Bias asumsi distribusi, Enquiry Unit bias, prasangka Estimator, penanganan Bias Data Hilang, Outliers

penanganan bias, Overmatching bias, Skala degradasi Bias

Sebuah strategi untuk menghilangkan bias dalam metode analisis grafis

Abstrak

Metode analisis grafis , yang mengubah beberapa pengukuran waktu plasma dan data serapan jaringan
ke dalam plot linear , adalah alat yang berguna untuk mendapatkan informasi tentang pengikatan
radioligands digunakan dalam studi PET cepat . Kekuatan metode ini adalah bahwa hal itu tidak
memerlukan struktur model khusus . Namun, bias diperkenalkan dalam kasus data yang berisik sehingga
meremehkan volume distribusi ( DV ) , kemiringan diperoleh dari metode grafis . Untuk menghapus bias
, modifikasi metode yang dikembangkan oleh Feng et al . ( 1993) , metode kuadrat terkecil linier umum (
GLLS ) , yang memberikan perkiraan berisi untuk model kompartemen digunakan . Salah satu metode
GLLS kompartemen memiliki bentuk yang relatif sederhana , yang digunakan untuk memperkirakan DV
secara langsung dan sebagai teknik smoothing untuk kelas yang lebih umum struktur model yang .
Dalam kasus terakhir , metode GLLS diaplikasikan pada data dalam dua bagian , yaitu, satu set
parameter ditentukan untuk kali 0 sampai T1 dan set kedua dari T1 ke akhir zaman . Kurva yang
dihasilkan dari dua set parameter kemudian digunakan sebagai masukan untuk metode grafis. Hal ini
telah diuji dengan menggunakan simulasi data yang sama dengan yang ada pada PET ligan [ 11 C ] - d -
treo - methylphenidate ( MP , DV = 35 mL / mL ) dan 11C raclopride ( RAC , DV = 1.92 mL / mL ) dan
dibandingkan dengan dua contoh dari data citra dengan pelacak yang sama . Model noise didasarkan
pada penghitungan statistik melalui paruh isotop dan waktu scanning . Lima ratus set data pada masing-
masing tingkat kebisingan dianalisis . Hasil ( DV ) untuk analisis grafis ( DV ( G ) ) , kuadrat terkecil
nonlinier ( NLS ) metode ( DV ( NLS ) ) , kompartemen satu jaringan metode GLLS ( DV ( F ) ) , dan dua
bagian GLLS diikuti dengan analisis grafis ( DV ( FG ) ) dibandingkan . DV ( FG ) ditemukan meningkatkan
agak dengan meningkatnya kebisingan dan dalam beberapa set data pada tingkat kebisingan yang tinggi
ada perkiraan dapat diperoleh . Namun, pada tingkat menengah itu memberikan estimasi yang baik dari
DV yang benar . Metode ini diperpanjang untuk menggunakan jaringan rujukan di tempat fungsi input
untuk menghasilkan perbandingan volume distribusi ( DVR ) ke wilayah referensi . Suatu bentuk
linierisasi dari metode jaringan referensi disederhanakan Lammertsma dan Hume ( 1996) digunakan .
The DVR dihasilkan secara langsung dari model ( DVR ( FL ) ) dibandingkan dengan DVR ( FG ) (
ditentukan dari " merapikan " kurva serapan seperti untuk DV ( FG ) ) dengan menggunakan metode
grafis.
Logical circularity in voxel-based analysis: normalization
strategy may induce statistical bias.
Abstract
Recent discussions within the neuroimaging community have highlighted the problematic presence of selection bias in experimental design.
Although initially centering on the selection of voxels during the course of fMRI studies, we demonstrate how this bias can potentially corrupt
voxel-based analyses. For such studies, template-based registration plays a critical role in which a representative template serves as the
normalized space for group alignment. A standard approach maps each subject's image to a representative template before performing
statistical comparisons between different groups. We analytically demonstrate that in these scenarios the popular sum of squared difference
(SSD) intensity metric, implicitly surrogating as a quantification of anatomical alignment, instead explicitly maximizes effect size--an
experimental design flaw referred to as "circularity bias." We illustrate how this selection bias varies in strength with the similarity metric used
during registration under the hypothesis that while SSD-related metrics, such as Demons, will manifest similar effects, other metrics which
are not formulated based on absolute intensity differences will produce less of an effect. Consequently, given the variability in voxel-based
analysis outcomes with similarity metric choice, we caution researchers specifically in the use of SSD and SSD-related measures where
normalization and statistical analysis involve the same image set. Instead, we advocate a more cautious approach where normalization of
the individual subject images to the reference space occurs through corresponding image sets which are independent of statistical testing.
Alternatively, one can use similarity terms that are less sensitive to this bias.

Bundar logis dalam analisis berbasis voxel: strategi normalisasi dapat menyebabkan Bias statistic

Abstrak

Diskusi baru-baru dalam komunitas neuroimaging telah menyoroti kehadiran bermasalah dari bias
seleksi dalam desain eksperimental . Meskipun pada awalnya berpusat pada pemilihan voxel selama
studi fMRI , kami menunjukkan bagaimana bias ini bisa analisis berbasis voxel berpotensi korup . Untuk
studi tersebut , berbasis template pendaftaran memainkan peran penting di mana template perwakilan
berfungsi sebagai ruang dinormalisasi untuk penyelarasan kelompok . Pendekatan standar peta gambar
setiap subyek untuk template perwakilan sebelum melakukan perbandingan statistik antara kelompok
yang berbeda . Kami analitis menunjukkan bahwa dalam skenario ini jumlah populer perbedaan kuadrat
( SSD ) intensitas metrik , secara implisit surrogating sebagai kuantifikasi keselarasan anatomi , bukan
eksplisit memaksimalkan efek ukuran - " . Bias bundar " desain cacat eksperimental disebut sebagai
Kami menggambarkan bagaimana bias seleksi ini bervariasi dalam kekuatan dengan metrik kesamaan
yang digunakan saat pendaftaran di bawah hipotesis bahwa sementara metrik , seperti Demons SSD
terkait , akan mewujudkan efek yang sama , metrik lainnya yang tidak dirumuskan berdasarkan
perbedaan intensitas mutlak akan menghasilkan kurang dari efek . Akibatnya , mengingat variabilitas
dalam hasil analisis berbasis voxel dengan kesamaan pilihan metrik , kami mengingatkan peneliti secara
khusus dalam penggunaan tindakan SSD dan SSD - terkait di mana normalisasi dan analisis statistik
melibatkan set gambar yang sama . Sebaliknya , kami menganjurkan pendekatan yang lebih hati-hati di
mana normalisasi gambar subyek ke ruang referensi terjadi melalui set gambar yang sesuai yang
independen dari pengujian statistik . Atau , seseorang dapat menggunakan istilah-istilah kesamaan yang
kurang sensitif terhadap bias ini .
Bias in meta-analysis detected by
a simple, graphical test
Abstract
Objective: Funnel plots (plots of effect estimates against sample size)
may be useful to detect bias in meta-analyses that were later
contradicted by large trials. We examined whether a simple test of
asymmetry of funnel plots predicts discordance of results when meta-
analyses are compared to large trials, and we assessed the prevalence
of bias in published meta-analyses.
Design: Medline search to identify pairs consisting of a meta-analysis
and a single large trial (concordance of results was assumed if effects
were in the same direction and the meta-analytic estimate was within
30% of the trial); analysis of funnel plots from 37 meta-analyses
identified from a hand search of four leading general medicine journals
1993-6 and 38 meta-analyses from the second 1996 issue of
the Cochrane Database of Systematic Reviews.
Main outcome measure: Degree of funnel plot asymmetry as measured
by the intercept from regression of standard normal deviates against
precision.
Results: In the eight pairs of meta-analysis and large trial that were
identified (five from cardiovascular medicine, one from diabetic medicine,
one from geriatric medicine, one from perinatal medicine) there were
four concordant and four discordant pairs. In all cases discordance was
due to meta-analyses showing larger effects. Funnel plot asymmetry
was present in three out of four discordant pairs but in none of
concordant pairs. In 14 (38%) journal meta-analyses and 5 (13%)
Cochrane reviews, funnel plot asymmetry indicated that there was bias.
Conclusions: A simple analysis of funnel plots provides a useful test for
the likely presence of bias in meta-analyses, but as the capacity to
detect bias will be limited when meta-analyses are based on a limited
number of small trials the results from such analyses should be treated
with considerable caution.

Bias dalam meta-analisis terdeteksi oleh tes sederhana grafis

Abstrak

Tujuan: Funnel plot ( plot dari perkiraan efek terhadap ukuran sampel ) mungkin berguna untuk
mendeteksi bias dalam meta - analisis yang kemudian dibantah oleh percobaan besar . Kami memeriksa
apakah tes sederhana asimetri plot corong memprediksi kejanggalan dari hasil ketika meta -analisis
dibandingkan dengan percobaan besar , dan kami menilai prevalensi bias dalam menerbitkan meta -
analisis .

Desain: pencarian Medline untuk mengidentifikasi pasangan yang terdiri dari meta - analisis dan
percobaan tunggal yang besar ( konkordansi hasil diasumsikan jika efek berada di arah yang sama dan
estimasi meta - analisis adalah dalam 30 % dari persidangan ) ; analisis plot corong dari 37 meta - analisis
diidentifikasi dari pencarian tangan empat terkemuka jurnal kedokteran umum 1993-6 dan 38 meta -
analisis dari kedua 1996 edisi Cochrane Database of Systematic Reviews .

Main hasil ukuran : Tingkat saluran petak asimetri yang diukur dengan intercept dari regresi standar
simpangan yang normal terhadap presisi .

Hasil : Dalam delapan pasang meta - analisis dan uji coba besar yang diidentifikasi ( lima dari obat
jantung , satu dari obat diabetes , satu dari kedokteran geriatrik , satu dari obat perinatal ) ada empat
sesuai dan empat pasang sumbang . Dalam semua kasus kejanggalan adalah karena meta - analisis
menunjukkan efek yang lebih besar . Saluran petak asimetri hadir dalam tiga dari empat pasang
sumbang tapi tak satu pun dari pasangan sesuai . Dalam 14 ( 38 % ) jurnal meta - analisis dan 5 ( 13 % )
Ulasan Cochrane , saluran petak asimetri menunjukkan bahwa ada prasangka .

Kesimpulan : Sebuah analisis sederhana plot corong menyediakan tes yang berguna untuk kemungkinan
adanya bias dalam meta - analisis , tetapi sebagai kapasitas untuk mendeteksi bias yang akan dibatasi
ketika meta - analisis didasarkan pada sejumlah uji coba kecil hasil dari seperti analisis harus ditangani
dengan sangat hati-hati

Post hoc analysis bias

Dalam desain dan analisis eksperimen , analisis post - hoc ( dari bahasa Latin post hoc , " setelah ini " )
terdiri dari melihat data - setelah percobaan telah menyimpulkan - pola yang tidak ditentukan a priori .
Hal ini kadang-kadang disebut oleh data kritikus pengerukan untuk membangkitkan rasa bahwa semakin
seseorang melihat sesuatu yang lebih mungkin akan ditemukan . Lebih halus , setiap kali suatu pola
dalam data dianggap , uji statistik dilakukan secara efektif . Hal ini sangat mengembang jumlah uji
statistik dan memerlukan penggunaan beberapa prosedur pengujian untuk mengimbanginya. Namun,
hal ini sulit untuk dilakukan secara tepat dan pada kenyataannya sebagian besar hasil post- hoc analisis
dilaporkan seperti mereka dengan disesuaikan p - nilai . Thesep - nilai harus ditafsirkan dalam terang
dari fakta bahwa mereka adalah bagian kecil dan dipilih dari kelompok yang berpotensi besar p - nilai .
Hasil analisis post- hoc harus secara eksplisit label seperti itu dalam laporan dan publikasi untuk
menghindari menyesatkan pembaca .

Dalam prakteknya , post- hoc analisis biasanya berkaitan dengan mencari pola dan / atau hubungan
antara sub-kelompok populasi sampel yang dinyatakan akan tetap adalah komunitas ilmiah
mengandalkan ketat pada metode statistik priori . [ Rujukan? ] Tes Post- hoc tidak terdeteksi dan belum
ditemukan - juga dikenal sebagai tes posteriori - sangat memperluas jangkauan dan kemampuan dari
metode yang dapat diterapkan dalam penelitian eksplorasi . Pemeriksaan post - hoc memperkuat
induksi dengan membatasi kemungkinan bahwa efek yang signifikan akan tampaknya telah ditemukan
antara sub-kelompok populasi ketika tidak ada benar-benar ada . Seperti itu , banyak makalah ilmiah
yang diterbitkan tanpa , kontrol pencegahan yang memadai pasca - hoc dari Tipe I Kesalahan Rate. [ 1 ]

Analisis post- hoc merupakan prosedur penting tanpa dimana pengujian hipotesis multivariat akan
sangat menderita , rendering kemungkinan menemukan positif palsu sangat tinggi . Pada akhirnya ,
pengujian post- hoc menciptakan para ilmuwan informasi yang lebih baik sehingga dapat merumuskan
yang lebih baik , lebih efisien sebuah hipotesa dan desain penelitian .

Bias Data pengerukan, Post hoc signifikansi bias, berulang Bias mengintip
Valid p-nilai untuk regresi bertahap dan metode pemilihan model post-hoc lainnya

Ketika model modifikasi dipilih menggunakan post- hoc

informasi (misalnya , dalam regresi bertahap ) perkiraan standar pvalues
menjadi bias . Kami menunjukkan bahwa bias ini memiliki dua
komponen : keuntungan untuk mendapatkan pilihan terbaik saat ini , dan
kelemahan tidak mendapatkan alternatif yang lebih baik dipilih secara
langkah-langkah sebelumnya. Dampak relatif dari kedua efek bergeser di
langkah-langkah , dan itu lebih diatur oleh intercorrelations tertentu
antar variabel dalam dan keluar dari model pada setiap langkah . ini
membuat bias bersih sangat sulit untuk menurunkan analitis . kami
Oleh karena itu, mengembangkan alternatif , menghitung-intensif pendekatan
yang secara empiris menentukan pada setiap langkah yang tepat disesuaikan
distribusi nol , dari mana seseorang mendapatkan p - nilai yang valid untuk
efek yang diamati . Untuk menguji metode ini , kami telah mengajukan ke
perbaikan dalam fit diperoleh selama seleksi maju prediktor
dalam prosedur regresi bertahap .
Metode ini berasal nilai null - distribusi secara random tetapi
sinkron permutasi baris dari vektor belum masuk ke dalam
model . Sebuah fitur baru yang penting adalah penggunaan " null- set
pemangkasan " ( penghapusan kasus konsisten dengan hasil langkah sebelumnya )
.
Hasilnya gabungan adalah untuk secara empiris menghasilkan nol sesuai
distribusi pada setiap langkah . Kami Monte Carlo tes sampai saat ini menunjukkan
bahwa p - nilai seragam dan tidak bias diperoleh pada setiap langkah .
Potensi aplikasi juga termasuk p - nilai yang valid untuk post hoc
perbandingan kelompok dan korelasi kanonik bertahap ( dan karenanya
ANOVA / MANOVA / Analisis Diskriminan , dll ) .
• In the design and analysis of experiments, post-hoc analysis (from Latin post hoc, "after this")
consists of looking at the data—after the experiment has concluded—for patterns that were not
specified a priori. It is sometimes called by critics data dredging to evoke the sense that the
more one looks the more likely something will be found. More subtly, each time a pattern in the
data is considered, a statistical test is effectively performed. This greatly inflates the total
number of statistical tests and necessitates the use of multiple testing procedures to
compensate. However, this is difficult to do precisely and in fact most results of post-hoc
analyses are reported as they are with unadjusted p-values. Thesep-values must be interpreted
in light of the fact that they are a small and selected subset of a potentially large group of p-
values. Results of post-hoc analyses should be explicitly labeled as such in reports and
publications to avoid misleading readers.
• In practice, post-hoc analyses are usually concerned with finding patterns and/or relationships
between subgroups of sampled populations that would otherwise remain undetected and
undiscovered were a scientific community to rely strictly upon a priori statistical methods.[citation
needed]
Post-hoc tests — also known as a posteriori tests — greatly expand the range and
capability of methods that can be applied in exploratory research. Post-hoc examination
strengthens induction by limiting the probability that significant effects will seem to have been
discovered between subgroups of a population when none actually exist. As it is, many scientific
papers are published without adequate, preventative post-hoc control of the Type I Error Rate.[1]
• Post-hoc analysis is an important procedure without which multivariate hypothesis testing
would greatly suffer, rendering the chances of discovering false positives unacceptably high.
Ultimately, post-hoc testing creates better informed scientists who can therefore formulate
better, more efficient a priori hypotheses and research designs.