STATISTIK-FORUM.de

[Tina1289]

Hallo,

ich habe ein Problem mit der Interpretation meiner Ergebnisse (arbeite mich gerade in die Statistik und R ein).

Die Voraussetzungen sind Folgende:
Ich habe zwei Kohorten mit jeweils 35 Studienteilnehmern. Ich möchte untersuchen, ob ein Unterschied in der Verteilung zwischen dem Merkmal "Rauchen" unter den Kohorten besteht. In beiden Kohorten sind 18 Raucher.
Ich habe mit R eine Kontingenztabelle angelegt, die so aussieht:
> table(G$Nikotin,H$Nikotin)

j n
j 5 13
n 13 4

Dann habe ich den Fisher-Test angewendet:
> fisher.test(Raucher)

Fisher's Exact Test for Count Data

data: Raucher
p-value = 0.00671
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.01937213 0.66265227
sample estimates:
odds ratio
0.1273089

Und jetzt meine Frage: In beiden Kohorten gibt es 18 Raucher. Mit p-Wert=0,00671 müsste ich die Nullhypothese (es besteht kein signifikanter Unterschied im Rauchverhalten) ja verwerfen, was bedeuten würde, es gibt einen signifikanten Unterschied im Rauchverhalten beider Kohorten, oder? Auch die OR besagt, die Odds der ersten Kohorte sind kleiner als die der zweiten Kohorte.
Mir leuchtet nicht ein, warum ich H0 verwerfen muss, wenn doch in beiden Kohorten gleich viele Raucher sind. Und müsste die OR nicht = 1 sein?
Interpretiere ich die Ergebnisse falsch und wo liegt der Denkfehler?

Ich hoffe, ihr könnt mir weiterhelfen.

Viele Grüße, Tina

[PonderStibbons]

Ich habe zwei Kohorten mit jeweils 35 Studienteilnehmern.

j n
j 5 13
n 13 4

Das sieht aber eher nach nur 1 Kohorte mit 35 Teilnehmern aus.

Mit freundlichen Grüßen

P.

[bele]

Hallo Tina,

Deine Argumentation "In beiden Kohorten gibt es 18 Raucher." ist eine, die man bei unverbundenen Stichproben verwenden würde. Du hast mit table ein Vorgehen gewählt, dass für verbundenen Stichproben Sinn macht. Ich glaube, da liegt der Kern Deines Problems. Vielleicht irre ich mich auch. Beschreib doch mal genau, was das für "Kohorten" in G und in H sind und warum sie in zwei verschiedenen Dataframes gelandet sind (deutet auf unverbundene Stichproben hin) und was Du über diese "Kohorten" wissen willst bzw an ihnen testen willst.

die Nullhypothese (es besteht kein signifikanter Unterschied im Rauchverhalten)

Es besteht kein signifikant unterschiedliches Risiko, Raucher zu sein, zwischen beiden Gruppen. Aber wenn ich in der einen Raucher bin, dann beeinflusst das die Wahrscheinlichkeit meines Partners in der anderen Gruppe, Raucher zu sein, den nur bei 5 von 18 Rauchern ist auch der Partner in der verbundenen anderen Stichprobe auch Raucher.

Ich vermute, Du willst eigentlich eine Nullhypothese untersuchen, ob in beiden Gruppen das Verhältnis von Rauchern zu Nichtrauchern gleich groß ist. Das kannst Du mit der Funktion prop.test() durchführen.

LG,
Bernhard

[Tina1289]

Das sieht aber eher nach nur 1 Kohorte mit 35 Teilnehmern aus.

Oh ja, dann liegt da schon ein Fehler.

Deine Argumentation "In beiden Kohorten gibt es 18 Raucher." ist eine, die man bei unverbundenen Stichproben verwenden würde.

Ja, das stimmt. Die Stichproben sind unverbunden.

Beschreib doch mal genau, was das für "Kohorten" in G und in H sind und warum sie in zwei verschiedenen Dataframes gelandet sind (deutet auf unverbundene Stichproben hin) und was Du über diese "Kohorten" wissen willst bzw an ihnen testen willst.

Die Kohorte G hat während einer Herz-OP Gelafundin erhalten und die Kohorte H hat stattdessen HES erhalten. Ich habe verschiedene Daten gesammelt und die (weil ich es sinnvoll fand oder es einfach nicht besser wusste) in zwei Dataframes gelistet. Was ich zunächst darstellen will sind die demographischen Daten der Kohorten und ob es zwischen beiden Kohorten einen Unterschied gibt. Für die quantitativen Messreihen (Alter, Größe, Gewicht...) habe ich das mittels Mann-Whitney-Test untersucht und für die qualitativen Merkmale (Rauchen, Bluthochdruck, Diabetes...) fehlt mir noch der Durchblick, wie ich da die richtigen Ergebnisse bekomme. Ich werde es mit dem prop.test mal versuchen.

Vielen Dank schonmal für die schnellen Antworten.

[bele]

Wenn Dir der prop.test() nicht geheuer sein sollte, kannst Du das natürlich auch über einen Fisher-Test machen. Die Kreuztabelle würdest Du dann so aufstellen:

Code: Alles auswählen

             | Gelatine   HAES
-------------+-------------------
Raucher      |     a       b
Nichtraucher |     c       d

Dann gefällt Dir bestimmt auch die odds ratio besser...

Code: Alles auswählen

> fisher.test(matrix(c(18,35,18,35),nrow=2))

        Fisher's Exact Test for Count Data

data:  matrix(c(18, 35, 18, 35), nrow = 2)
p-value = 1
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.4140685 2.4150594
sample estimates:
odds ratio
         1

> prop.test(c(18,18), c(35,35))

        2-sample test for equality of proportions without continuity
        correction

data:  c(18, 18) out of c(35, 35)
X-squared = 0, df = 1, p-value = 1
alternative hypothesis: two.sided
95 percent confidence interval:
-0.2341649  0.2341649
sample estimates:
   prop 1    prop 2
0.5142857 0.5142857

LG,
Bernhard

[Tina1289]

Mit dem prop.test hab ichs nicht hinbekommen. Mit dem Fisher-Test und dieser Tabelle ging es und es kam p-value = 1 und odds ratio 1 heraus. Das Ergebnis scheint mir auch logischer. Das müsste dann so jetzt auch stimmen, oder?

[bele]

Ich habe gerade den prop.test und den fisher.test in meiner Antwort ergänzt, während Du schon geschrieben hast. Oben steht für beide, wie man es macht.

Klar stimmt das: Wenn in beiden dasselbe Verhältnis besteht, dann besteht kein signifikant verschiedenes Verhältnis. In dieser Konstellation kannst Du Dir den Test glatt sparen. Aber vielleicht hast Du ja noch mehr ja/nein-Spalten in Deinen Daten.

LG,
Bernhard

[Tina1289]

Okay, so bekomme ich beim prop.test auch Ergebnisse. Allerdings unterschieden die sich doch teilweise sehr stark von den Ergebnissen des Fisher-Tests. Woran liegt das?
Hier mal ein Beispiel für Hyperlipoproteinämie.

Code: Alles auswählen

> HLPG <- c(22,24)
> HLPH <- c(13,11)
> HLPV <- data.frame(HLPG,HLPH,row.names = c("j","n"))
> fisher.test(HLPV)

   Fisher's Exact Test for Count Data

data:  HLPV
p-value = 0.8015
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.2557742 2.3339010
sample estimates:
odds ratio
0.7784732

>
>
> prop.test(c(22,13),c(35,35))

   2-sample test for equality of proportions with continuity correction

data:  c(22, 13) out of c(35, 35)
X-squared = 3.6571, df = 1, p-value = 0.05583
alternative hypothesis: two.sided
95 percent confidence interval:
0.00218831 0.51209740
sample estimates:
   prop 1    prop 2
0.6285714 0.3714286


[bele]

Aus Deinem Beispiel ersehe ich folgendes:

Code: Alles auswählen

> HLPV
  HLPG HLPH
j   22   13
n   24   11

Das ermöglichst zwei Interpretationen:
1. In der Gruppe HLPG gab es 22 ja und 24 nein. Zusammen also 46 Urteile. In der Gruppe HLPH gab es 13 "j" und 11 "n", zusammen also 24. Wenn Du das testen willst, dann mit prop.test(x=c(22,13), n=c(46, 24)).
2. Wahrscheinlicher aber hast Du in der Gruppe "j" 22 mit HLPG und 13 mit HLPH und in der Gruppe "n" 24 mit HLPG und 11 mit HLPH. Das kannst Du vergleichen mit prop.test(x=c(22,24), n=c(35,35)).
Egal welche der beiden Interpretationen man annimmt. Bei beiden Tests kommt mit p=0.801 das Gleiche heraus. (Die Abweichung zum fisher.test im p-Wert findet sich in der 4. Nachkommastelle.)

Du aber hast einen Zahlendreher drin, wenn Du stattdessen prop.test(c(22,13),c(35,35)) rechnest. Diese Zahlenverteilung lässt sich aus Deiner Vierfeldertafel nicht entnehmen und deshalb spielt auch der dabei entstehende p-Wert keine Rolle.

Anscheinend musst Du etwas sorgfältiger mit Deinen Zahlen umgehen, weshalb PonderStibbons Antwort oben durchaus auch einen "Thanks"-Klick verdient hätte.

LG,
Bernhard

[Tina1289]

Die "Thanks"-Funktion ist ein guter Hinweis

Und ja, ich muss wohl etwas genauer hinsehen. Jetzt bekomme ich auch für beide Test fast gleiche p-Werte raus.
Vielen, vielen Dank!

LG, Tina