Der erste Schritt
Datencheck & Zusammenfassung
Sie senden uns Ihre Daten als CSV- oder Excel-Datei in einem üblichen Format. Wir analysieren jede Variable und schicken Ihnen eine Excel-Datei mit folgenden Kennzahlen:
- Anzahl fehlende Werte
- Mittelwert und Standardabweichung bei metrischen Daten
- Median und Quantile
- relative Häufigkeit bei nominalen Daten
Zudem beurteilen wir, ob sich die Daten für einen Gruppenvergleich eignen oder ob Vorarbeiten geleistet werden müssen.
Dieser Service ist für Sie komplett kostenlos. Mit dem folgenden Formular können Sie direkt eine Anfrage stellen.
Das richtige Datenformat
Beispiel für den gratis Datencheck
Im kostenlosen Datencheck werden in einer Tabelle für jede Variable die Anzahl Einträge, fehlenden Werte und verschiedene Ausprägungen dargestellt. Bei metrischen Daten gibt es Mittelwert und Standardabweichung. Bei nominalen Daten ist es die relative Häufigkeit der einzelnen Ausprägungen.
Setzen Sie auf professionelle statistische Auswertungen
Gruppen statistisch miteinander vergleichen
Präzise Gruppenvergleiche sind das Fundament evidenzbasierter Medizin. Ob Sie Treatment- und Kontrollgruppen gegenüberstellen oder verschiedene Therapieansätze evaluieren – eine professionelle statistische Auswertung ist unerlässlich.
Mittels Hypothesentests decken wir statistisch signifikante Unterschiede auf und liefern belastbare Ergebnisse für Ihre klinische Entscheidungsfindung. Bei heterogenen Gruppen, wie sie in retrospektiven Studien vorkommen, setzen wir fortschrittliche statistische Methoden ein. Diese sorgen für eine Homogenisierung der Vergleichsgruppen und steigern die Validität Ihrer Forschungsergebnisse.
Nutzen Sie unsere Expertise, um die Aussagekraft Ihrer Studien zu maximieren. Unser Service ist unkompliziert, sicher und statistisch valide.
Beispiel: Vergleich des Patientenalters zwischen Treatment- und Placebogruppe
Alter ist eine metrische Variable. Daher können wir hier den t-Test verwenden, um zu überprüfen, ob es einen statistisch signifikanten Unterschied in beiden Gruppen gibt.
Bei einem Hypothesentest wird eine sogenannte Nullhypothese aufgestellt. Hier: “Das mittlere Alter der beiden Gruppen ist identisch”. Dann wird berechnet, wie wahrscheinlich die beobachteten Werte unter dieser Annahme sind. Ist die Beobachtung unwahrscheinlich (pWert unter dem Signifkanzniveau, meist 5% oder 1%), wird die Nullhypothese als falsch angenommen und es gilt das Gegenteil.
Ergibt der t-Test beispielsweise einen p-Wert von 0,024, dann lehnen wir die Nullhypothese “Gleiches mittleres Alter” ab, d.h. es gibt einen statistisch signifikanten Unterschied im mittleren Alter zwischen den beiden Gruppen.
Propensity Score Matching
Haben wir festgestellt, dass es einen statistisch signifikanten Unterschied im Alter zwischen den beiden Gruppen gibt, stellt sich die Frage, ob die beiden Gruppen eventuell nicht direkt miteinander vergleichbar sind.
Bei klinischen Studien sollte das bei der durchdachten Auswahl der Studienteilnehmer ausgeschlossen werden. In Real-Life- nud retrospektiven Studien ist das aber nicht möglich.
Mit Hilfe von Propensity Score Matching können wir aber die Gruppen bezüglich vorher festgelegter Variablen aneinander angleichen, sofern beide Gruppen groß genug sind. Dazu werden Patienten-Paare gebildet, welche sich möglichst ähnlich sind. Mit diesem Verfahren lassen sich also trotzdem die Gruppen miteinander vergleichen.
Setzen Sie auf professionelle statistische Auswertungen
Individuelle Analysen
“Wir finden eine Lösung für Ihr Problem” ist mehr als nur ein Versprechen – es ist unser Engagement für Exzellenz und Kundenzufriedenheit. Wir gehen sorgfältig mit ihren Daten um und erfüllen hohe Datenschutzkriterien, so werden z.B. die Daten nur auf deutschen Servern gespeichert. Vertrauen Sie darauf, dass wir Ihre Probleme verstehen und lösen können. Sprechen Sie uns an.
Einige unserer Leistungen
- Statistische Programmierung
- Datenbanken
- Datenvisualisierungen
- Interaktive Dashboards und Reports
- kundenspezifische WebApps
- R, Python, PowerBI, Qlik, Tableau, SQL, Shiny, …
