Conscious and Correct Use of Biostatistical Methods in Medical Researches: From Planning to Reporting the Results - Part II

Year 2024, Issue: Early Access

Mehmet Ali Sungur , Erdem Karabulut

https://doi.org/10.18678/dtfd.1604460

Abstract

In this part of the review, statistical tests utilized to examine hypotheses regarding population parameters on a representative sample, which forms the fundamentals of inferential statistics are discussed. The selection of an appropriate statistical test by verifying its assumptions and interpreting the results objectively is crucial for obtaining accurate conclusions. Understanding the terms related to type I and type II errors, p-value, power of the study, effect size, and confidence interval will contribute to the correct interpretation of both the results obtained from statistical tests in scientific research and the findings of articles read from the literature. In addition to univariate tests, the three most commonly employed multiple regression models are also addressed to control for the effect of potential confounding factors and other independent variables utilized in the study. Statistical computing has become much more accessible in recent times, with researchers having access to freeware packages or web applications to perform basic and advanced statistical analyses. Researchers frequently focus on the calculation of statistical tests used in data analysis, whereas, understanding the rationale behind statistical methods should be the primary goal. Therefore, this review emphasizes the logic of selecting appropriate statistical methods and interpreting the results rather than mathematical calculations. It is essential to recognize that biostatistical principles should be considered not only in the data analysis phase but also in all phases of research, from planning to report writing. It should be note that, no statistical analysis method can correct erroneous data obtained from a poorly designed study.

Keywords

Hypotesis tests, regression model, ANOVA, parametric tests, nonparametric tests, p-value

Tıbbi Araştırmalarda Biyoistatistiksel Yöntemlerin Bilinçli ve Doğru Kullanımı: Planlamadan Sonuçların Raporlanmasına - Bölüm II

Abstract

Derlemenin bu bölümünde, çıkarımsal istatistiğin temelini oluşturan, popülasyonu temsil eden bir örneklem üzerinde popülasyon parametrelerine ilişkin hipotezleri incelemekte kullanılan istatistiksel testler ele alınmıştır. Varsayımlarının karşılanıp karşılanmadığı kontrol edilerek uygun istatistiksel testin seçilmesi ve bulguların yansız bir şekilde yorumlanması doğru sonuçlara ulaşılmasında çok önemlidir. Tip I ve tip II hatalar, p-değeri, çalışmanın gücü, etki büyüklüğü ve güven aralığı ile ilgili kavramların ne anlama geldiğini anlamak, hem bilimsel araştırmalarda istatistiksel testlerden elde edilen sonuçların hem de literatürden okunan makalelerin bulgularının doğru yorumlanmasına katkı sağlayacaktır. Tek değişkenli testlerin yanı sıra, olası etki karıştırıcı faktörlerin ve çalışmada ele alınan diğer bağımsız değişkenlerin etkisini kontrol etmek amacıyla en yaygın olarak kullanılan üç çoklu regresyon modeline de değinilmiştir. Araştırmacılar, temel ve ileri düzey istatistiksel analizleri yapabilecekleri ücretsiz yazılımlara ya da web uygulamalarına erişebildiklerinden, istatistiksel hesaplamaların yapılması günümüzde çok daha erişilebilir hale gelmiştir. Araştırmacılar daha çok veri analizinde kullanılan istatistiksel testlerin nasıl hesaplanacağı üzerinde durmaktadır, oysaki istatistiksel yöntemlerin arkasındaki mantığı anlamak birincil hedef olmalıdır. Bu nedenle, bu derlemede matematiksel hesaplamalardan ziyade, uygun istatistiksel yöntemlerin seçilmesi ve bulguların yorumlanması mantığı üzerinde durulmuştur. Biyoistatistik prensiplerin sadece veri analizi aşamasında değil, planlamadan rapor yazımına kadar araştırmanın tüm aşamalarında dikkate alınması gerektiğinin farkında olunması önemlidir. Unutulmamalıdır ki, iyi düzenlenmemiş bir araştırmadan elde edilen hatalı verileri düzeltecek bir istatistiksel analiz yöntemi bulunmamaktadır.

Keywords

Hipotez testleri, regresyon modeli, ANOVA, parametrik testler, parametrik olmayan testler, p-değeri

References

• Sungur MA. Importance of biostatistics in medical researches. Duzce Med J. 2021;23(3):232-3.
• Karahan S, Karaağaoğlu AE. Development of biostatistics: from past to future. Duzce Med J. 2021;23(3):234-8.
• Karabulut E. Conscious and correct use of biostatistical methods in medical researches: from planning to reporting the results-I. Duzce Med J. 2022;24(1):1-6.
• Altman DG, Machin D, Bryant TN, Gardner MJ. Statistics with confidence: Confidence intervals and statistical guidelines. 2nd ed. London: BMJ Books; 2000.
• Alpar R. Spor, sağlık ve eğitim bilimlerinden örneklerle uygulamalı istatistik ve geçerlik-güvenirlik. 6th ed. Ankara: Detay; 2020. Turkish.
• Grech V, Calleja N. WASP (Write a Scientific Paper): Parametric vs. non-parametric tests. Early Hum Dev. 2018;123:48-9.
• Dawson B, Trapp RG. Basic & clinical biostatistics. 4th ed. New York: McGraw-Hill; 2004.
• Daniel WW, Cross CL. Biostatistics: A foundation for analysis in the health sciences. 11th ed. Hoboken, NJ: Wiley; 2019.
• Özdemir P, Karabulut E, Alpar R. Biyoistatistik. In: Günalp S, editor. Temel Kadın Hastalıkları ve Doğum Bilgisi. 4th ed. Ankara: Güneş Tıp Kitapevleri; 2024. Turkish.
• Banerjee A, Chitnis UB, Jadhav SL, Bhawalkar JS, Chaudhury S. Hypothesis testing, type I and type II errors. Ind Psychiatry J. 2009;18(2):127-31.
• Cohen HW. P values: use and misuse in medical literature. Am J Hypertens. 2011;24(1):18-23.
• Field A. Discovering statistics using IBM SPSS statistics. 6th ed. London: SAGE; 2024.
• Tabachnick BG, Fidell LS. Using multivariate statistics. 6th ed. Boston: Pearson; 2013.
• Alpar R. Uygulamalı çok değişkenli istatistiksel yöntemler. 6th ed. Ankara: Detay; 2021. Turkish.
• Hosmer DW, Lemeshow S, Sturdivant RX. Applied logistic regression. 3rd ed. Hoboken, NJ: Wiley; 2013.
• Hosmer DW, Lemeshow S. Applied survival analysis: Regression modeling of time-to-event data. New York: John Wiley & Sons; 1999.
• Kleinbaum DG, Klein M. Survival analysis: A self-learning text, 2nd ed. New York: Springer; 2005.