756792_de-DE

liliconcom

JMP-Add-Ins und Skripte zur Auswertung mehrerer Studien (2021-US-30MP-902)

Stan Young, CEO, CGStat
Warren Kindzierski, Epidemiologe, Universität von Alberta

Paul Fogel, Berater, Paris

Forscher erstellen jährlich Tausende von Studien, in denen mehrere Studien zu denselben oder ähnlichen Fragestellungen in einer Metaanalyse gemeinsam ausgewertet werden. Es ist wichtig, die Zuverlässigkeit dieser Studien und der zugrundeliegenden Einzelstudien zu verstehen. Unser Ansatz besteht darin, die Zuverlässigkeit der Einzelstudien sowie die statistischen Methoden zur Kombination der Informationen aus den Einzelstudien zu untersuchen, üblicherweise das Risikoverhältnis und dessen Konfidenzintervalle. Wir haben etwa 100 Metaanalysen sowie vollständige oder zufällige Stichproben der zugrundeliegenden Einzelstudien analysiert. Wir haben JMP-Add-ins und -Skripte entwickelt und zur Verfügung gestellt, um die Bewertung der Zuverlässigkeit der Metaanalysen, die Erstellung von p-Wert-Plots (zwei Add-ins) und die Fisher-Kombination von p-Werten (ein Skript) zu erleichtern. Kurz gesagt: Die Metaanalysen sind statistisch nicht zuverlässig. Anhand mehrerer Beispiele veranschaulichen wir unsere Ergebnisse, die die Beobachtung stützen, dass weit über die Hälfte der in der Literatur aufgestellten Behauptungen wahrscheinlich nicht reproduzierbar sind.

Automatisch generiertes Transkript...

Lautsprecher	Transkript
Stan Young	Haha.
Sara Doudt	Ihnen ermöglichen.
Stan Young	Jetzt alles ansehen.
	Okay, oh nein. Werde ich die Präsentation von meiner Seite aus starten?
Sara Doudt	Ja, ja, genau wie bei einem normalen Meeting.
	So, jetzt geht's los. Okay, cool. Ich hab sicher, dass ich alles habe. Wenn ich richtig liege, ist alles in Ordnung. Okay, wir nehmen auf. Ich muss... ich schalte jetzt meine Kamera aus, nur so zur Info. Und dann...
	Okay.
Stan Young	Um dies im Vollbildmodus anzuzeigen, sortieren Sie es jetzt einfach.
	Wie man das macht, ist der zweite Schritt.
Sara Doudt	Es ist dieser untere Bereich, wo „Anmerkungen zu ihrem Verhalten gegenüber den 34 %“ steht; es ist der, der wie ein „a“ aussieht.
	Das Boot runter, ja, tut mir leid wegen dem einen Mist, auf der anderen Seite der Person, die.
	Ja, genau der Typ.
Stan Young	Haha.
Sara Doudt	Sie können jetzt gehen, und ich meine, ich werde gleich anfangen, aber ich möchte mich vorher noch einmal selbst fragen: Haben Sie noch Fragen, bevor wir beginnen?
Stan Young	Oder werden Sie mich nicht auch aufzeichnen, zusätzlich zu den Folien?
Sara Doudt	Ja, ja, sie haben gefragt, ob du das hast.
	Die Kamera ist hier oben.
	Darüber hinaus ist alles in Ordnung.
	Rechts.
	In Ordnung.
Stan Young	Ich bin bereit zu gehen.
Sara Doudt	Ich werde mich stumm schalten, und wenn Sie Fragen haben oder aufhören möchten, lassen Sie es mich wissen, ansonsten überlasse ich es Ihnen.
Stan Young	Gehen.
	Ich präsentiere heute JMP-Add-ins und -Skripte zur Auswertung mehrerer Studien. Oder anders ausgedrückt: Wie man P-Hacker, Statistikbetrüger, überführt oder warum die meisten wissenschaftlichen Behauptungen falsch sind.
	Ich werde zunächst die einzelnen Puzzleteile und deren Zusammenpassen beschreiben. Die meisten Behauptungen lassen sich nicht reproduzieren. Es handelt sich hierbei um wissenschaftliche Behauptungen.
	Ich behaupte, und meine Koautoren bestätigen dies, dass dies auf P-Hacking zurückzuführen ist und ein gravierendes Problem darstellt. Wir werden Metaanalysen und P-Wert-Diagramme verwenden, um diese Betrüger zu entlarven.
	Die JMP-Add-Ins und -Skripte liefern p-Werte aus Risikoverhältnissen und Konfidenzintervallen. Sie stammen aus einer Metaanalyse.
	Und dann Fishers Methode zur Kombination von p-Werten, eine alte Technik, die der Metaanalyse ähnelt. Anschließend präsentieren wir ein p-Wert-Diagramm. Ein kleines Skript sorgt dafür, dass die Daten aufbereitet und übersichtlich dargestellt werden.
	Bild.
	Nun, wir sehen einen Hasen am Himmel. Es gibt viele Wolken am Himmel, und wenn man an einem schönen Tag draußen sitzt und sich umschaut, kann man wahrscheinlich einen Hasen entdecken.
	Es handelt sich also um ein zufälliges Ereignis. Die Hasen befinden sich natürlich nicht wirklich im Himmel.
	Gelman und Loken veröffentlichten einen kurzen Artikel, in dem sie von einer statistischen Krise in der Wissenschaft sprachen. Sie sagten, die Menschen würden Statistiken falsch anwenden, und genau darüber würden wir heute sprechen.
	Lasst uns ein epidemiologisches Experiment durchführen.
	Wir haben zehnseitige Würfel, rot, weiß und blau. Sie ergeben Ziffern (in diesem Fall 0,046). Schauen wir uns das einfach mal an.
	Jetzt haben wir einen p-Wert. Er ist zufällig. Du hast es selbst gemacht. Es macht so viel Spaß, warum machen wir es nicht noch einmal?
	Rot, weiß,
	und blau.
	Wenn Sie das 60 Mal durchführen, können Sie die Tabelle hier ausfüllen. Dies ist eine Simulation, die ich mit einem zehnseitigen Würfel durchgeführt habe. Die p-Werte sind in vier Spalten und 15 Zeilen dargestellt. Das sind also 60 p-Werte. Mein kleinster p-Wert beträgt 0,004.
	Mit 60 p-Werten lassen sich die Wahrscheinlichkeiten berechnen. In etwa 95 % der Fälle ist mindestens ein p-Wert kleiner als 0,05.
	Hier ist eine von meiner Tochter erstellte Studie. Sie hatte drei p-Werte unter 0,05; diese sind hier eingekreist. Und dann ist es so einfach, ein epidemiologisches Experiment durchzuführen.
	Dass sogar meine Frau Pat das kann, und sie hat hier drei potenzielle Aufsätze, die sie schreiben könnte, indem sie Würfel wirft und sich eine gute Geschichte ausdenkt.
	Jedem p-Wert ist ein Erwartungswert zugeordnet. Rechts sehen wir die p-Werte 0,004, 0,016 und 0,012. Jedem p-Wert ist die Standardabweichung zugeordnet. Mein p-Wert von 0,004 hätte beispielsweise eine Standardabweichung von 2,9 usw. Und links sehen wir …
	Die Stichprobengröße, die erwartete Abweichung und der erwartete p-Wert für den kleinsten p-Wert und dann die Abweichung. Wenn wir also 400
	Bei den untersuchten Fragestellungen läge der erwartete p-Wert bei 0,00487 und die Abweichung bei 2,968. Diese Abweichung wird nun von den Basisexperimenten in die Berechnungen einer Metaanalyse übernommen, wie wir im weiteren Verlauf sehen werden.
	Wie viele Aussagen in der Epidemiologie sind wahr? Ich habe 2011 eine Arbeit veröffentlicht und dabei Aussagen aus Beobachtungsstudien herangezogen.
	Und für jede Behauptung in den Beobachtungsstudien fand ich eine randomisierte klinische Studie, die genau dieselbe Fragestellung untersuchte. In den 12 Studien gab es also
	52 Behauptungen, die aufgestellt und getestet werden könnten.
	Wenn man sich die Spalte unter „Positiv“ ansieht, stellt man fest, dass keine der 52 Behauptungen in die richtige Richtung repliziert wurde.
	Die Epidemiologen hatten also in allen 52 Fällen, in denen sie Behauptungen aufstellten, danebengelegen. Fünf dieser Behauptungen waren zwar statistisch signifikant, wiesen aber in die entgegengesetzte Richtung dessen, was in den Beobachtungsstudien behauptet worden war.
	Wir werden uns ein
	Eine verrückte Frage. Bestimmt Frühstücksflocken das Geschlecht? Bekommt man also eher einen Jungen, wenn man Frühstücksflocken isst? Genau das behauptete die erste Studie.
	Diese Studie wurde in der Fachzeitschrift „Royal Society B“, dem führenden Biologie-Journal der Royal Society, veröffentlicht. Die drei Autoren behaupteten, dass der Verzehr von Frühstücksflocken die Wahrscheinlichkeit erhöht, einen Jungen zu bekommen, insbesondere wenn man Frühstücksflocken um den Zeitpunkt der Empfängnis herum zu sich nimmt.
	Zwei meiner Kollegen und ich haben uns das angesehen und die Daten angefordert. Wir haben sie erhalten und daraufhin eine Gegendarstellung zur ersten Studie veröffentlicht, in der wir argumentierten, dass die geschlechtsspezifische Selektion durch Getreide höchstwahrscheinlich auf ein falsch positives Ergebnis aufgrund multipler Testverfahren zurückzuführen ist.
	Zum Zeitpunkt kurz vor der Empfängnis, zum Zeitpunkt der vorhergesagten Empfängnis und genau um den Zeitpunkt der Empfängnis herum. Jeder dieser Fragebögen enthielt 131 Lebensmittel, was insgesamt 262 statistische Tests ergab.
	Sie berechnen die P-Werte für diese Tests, ordnen sie vom kleinsten zum größten Wert und tragen sie gegen die ganzen Zahlen auf (das ist der Rang unten).
	Man sieht hier eine Linie, die einem 45-Grad-Winkel sehr ähnlich sieht. Das deutet auf eine Gleichverteilung hin. Die Behauptung der Autoren stammt aus dem unteren linken Bereich dieser Linie: „Hier ist ein kleiner p-Wert. Dieser kleine p-Wert besagt, dass der Verzehr von Frühstücksflocken zu mehr … führt.“
	Jungenbabys.
	Ganz klar ein statistisch falsch positives Ergebnis.
	P-Wert-Diagramme. Wir werden also häufig P-Wert-Diagramme verwenden. Links sehen wir ein P-Wert-Diagramm für eine wahrscheinlich wahre Nullhypothese.
	Langfristiges körperliches Training im Alter führt nicht zu Tod oder einem erhöhten Sterberisiko. Rechts sehen wir Rauchen und Lungenkrebs.
	Wir sehen eine ganze Reihe von p-Werten, die sich über die gesamte Seite hinweg nahezu bei Null bewegen, mit einigen wenigen Ausreißern am rechten Rand. Das rechte Bild liefert also Belege für einen tatsächlichen Effekt, während das linke Bild die Nullhypothese stützt, dass kein Effekt vorliegt.
	Lasst uns über Metaanalysen sprechen, da ich diese im Laufe dieser Vorlesung verwenden werde. Links sehen wir einen Trichter, in den zahlreiche Studien fallen.
	Der Epidemiologe oder wer auch immer die Metaanalyse durchführt, wählt die seiner Meinung nach qualitativ hochwertigen Studien aus und verwendet diese für die weitere Analyse. Rechts sehen wir die... gewissermaßen...
	Evidenzhierarchie. Eine Metaanalyse über viele Studien wird berücksichtigt.
	Es gibt zunächst hochrangige Informationen und dann ganz unten Expertenmeinungen und so weiter. Je höher man also in der Pyramide aufsteigt,
	Manche behaupten, die Beweislage sei besser.
	Wir werden uns zwei beispielhafte Metaanalysen ansehen. Die erste Arbeit stammt von Orellano.
	Stickstoffmonoxid, Ozon,
	kleine Partikel und so weiter. Und es sammelte Daten aus der ganzen Welt... aus der ganzen Welt.
	Weltweit, und dies wurde gesponsert von der
	Die WHO, also handelt es sich um eine hochwertige Finanzierung und eine hochwertige Studie.
	Und es handelt sich um eine Metaanalyse. Wir werden sehen, ob die Aussagen in dieser Metaanalyse Bestand haben.
	Die untere Grafik war echt witzig. Sie zeigte den Zusammenhang zwischen dem Konsum von rotem und verarbeitetem Fleisch und dem Risiko für Lungenkrebs und Herzinfarkte.
	In der Ernährungsliteratur findet sich viel Literatur, die besagt, dass man eigentlich kein rotes Fleisch essen sollte. Wir werden sehen, ob das... ob das Sinn macht.
	Lasst uns die einzelnen Puzzleteile noch einmal betrachten und dann sehen, wie sie zusammenpassen.
	Aus der öffentlich zugänglichen Literatur wissen wir, dass die meisten Behauptungen nicht reproduzierbar sind. Dies wird als Krise der Wissenschaft bezeichnet. P-Hacking ist ein Problem. P-Hacking bedeutet, unzählige Tests durchzuführen, dies und das auszuprobieren, und erst wenn man einen p-Wert von unter 0,05 findet, …
	Du kannst eine Arbeit schreiben.
	Wir werden Metaanalysen und P-Wert-Plots verwenden, um die Leute zu entlarven, die im Grunde P-Hacking betreiben, und ich nenne P-Hacking eine Art Betrug mit Statistiken.
	Andere haben es etwas anders beschrieben. Wir werden JMP-Add-Ins verwenden. Diese JMP-Add-Ins wurden von Paul Fogle geschrieben.
	Sie ermöglichen es uns, mit einer Metaanalyse zu beginnen und schnell und einfach ein P-Wert-Diagramm zu erstellen. Wir werden außerdem Fishers Methode zur Kombination von P-Werten beschreiben und dann...
	Ich habe ein kleines Skript, das den von JMP erzeugten Zwei-Wege-Plot aufnimmt und ihn dann so bereinigt, dass die linken und rechten Ränder... ansprechender aussehen.
	Hier geht es um langfristige Belastung durch Luftverschmutzung und
	Es soll Asthma auslösen, so heißt es. Links sehen wir ein sogenanntes Baumdiagramm. Das ist...
	Es sieht irgendwie aus wie ein Weihnachtsbaum.
	Die Mittelwerte sind als Punkte dargestellt, die Konfidenzintervalle als Whisker an beiden Seiten. Links stehen die Namen der von den Autoren ausgewählten Publikationen, rechts die…
	Risikoverhältnisse und Konfidenzintervalle. Oftmals können Sie die Risikoverhältnisse und Konfidenzintervalle einfach abkratzen und in eine Tabelle einfügen.
	JMP-Datensatz, und so sehen wir den JMP-Datensatz auf der rechten Seite.
	Nun zum P-Wert-Diagramm.
	Das von Paul Fogle geschriebene Tool wandelt diese Risikoverhältnisse und P-Werte sowie Konfidenzintervalle in P-Werte um.
	Hier sehen wir, dass es getan wurde.
	Mithilfe der Konfidenzintervalle lässt sich der Standardfehler bestimmen.
	Mit dem Risikoverhältnis und dem Standardfehler lässt sich die Z-Statistik berechnen. Anschließend kann man aus der Z-Statistik den p-Wert ermitteln. Rechts sehen wir ein Diagramm mit dem p-Wert, genau wie in JMP mit wenigen Klicks.
	Hier sehen wir links die grobe Darstellung der p-Werte, und rechts fügen wir mithilfe eines kleinen Skripts die Nulllinie und die gestrichelte Linie für 0,05 hinzu und bereinigen und erweitern die Zahlen.
	X- und Y-Achse. Wir können uns nun also alle Studien ansehen und beurteilen, die in diesem Zusammenhang durchgeführt wurden, aber wir sehen etwas ziemlich Merkwürdiges. Wir sehen, dass die
	Hier gibt es einige P-Werte unter 0,05 und dann viele P-Werte, die nach oben gehen, und so haben wir eine uneindeutige Situation.
	Einige der P-Werte scheinen die Behauptung zu bestätigen, andere hingegen wirken wie zufällige Ergebnisse.
	Betrachten wir Fishers Methode zur Kombination von p-Werten. Links sehen wir die Formel. Man nimmt den p-Wert, bildet den natürlichen Logarithmus und multipliziert das Ergebnis mit -2.
	Das ergibt den Chi-Quadrat-Wert. Diesen Wert schlägt man in der Tabelle nach. In dieser Metaanalyse haben wir also die p-Werte. Unter „p-Wert“ steht -2ln, und man sieht, dass es einige kleine p-Werte gibt, die aber wesentlich zur Summe beitragen.
	Wenn man ein wenig darüber nachdenkt, ist die Summe wie jede Summe: Sie unterliegt Ausreißern, die manipuliert werden können und das Gleichgewicht erheblich verschieben.
	Die wenigen kleinen p-Werte (0,0033, 0,0073) tragen also erheblich zur Summe der Chi-Quadrat-Werte bei. Tatsächlich ist die Summe nicht robust. Ein einziger Ausreißer – ein extremer Ausreißer – kann das gesamte Ergebnis, die gesamte Gleichung, zum Umkippen bringen.
	Man sollte sich jedoch bewusst sein, dass P-Hacking zu kleinen P-Werten führen kann und außerdem
	Oftmals veröffentlichen Wissenschaftler Studien, die sich als nicht signifikant erweisen, gar nicht erst.
	Und wenn sie etwas Signifikantes finden, dann tun sie das in der Regel auch. Es gibt also einen Publikationsbias. Die gesamte Literatur ist übersät mit kleinen p-Werten.
	Und das ist vermutlich nur die Spitze des Eisbergs. Unter dem Eisberg verbergen sich all die Veröffentlichungen, die hätten stattfinden können, aber statistisch nicht signifikant waren.
	Wir werden uns nun eine Studie zur Luftverschmutzung ansehen. Mustafic, 2012
	Er veröffentlichte einen Artikel in JAMA und untersuchte die sechs typischen Luftverschmutzungsfaktoren.
	Kohlenmonoxid, Stickoxide, Feinstaub (PM 2,5), Schwefeldioxid usw.
	Wenn man sich diese P-Wert-Diagramme ansieht, ähneln sie alle im Wesentlichen Hockeyschlägern. Es gibt eine Reihe von P-Werten, die kleiner als 0,05 sind.
	Dann gibt es aber eine beträchtliche Anzahl von P-Werten, die entlang einer 45-Grad-Linie ansteigen, was darauf hindeutet, dass kein Effekt vorliegt.
	Wir vertreten die Ansicht, dass wir es mit einer Mischung zu tun haben. Wir betrachten eine Mischung aus signifikanten und nicht signifikanten Studien.
	Wir behaupten weiterhin, dass die bedeutenden Studien größtenteils auf P-Hacking beruhen. Es gibt zwar auch andere Wege, wie sie entstehen können, aber wir glauben, dass P-Hacking der entscheidende Faktor ist. Wenn Sie sich also die linke Seite hier ansehen,
	Im roten Kasten geben wir die Medianzahl an.
	von Modellen oder Tests, die in einer Studie durchgeführt werden könnten, den Studien, die in Mustafics Arbeit erwähnt wurden.
	Wir haben die Anzahl gezählt
	Ergebnisse, Prädiktoren und Kovariaten, und wenn man das alles miteinander multipliziert, erhält man die Medianzahl, die wir als Suchraum bezeichnen. Der Median des Suchraums beträgt 12.288.
	Das bedeutet, dass die Autoren im Durchschnitt 12... im Median 12.000 Möglichkeiten hatten, einen p-Wert von unter 0,05 zu erzielen. Sie hatten also einen beträchtlichen Spielraum, um ein statistisch signifikantes Ergebnis zu erreichen.
	Wir betrachten hier die einfache Zählung der Ernährungsstudien. Wir haben hier 15 Studien. Die Autoren bzw. die Erstautoren der jeweiligen Veröffentlichung.
	Und oben sieht man dann Ergebnisse, Prädiktoren, Kovariaten, Tests, Modelle und den Suchraum. Die Ergebnisse, wenn sie beispielsweise drei Gesundheitsergebnisse betrachten, Dixon, und wenn sie 51
	Die Lebensmittel in ihrer Studie, die... das wären Prädiktoren. Wenn sie nun Kovariaten verwenden,
	Das würde den Suchraum erheblich vergrößern. Und man sieht, dass Dixon theoretisch 20 Millionen mögliche Analysen hätte durchführen können.
	Und wenn Sie in der Spalte „Suchraum“ nach unten schauen, sehen Sie eine beträchtliche Anzahl möglicher Analysen, die durchgeführt werden könnten.
	Die Ernährungsstudien wurden mit Kohorten durchgeführt. Eine Kohorte ist eine Gruppe von Personen, die zusammengestellt wird,
	Sie werden zunächst anhand von Fragen gemessen, dann wird eine gewisse Zeit abgewartet und anschließend werden die gesundheitlichen Auswirkungen untersucht.
	Jede dieser Kohorten hat den Namen eines Datensatzes, den die Kohorte verwendet.
	Und sobald diese Gruppen zusammengestellt sind, kann man damit unzählige Fragen stellen.
	Wenn
	Der p-Wert für eine dieser Fragen ist signifikant.
	Und wenn sie das Gefühl haben, eine Arbeit schreiben zu können, dann tun sie das auch oft.
	In den letzten beiden Spalten sehen wir also die Anzahl der Zeitungen.
	Das könnte vorkommen. Es gibt noch weitere... wir haben Google Scholar benutzt und das tatsächlich überprüft. Dies ist also die Anzahl der Artikel, die in der Literatur erschienen sind.
	Dies ist mit jeder dieser Kohorten verbunden. Ich möchte hinzufügen, dass wir viele dieser Studien geprüft haben und in keiner von ihnen eine Korrektur für multiples Testen oder multiple Modellierung vorgenommen wurde.
	Ernährungsepidemiologie und Umweltepidemiologie – das sind die Bereiche, über die wir hier gesprochen haben. Die Ernährungsepidemiologie verwendet einen Fragebogen, den Fragebogen zur Lebensmittelhäufigkeit (FFQ).
	In einem FFQ (Food Frequency Questionnaire) können Sie eine bestimmte Anzahl von Lebensmitteln angeben.
	Anfangs umfasste die Liste 61 Lebensmittel, und ich habe schon Studien mit FFQs gesehen, in denen 800 Lebensmittel enthalten waren. Ich möchte nicht in der Haut desjenigen stecken, der diesen Fragebogen ausfüllen muss.
	Hier ist die Anzahl der Studien aufgeführt, die im Laufe der Zeit FFQs verwenden.
	Seit 1985...die Technik wurde 1986 erfunden...seit 1985 sind 74.000 FFQ-Studien erschienen, und nach unserer Durchsicht hat keine dieser Studien eine Korrektur für Mehrfachtests vorgenommen, und alle hatten einen erheblich großen statistischen Suchraum.
	Umweltepidemiologie, ich habe einfach eine Google-Suche nach dem Wort „Luftverschmutzung“ im Titel der Arbeit durchgeführt.
	Und hier sehen wir, dass im Laufe der Zeit 28.000 bis 29.000 wissenschaftliche Arbeiten über Luftverschmutzung verfasst wurden.
	Soweit ich nach eingehender Recherche feststellen konnte, berücksichtigt keine dieser Arbeiten Mehrfachtests oder Mehrfachmodellierungen, und alle diese Arbeiten haben große... im Wesentlichen haben alle diese Arbeiten sehr große Suchräume.
	Die Metaanalyse ist Bestandteil des Namens „systematische Übersichtsarbeit und Metaanalyse“ und wird seit 2005 angewendet.
	Zeitschriften haben
	Ich habe diesen Begriff im Titel der Arbeit verwendet. Deshalb habe ich ab 2005 gefragt, ob die Wörter „systematische Übersichtsarbeit“ und „Metaanalyse“ im Titel der Arbeit vorkommen, und wie Sie sehen, war die Zahl anfangs niedrig, bei etwa 1.500 Arbeiten pro Jahr.
	1.500 Artikel in diesem Fünfjahreszeitraum und schließlich im Jahr 2021,
	Bisher wurden insgesamt 27.000 Exemplare gedruckt, es handelt sich also um eine Art Heimindustrie. Die Produktion dieser Zeitungen ist relativ einfach.
	Ein Team, in China oft bestehend aus 10 oder 5 bis 15 Personen, kann eine Metaanalyse pro Woche erstellen.
	Und ihre Bezahlung richtet sich danach, wie viele Artikel sie veröffentlichen und so weiter.
	Soweit ich weiß, handelt es sich bei allen diesen Studien um...die Hälfte davon sind Beobachtungsstudien und die andere Hälfte stammt aus randomisierten klinischen Studien.
	Praktisch keine dieser Studien, und zwar alle, die wir bisher untersucht haben, insbesondere Beobachtungsstudien, weisen dieses hockeyschlägerförmige Muster auf, bei dem es einige kleine P-Werte und eine Reihe von P-Werten gibt, die völlig zufällig erscheinen.
	Ich möchte betonen, dass all diese Studien – im Grunde alle – mit Ihren oder den Steuergeldern anderer finanziert werden. Um es mal so auszudrücken: Sie werden sehr großzügig aus öffentlichen Mitteln finanziert.
	Viele Behauptungen entbehren jeder statistischen Grundlage. Die Basisstudien korrigieren nicht für Mehrfachtests und Mehrfachmodellierungen. Die Basisstudien weisen einen großen Analyseraum auf.
	Und wir haben Beispiele aus der Umweltepidemiologie und der Ernährungsepidemiologie gesehen, die zeigen, dass die meisten Menschen, würde ich sagen, aufgrund der vorliegenden Beweise unzuverlässig sind.
	Ich sage, und andere haben das auch gesagt, wir haben ein wissenschaftliches und statistisches Desaster, und bei der Verwendung von Metaanalysen und P-Wert-Diagrammen können diese Behauptungen entweder als wahr oder falsch verifiziert werden.
	Hier sehen wir vier Smogsituationen. Oben links: London 1952;
	Das rechte Bild zeigt Los Angeles im Jahr 1948.
	Unten links ist Singapur, und ich bin mir nicht sicher … ich erinnere mich nicht mehr genau an das Jahr. Und dann haben wir Peking. Die sind neueren Datums.
	Im Fall des Londoner Nebels deuten statistische Analysen der Todesfälle – tägliche Todesfälle und alles andere – darauf hin, dass es 1952 in London innerhalb von drei oder vier Tagen über 4.000 Todesfälle gab. Dies weckte das Interesse von Epidemiologen an der Frage nach der Ursache.
	Bei den anderen drei Folien bzw. den anderen drei Bildern wurde kein Anstieg der Todesfälle in diesen Zeiträumen gemeldet.
	Der Clou ist, dass sie in London Kohle verbrannten.
	zum Heizen und für alles andere. Es gab eine Temperaturinversion, und die Behauptung ist, dass Säure in der Luft durch Partikel in die unteren Lungenabschnitte transportiert wurde und anfällige Personen, meist alte und schwache, vermehrt starben, aber das passiert jetzt nicht mehr.
	Weltweit gibt es alle möglichen Formen der Umweltverschmutzung, und wir beobachten keine damit verbundenen Anstiege der Sterberaten.
	Betrug? Haha. Ich liebe Betrug.
	Sind das Betrugsversuche? Luftverschmutzung ist tödlich. Behauptungen aus Ernährungsstudien, beispielsweise, dass Kaffeekonsum das Risiko für Bauchspeicheldrüsenkrebs erhöht, sind höchstwahrscheinlich falsch.
	Sind natürliche Ozonkonzentrationen tödlich? Ich glaube nicht. Umweltöstrogene. Jegliche Aussagen, die auf Metaanalysen von Beobachtungsstudien basieren.
	Man sollte bedenken, dass die Erkenntnisse aus der öffentlichen Literatur zeigen, dass 80 % aller wissenschaftlichen Behauptungen, die in der Regel von Universitäten stammen, bei strengen Tests, beispielsweise in randomisierten klinischen Studien, nicht reproduzierbar sind.
	Emotionen und Angst. Das ganze Ziel der praktischen Politik besteht darin, die Bevölkerung in Angst und Schrecken zu versetzen und sie so dazu zu bringen, nach Sicherheit zu rufen, indem man sie mit einer endlosen Reihe von Schreckgespenstern bedroht, die allesamt nur eingebildet sind.
	Betrug, Täuschung, Vertrauensspiele – also geschickte Überredung oder geschickte Manipulation des Opfers. So sagte H. L. Mencken in den 1930er Jahren, dass praktische Politik größtenteils Angstpolitik sei.
	Wir schließen diesen Vortrag mit den Autoren ab. Ich bin Stan Young und unter genetree@bellsouth.net erreichbar. Warren Kindzierski ist ein kanadischer Epidemiologe und arbeitet seit einigen Jahren eng mit mir an Publikationen zusammen, die …
	basieren auf den Dingen, die wir heute hier gesehen haben. Paul Fogel ist ein sehr interessanter Statistiker, lebt in Paris und war für das Verfassen des Buches verantwortlich.
	Es gibt Add-ons und Skripte, die wir verwenden können. Mit den Skripten können Sie wahrscheinlich in etwas weniger als einer Stunde von einer Metaanalyse zu einer Auswertung gelangen.
	Ich empfehle Ihnen den Bericht der National Association of Scholars, Shifting Sands Report 1. Unter diesem Link gelangen Sie dorthin.
	Dieser Bericht ist ein langer und ausführlicher, aber einfacher Statistikbericht über die Auswirkungen der Luftqualität auf die Gesundheit.
	Und damit möchte ich auch Folgendes behaupten: Wenn jemand, der das hier sieht, das ausprobieren möchte, stellen wir die Skripte und Add-Ins für JMP zur Verfügung und ich helfe Ihnen sogar dabei.
	Schauen Sie sich Ihre spezifische Analyse der Metaanalyse an und interpretieren Sie sie. Damit beende ich meine Ausführungen und stehe für Fragen zur Verfügung. Vielen Dank.

Fortgeschrittene statistische ModellierungAutomatisierung und SkripterstellungGrundlagen der Datenanalyse und ModellierungVerbraucher- und MarktforschungDatenzusammenführung und -bereinigungDatenexploration und -visualisierungVersuchsplanungMassenanpassungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzessentwicklungZuverlässigkeitsanalyseErgebnisse teilen und kommunizieren