Corso di analisi statistica

Lezione 1 • Fondamenti di probabilità per ricercatori

Introduce le regole della probabilità, la probabilità condizionata e l'indipendenza come base matematica per l'inferenza. Collega la teoria della probabilità ai valori p e agli intervalli di confidenza introdotti successivamente.

Lezione 2 • Tipi di dati e scale di misurazione

Classifica i dati nominali, ordinali, a intervalli e a rapporti e collega il tipo di scala alle analisi consentite. Una classificazione corretta previene operazioni statistiche non valide a valle.

Lezione 3 • Elementi essenziali di statistica descrittiva

Tratta le misure di tendenza centrale, di dispersione e di forma della distribuzione per sintetizzare i set di dati. Queste sintesi costituiscono la base per tutto il lavoro inferenziale nei capitoli successivi.

Lezione 4 • Distribuzioni di probabilità comuni

Esamina le distribuzioni normale, binomiale, di Poisson e t e le loro applicazioni nella ricerca. La comprensione delle assunzioni distribuzionali è prerequisito per una verifica delle ipotesi valida.

Lezione 1 • Teoria e strategie di campionamento

Tratta i metodi di campionamento probabilistico e non probabilistico e il loro effetto sulla generalizzabilità. Una strategia di campionamento corretta è fondamentale per un'inferenza non distorta a livello di popolazione.

Lezione 2 • Distorsione, confondimento e validità interna

Identifica le distorsioni da selezione, da informazione e da confondimento e le strategie statistiche per affrontarle. Il controllo di queste minacce è essenziale prima di applicare metodi inferenziali.

Lezione 3 • Tecniche di randomizzazione e cecità

Illustra la randomizzazione semplice, a blocchi, stratificata e adattativa e il loro ruolo nell'eliminare il confondimento. Le procedure di cecità proteggono dalle distorsioni da performance e da accertamento.

Lezione 4 • Disegni sperimentali e osservazionali

Mette a confronto trial controllati randomizzati, quasi-esperimenti, studi di coorte, caso-controllo e trasversali. La scelta del disegno determina quali affermazioni causali siano statisticamente difendibili.

Lezione 1 • Test parametrici per le medie

Tratta i test t per un campione, per campioni indipendenti e appaiati e l'ANOVA a una via con verifica delle assunzioni. Questi test affrontano i quesiti di confronto tra medie più comuni nella ricerca.

Lezione 2 • Formulazione delle ipotesi e logica del test

Stabilisce la costruzione dell'ipotesi nulla e alternativa e la logica della decisione statistica. Una formulazione corretta previene test disallineati ed esiti interpretati erroneamente.

Lezione 3 • Test chi-quadrato e per dati categoriali

Applica i test chi-quadrato di bontà di adattamento e di indipendenza e il test esatto di Fisher a esiti categoriali. Questi metodi sono essenziali per i confronti di frequenze e proporzioni nella ricerca.

Lezione 4 • Alternative non parametriche

Introduce test basati sui ranghi per dati che violano le assunzioni parametriche, inclusi i test di Wilcoxon, Kruskal-Wallis e Friedman. La scelta di metodi non parametrici preserva la validità quando le assunzioni non sono soddisfatte.

Lezione 1 • Regressione lineare multipla

Estende la regressione a predittori multipli, affrontando la multicollinearità, la selezione delle variabili e l'R-quadrato corretto. Il controllo multivariato è centrale nell'analisi della ricerca osservazionale.

Lezione 2 • Principi della regressione lineare semplice

Deriva la retta di regressione dei minimi quadrati, interpreta pendenza e intercetta e valuta l'adattamento del modello. Questa sezione stabilisce il nucleo concettuale per tutte le estensioni della regressione.

Lezione 3 • Regressione logistica per esiti binari

Modella esiti binari utilizzando la regressione logistica, interpretando log-odds, odds ratio e discriminazione del modello. La regressione logistica è lo strumento standard per endpoint di ricerca dicotomici.

Lezione 4 • Panoramica dei modelli lineari generalizzati

Introduce la regressione di Poisson, binomiale negativa e gamma per esiti di conteggio e asimmetrici. Estende la struttura della regressione a distribuzioni della risposta non normali comuni nella ricerca.

Lezione 1 • Metodi di imputazione singola e multipla

Applica l'imputazione tramite media, regressione e imputazione multipla tramite equazioni concatenate per gestire i valori mancanti. L'imputazione multipla preserva l'incertezza e produce stime non distorte sotto MAR.

Lezione 2 • Meccanismi e pattern dei dati mancanti

Distingue i meccanismi MCAR, MAR e MNAR e le loro conseguenze per la validità dell'analisi. L'identificazione corretta del meccanismo determina quali strategie di rimedio siano statisticamente giustificate.

Lezione 3 • Pulizia dei dati e gestione dei valori anomali

Stabilisce procedure sistematiche per rilevare errori, incoerenze e valori anomali prima dell'analisi. Dati puliti sono un prerequisito per risultati statistici riproducibili e difendibili.

Lezione 1 • Tecniche di analisi dei cluster

Raggruppa le osservazioni utilizzando il clustering gerarchico e delle k-medie per rivelare strutture naturali nei dati. L'analisi dei cluster supporta l'identificazione di sottogruppi nella ricerca epidemiologica e comportamentale.

Lezione 2 • Fondamenti di modellazione a equazioni strutturali

Introduce diagrammi di percorso, modelli di misurazione e modelli strutturali per testare strutture teoriche complesse. I SEM integrano l'analisi fattoriale e la regressione in un approccio confermativo unificato.

Lezione 3 • Analisi delle componenti principali e analisi fattoriale

Riduce la dimensionalità utilizzando la PCA e identifica costrutti latenti tramite l'analisi fattoriale esplorativa. Questi metodi sono fondamentali per lo sviluppo di scale e la compressione dei dati nella ricerca.

Lezione 4 • Analisi multivariata della varianza

Estende l'ANOVA a più variabili dipendenti simultaneamente, controllando l'errore familywise. La MANOVA è essenziale quando gli esiti sono teoricamente correlati e non dovrebbero essere testati separatamente.

Lezione 1 • Rischi competitivi e metodi avanzati di sopravvivenza

Affronta gli eventi competitivi utilizzando modelli di rischio causa-specifici e di subdistribuzione. I metodi standard di sopravvivenza producono stime distorte quando sono presenti rischi competitivi.

Lezione 2 • Regressione di Cox a rischi proporzionali

Modella gli effetti delle covariate sui tassi di rischio utilizzando il modello di Cox, inclusa la verifica delle assunzioni e l'interpretazione. Il modello di Cox è lo strumento di regressione dominante per gli esiti di sopravvivenza nella ricerca.

Lezione 3 • Disegni a misure ripetute e longitudinali

Tratta i disegni entro i soggetti, le assunzioni di sfericità e gli approcci a modelli misti per dati longitudinali. Una gestione corretta delle osservazioni correlate è critica per un'inferenza longitudinale valida.

Lezione 1 • Revisione tra pari e critica statistica

Sviluppa competenze per valutare criticamente metodi e risultati statistici nei manoscritti sottoposti. Gli statistici che operano come revisori proteggono l'integrità del record scientifico pubblicato.

Lezione 2 • Tabelle e figure per risultati statistici

Progetta tabelle efficaci per la statistica descrittiva, gli output di regressione e i risultati di sopravvivenza. Elementi visivi ben costruiti accelerano la comprensione del lettore e riducono il numero di parole del manoscritto.

Lezione 3 • Standard e linee guida per la rendicontazione

Applica le checklist di rendicontazione CONSORT, STROBE, PRISMA e correlate per garantire una divulgazione trasparente dei metodi. L'aderenza agli standard di rendicontazione è richiesta dalla maggior parte delle riviste con revisione tra pari.

Lezione 4 • Interpretare e comunicare l'incertezza

Insegna un'interpretazione verbale e scritta accurata dei valori p, degli intervalli di confidenza e delle dimensioni dell'effetto. L'errata interpretazione dell'incertezza è una delle principali fonti di errori nella ricerca pubblicata.