΙΝΟΥ: Θεωρία και Πράξη
ΕΠΙΔΗΜΙΟΛΟΓΙΑ ΤΟΥ ΚΑΡΚΙΝΟΥ: Θεωρία και Πράξη 11 ο Συνέδριο Μαριάννας Λόρδου 10 Μαρτίου 2012 Christiana Demetriou, MPH, PhD Candidate ΙΝΣΤΙΤΟΥΤΟ ΝΕΥΡΟΛΟΓΙΑΣ & ΓΕΝΕΤΙΚΗΣ ΚΥΠΡΟΥ Επιδημιολογία του Καρκίνου
Figure 3 Three observations (Vp, Vs and density isosurfaces) intersecting in the PLF space. Solutions exist at the two indicated points.
φ φ φ φ Figure 1 Resampling of a rock-physics model from velocity-porosity to lithology-porosity space. C i are model results for various clay contents. φ ρ ρ δ Figure 2 Bulk modulus constraint cube in
Wan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1
Poisson Regression A Short Course on Data Analysis Using R Software (2017) Wan Nor Arifin (wnarifin@usm.my), Universiti Sains Malaysia Website: sites.google.com/site/wnarifin Wan Nor Arifin under the Creative
Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:
Άσκηση. Δίνονται οι παρακάτω παρατηρήσεις: X X X X Y 7 50 6 7 6 6 96 7 0 5 55 9 5 59 6 8 8 5 0 59 7 7 8 8 5 5 0 7 69 9 6 6 7 6 9 5 7 6 8 5 6 69 8 0 50 66 0 0 50 8 59 76 8 7 60 7 87 6 5 7 88 9 8 50 0 5
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) Έλεγχος Υποθέσεων για τους Μέσους - Εξαρτημένα Δείγματα (Paired samples t-test) Το κριτήριο Paired samples t-test χρησιμοποιείται όταν θέλουμε να συγκρίνουμε
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή εργασία
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή εργασία ΥΔΡΟΠΟΝΙΚΗ ΚΑΛΛΙΕΡΓΕΙΑ ΔΥΟΣΜΟΥ ΣΕ ΔΙΑΦΟΡΕΤΙΚΑ ΘΡΕΠΤΙΚΑ ΔΙΑΛΥΜΑΤΑ ΕΡΑΤΩ ΝΙΚΟΛΑΪΔΟΥ Λεμεσός 2014
Ο ρόλος της Λεπτίνης, της Αδιπονεκτίνης και της Γρελίνης στο Άσθµα στη σταθερή νόσο και στην παρόξυνση
Ο ρόλος της Λεπτίνης, της Αδιπονεκτίνης και της Γρελίνης στο Άσθµα στη σταθερή νόσο και στην παρόξυνση ΑΓΟΡΗ ΤΣΑΡΟΥΧΑ, ΖΩΗ ΑΝΙΗΛ, ΦΩΤΕΙΝΗ ΜΑΛΛΗ, ΠΑΝΑΓΙΩΤΗΣ ΓΕΩΡΓΟΥΛΙΑΣ, ΚΩΝ/ΝΟΣ ΚΩΣΤΙΚΑΣ, ΜΑΡΚΟΣ ΜΗΝΑΣ,
Ανάλυση Επιβίωσης. Κεφάλαιο Συνάρτηση Επιβίωσης. S(t) ορίζεται ως η πιθανότητα επιβίωσης ενός ατόµου πέραν τη χρονική
Κεφάλαιο 19 Ανάλυση Επιβίωσης Η ανάλυση επιβίωσης (survival analysis) αναφέρεται στην ανάλυση δεδοµένων που αφορούν στο χρόνο που µεσολαβεί µέχρι κάποιο συγκεκριµένο συµβάν. Αρχικά η ανάλυση αναφερόταν
Table A.1 Random numbers (section 1)
A Tables Table Contents Page A.1 Random numbers 696 A.2 Orthogonal polynomial trend contrast coefficients 702 A.3 Standard normal distribution 703 A.4 Student s t-distribution 704 A.5 Chi-squared distribution
Η παχυσαρκία επιβαρυντικός ή βοηθητικός παράγοντας. Π.Α. Κυριάκου Καρδιολόγος Διευθύντρια ΕΣΥ Διδάκτωρ ΑΠΘ Γ Καρδιολογική κλινική, ΙΓΠΝΘ
Η παχυσαρκία επιβαρυντικός ή βοηθητικός παράγοντας Π.Α. Κυριάκου Καρδιολόγος Διευθύντρια ΕΣΥ Διδάκτωρ ΑΠΘ Γ Καρδιολογική κλινική, ΙΓΠΝΘ Από μόνη η παχυσαρκία αυξάνει την θνητότητα Calle EE, Thun MJ, Petrelli