Innehåll
Variabeltyper
| Typ | Undertyp | Definition | Exempel |
|---|---|---|---|
| Kvalitativ | Nominal | Kategorier utan rangordning | Kön, blodgrupp, diagnos |
| Kvalitativ | Ordinal | Kategorier med naturlig rang men ojämna intervall | ASA-klass, smärtskala, Mallampati |
| Kvantitativ | Diskret | Heltal, räknedata | Antal intubationsförsök, antal barn |
| Kvantitativ | Kontinuerlig | Kan anta alla värden inom ett intervall | Blodtryck, temperatur, vikt |
PrincipVariabeltypen bestämmer vilka statistiska metoder som är tillämpliga. Parametriska tester kräver kontinuerliga, normalfördelade data; kategoriska data kräver icke-parametriska tester.
Beskrivande statistik
| Mått | Definition | När används |
|---|---|---|
| Medelvärde | Summa delat på antal | Normalfördelade data |
| Median | Mittvärdet | Skeva fördelningar |
| Typvärde (mode) | Vanligaste värdet | Multimodala data |
| Standardavvikelse (SD) | Spridning kring medel | Normalfördelade data |
| IQR | 25-75 percentil | Skeva data |
| Standardfel (SEM) | SD / √n | Precision hos medelvärdet |
Normalfördelning
En symmetrisk, klockformad kurva (Gauss-fördelning) där medelvärde, median och typvärde sammanfaller. Fördelningen beskrivs helt av två parametrar: medelvärde (μ) och standardavvikelse (σ).
Tumregler
- ~68% av observationerna inom ±1 SD.
- ~95% inom ±1,96 SD (grund för 95%-konfidensintervall).
- ~99,7% inom ±3 SD.
Klinisk tillämpningMånga biologiska mätvärden (längd, Hb, blodtryck) är ungefär normalfördelade, vilket motiverar användning av medelvärde och SD. Vid skev fördelning (t.ex. LOS på IVA) är medianen mer representativ.
Hypotesprövning
- H₀ (nollhypotes): ingen skillnad.
- H₁: signifikant skillnad.
- P-värde: sannolikheten att observera data lika extrem eller mer extrem om H₀ är sann.
- Alfa (α): gräns, typiskt 0,05.
- Typ I-fel: förkastar H₀ felaktigt (falskt positivt).
- Typ II-fel: behåller H₀ felaktigt (falskt negativt).
- Power (1−β): chansen att upptäcka effekt om den finns.
NyckelpunktEtt p<0,05 betyder INTE att resultatet är kliniskt betydelsefullt — värdera effektstorlek och konfidensintervall.
Statistiska tester
| Variabel / jämförelse | Parametriskt | Icke-parametriskt |
|---|---|---|
| 2 oberoende grupper | t-test | Mann-Whitney U |
| Parade observationer | Parat t-test | Wilcoxon signed-rank |
| >2 grupper | ANOVA | Kruskal-Wallis |
| Frekvens/proportion | Chi² | Fishers exakt |
| Samband 2 variabler | Pearson r | Spearman rho |
Diagnostiska tester
| Mått | Definition | Formel |
|---|---|---|
| Sensitivitet | Andel sjuka korrekt identifierade (sant positiva) | SP / (SP + FN) |
| Specificitet | Andel friska korrekt uteslutna (sant negativa) | SN / (SN + FP) |
| PPV | Andel positiva som verkligen har sjukdomen | SP / (SP + FP) |
| NPV | Andel negativa som verkligen är friska | SN / (SN + FN) |
PrevalenseffektPPV och NPV påverkas kraftigt av prevalensen. Vid låg prevalens (t.ex. screening) dominerar falskt positiva — även ett bra test kan ha lågt PPV. Sensitivitet och specificitet är däremot oberoende av prevalens.
Likelihood ratio
Likelihood ratio (LR) anger hur mycket ett testresultat ändrar sannolikheten för sjukdom — oberoende av prevalens.
| Mått | Formel | Tolkning |
|---|---|---|
| LR+ | Sensitivitet / (1 − Specificitet) | LR+ >10 = starkt positivt test |
| LR− | (1 − Sensitivitet) / Specificitet | LR− <0,1 = starkt negativt test |
Konfidensintervall
Ett 95%-konfidensintervall (95% KI) innebär att om studien upprepades många gånger så skulle 95% av de beräknade intervallen innehålla det sanna populationsvärdet. Det beräknas som:
95% KI = medelvärde ± 1,96 × SEM
NyckelpunktKonfidensintervallet är ofta mer informativt än p-värdet — det ger inte bara signifikans utan också effektstorlek och precision. Om intervallet korsar noll (för skillnader) eller 1 (för odds/risk-ratio) är resultatet ej statistiskt signifikant.
Vanliga fallgropar
- P-värde ≠ klinisk relevans — ett statistiskt signifikant resultat behöver inte vara kliniskt meningsfullt. Värdera alltid effektstorlek och konfidensintervall.
- Multipla jämförelser — upprepade test ökar risken för typ I-fel. Använd ANOVA eller Bonferroni-korrigering istället för upprepade t-test.
- Korrelation ≠ kausalitet — ett statistiskt samband innebär inte att en variabel orsakar den andra.
- Litet stickprov — otillräcklig power leder till typ II-fel. Power-analys bör göras före studiestart.