Субъективный оргздрав
Субъективный взгляд на организационные аспекты здравоохранения в России и в мире
Рейтинг TGlist
0
0
ТипПубличный
Верификация
Не верифицированныйДоверенность
Не провернныйРасположение
ЯзыкДругой
Дата создания каналаFeb 04, 2024
Добавлено на TGlist
Jul 22, 2024Рекорды
20.03.202523:59
1.1KПодписчиков15.02.202523:59
200Индекс цитирования02.11.202423:59
18.7KОхват одного поста01.11.202423:59
18.7KОхват рекламного поста05.02.202523:59
9.05%ER02.11.202423:59
2599.58%ERRpost.reposted:
Зачем мы такие?
03.04.202509:26
🖥 Ошибка Таблицы 2 (Table 2 Fallacy)
🤩 Сегодня множество людей — от блогеров и журналистов до врачей и аналитиков данных — читают научные статьи и порой думают, что легко могут сами "разобраться" в данных. Они видят красивые таблицы, сравнивают эффекты разных переменных — и делают уверенные выводы. В комментариях к моему щелчку биохакерам очень много человек написало, что всё-то они сходу сами понимают и во всём разбираются!
🙌Но даже если модель построена правильно и описана ясно, понять, что именно означают все её коэффициенты, совсем непросто. Особенно если у человека нет чёткой схемы того, как переменные связаны между собой — тогда запутаться можно в два счёта...
🤩 В 2013 г. эпидемиологи Д. Вестрейх и С. Гринланд описали одну из таких типичных ошибок, ошибку Таблицы 2: когда мы берём одну статистическую модель (напр., логистическую регрессию) и смотрим на коэффициенты сразу для нескольких переменных — многие (даже специалисты!) думают, что могут их сравнивать и одинаково интерпретировать.
❗️Но на деле не все эти оценки означают одно и то же. Каждая переменная может отражать разный тип связи, в зависимости от структуры модели и от того, какие другие переменные в неё включены!
❓ Вестрейх и Гринланд пишут, что, допустим, у нас есть модель, которая предсказывает риск инсульта в зависимости от трёх переменных: ВИЧ, курение и возраст. Она выглядит так:
logit(Инсульт) = β₀ + β₁ × ВИЧ + β₂ × Курение + β₃ × Возраст
Мы получаем такие оценки:
🔴β₁ (ВИЧ): +80%
🔴β₂ (курение): +50%
🔴β₃ (возраст): +30%
И вот что делает блогер Х: "Ну, ВИЧ увеличивает риск сильнее, чем курение. А возраст - это вообще не страшно. Смотрите: всего +30%!" Звучит, может, и логично — но это и есть ошибка Таблицы 2!
🧪 Что не так? Каждая из этих оценок — это условный эффект:
🔴β₁ показывает, как ВИЧ связан с инсультом при фиксированном уровне курения и возраста.
🔴β₂ - как курение связано с инсультом при фиксированном уровне ВИЧ и возраста.
🔴β₃ - как возраст связан с инсультом при фиксированном уровне ВИЧ и курения.
❤️ Если, например, люди с ВИЧ чаще курят, то эффект курения может частично "перепутаться" с эффектом ВИЧ. И наоборот. Это значит, что оценка β₂ отражает не всю связь курения с инсультом, а только ту её часть, которая не пересекается с ВИЧ и возрастом.
🔢Например, есть четыре человека:
- ВИЧ Курит Возраст Инсульт
А Нет Нет 40 Нет
Б Да Нет 40 Да
В Нет Да 40 Да
Г Да Да 40 Да
😼 На первый взгляд, и ВИЧ, и курение "предсказывают" инсульт.
Но если в реальных данных ВИЧ и курение часто встречаются вместе, то их эффекты в модели "перекрываются". И тогда:
🔴β₁ показывает условную связь ВИЧ с инсультом, исключая вклад курения.
🔴β₂ - только прямую часть связи курения с инсультом, исключая всё, что связано с ВИЧ.
🔴β₃ - связь возраста при прочих равных.
😂 А наш блогер Х, не зная этого, интерпретирует всё это как три независимые "причины" инсульта — и делает выводы, которых в модели на самом деле нет.
🤩 А если ещё и забыли про стресс? Допустим, в модели нет переменной "стресс", которая связана и с курением, и с инсультом. Тогда оценки для курения и возраста могут быть смещены: модель не учитывает важный фактор, и оценки становятся менее надёжными.
🐱 Иногда в модель включают ещё и произведение переменных:
logit(Инсульт) = ... + β₄ × ВИЧ × Возраст
😎 Это даёт возможность увидеть модерацию — меняется ли тут связь между ВИЧ и инсультом в разном возрасте. Но если в модели не хватает других переменных, такие взаимодействия могут быть трудны для интерпретации и давать запутанные результаты.
🕺 Ошибка Таблицы 2 — это не про плохие данные, это про неправильную интерпретацию того, что именно показывают оценки в модели. Даже если все коэффициенты получены из одной и той же модели, они могут отражать разные типы эффектов - общий, прямой или условный.
🤩 Если у неспециалиста заранее нет представления, как переменные связаны между собой, и он просто смотрит на таблицу, не вникая в структуру модели, он легко может сделать уверенные, но ошибочные выводы. И это мы только один пример разобрали...
🤩 Сегодня множество людей — от блогеров и журналистов до врачей и аналитиков данных — читают научные статьи и порой думают, что легко могут сами "разобраться" в данных. Они видят красивые таблицы, сравнивают эффекты разных переменных — и делают уверенные выводы. В комментариях к моему щелчку биохакерам очень много человек написало, что всё-то они сходу сами понимают и во всём разбираются!
🙌Но даже если модель построена правильно и описана ясно, понять, что именно означают все её коэффициенты, совсем непросто. Особенно если у человека нет чёткой схемы того, как переменные связаны между собой — тогда запутаться можно в два счёта...
🤩 В 2013 г. эпидемиологи Д. Вестрейх и С. Гринланд описали одну из таких типичных ошибок, ошибку Таблицы 2: когда мы берём одну статистическую модель (напр., логистическую регрессию) и смотрим на коэффициенты сразу для нескольких переменных — многие (даже специалисты!) думают, что могут их сравнивать и одинаково интерпретировать.
❗️Но на деле не все эти оценки означают одно и то же. Каждая переменная может отражать разный тип связи, в зависимости от структуры модели и от того, какие другие переменные в неё включены!
❓ Вестрейх и Гринланд пишут, что, допустим, у нас есть модель, которая предсказывает риск инсульта в зависимости от трёх переменных: ВИЧ, курение и возраст. Она выглядит так:
logit(Инсульт) = β₀ + β₁ × ВИЧ + β₂ × Курение + β₃ × Возраст
Мы получаем такие оценки:
🔴β₁ (ВИЧ): +80%
🔴β₂ (курение): +50%
🔴β₃ (возраст): +30%
И вот что делает блогер Х: "Ну, ВИЧ увеличивает риск сильнее, чем курение. А возраст - это вообще не страшно. Смотрите: всего +30%!" Звучит, может, и логично — но это и есть ошибка Таблицы 2!
🧪 Что не так? Каждая из этих оценок — это условный эффект:
🔴β₁ показывает, как ВИЧ связан с инсультом при фиксированном уровне курения и возраста.
🔴β₂ - как курение связано с инсультом при фиксированном уровне ВИЧ и возраста.
🔴β₃ - как возраст связан с инсультом при фиксированном уровне ВИЧ и курения.
❤️ Если, например, люди с ВИЧ чаще курят, то эффект курения может частично "перепутаться" с эффектом ВИЧ. И наоборот. Это значит, что оценка β₂ отражает не всю связь курения с инсультом, а только ту её часть, которая не пересекается с ВИЧ и возрастом.
🔢Например, есть четыре человека:
- ВИЧ Курит Возраст Инсульт
А Нет Нет 40 Нет
Б Да Нет 40 Да
В Нет Да 40 Да
Г Да Да 40 Да
😼 На первый взгляд, и ВИЧ, и курение "предсказывают" инсульт.
Но если в реальных данных ВИЧ и курение часто встречаются вместе, то их эффекты в модели "перекрываются". И тогда:
🔴β₁ показывает условную связь ВИЧ с инсультом, исключая вклад курения.
🔴β₂ - только прямую часть связи курения с инсультом, исключая всё, что связано с ВИЧ.
🔴β₃ - связь возраста при прочих равных.
😂 А наш блогер Х, не зная этого, интерпретирует всё это как три независимые "причины" инсульта — и делает выводы, которых в модели на самом деле нет.
🤩 А если ещё и забыли про стресс? Допустим, в модели нет переменной "стресс", которая связана и с курением, и с инсультом. Тогда оценки для курения и возраста могут быть смещены: модель не учитывает важный фактор, и оценки становятся менее надёжными.
🐱 Иногда в модель включают ещё и произведение переменных:
logit(Инсульт) = ... + β₄ × ВИЧ × Возраст
😎 Это даёт возможность увидеть модерацию — меняется ли тут связь между ВИЧ и инсультом в разном возрасте. Но если в модели не хватает других переменных, такие взаимодействия могут быть трудны для интерпретации и давать запутанные результаты.
🕺 Ошибка Таблицы 2 — это не про плохие данные, это про неправильную интерпретацию того, что именно показывают оценки в модели. Даже если все коэффициенты получены из одной и той же модели, они могут отражать разные типы эффектов - общий, прямой или условный.
🤩 Если у неспециалиста заранее нет представления, как переменные связаны между собой, и он просто смотрит на таблицу, не вникая в структуру модели, он легко может сделать уверенные, но ошибочные выводы. И это мы только один пример разобрали...
post.reposted:
Экономика долгого времени
21.03.202518:50
Я уже забыл кто мне рассказал / где я прочитал этот трюк — увы, мысль не моя — но он очень помогает в анализе реального экономического роста. Нужно просто представить, что все потенциально изобретаемые товары УЖЕ ИЗОБРЕТЕНЫ, но их цена равна ПЛЮС БЕСКОНЕЧНОСТИ. Не спешите, не спешите, тут много смысла. Фактическое же изобретение товара в такой модели — это снижение цены, с уровня "плюс бесконечность" до какого-то конечного уровня. Этот уровень сначала может быть очень большим. Потом он упадет дальше, дальше, дальше.
Это позволяет понять, каким великим делом занята большая фарма, которую все ненавидят. Просто представьте, что лекарство на практике еще не изобретено. Его цена равна +бесконечности: как бы товар "существует в пространстве идей", но купить его нельзя. Когда фарма на практике изобретает лек-во, она снижает цену с +бесконечности, до, не знаю, миллиона долларов за таблетку. Со стороны может показаться, что это очень дорого. И это правда очень дорого, только это гораздо дешевле, чем было до — т.е. когда цена была бесконечной, т.е. товар вообще на практике еще не существовал.
Позже цена дальше упадет. Но это полезный аналитически способ мыслить экономический рост и открытия: как снижение цены до (на первом этапе) хотя бы конечной.
Это позволяет понять, каким великим делом занята большая фарма, которую все ненавидят. Просто представьте, что лекарство на практике еще не изобретено. Его цена равна +бесконечности: как бы товар "существует в пространстве идей", но купить его нельзя. Когда фарма на практике изобретает лек-во, она снижает цену с +бесконечности, до, не знаю, миллиона долларов за таблетку. Со стороны может показаться, что это очень дорого. И это правда очень дорого, только это гораздо дешевле, чем было до — т.е. когда цена была бесконечной, т.е. товар вообще на практике еще не существовал.
Позже цена дальше упадет. Но это полезный аналитически способ мыслить экономический рост и открытия: как снижение цены до (на первом этапе) хотя бы конечной.
Войдите, чтобы разблокировать больше функциональности.
