VET412 Veterinær epidemiologi II – Dataanalyse og fortolkning

Dette kurset introduserer sentrale statistiske metoder brukt i veterinærepidemiologi. Studentene lærer å lage deskreptiv statistik, vurdere diagnostiske tester, evaluere datakvalitet og analysere prevalensundersøkelser. Kurset dekker grunnleggende lineær og logistisk regresjon, inkludert vurdering av modellenes antakelser, tolkning av resultater og håndtering av simple hierakiske datastrukturer.

Studentene introduseres også for grunnleggende konsepter innen kausal effektestimering og prediksjonsmodellering, med vekt på praktiske anvendelser. Studentene å gjenkjenne ulike typer epidemiologiske data og velge passende analytiske metoder.

Det overordnede læringsmålet for dette kurset er å gjøre studentene i stand til å utforme, gjennomføre og tolke relevante og forsvarlige statistiske analyser for de vanligste veterinærepidemiologiske studiene, samt å gjenkjenne når mer avanserte metoder er nødvendige. Dette innebærer at:

Studenten kan produsere relevante og hensiktsmessige deskriptive statistikker og figurer for epidemiologiske studier.

For studier som evaluerer målinger eller diagnostiske tester skal studenten kunne:

• anvende statistiske metoder for å evaluere overensstemmelse mellom binære, kategoriske og kontinuerlige målinger
• diskutere nøyaktighet og presisjon basert på vurderinger av overensstemmelse
• bruke enkle metoder for å estimere sensitivitet og spesifisitet
• vise kjennskap til Bayesianske metoder for evaluering av diagnostiske tester og diskutere når de er relevante å bruke

For studier som evaluererdatabasers kvalitet skal studenten kunne:

• estimere mål på representativitet, fullstendighet, tidsriktighet og validitet

For prevalensstudier skal studenten kunne:

• bruke enkle teknikker for å justere for seleksjonsbias
• anvende estimatorer som justerer for nøyaktigheten til den diagnostiske testen som brukes

For lineære og logistiske regresjonsmodeller skal studenten kunne:

• forstå hvordan modellene beregnes (minste kvadraters metode og maksimum likelihood)
• vurdere om modellens antakelser er oppfylt og gjennomføre passende løsninger når de ikke er det
• tolke modellkoeffisienter
• estimere og tolke betingede og marginale prediksjoner
• modellere simple hierakiske datastrukturer ved bruk av tilfeldige effekter

For studier med mål om kausal effekt estimering skal studenten kunne:

• vurdere om positivitetsantakelsen holder og diskutere pragmatiske løsninger når den ikke gjør det
• konstruere, estimere, og tolke regresjonsbaserte estimatorer for estimander for tidsinvariante/enkelt-tidspunkts eksponeringer og kontinuerlige og binære utfall
• forstå prinsippene bak sensitivitetsanalyse og kvantitativ biasanalyse og diskutere når disse er relevante

For studier som har som mål å predikere helse-, velferds- eller produktivitetsutfall skal studenten kunne:

• beregne og tolke prediksjoner med prediksjonsintervaller for kontinuerlige og binære variabler ved bruk av regresjonsmodeller
• anvende rammeverk for trening, modifisering og testing av prediksjonsmodeller
• sammenligne modeller basert på tilpasningsmål (for eksempel R², informasjonskriterier, p-verdier)
• presentere og tolke mål på prediksjonsnøyaktighet og presisjon
• vise kjennskap til mer avanserte algoritmer (f.eks. maskinlæringsalgoritmer)
• diskutere når avanserte algoritmer er relevante å bruke
• inkludere kausale vurderinger i konstruksjonen av prediksjonsmodeller og diskutere når dette er relevant

Studenten skal også kunne:

• gjenkjenne utfall som er kategoriske (ordinale eller nominale), telledata eller tid-til-hendelse-målinger, samt tidsvarierende eksponeringer eller data med komplekse hierarkiske strukturer eller repeterte målinger.
• identifisere metoder som er passende for disse datatypene