Förstå eller förutspå?

class: center, middle, inverse, title-slide

# Förstå eller förutspå?
## Hönan eller ägget?
### Erik Bülow, PhD, statistiker
### 2021-01-20

---

class: inverse, center, middle

# Förstå eller förutspå?

---

background-image: url("figs/abstract.jpg")
background-position: right, top
background-size: 33%

# Stort intresse för predektiva modeller

--

- **Titel:** prediktorer via maksininlärning

--

- **Abstract:** logistisk regression

--

- **Brödtext:** hypotesprövning med signifikanta koefficienter

---

# Traditionell statistik

--

- små datamängder

--

- forskare generaliserar resultat för grupper/populationer

--

- Anta exponering `\(X\)` (behandling) och utfall `\(Y\)` (nöjdhet)

--

- oberoende/okorrelerade/ortogonala variabler

--

- `\(Y = f(X)\)`

--

- `\(f(X) = \beta_0 + \beta_1x + \varepsilon\)` för `\(\varepsilon \sim N(0, \sigma^2)\)` för något `\(\sigma > 0\)`

--

- `\(\hat \beta_0, \hat \beta_1, \hat \sigma\)`

--

- `\(H_0 \colon \beta_1 = 0\)` vs `\(H_1 \colon \beta_1 \neq 0\)`

--

- p-värden, konfidensintervall, signifikansnivå

---

# ("Ren") Prediktion

--

- berörda (kliniker/patienter/anhöriga) ges individuell skattning

--

- stora datamängder, stor beräkningskraft

--

- "Svarta lådor"

--

- korrelerade variabler

--

- **Ofta:** många prediktorer

--

- **Kliniska sammanhang:** variabelselektion för relevanta prediktorer

--

- Svårt att skatta osäkerheten (~~p-värden, konfidensintervall, signifikans~~)

---

# Validering

- hur bra är modellen för oberoende observationer?

--

- intern: split sample, korsvalidering eller bootstrapping
  
--

- extern

--

- temporär

--

- diskriminerande förmåga, kalibrering, klinisk nytta

--

- sensitivitet/specificitet/ROC-kurva/AUC-värde/konkordans-index/Harrel's C/Brier score ...

--

- etisk

---

background-image: url("figs/useless.jpg")
background-position: right
background-size: 60%

# Konflikt?

--

- förstå **vs** förutspå

--

- statistiker **vs** datavetare

--

- forskare **vs** ingengör

--

- teoretiker **vs** praktiker

--

- akademiskt **vs** kommersielt

--

- hjärna **vs** muskler

--

- stofiler **vs** oppurtunister

--

**Fredlig samexistens möjlig!?**

--

**JA!**

--

**"The emperor has nice clothes but they’re not suitable for every occasion." /Efron**

---

class: center, middle
background-image: url("figs/leo.png")
background-size: contain

---

class: center, middle
background-image: url("figs/isi.png")
background-size: contain

---

class: center, middle
background-image: url("figs/steyerberg.jpeg")
background-size: contain

---

class: inverse, center, middle

# Hönan eller ägget?

---

# Lätt som en plätt ...

- `\(X_1, X_2\)` (ålder, kön)

--
  
  - oberoende

--
- `\(Y = f(X_1, X_2)\)` (längd beror på ålder och kön)

--

## Oberoende variabler

- **Intervention:** påverkansbar (behandling vs kontroll)

--

- **Exponering:** ej påverkansbar (demografiska variabler etc)

--

## Beroende variabel/Utfall/resultat

- Primär (längd)
- Sekundär (vikt)

---

# ... eller inte?

- oberoende variabler korrelerade

--

- Kausal inferens är ett stort och växande fält

--

- Olika fokus och terminologi (biostatistik vs epidemiologi)

---

class: center, middle
background-image: url("figs/dags.PNG")
background-size: contain

---

class: center, middle
background-image: url("figs/dagitty.PNG")
background-size: contain

---

class: center, middle
background-image: url("figs/greenland.png")
background-size: contain

---

# Effektmodifierare

--

- Exponeringen ger olika effekt i olika strata

--

- ålder, `\(X\)`, "påverkar" längden, `\(Y\)`, endast för unga, `\(U \in \{0,1\}\)`.

--
`$$Y = \beta_0 + \beta_XX + \beta_U U + \beta_{UX}UX + \varepsilon$$`

--

- **Effektmodifiering:** `\(\beta_X = 0, \beta_U = 0, \beta_{UX} \neq 0\)`

--

- **Interaktionseffekt:** `\(\beta_X \neq 0, \beta_U \neq 0, \beta_{UX} \neq 0\)`

---

# Störfaktor (confounder)

--

> lateralt snitt påverkar risken för luxation efter THA.

--

![](figs/conf.svg)

--

- **Känd:** justeras bort/kontrolleras för

--

- **Okänd:** Snedvriden tolkning ("residual confounding")

--

- Termen används på tre olika sätt (Greenland et al. Confounding and Collapsibility in Causal Inference. Statistical Science. 1999;14(1):29-46).

---

# Mediator

<img src="figs/mediator.png" width="50%" />

- **Effekt:** direkt + indirekt = total

--

- denna relation med både störfaktor och mediator

--

- inte självklart att justera

--

- Table 2 fallacy

--

- mediation analysis och bakdörrstest

---

# Collider

<img src="figs/collider.png" width="335" />

- faktor som påverkas av två andra faktorer, `\(X, Y\)`

--

- `\(X\)` och `\(Y\)` kan vara oberoende av varandra ...

--

- ... men kan felaktigt uppfattas som associerade om man beaktar (justerar för) "collidern"

---

# Ska man orka bry sig?

- **Ja:** annars risk för bias och extra osäkerhet

--

- **Nej:** felaktiga antaganden kan ge mer fel än inga antaganden alls

--

- **Gyllene medelväg:** lek lite med DAGitty och se vart det leder!

---

class: center, middle
background-image: url("figs/schisterman.png")
background-size: contain

---

# För en regning dag

Hill AB. 
The environment and disease: association or causation? 
1965.
J R Soc Med. 2015;108(1):32-37
doi:10.1177/0141076814562718

Corraini, Priscila, Morten Olsen, Lars Pedersen, Olaf M. Dekkers, och Jan P. Vandenbroucke. 
Effect modification, interaction and mediation: An overview of theoretical insights for clinical investigators.
Clinical Epidemiology 9 (2017): 331–38. 
https://doi.org/10.2147/CLEP.S129728.

MacKinnon, David P., Amanda J. Fairchild, och Matthew S. Fritz.
Mediation Analysis. 
Annual Review of Psychology 58, nr 1 (januari 2007): 593–614. 
https://doi.org/10.1146/annurev.psych.58.110405.085542.

---

class: center, middle
background-image: url("figs/hernan.PNG")
background-size: contain