Basal statistik
Max Gordon
October 12, 2016
Vad är statistik?
- Ett nödvändigt ont?
- Något vi tvingas till?
- Ett verktyg?
Varför kunna statistik?
Alternativ 1: “hålla hakarna”
Alternativ 2: “operera själv”
En subjektiv föreläsning
Statistiknivåer
- Deskriptiv statistik (medelvärde, median)
- Effektstorlekar (fisher, t-test, regressioner)
- Prediktion (machine learning)
Vad innebär ett sample?
Sample lite fler
Ännu lite fler
Centrala gränsvärdessatsen
- En av de viktigaste verktygen
- Intuitivt inte så svår att förstå
So what!?
So what!?
P-värden
- Användbara?
- Problematiska?
En klassiker
Ett exempel
- 2 st kronor av 10 singlingar
Att vara parametrisk eller inte?
Parametrisk metod = gör antaganden
Icke-parametrisk = gör inga/få antaganden
Att vara parametrisk eller inte?
Parametrisk metod = gör antaganden
- Ger tolkningsbart storleksestimat
- Antagandena ibland svåra att testa
- Ex. regressioner, t-test
Icke-parametrisk = gör inga/få antaganden
- Ger ett svårtolkat storleksestimat
- “Alltid sant” men “inte alltid relevant”"
- Ex. Fischers exakta test, Wilcoxon rank-sum test
Regression
Löser ekvationen
\[y = a + b * x\]
t.ex.
\[Syst. BT = basnivå + \beta_{ålder} * ålder\]
Regression forts I
\[Syst. BT = basnivå + \beta_{ålder} * ålder\]
Regression forts I
\[Syst. BT = basnivå + \beta_{ålder} * ålder\]
Regression forts II
\[Syst. BT = basnivå + \beta_{ålder} * ålder\]
Regression forts II
\[Syst. BT = basnivå + \beta_{ålder} * ålder\]
Regression forts III
Att byta y-axeln
- Binära variabler (ex. logistisk regression)
- Risk över tid (Cox regression)
- Antal händelser (Poisson regression)
- …
Regression forts IV
Öka komplexitent allteftersom
- Icke-linjära förhållanden
- Interaktioner
- Random effects
Sammanfattning
- Vi kan förutspå hur sammanslagna värden kommer bete sig
- Vi kan aldrig säga att något inte är sant bara hur låg sannolikhet det observerade fallet har
- Parametriska tester är lättare att förstå
- Regressioner är det ni pysslade med på högstadiet som tagits till en användbar nivå
Sen då?
- Data munging
- Icke-linjära regressioner
- Överlevnadsanalyser
- Epidemiologi
- DAG
- Bootstrapping
- Random effects
- Machine learning
- Neurala nätverk