¹Î°¨µµ : Áúº´ÀÌ ÀÖÀ»¶§ °Ë»ç°¡ ¾ç¼ºÀ¸·Î ³ª¿ÃÈ®·ü= TP/(TP+FN)
ƯÀ̵µ : Áúº´ÀÌ ¾øÀ»¶§ °Ë»ç°¡ À½¼ºÀ¸·Î ³ª¿ÃÈ®·ü=TN/(FP+TN)
¾ç¼º ¿¹Ãøµµ : °Ë»ç°¡ ¾ç¼ºÀ϶§ Áúº´ÀÌ ÀÖÀ» È®·ü=TP(TP+FP)
À½¼º ¿¹Ãøµµ : °Ë»ç°¡ À½¼ºÀ϶§ Áúº´ÀÌ ¾øÀ» È®·ü=TN(FN+TN)
¾ç¼º likelyhood ratio : ¹Î°¨µµ/(1-ƯÀ̵µ) : Áúº´ÀÌ ÀÖÀ»¶§ °Ë»ç¾ç¼º ³ª¿ÃÈ®·ü/Áúº´ÀÌ ¾øÀ»¶§ °Ë»ç°¡ ¾ç¼ºÀ¸·Î ³ª¿ÃÈ®·üÀÇ ºñ
À½¼º likelyhood ratio : (1-¹Î°¨µµ)/(ƯÀ̵µ) : Áúº´ÀÌ ¾øÀ»¶§ °Ë»ç À½¼ºÀ¸·Î ³ª¿ÃÈ®·ü/ Áúº´ÀÌ ÀÖÀ»¶§ °Ë»ç°¡ À½¼ºÀ¸·Î ³ª¿ÃÈ®·üÀÇ ºñ
|
Áúº´ ÀÖ´Ù |
Áúº´¾ø´Ù |
°Ë»ç ¾ç¼º |
TP |
FP |
°Ë»ç À½¼º |
FN |
TN |
ODD ratio ´ëÁ¶±º¿¬±¸
odd/odd
odd= È®·üÀÌ ¾Æ´Ô , °á°ú»ó ¾Æ´Ñ °Í°ú ¸Â´Â °ÍÀÇ ºñÀ² (¸Â´Â°Í/¾Æ´Ñ°Í)
Åë°èºÐ¼®¹ý
T-test : µÎÁý´ÜÀÇ Æò±ÕÀÇ Â÷À̰¡ Àִ°¡
ANOVA
: ºÐ»êºÐ¼®(ANalysis Of VAriance: ANOVA)Àº Æò±Õ°ªÀ» ±âÃÊ·Î
ÇÏ¿© ¿©·¯ Áý´ÜÀ» ºñ±³Çϰí, À̵é
Áý´Ü°£¿¡ Â÷ÀÌÁ¡ÀÌ ÀÖ´ÂÁö °¡¼³ °ËÁõÀ» ÅëÇØ¼ »ó°ü°ü°è¸¦ ÆÄ¾ÇÇÏ´Â Åë°èºÐ¼® ±â¹ýÀÔ´Ï´Ù.
»ó°üºÐ¼® : 30¸í ÀÌ»ó : ¸ð¼ö pearson
30¸í ¹Ì¸¸ : ºñ¸ð¼ö spearson
»ó°ü°ü°è°¡ Àִ°¡
Ä«ÀÌÁ¦°ö : yes/no -> ÀÖ´Ù/¾ø´Ù °ü°è
Bias
¼±Åà ºñ¶Ô¸² (Selection bias) : ¿¬±¸¿¡ Âü¿©½Ãų Áý´ÜÀ» ¼±ÅÃÇÒ ¶§ÀÇ error
Á¾·ù
Sampling bias : non-randomised ÇÏ°Ô »Ì¾ÒÀ»¶§
Å»¶ô
ºñ¶Ô¸²(attrition bias) : Áß°£¿¡ drop out µÈ
»ç¶÷À» °á°úºÐ¼®¿¡¼
»©¹ö·Á¼ »ý±â´Â
bias
¼öÇà ºñ¶Ô¸² (performance bias) : ÁßÀ籺(½ÃÇ豺)°ú ´ëÁ¶±º¿¡°Ô Á¦°øÇÏ´Â °ÍÀÌ ´Ù¸¦ ¶§ÀÇ error
°á°ú È®ÀÎ ºñ¶Ô¸²(detection bias)
ȯÀÚ ¹èÁ¤¿¡ ´ëÇÑ Áö½ÄÀÌ °á°ú È®Àο¡ ¿µÇâÀ» ¹ÌÄ¥ ¶§ ¹ß»ý . ¸·±â À§Çؼ´Â
´«°¡¸²(blinding)ÀÌ ÀÌ·ç¾îÁ®¾ß ÇÑ´Ù.
Á¶±â¹ß°ßÀÇ È¿°ú¸¦ Æò°¡ÇÒ ¶§ ¹üÇϱ⠽¬¿î ¼¼ °¡Áö ¿À·ù
ƯÈ÷ ¾Ï ¼±º°°Ë»çÀÇ °æ¿ì¿¡ ¸¹ÀÌ ÇØ´ç
1. ÀÚ¿øÀÚºñ¶Ô¸²(Volunteer bias) (½±°Ô ¸»Çϸé ÀÚ¿øÇÑ»ç¶÷Àº °Ç°°ü½ÉÀÌ ³ôÀº»ç¶÷µéÀÌ´Ù)À̶õ ¼±º°°Ë»ç³ª Á¤±â°Ç°°ËÁø¿¡ Âü¿©ÇÏ´Â »ç¶÷µé ÀÚü°¡ ÇØ´çÁúº´ÀÇ À§ÇèÀº ´Ù¼Ò ³ô´õ¶óµµ Àü¹ÝÀûÀÎ °Ç°»óÅ´ ¾çÈ£ÇÑ Áý´ÜÀÌ°í °Ç°¿¡ °ü½ÉÀÌ ¸¹Àº Áý´ÜÀ̹ǷΠÀüü »ç¸ÁÀ̳ª ƯÁ¤Áúȯ¿¡ ÀÇÇÑ »ç¸Á·üÀÌ ³·°Ô ³ªÅ¸³ª¼ ¸¶Ä¡ ¼±º°°Ë»çÀÇ È¿°ú°¡ Å« °Íó·³ À߸ø ÆÇ´ÜÇÏ°Ô µÇ´Â °æ¿ì¸¦ ¸»ÇÑ´Ù.
2. ½Ã°£´ÜÃàºñ¶Ô¸²(Lead-time Bias) (±× ¼±º°°Ë»ç·Î ÀÎÇØ ¾Ï°É¸°ÈÄ »ýÁ¸±â°£ÀÌ ±æ¾îÁø°ÍÀ¸·Î Âø°¢ÇÏ°Ô ¸¸µå´Â°Í)À̶õ ½ÇÁ¦·Î »ýÁ¸±â°£ÀÌ ±æ¾îÁöÁö´Â ¾Ê¾Ò´Âµ¥ ´Ü¼øÈ÷ Áø´ÜÀÌ »¡¶óÁ³±â ¶§¹®¿¡ ±×¸¸Å ´õ ¿À·¡ »ç´Â °Íó·³ º¸ÀÌ´Â °ÍÀ» ¸»ÇÑ´Ù. ¾î¶² ¾ÏÀÌ »ý±ä Áö 5³â¸¸¿¡ »ç¸ÁÇÑ´Ù°í °¡Á¤ÇÒ ¶§ 1³â¸¸¿¡ ¹ß°ßÇϸé 4³âÀÇ »ýÁ¸±â°£À¸·Î »ý°¢µÇ°í 4³â°¿¡ ¹ß°ßÇϸé 1³âÀÇ »ýÁ¸±â°£À¸·Î °£ÁֵǴ °æ¿ìÀÌ´Ù.
3. ±â°£ºñ¶Ô¸²(Length Bias)Àº º´ÀÌ À§ÁßÇÏ¿© ÁøÇàÀÌ »¡¶ó ÀÏÂï »ç¸ÁÇÏ´Â °æ¿ì´Â Åë°è¿¡¼ ´©¶ôµÇ±â ½¬¿ì¹Ç·Î ´Ê°Ô±îÁö ³²¾ÆÀÖ´Â °æÁõÀÇ È¯Àڵ鿡¼¸¸ Á¶±â¹ß°ßÀ̳ª Ä¡·áÀÇ È¿°ú¸¦ ÆÇ´ÜÇÏ°Ô µÇ¹Ç·Î ½ÇÁ¦º¸´Ù È¿°ú°¡ °úÀåµÇ¾î º¸ÀÌ´Â °æ¿ì¸¦ ¸»ÇÑ´Ù.
NNT(Ä¡·áÀÇ Â÷ÀÌ 1¸íÀ» ³ªÅ¸³»±â À§Çؼ ½ÃÇàÇØ¾ßÇÒ Ä¡·áÀοø¼ýÀÚ) = 1/ARR(Àý´ëÀ§Çèµµ °¨¼Ò)
ºÐ¼®¹ý
°øºÐ»êºÐ¼®Àº
µ¶¸³º¯¼ö°¡ Á¾¼Óº¯¼ö¿¡ ¹ÌÄ¡´Â ¿µÇâÀ» ¾Ë¾Æº¸±â À§ÇØ Á÷Á¢ÅëÁ¦Çϱ⠾î·Á¿î ¿Ü»ýº¯¼ö(ÀáÀ纯¼ö)¸¦ Á¦°ÅÇÑ ÈÄ ½Ç½ÃÇÏ´Â ºÐ¼®
¸ÞŸºÐ¼®(meta-analysis)Àº ±âÁ¸ ¹®ÇåÀ» ºÐ¼®ÇÏ´Â ¹æ¹ýÀÌ´Ù.
¹®Ç忬±¸(±âÁ¸ ¹®ÇåÀ» ºÐ¼®ÇÏ¿© Æò°¡ÇÏ´Â ÀÛ¾÷)´Â
Å©°Ô Á¤·® Á¢±Ù°ú Á¤¼º Á¢±ÙÀ¸·Î ³ª´ ¼ö Àִµ¥, ¸ÞŸºÐ¼®Àº Á¤·® Á¢±ÙÀ¸·Î, ½ÇÁõ¿¬±¸ °á°ú (ÁÖ·Î È¿°úÅ©±â,
effect size)¸¦ ÀÏÁ¤ ±âÁØ¿¡ µû¶ó ¼öÁýÇÑ ÈÄ Åë°è ÀýÂ÷¸¦ °ÅÃÄ È¿°úÅ©±âÀÇ Æò±Õ°ú ½Å·Ú±¸°£À» ±¸ÇÏ°í ¼öÁýÇÑ È¿°úÅ©±â°¡ µ¿ÁúÀûÀÎÁö
ÀÌÁúÀûÀÎÁö ±× ¿©ºÎ¸¦ ÀÌÁú¼º °ËÁ¤À» ÅëÇØ ºÐ¼®ÇÑ´Ù.
´ÙÁßȸ±ÍºÐ¼®(Multiple
Regression Analysis) : 1°³ÀÇ Á¾¼Óº¯¼ö¿Í ¿©·¯ °³ÀÇ µ¶¸³º¯¼ö »çÀÌÀÇ °ü°è¸¦ ±Ô¸íÇϰíÀÚ ÇÒ
°æ¿ì
»ó°üºÐ¼® : µÎ º¯¼ö°£¿¡ ¾î¶² ¼±ÇüÀû °ü°è¸¦ °®°í ÀÖ´Â Áö¸¦ ºÐ¼®ÇÏ´Â ¹æ¹ý
¿¬±¸
ȯÀÚ´ëÁ¶±º ¿¬±¸
- ƯÁ¤Áúº´À» °¡Áø »ç¶÷(ȯÀÚ)°ú
±× Áúº´ÀÌ ¾ø´Â »ç¶÷À» ¼±Á¤ÇÏ¿© Áúº´¹ß»ý°ú °ü·ÃÀÌ ÀÖ´Ù°í »ý°¢µÇ´Â ¾î¶² ¹è°æÀÎÀÚ³ª À§Çè¿äÀο¡ ´ëÇØ ³ëÃâµÈ Á¤µµ¸¦ »óÈ£ ºñ±³ÇÏ´Â ¿¬±¸¼³°è¸¦ ÀǹÌÇÑ´Ù
ÄÚȣƮ¿¬±¸
- ¸ðÁý´Ü¿¡¼ ¾î¶² Áúº´ÀÇ
¿øÀÎÀ¸·Î ÀǽɵǴ À§Çè¿äÀο¡ ³ëÃâµÈ Áý´Ü(³ëÃâ ÄÚȣƮ)°ú
³ëÃâµÇÁö ¾ÊÀº Áý´Ü(ºñ³ëÃâ ÄÚȣƮ)À» ´ë»óÀ¸·Î ÀÏÁ¤ ±â°£ µÎÁý´ÜÀÇ Áúº´¹ß»ý ºóµµ¸¦ ÃßÀû Á¶»çÇÏ¿© À§Çè¿äÀο¡ ´ëÇÑ ³ëÃâ°ú ƯÁ¤ Áúº´¹ß»ýÀÇ ¿¬°ü¼ºÀ»
±¸¸íÇÏ´Â ºÐ¼®¿ªÇÐ ¿¬±¸ÀÇ ÇϳªÀÌ´Ù
l ȯÀÚ´ëÁ¶±º ¿¬±¸:
subjects¸¦ Áúº´À¯¹«¿¡ µû¶ó ºÐ·ù
l ÄÚȣƮ ¿¬±¸
: subjects¸¦ ³ëÃâ¿©ºÎ¿¡ µû¶ó ºÐ·ù
l ÀüÇâÀû
: ¿¬±¸½ÃÀÛ ½ÃÁ¡¿¡¼ ¾ÕÀ¸·Î ¹ß»ýÇÏ´Â ÀڷḦ ÀÌ¿ë
l ÈÄÇâÀû
: ÀÌ¹Ì ÀÖ´Â °ú°ÅÀڷḦ ÀÌ¿ë.
ȯÀÚ´ëÁ¶±º ¿¬±¸ : ÈÄÇâÀû ¿¬±¸
ÄÚȣƮ ¿¬±¸: ÀüÇâÀûÀϼöµµ ÀÖ°í ÈÄÇâÀûÀϼöµµ ÀÖ´Ù.( °ú°ÅÀÇ ÀڷḦ ÀÌ¿ëÇÏÁö¸¸ ¸ÕÀú subjects¸¦ ³ëÃâ¿©ºÎ·Î ³ª´« µÚ Áúº´ÀÇ ¹ß»ý¿©ºÎ¸¦ ºñ±³Çϸé ÈÄÇâÀû ÄÚȣƮ ¿¬±¸)
ȯÀÚ´ëÁ¶±º¿¬±¸´Â
backward, ÄÚȣƮ ¿¬±¸´Â forward