Datenanalyse - Statistische Modellierung

Der Schwerpunkt der Leistungen von BGStats ist Datenanalyse und statistische Modellierung für unsere Klienten zu betreiben. Datenanalyse ist die systematische Suche nach aufschlussreichen Informationen über Phänomene, Strukturen und Vorgänge anhand von Datenkörpern unter Anwendung von graphischen und mathematischen Verfahren. Zielsetzung der statistischen Modellierung ist es die gewonnenen Informationen in mathematische, sog. stochastische Modelle umzusetzen. BGStats bietet Ihnen die optimalen statistischen Lösungen um Ihre Daten in wertvolle Informationen zu verwandeln:

Entwurf statistischer Analysepläne

Der Prozess der Datenanalyse hat systematisch und sorgfältig geplant zu erfolgen. Wir erarbeiten detaillierte statistische Analysepläne für die Daten Ihres Forschungsprojekts:

• Wir bestimmen die geeigneten statistischen Designs für die jeweilige Datensituation: Skalierung der Zielgrößen, wahrscheinlichkeits-theoretische Voraussetzungen, Art der Fehlerverteilungen, etc.
  
• Wir wählen die optimale statistische Analysetechnik, um die gesamte Information aus Ihren Daten zu holen.

Exploratorische Datenanalyse - Deskriptive Statistik

• Wir verwenden moderne Methoden zur Aufbereitung und Präsentation ihrer Daten um die interessierenden Komponenten zu visualisieren.
  
• Wir generieren professionelle Grafiken für Ihre Präsentationen, Studienprotokolle, wissenschaftlichen Publikationen, etc.

Statistische Modellierung

Ziel und Zweck der statistischen Modellierung ist es die Zusammenhänge zwischen einer oder mehrerer Zielgrößen und einer Menge von unabhängigen Variablen mit Hilfe eines mathematischen Modells zu spezifizieren. Als Ergebnis erhält man ein stochastisches Modell, das zusätzlich zu der deterministischen Komponente die Zufallskomponente spezifiziert. Ob Ihre Zielvariablen Messwerte, kategoriale oder gezählte Beobachtungen sind, wir bieten Ihnen die optimalen Modellierungslösungen:

• Multivariate Analyse-Techniken
• Analyse von Daten geplanter Experimente
• Analyse kategorialer Daten
• Analyse gruppierter oder longitudinaler Daten
• Überlebensanalyse
• Statistische Methoden in der klinischen Chemie und Labormedizin

• Analyse genetischer Daten
  

• Quantitative Evaluierungsmethoden im Gesundheitswesen

Multivariate Analysetechniken

Wir bieten Ihnen professionelles Know-how in klassischen Analysetechniken für multivariate Zielgrößen, wie z. B.

• Cluster-Analyse

• Faktorenanalyse
  

• Hauptkomponentenanalyse
  

• Diskriminanzanalyse
  

• Klassifikationsbäume (CART)
  

• KorrespondenzanalyseCorrespondence Analysis
  

Analyse von Daten aus geplanten Experimenten

In der angewandten Wissenschaft werden häufig geplante Experimente durchgeführt um interessierende Parameter zu ermitteln und dabei gezielt Störgrößen (Confounder) zu kontrollieren. Ein Beispiel aus der medizinischen Forschung sind sog. randomisierte klinische Versuche (Randomized Clinical Trials: RCT), um z. B. die Effekte von Medikamenten zu ermitteln oder verschiedene Behandlungsmethoden zu vergleichen. Wir bieten Ihnen die optimalen Auswertungsmethoden für experimentelle Daten:

• Varianzanalyse (ANOVA)

• Kovarianzanalyse

• Varianzanalyse für abhängige Mehrfachbeobachtungen

• Lineare Modelle für stetige Zielgrößen

• Gemischte Modelle für Block-Experimente

• Hierarchische Multi-level Modelle für mehrstufige Split-Plot Experimente

Analyse kategorialer Daten

Häufig sind die interessierenden Zielvariablen keine gemessenen Werte sondern nur gezählte Beobachtungen. Diese spezielle Datensituation ist bei der Auswahl der geeigneten Analysetechnik zu berücksichtigen, wir beherrschen eine breite Palette von Methoden der kategorialen Datenanalyse:

• Logit Modelle - Logistische Regression
• Kontigenztafelanalyse - loglineare Modelle
• Spezielle Verfahren für ordinal skalierte Variablen
• Multinomiale Regressions-Modelle für polytome Zielgrößen
• Exakte Verfahren für kleinere Stichprobenumfänge
• Modelle für gepaarte Beobachtungen (matched pairs)

Analyse korrelierter oder longitudinaler Daten

In der empirischen Forschung ist man häufig mit der Analyse gruppierter, oft korrelierter Beobachtungen konfrontiert: z.B. Daten aus mehrstufigen Stichprobenverfahren (Cluster-Sampling), multivariate, mehrfache oder wiederholte Beobachtungen an derselben Beobachtungseinheit, usw. Longitudinale Daten sind eine spezielle Art gruppierter Daten und entstehen wenn die Zielgröße wiederholt über die Zeit gemessen wird. Gruppierte Daten benötigen spezielle Analysemethoden, die diese stochastische Abhängigkeit (intra-cluster correlation) berücksichtigen. Wir sind Spezialisten in:

• Gemischte Modelle für wiederholte gemessene Beobachtungen
• Nichtparametrische Verfahren für longitudinale Daten geplanter Experimente
• Marginale, GEE und andere robuste longitudinale Modellierungsansätze
• Varianzanalyse für Messwiederholungen
• Statistische Methoden für Cluster-Sampling-Design
• Multilevel-Modelle für komplexe Survey-Daten
• Modelle für gruppierte gezählte oder kategoriale Beobachtungen
• Modelle für longitudinale kategoriale Variablen

Überlebensanalyse

Lebensdauerdaten sind eine spezielle Art longitudinaler Daten, die interessierende Zielvariable ist die Zeit bis zum Eintreten eines bestimmten Ereignisses. Die spezielle Eigenschaft dieser Daten sind die sog. zensierten Beobachtungen, d.h. Individuen bei denen das Event nicht während der Beobachtungszeit eintritt. Time-to-Event"-Daten bedürfen einer geeigneten statistischen Methodik um auch die Information dieser zensierten Observationen zu verwenden. Wir haben jahrelange Erfahrung mit klinischen Überlebensanalysen, speziell im onkologischen Bereich, weshalb wir Ihnen für dieses Spezialgebiet der longitudinalen Datenanalyse ein breites Spektrum an Verfahren anbieten können:

• Standardverfahren der Überlebensanalyse:
  
  
• Nichtparametrische Schätzungen von Überlebens- und Hazardfunktion: Sterbetafeln, Kaplan-Meier-Kurven
  
• Vergleich von Lebensdauerverteilungen unterschiedlicher Patientenpopulationen, Log-Rang-Test und ähnliche globale Testverfahren
  
• Cox Regression
  
• Parametrische Überlebensanalyse
  Parametric Modeling Approaches
  
• Spezielle Verfahren für multivariate Überlebensdaten:
  
• Multi-State Modelle für Event-History-Daten
  
• Competing Risk-Modelle
  
• Analyse mehrfacher oder wiederholter Ereignisse (Recurrent Events Analyse)
  
• Angewandte stochastische Prozessmodelle: Markov-Modelle, etc.

Statistische Methoden für klinische Chemie und Labormedizin

BGStats bietet Ihnen die geeigneten statistischen Methoden zur professionellen Evaluierung klinisch chemischer Analytikmethoden. Ob Sie eine neue Methode entwickeln oder eine existierende verbessern wollen wir bieten Auswertungen nach international anerkanntem Standards (NCCLS or IFCC) Unser Know-how umfasst unter anderem die folgenden Evaluierungsmethoden zur Bestimmung von Parametern wie Genauigkeit, Präzision, Linearität, systematischer Messfehler (Bias), diagnostische Performance etc.:

• Linearitäts-Tests
• Präzision nach NCCLS Standard
• Methodenvergleiche
• Visualisierung der Messabweichungen (Bias Plots)
• Spezielle Regressionsmethoden (Passing-Bablok, Deming)
• Bayes-Ansätze zur Quantifizierung von Kreuzreaktionen
• Bestimmung von Sensitivität, Spezifität bei Fehlen eines "Gold Standard-Tests"
• ROC - Kurven
  
• Diagnostische Performance von Screeningmethoden

Quantitative Techniken für gesundheitsökonomische Evaluierungsstudien

Im Zeitalter der Evidence-Based Medicine sind quantitative Methoden zu einem wichtigen Werkzeug geworden um wissenschaftliche Ergebnisse oder Effekte gesundheitspolitischer oder therapeutischer Interventionen geeignet zu quantifizieren und zu vergleichen. BGStats bietet Know-how moderner quantitativer Analyseansätze, wie z.B.

• Statistische Methoden für Meta-Analysen
• Statistische Entscheidungstechniken
• Kosten-Nutzen Analysen

Analyse genetischer Daten

BGStats verfügt auch über Know-how in Analysemethoden für genetische Daten. Wir sind bestrebt unser Wissen auf diesem neuen faszinierendem Gebiet der angewandten Mathematik stetig zu erweitern, derzeit können wir Ihnen die folgenden Techniken anbieten:

• Statistische Analyse von Whole-Genome-Scan-Daten
• Test des Hardy-Weinberg Equilibriums
• Analyse von Nucleotid-Polymorphismen (SNP) Daten
• Mathematische Algorithmen zur Rekonstruktion von Haplotypen
• Assoziationanalysen: SNPs - Haplotypen - klinische Outcomes