| PICO/PECO |
Struktur für klinische Fragen: Population, Intervention/Exposure, Comparison, Outcome. |
| Effektmaß |
Größe eines Unterschieds oder Zusammenhangs, z. B. Odds Ratio oder Hazard Ratio. |
| Power |
Wahrscheinlichkeit, einen echten Effekt einer festgelegten Größe statistisch zu entdecken. |
| EPV (Ereignisse pro Parameter) |
Faustregel für Regressionsmodelle: mindestens 10–15 Ereignisse pro geschätztem Parameter, um Overfitting und instabile Schätzer zu vermeiden. Sinkt die EPV darunter, werden Koeffizienten und Konfidenzintervalle unzuverlässig (Modul 12). |
| Firth-Korrektur |
Penalisiert die Likelihood der logistischen Regression mit einem Jeffreys-Prior und behebt so den systematischen Bias der Maximum-Likelihood-Schätzung bei kleinen Stichproben oder wenigen Ereignissen (Firth 1993). Ohne sie werden Koeffizienten bei knapper EPV tendenziell von der Null weggezogen (Modul 14). Der Hauptauslöser ist Separation: Trennt ein Prädiktor das Outcome perfekt oder fast perfekt, konvergiert die gewöhnliche logistische Regression nicht und liefert unendliche oder absurd große Koeffizienten mit unbrauchbaren Konfidenzintervallen (Modul 12). |
| Shrinkage |
Absichtliche Stauchung von Regressionskoeffizienten Richtung Null, um Overfitting zu vermeiden (z. B. Ridge, Lasso, penalisierte Modelle). Ein angestrebter Shrinkage-Faktor kann die Fallzahlplanung leiten als Alternative zur reinen EPV-Regel (Modul 13). |
| Konfidenzintervall |
Bereich plausibler Werte. Zeigt Unsicherheit, nicht nur einen Punktwert. |
| p-Wert |
Wie überraschend die Daten unter einer Nullhypothese wären. Kein Maß für klinische Relevanz. |
| MCAR/MAR/MNAR |
Mechanismen fehlender Werte: zufällig, durch beobachtete Variablen erklärbar oder vom fehlenden Wert selbst abhängig. |
| Prentice–Pyke |
Statistisches Ergebnis (Prentice & Pyke 1979), wonach Selektion nach dem Outcome bei einer logistischen Regression nur den Intercept verschiebt, nicht die Steigungen. Erklärt, warum Complete-Case-Analysen bei Fehlen nach dem Outcome unverzerrte Odds Ratios liefern können, obwohl absolute Risiken verzerrt bleiben (Modul 14). |
| Confounder |
Drittvariable, die Exposition und Outcome beeinflusst und einen Zusammenhang verzerren kann. |
| Mediator |
Variable auf dem kausalen Pfad zwischen Exposition und Outcome. |
| Kollider |
Variable, die gemeinsame Folge zweier Ursachen ist; Adjustierung kann Scheinzusammenhänge erzeugen. |
| Adjustierung |
Ein Modell berücksichtigt zusätzliche Variablen, um Verzerrung zu reduzieren. |
| Overadjustment |
Adjustierung für einen Mediator oder Kollider; kontrolliert einen Teil des echten Effekts fälschlich weg oder öffnet einen Scheinpfad. |
| DAG |
Gerichteter Graph für Annahmen über Ursachen, Confounder, Mediatoren und Collider. |
| Propensity Score |
Geschätzte Wahrscheinlichkeit, eine Behandlung/Exposition zu erhalten, gegeben Kovariaten. |
| Standardized Mean Difference |
Maß für Gruppenbalance; häufiges Ziel nach Gewichtung oder Matching: Betrag < 0,1. |
| MICE |
Multiple Imputation by Chained Equations; Verfahren für mehrere plausible Ergänzungen fehlender Werte. |
| Regressionsverdünnung |
Klassisch (englisch regression dilution, auch regression attenuation): nicht-differenzieller Messfehler in einem Prädiktor schwächt dessen geschätzten Koeffizienten Richtung Null. Der Kurs verwendet denselben Begriff für einen strukturell gleichartigen Effekt der Median-Imputation (Modul 14: OR 2,76 → 1,78) — hier ersetzt der imputierte Wert den unbekannten wahren Wert und wirkt wie ein Messfehler. Multiple Imputation vermeidet diese Verzerrung, weil sie plausible Streuung statt eines einzelnen Werts einsetzt. |
| Rubin's Rules |
Regeln, um Schätzer und Standardfehler aus mehreren imputierten Datensätzen zu einem Gesamtergebnis mit korrekter Unsicherheit zusammenzuführen. |
| λ (Lambda) |
Anteil der Gesamtvarianz T, der bei Rubin's Rules auf das Fehlen von Werten zurückgeht: (1+1/m)·B / T. Nicht dasselbe wie fmi (Modul 14). |
| FMI |
Fraktion fehlender Information; mice::pool() berichtet die endlich-m-korrigierte Form (r + 2/(ν+3))/(r+1). Zahlenmäßig verschieden von λ, auch wenn beide dieselbe Idee messen (Modul 14). |
| Barnard–Rubin |
Korrektur der Freiheitsgrade von Rubins (1987) ν_alt, die für endliches n realistischere, kleinere Werte liefert; von mice::pool() standardmäßig verwendet (Modul 14). |
| SE-Ratio |
Verhältnis aus berichtetem Standardfehler und tatsächlicher Streuung der Schätzer über Wiederholungen. Werte unter 1 zeigen, dass eine Methode ihre eigene Unsicherheit unterschätzt (Modul 14). |
| Überdeckung |
Anteil nominaler 95-%-Konfidenzintervalle, die über viele Wiederholungen tatsächlich den wahren Wert enthalten; Sollwert 95 % (Modul 14). |
| PMM |
Predictive Mean Matching; Imputationsverfahren, das fehlende Werte durch beobachtete „Spenderwerte" ähnlicher Fälle ersetzt und dadurch garantiert im plausiblen Wertebereich bleibt (Modul 14). |
| Passive Imputation |
Eine abgeleitete Variable (z. B. BMI aus Größe und Gewicht) wird bei jeder Imputation aus den imputierten Ausgangsvariablen neu berechnet statt unabhängig imputiert, damit die Definitionsgleichung erhalten bleibt (Modul 14). |
| Gelman–Rubin (R-hat) |
Konvergenzdiagnostik für iterative Sampling-Verfahren wie MICE: vergleicht die Streuung zwischen mehreren parallelen Ketten mit der Streuung innerhalb der Ketten. Werte nahe 1 (Faustregel < 1,1) zeigen, dass sich die Ketten durchmischt haben und kein systematischer Trend mehr besteht (Modul 14). |
| Delta-Adjustment |
Sensitivitätsanalyse für MNAR: imputierte Werte werden systematisch um einen Betrag δ verschoben, um zu prüfen, wie stark eine unbeobachtbare Abweichung von MAR das Ergebnis verändert (Modul 14). |
| Kipppunkt |
Der δ-Wert einer Delta-Adjustment-Analyse, ab dem sich die Schlussfolgerung ändert, z. B. das Konfidenzintervall erstmals die 1 einschließt (Modul 14). |
| Kongenialität |
Meng (1994): Übereinstimmung zwischen Imputations- und Analysemodell. Ein reicheres Imputationsmodell mit Hilfsvariablen, die im Analysemodell fehlen dürfen, senkt oft die Fraktion fehlender Information; ein zu armes verzerrt die gepoolten Schätzer (Modul 14). |
| IPW |
Inverse Probability Weighting; gewichtet Beobachtungen mit dem Kehrwert ihrer Behandlungswahrscheinlichkeit, um Gruppen vergleichbar zu machen. |
| Stabilisierte Gewichte |
IPW-Variante mit um die marginale Behandlungshäufigkeit skalierten Gewichten; dämpft extreme Gewichte und stabilisiert die Schätzung. |
| Sandwich-/robuste Varianz |
Standardfehler-Schätzer, der auch dann konsistent bleibt, wenn die Varianzannahme des Modells falsch ist. Bei IPW zwingend nötig, weil die Gewichte den modellbasierten SE sonst verzerren (Module 15, 19). |
| ATT/ATE |
Average Treatment Effect on the Treated / Average Treatment Effect: ATT ist der Effekt in der Gruppe der tatsächlich Behandelten, Ziel von 1:1-Matching. ATE ist der Effekt in der Gesamtpopulation, Ziel von IPW. Beide stimmen nur überein, wenn der Effekt in allen Subgruppen gleich ist (Modul 19). |
| Sensitivität |
Anteil der Fälle mit Ereignis/Krankheit, die der Test korrekt positiv erkennt. |
| Spezifität |
Anteil der Fälle ohne Ereignis/Krankheit, die der Test korrekt negativ erkennt. |
| PPV/NPV |
Positiver/negativer Vorhersagewert; stark abhängig von der Prävalenz. |
| Likelihood Ratio |
Wie stark ein Testergebnis die Vorwahrscheinlichkeit verändert; LR+ für positive, LR- für negative Tests. |
| Kalibrierung |
Prüft, ob vorhergesagte Risiken als Wahrscheinlichkeiten stimmen. |
| Diskrimination |
Prüft, ob ein Modell Fälle mit Ereignis höher einstuft als Fälle ohne Ereignis. |
| Zensierung |
In Survival-Daten ist bis zum letzten Beobachtungszeitpunkt kein Ereignis aufgetreten. |
| Konkurrierende Risiken |
Ereignisse, die das interessierende Ereignis verhindern (z. B. Tod vor Genesung); erfordern Cumulative Incidence statt Kaplan-Meier. |
| Fine-Gray-Modell |
Regressionsmodell für konkurrierende Risiken; modelliert die Subdistribution-Hazard und damit direkt die kumulative Inzidenz. |
| Aalen-Johansen |
Nichtparametrischer Schätzer der kumulativen Inzidenzfunktion bei konkurrierenden Risiken; korrekt, im Unterschied zu 1 − Kaplan-Meier, das konkurrierende Ereignisse fälschlich als Zensierung behandelt und das Risiko überschätzt (Modul 20). |
| Immortal Time Bias |
Verzerrung, wenn eine Zeitspanne, in der das Ereignis per Definition nicht eintreten konnte, fälschlich der exponierten Gruppe zugerechnet wird. |
| Net Benefit |
Kennzahl der Decision-Curve-Analyse; wägt richtig-positive gegen falsch-positive Entscheidungen bei einer klinischen Risikoschwelle ab. |
| Bootstrap |
Wiederholtes Ziehen mit Zurücklegen aus den Daten, um Unsicherheit oder Optimismus einer Schätzung ohne Formelannahmen abzuschätzen. |
| Optimismus |
Überschätzung der Modellgüte, weil dieselben Daten Training und Bewertung dienen; per Bootstrap korrigierbar. |
| TRIPOD |
Reporting-Leitlinie für Entwicklung und Validierung klinischer Vorhersagemodelle (Variante TRIPOD-AI für KI-Modelle). |
| Statistical Process Control |
Zeitreihenmethode, um Prozessänderungen von Zufallsschwankung zu trennen. |