_(6008495935).jpg){kind=link}
- Veröffentlicht
- Aktualisiert
Ausgangsvariablen können die Präzision verbessern oder Designmerkmale in der Analyse berücksichtigen. Werden die in das Modell aufgenommenen Kovariaten erst nach Prüfung der Behandlungsergebnisse ausgewählt, kann dies die Glaubwürdigkeit der resultierenden Interpretation schwächen, besonders wenn nur günstige Modelle beibehalten werden.
Fragestellung und Annahmen festlegen
Bewerten Sie klinische und prognostische Begründung, Messzeitpunkt und Datenqualität. Funktionale Form, Kategoriendefinitionen und Umgang mit fehlenden Werten sind ebenso wichtig wie die Variablenliste. Erörtern Sie, weshalb eine Adjustierung für eine nach Behandlungsbeginn erhobene Variable eine andere Frage beantworten kann als die Adjustierung für ein echtes Merkmal vor Behandlungsbeginn.
Hypothetisches Studienbeispiel
In einer hypothetischen Studie schlägt das Team vor, die Kovariatenkombination mit dem kleinsten p-Wert als Hauptmodell zu verwenden. Die Statistikerin oder der Statistiker unterscheidet das vorab festgelegte Modell von dieser Suche. Zusätzliche Modelle können mit transparenter Auswahlbegründung und explorativem Status berichtet werden, statt nur das attraktivste Ergebnis beizubehalten.
Prüfpunkte für die Designbewertung
- Dokumentieren Sie jede Kovariate mit ihrer wissenschaftlichen Begründung und Datenquelle.
- Legen Sie Transformationen und Kategorienregeln für stetige Variablen vor der Ergebnisprüfung fest.
- Testen Sie, wie fehlende Kovariaten die zu jeder Analyse beitragende Population verändern.
Entscheidung und ihre Grenzen dokumentieren
Ein akzeptierter Plan enthält Modellstruktur und Regeln für Sonderfälle und nicht nur Variablennamen. Die Durchführbarkeit des geplanten Modells kann anhand verblindeter Daten bewertet werden. Legen Sie Zeitpunkt und Folgen ergebnisgeleiteter Änderungen offen. Eine gute Modellanpassung allein belegt weder die Übereinstimmung mit der wissenschaftlichen Fragestellung noch Freiheit von systematischer Verzerrung.
Häufig gestellte Fragen
- Sind mehr Kovariaten immer besser?
- Nein. Unnötige Komplexität und begrenzte Information können die Modellstabilität beeinträchtigen.
- Darf für eine Variable nach Behandlungsbeginn adjustiert werden?
- Ihr Zweck und ihre kausale Interpretation müssen gesondert bewertet werden; es handelt sich nicht um eine gewöhnliche Ausgangswertadjustierung.