Första kursen: Forskningsmetoder och Analys med R
-
Analys och forskning med R och Posit (Rstudio)
-
Grunderna i R och Rstudio7 Ämnen
-
Importera, exportera, spara och ladda data5 Ämnen
-
Strängar och regular expressions (regex)1 Ämne
-
Bearbetning av data med dplyr12 Ämnen
-
Dplyr: Introduktion
-
Dplyr filter(): Filtrera rader (observationer)
-
Dplyr select(): Selektera kolumner (variabler)
-
Dplyr mutate(): Skapa kolumner (variabler)
-
Dplyr arrange(): sortera rader (observationer)
-
Dplyr rename(): Namnge kolumer
-
Dplyr slice(): Selektera rader på positioner
-
Dplyr summarise(): Summera variabler (kolumner)
-
Dplyr ifelse(), if_else(), case_when(): Villkor
-
Dplyr row_number(): Numrering av rader
-
Dplyr rowwise(): Radvis beräkning
-
Dplyr distinct(): Identifiera unika observationer och rader
-
Dplyr: Introduktion
-
Visualisera och presentera14 Ämnen
-
Att visualisera data
-
Introduktion till ggplot2
-
Grunderna i ggplot2
-
Estetisk mappning
-
Färger, färgkoder och färgpaletter
-
Facets (subgrafer)
-
Geoms (geometriska objekt)
-
Geoms med statistiska beräkningar (transformationer)
-
Koordinatsystemet
-
Scales, axlar, legends (guides)
-
Fokusering och avgränsning
-
Tema (themes)
-
Organisering och layout av figurer med multipla paneler
-
Spara grafer till hårddisk
-
Att visualisera data
-
Explorerande och deskriptiva analyser6 Ämnen
-
Prediktionsmodeller12 Ämnen
-
Learning: Supervised och Unsupervised Learning
-
Parametriska och Icke-Parametriska Modeller
-
Osäkerhet (Uncertainty)
-
Kausal inferens (Kausalitet, Causality)
-
Strategier för att Skapa Prediktionsmodeller
-
Hantering av Kontinuerliga variabler, Icke-Linjära samband och Flexibla Funktioner
-
Variabelselektion (Feature Selection)
-
Missing Data och Multipel Imputation
-
Observationer med Stark Inverkan på Modellen
-
Att Jämföra och Välja Bland Modeller
-
Mått på prediktiv förmåga (Evaluation metrics)
-
Sammanfattande Principer för Prediktionsmodellering
-
Learning: Supervised och Unsupervised Learning
-
Klassisk regressionsanalys8 Ämnen
-
Machine learning (ML) och Artificiell Intelligens (AI)9 Ämnen
-
Introduktion till artificiell intelligens och machine learning
-
Vad är AI och ML?
-
Varför AI och ML nu?
-
Introduktion till Machine Learning (Maskininlärning)
-
Terminologi inom AI och ML
-
Brister i humana prediktioner och beslut
-
Learning (Inlärning)
-
Deep Learning (Djupinlärning, Neuronnät)
-
Ensemble metoder
-
Introduktion till artificiell intelligens och machine learning
-
Skapa prediktionsmodeller med Tidymodels6 Ämnen
-
Hypotestester och epidemiologiska mått5 Ämnen
Absolut risk (AR) och relativ risk (RR)
Absolut risk (AR)
Absolut risk är ett mått som används för att kvantifiera sannolikheten för att en person kommer att drabbas av en sjukdom eller tillstånd under en specifik tidsperiod. Absolut risk uttrycks vanligtvis som en procentandel, såsom procentandelen personer som kommer att drabbas av en viss sjukdom under en viss tidsperiod.
Absolut risk används för att kvantifiera hur många som drabbas av en sjukdom eller ett tillstånd, samt för att jämföra risk mellan olika grupper, eller för att undersöka förändringar i risk över tid.
För att beräkna absolut risk behöver man känna till antalet personer inom en population som drabbas av en viss sjukdom under en specifik tidsperiod, samt storleken på population. Formeln för absolut risk är som följer:
Absolut risk = (Antal personer med sjukdom / Befolkningsstorlek) * 100
Exempel: Om 1 personer drabbas av en viss sjukdom inom en befolkning på 100 personer under ett år, är absolut risken för att drabbas av sjukdom 1%.
Relativ risk (RR)
Relativ risk är ett mått som används för att jämföra risken för att drabbas av en sjukdom eller ett tillstånd för individer i en grupp jämfört med individer i en annan grupp. Relativ risk uttrycks vanligtvis som en kvot. Relativ risk används för att jämföra sannolikheten för sjukdom mellan två olika grupper. Dessa grupper kan exempelvis utgöras av olika grupper i befolkningen, olika behandlingsgrupper, åldersgrupper eller olika grupper baserat på en biomarkör.
För att beräkna relativ risk behöver man känna till antalet personer inom varje grupp som drabbas av en viss sjukdom under en specifik tidsperiod, samt storleken på varje grupp. Formeln för relativ risk är:
Relativ risk = (Absolut risk för grupp 1 / Absolut risk för grupp 2)
Om vi vill jämföra sannolikheten för att drabbas av diabetes i två olika befolkningsgrupper, kan vi samla in data om antalet personer med diabetes i varje grupp och gruppernas storlek. Antag att vi har följande data:
Grupp 1: 200 personer med diabetes, 10000 personer i gruppen.
Grupp 2: 50 personer med diabetes, 5000 personer i gruppen
För att beräkna absolut risk för grupp 1 använder vi formeln:
Absolut risk för grupp 1 = (200 / 10 000) * 100 = 2%
För att beräkna absolut risk för grupp 2 använder vi formeln:
Absolut risk för grupp 2 = (50 / 5 000) * 100 = 1%
För att beräkna relativ risk jämfört med grupp 1 kan vi använda formeln:
Relativ risk för grupp 1 jämfört med grupp 2: 2%/1% = 2
Det innebär att den relativa risken för grupp 1 är 2 (dvs dubbelt så hög), jämfört med grupp 2.