Védőoltásokról - a tények alapján

(Aki először jár ezen a blogon, az javaslom, hogy kezdjen itt: Tartalomjegyzék gyanánt.)

A védőoltások az orvostudomány legcsodálatosabb találmányainak egyikét jelentik.

Több száz millió ember életét mentették meg a történelemben (illetve, a világ szerencsétlenebb országaiban, mentik meg mind a mai napig). Azáltal, hogy segítik elkerülni a megbetegedéseket, csökkentik a gyermekek fájdalmait, szenvedését, segítik elkerülni a még súlyosabb (adott esetben maradandó megnyomorodáshoz vezető) szövődményeket, tehermentesítik a nemzetgazdaságot és az egészségügyi ellátórendszert. Ami miatt a csodálatos jelző nem túlzás, hogy mindezt milyen kis áron teszik: kockázataik (illetve költségük) sok nagyságrenddel az előbbi előnyök mögött marad.

Manapság azonban felbukkantak, Magyarországon is, csoportok, akik fejükbe vették, hogy megingatják a bizalmat a védőoltásokban. Amíg ezt tárgyszerű, szakmai vita keretében teszik, nincs is semmi gond. Néhányan azonban nem érvelnek, hanem manipulálnak, nem megalapozott kritikájuk van, hanem előre eldöntött prekoncepcióikat, összeesküvés-elméleteiket igyekeznek szakmai köntösbe bújtatni. Céljuk, hogy érzelmekre hatva verjenek át embereket, károkat okozva az egész magyar közegészségügynek, a magyar gyermekeknek.

Meggyőződésem szerint csak felvilágosítással, ismeretterjesztéssel lehet e manipulációk ellen hatékonyan fellépni. E blog ezt a célt kívánja szolgálni: bemutatja, hogy a védőoltás-ellenesek hazugságaival szemben mit mutatnak a tények a védőoltásokról. Szó lesz a hatásosságról, a biztonságról; a témákat folyamatosan bővítem.

A blog központi oldala, ahonnan indulni érdemes: Tartalomjegyzék gyanánt. Innen indulva minden tárgyalt kérdés megtalálható, strukturált rendben.

A blog anyaga "könyv" formában is elérhető: Ferenci Tamás: Védőoltásokról – a tények alapján, sőt, most már igazi könyvként is, ha valaki jobb szeretné papíralapon olvasni. Rövid összefoglalóként ezt a cikkemet ajánlom.

Elérhetőség

A szerző biostatisztikus, az ÓE Élettani Szabályozások Csoportjának adjunktusa, a BCE Statisztika Tanszékének félállású adjunktusa.

Email-es elérhetőség:

 

Friss topikok

Címkék

adatforrás (2) adatvizualizáció (2) all trials (1) alumínium (3) andrew wakefield (2) autizmus (7) bárányhimlő (6) BCG (3) bexsero (5) bíróság (1) biztonság (36) boldogkői zsolt (1) cfr (1) cikk (9) cocooning (1) Cristopher Exley (1) cukorbetegség (1) diabetes (1) diftéria (1) efpia (2) egészségi állapot (1) előadás (3) epidemiológia (4) epidemiology and infection (1) eradikáció (1) etika (1) fészekimmunizálás (1) formaldehid (1) forrás (1) függetlenség (1) gyermekrák (1) haemophilus influenzae b (1) hatásosság (31) háziorvos továbbképző szemle (1) hepatitis b (2) Hib (1) higany (3) hírvivő (1) horváth ildikó (1) immunológia (1) immunrendszer (1) indokoltság (2) infektológia (4) influenza (1) interjú (2) ipm magazin (2) ipv (1) járványos gyermekbénulás (2) jog (2) kanyaró (8) kiggs (1) kockázat-haszon mérlegelés (5) kockázatérzékelés (1) kockázatkommunikáció (1) költséghatékonyság (3) könyv (8) kötelezőség (2) kritikus gondolkodásmód (7) Kürti Katalin (1) kutatás (4) matematika (1) meningococcus (4) minőség (3) MMR (5) morbilli (8) műhelytitok (8) mumpsz (1) nátrium-klorid (1) nyájimmunitás (10) oltás (116) oltás-rezisztencia (1) opv (1) orvosi hetilap (1) orvosi kutatások kritikus értékelése (9) orvosi megismerés módszertana (1) orvosi szemétkosár (2) összetevő (5) övsömör (1) PCV (1) pertussis (9) pneumococcus (1) policy (1) polio (5) prevenar (1) rota (1) rózsahimlő (2) rsv (1) rubeola (3) statisztika (3) synflorix (1) szamárköhögés (9) szatymaz (1) szebik imre (1) szendi gábor (5) szükségesség (1) TBC (2) tetyana obukhanych (1) tiomerzál (3) torokgyík (1) transzparencia (3) ukrajna (1) vakcina (117) varicella (5) védőoltás (117) wakefield (3) wavelet (1) zoster (1) Címkefelhő

Új választható tárgyam indul idén ősztől a SOTÉ-n: az Orvosi megismerés módszertana (és az orvosi kutatások kritikus értékelése)

2018.08.31. 09:09 Ferenci Tamás (vedooltas.blog.hu)

Megint egy félig off-topic bejegyzés, de mentségemre szóljon, hogy a szokásos témában, valamint, hogy abban egy számomra igen fontos fejleményről tudok beszámolni.

Biztos sokan tudják, hogy rengeteg továbbképzést, konferencia-előadást tartok orvosoknak az orvosi kutatások módszertani kérdéseiről (amiről az IPM-es cikksorozatom is szól), és különösen szívesen beszélek az orvosi kutatások kritikus értékeléséről. Meggyőződésem ugyanis, hogy ez egy rendkívül fontos témakör (és napról-napra csak egyre fontosabb lesz!) szinte minden orvosnak, hiszen manapság csak úgy özönlenek az orvosi információk, laikus sajtótól az orvoslátogatókon át a szakcikkekig, melyeket a helyükön kell(ene) kezelni.

Bár természetesen ezeket az előadásokat is nagyon fontosnak érzem, nemrégiben sikerült egy olyan lépést tenni, mely reményeim szerint még egy szinttel megjavítja az ilyen információk orvosokhoz való eljuttatását: időn ősztől a Semmelweis Egyetemen egy új, választható tárgyam indul, mely teljes egészében ennek a témakörnek lesz dedikálva! (Hadd köszönjem meg ezúton is hálásan a Népegészségtani Intézet minden érintett munkatársának az összes segítséget: tőlük érkezett a felkérés, és minden adminisztratív folyamatban lelkesen segítettek.)

Természetesen a SOTÉ-n eddig is volt biostatisztika oktatás (és ezután is lesz), de ez a kurzus más: nyilván nem különíthető el tökéletesen, de a biostatisztika inkább azoknak szól, akik a számokat gyártják, ez a kurzus azoknak, akik a számokat olvassák.  Nem azt magyarázza el a kurzus, hogy hogyan kell különféle próbákat végrehajtani, hanem azt, hogy a mások által végrehajtott próbákat hogyan kell értelmezni. Nem lesznek formulák, pláne nem lesznek számítások, a cél a koncepciók megértése: mi az, hogy confounding, p-érték, konfidenciaintervallum, esélyhányados, hazárd, ITT elv, metaanalízis, többváltozós modell… Ezek olyan fogalmak, melyek lépten-nyomon szembejönnek, és újra fontos hangsúlyozni: nem csak a statisztikusoknak, hanem minden klinikusnak, aki cikkeket olvas. Egyre inkább igaz, hogy az ilyen módszertani ismeretek ugyanúgy szükségesek egy cikk megértéséhez, ahogy mondjuk az élettani ismeretek. Mégis, nagyon gyakori, hogy az orvostanhallgatók nincsenek ezzel a tudással felvértezve (mert más tárgyak inkább a statisztikák gyártására fókuszálnak, mert csak részben érintik ezeket a témákat stb.); jelen kurzus ezt a hiányt igyekszik pótolni.

Külön hangsúllyal tér ki a kurzus az orvosi kutatások kritikus értékelésének témakörére: mik a tipikus buktatók, csapdák, jóhiszemű és kevésbé jóhiszemű félreértési, félrevezetési lehetőségek. Mik a leggyakoribb félreértések a p-érték kapcsán, mit jelent a szignifikanciavadászat, mik az előnyei, hátrányai és alkalmazási területei az egyes vizsgálati elrendezéseknek (kohorsz, ecological, esetbemutatás stb.), mik a kérdései a végpontok összevonásának, helyettesítő végpont használatának, milyen problémák merülnek fel kísérletben a komparátor megválasztása vagy a korai leállítás kapcsán, mit jelent a halhatatlan idő okozta torzítás, a szelekciós torzítás, a publikációs torzítás? Napjainkban, különösen, amikor anyagilag vagy ideológiailag motivált szereplők is árasztják a különféle eredményeket, ezek ismerete szintén elengedhetetlenül fontos a hatékony információszerzéshez, és, ennek révén, a helyes klinikai döntéshozatalhoz.

Az elmondottakat folyamatosan gyakorlati példák illusztrálják: a kurzus mindenhol megtörtént eseteket dolgoz fel és mutat be.

Úgyhogy ha valaki érintett SOTÉ-s hallgató, és felkeltettem az érdeklődését, akkor örömmel látom; a tárgy neve 'Az orvosi megismerés módszertana', kódja AOSNEI551_1M, hétfőnként 16:15-től 17:45-ig lesz a NET L-01-es termében. (A kurzus tehát heti egyszer másfél óra előadásból fog állni, vizsga nincs, félévközi jeggyel zárul, ehhez két kisebb súlyú demó lesz, és egy nagyobb súlyú házi feladat, mely nem más lesz, mint egy cikk önálló értelmezése és kritikus értékelése.) A tárgyat szabadon választható tárgyként bárki felveheti elsőévtől hatodévig, semmilyen előkövetelménye nincs. Természetesen, ha valakit érdekel a tárgy, akkor a kurzus adminisztratív felvételétől függetlenül is szívesen látom az órákon. Másrészről, mivel a tárgy most indul először, azt is megköszönöm, ha az olvasók viszik a hírét, csak hogy a lehető legtöbb potenciális érdeklődő halljon is róla.

Végezetül a kurzus kicsit részletesebb tematikája:

1. hét: Az orvosi kutatásokról általában. Az orvosi megismerés lehetséges módszerei, az empirikus vizsgálatok. Pár történeti megjegyzés. Az empirikus kutatás és a szisztematikus vizsgálatok jelentősége. Az orvosi kutatások általános sémája felé: expozíció, végpont. Kauzalitás és jelentősége.
2. hét: A confounding jelentősége és szerepe az orvosi kutatásokban. Példák a confounding-ra. Az empirikus orvosi kutatások legalapvetőbb csoportosítása: megfigyelés és kísérlet. Bizonyíték fogalma, bizonyítékok hierarchiája. A „bizonyítékok összessége” szemlélet, bizonyítékok aggregálása.
3. hét: A véletlen szerepe az empirikus orvosi kutatásokban: a mintavételi ingadozás. Mintavételi és nem-mintavételi hiba, tulajdonságaik. Kutatások külső és belső validitása, validálás. Mintaválasztás, véletlen és nem-véletlen minták, kényelmi minta.
4. hét: A végpont fogalma: elsődleges és másodlagos végpont, végpont jellege. Bináris, folytonos és eltelt idő jellegű végpontok. Bináris végpontok: ARR, RR, NNT és pszichológiai kérdéseik (a keretezési hatás). Folytonos végpontok: átlag/medián használata, a dichotomizálás veszélyei. Eltelt idő jellegű pontok: medián túlélés, a hazárd és a hazárdhányados fogalma. Kemény és surrogate végpontok. Végpontok szerencsétlen, vagy félrevezető összefogása.
5. hét: Megfigyeléses vizsgálatok: kohorsz, eset-kontroll, keresztmetszeti, ecological, case series és case report jellegű vizsgálatok. Előnyök, hátrányok, alkalmazási területek. Tipikus nehézségek, problémák (felidézési torzítás, információs torzítás, szelekciós torzítás, ecological fallacy, immortal time bias, lead time bias).
6. hét: Kísérletes vizsgálatok, és fő kérdéseik: vakosítás, kontrollálás (placebo vagy aktív kontroll), kiértékelés elve (ITT, PP). Szelekciós torzítás. Kísérletek korai leállításának kérdései.
7. hét: Metaanalízisek fogalma, jelentősége. Metaanalízis végrehajtásának legfontosabb motivációi. Metaanalízis végzésének a lépései, módszertana. Szisztematikus és nem-szisztematikus review. Súlyozás, fix és random hatású metaanalízis.
8. hét: Félévközi demó.
9. hét: A következtető statisztika alapjai. Sokaság és minta, mintavételi ingadozás. Becsléselmélet, pontbecslés és intervallumbecslés (konfidenciaintervallum). Hipotézisvizsgálat alapjai: null- és ellenhipotézis, tesztstatisztika, döntés, első- és másodfajú hiba, erő, p-érték.
10. hét: A következtető statisztikai apparátussal kapcsolatos leggyakoribb félreértések az orvosi vizsgálatokban: a p-érték nem hibavalószínűség (fordított logika), a bayes-i gondolkodás és a prior valószínűség szerepe. A klinikai és a matematikai szignifikancia fogalmának a keveredése. Többszörös összehasonlítások helyzete, szignifikanciavadászat. Alcsoport-analízis és problémái.
11. hét: Statisztikai modellek alapjai. A statisztikai modellek mint a confounding szűrésének egy módszere. Rétegzés mint a confounding szűrésének egyszerű módszere, továbblépés a statisztikai modellek felé. Regressziós modellezés, modellfeltevések. Lineáris regresszió, logisztikus regresszió, Cox-regresszió. A propensity score módszerek alapjai.
12. hét: Rendszerszintű problémák napjaink orvosi kutatásai kapcsán. Elszámolt és egyéb okból fundamentálisan hibás eredmények, az interpretáció befolyásoltsága. Eredmények eltitkolása, szelektív publikálás, a publikációs torzítás.
13. hét: Az orvosi megismerés filozófiai kérdései. Statisztikai és orvosi következtetéselmélet. A fisher-i és a neyman–pearson-i iskola ütközése. Korábbi információk beépítése. Egyedi beteg kezelése vs. átlagos betegre vonatkozó információ. A statisztika határai.
14. hét: 2. félévközi demó.

A honlapomon elérhető a kurzus nagyjábóli tervezett diasora, ez persze még módosulhat menet közben, de ha mást nem is, a hozzávetőleges tematikát mutatja (amellett, hogy reményeim szerint önmagában is hasznosítható).

26 komment

Címkék: orvosi kutatások kritikus értékelése orvosi megismerés módszertana

A bejegyzés trackback címe:

https://vedooltas.blog.hu/api/trackback/id/tr5314213505

Kommentek:

A hozzászólások a vonatkozó jogszabályok  értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai  üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a  Felhasználási feltételekben és az adatvédelmi tájékoztatóban.

fordulo_bogyo 2018.08.31. 14:01:39

Szivesen resztvennek, csak ugye a tavolsag. Ha az a kurzus irasos anyagai, jegyzet, diak stb. (vagy videofelvetele) elerhetoek lesznek majd, nagyon megkoszonnem. Termeszetesen kizarolag sajat hasznalatra.

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.08.31. 16:33:35

@fordulo_bogyo: Jaj, tényleg, jó, hogy mondod, magamtól is be akartam írni a bejegyzésbe. Nem csak hogy "kizárólag saját használatra", hanem teljesen nyilvánosan is közzéteszem a diákat! Nem vagyok híve az információk monopolizálásának; ki is egészítettem ezzel a bejegyzés legvégét.

Egyébként az én agyamon is átfutott, hogy akár videót is lehetne csinálni, de ez egyrészt technikai kérdésekkel is jár (felvétel, vágás stb.), amit most végképp nincs kapacitásom kezelni, másrészt nem is biztos, hogy rögtön a legelső évfolyamnál érdemes ezzel indítani :D

fordulo_bogyo 2018.09.01. 07:54:27

Koszonom!
Ez a kedvencem, eddig is tudtam, hogy igy van, de most tokeletesen meg is ertettem, miert van igy! Ha megengeded, idezem a jegyzeteted, es utana kerdezek:

"A második legfontosabb félreértés:p-érték = hibavalószínűsége
•Az egyszerűség kedvéért a kísérletünknek csak két kimenete lehet: a gyógyszer hatásos éshatástalan
•Kétféle hiba van, legyen a hatástalan hatásosnak minősítése 5, a hatásos hatástalannakminősítése 20% valószínűségű•Az utóbbi azt jelenti, hogy 80% az erő. . .
•. . . az előbbi épp a választott szignifikanciaszint•A hatástalanság a priori valószínűsége 90%
•Hogy mi? Ez miért érdekes? Hogy jön ez ide?

Egy kis fejszámítás
•Hogy matematikai részletek nélkül megindokoljam ezt, végezzünk egy gondolatkísérletet
•1000-szer szimuláljuk ezt a világot (avagy 1000 párhuzamos univerzumot tekintünk)
•1000·0,1 = 100-szor hatásos lesz a gyógyszer. . .–. . . ebből100·0,2 = 20-szor hatástalannak minősítjük, a maradék 80 esetben hatá-sosnak
•1000·0,9 = 900-szor hatástalan lesz a gyógyszer. . .–. . . ebből900·0,05 = 45-szor hatásosnak minősítjük, a maradék 855 esetben hatás-talannak
•Összességében80 + 45 = 125esetben lesz hatásosnak minősítve a gyógyszerünk
•A hibarány, tehát, hogy a hatásosnak minősítések közül mekkora arányban hatástalanvalójában a gyógyszer45/125 =36% –marhára nem 5%!
Colquhoun D. An investigation of the false discovery rate and the misinterpretation of p-values. R Soc Open Sci. 2014 Nov 19;1(3):140216.A hatásSterne JA, Davey Smith G. Sifting the evidence-what’s wrong with significance tests? BMJ. 2001 Jan 27;322(7280):226-31."

Tovabbviszem:
Osszessegeben az 1000 vizsgalatbol 100 esteben hatasos, 900 esetben hatastalan lenne az elmeleti, idealis kimenet, ehelyett 125 esetben hatasos es 875 esetben hatastalan az amit eredmenykent kapunk.
A publkcioban azt irja a szerzo, hogy az eredmenye 875/1000 azaz 87.5% a valoszinusege, hogy hatastalan a szer. Valojaban 90% lenne az idealis eredmeny.
Nem latok komoly problemat, a szememben a 90% is es a 87.5% is azt mondja: ez hatastalan. Itt csak 6.8% a hiba, ha jol szamolom! OK, nem 5%, de nem is ter el tole jelentosen.

Kerdes1: a p-erteknek fentebb leirt extrem viselkedese csak az alacsony valoszinusegu (es emiatt ugyis elvetett) allitasokra igaz? Ha igen, akkor ez jelentosen csokkenti a problema jelentoseget. Tudnal olyan peldat szerkeszteni, ahol emiatt a hiba miatt a kiserlet eredmenye alapjaban hibas lesz, es igen helyett nem lesz vegeredmeny (vagy forditva)?

Kerdes2: a valos eletben honnan tudjuk az elozetes, a priori valoszinuseget?

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.09.01. 11:41:28

@fordulo_bogyo: Én is köszönöm!

Válaszolva a kérdéseidre:

"Osszessegeben az 1000 vizsgalatbol 100 esteben hatasos, 900 esetben hatastalan lenne az elmeleti, idealis kimenet, ehelyett 125 esetben hatasos es 875 esetben hatastalan az amit eredmenykent kapunk.
A publkcioban azt irja a szerzo, hogy az eredmenye 875/1000 azaz 87.5% a valoszinusege, hogy hatastalan a szer. Valojaban 90% lenne az idealis eredmeny.
Nem latok komoly problemat, a szememben a 90% is es a 87.5% is azt mondja: ez hatastalan. Itt csak 6.8% a hiba, ha jol szamolom! OK, nem 5%, de nem is ter el tole jelentosen."

Ennek a számításnak ilyen formában nincs értelme. Téged nem az érdekel, hogy az általad deklarált hatásosságtól *függetlenül* mikor hatásos, hanem, hogy ahhoz *képest* mikor hatásos. Amit csinálsz, az olyan, mintha azt mondanád, hogy tíz héten keresztül lottóztam, és 10% a sikerarányom, mert egyszer eltaláltam... ugyanis a 2. héten tippelt számaimat a 7. héten kihúzták. Gondolj bele (remélem ez a példa rögtön világossá teszi): ha elfogadjuk a te fenti metrikádat, akkor az a módszer, mely elvégzi a kísérletet, utána annak az eredményét kidobja a kukába, és bármi is jött ki, azt mondja, hogy "hatástalan", na ez a módszer a te metrikád szerint tökéletes! (Hiszen itt nem hogy 6,8% a hiba, hanem zéró, a fenti számítási módot követve.)

"a p-erteknek fentebb leirt extrem viselkedese csak az alacsony valoszinusegu (es emiatt ugyis elvetett) allitasokra igaz?"

Minden prior valószínűség mellett igaz, csak a helyzet annál drámaibb minél kisebb a prior valószínűség.

"Tudnal olyan peldat szerkeszteni, ahol emiatt a hiba miatt a kiserlet eredmenye alapjaban hibas lesz, es igen helyett nem lesz vegeredmeny (vagy forditva)?"

Erre a kérdésre azért nehéz válaszolni, mert a dolog csak probabilisztikusan értelmezhető. Az egész fenti témakört félretéve is igaz, hogy nem *konkrét* példát tudsz "szerkeszteni", csak azt tudod mondani, hogy ezt a döntési sémát követve a hatástalan gyógyszerek 5%-át hatásosnak minősíted. Tehát nincs olyan, hogy "tessék, itt ez a példa, amiben rosszul döntesz" - ez a dolog csak hosszútávon értelmezhető, ha a kísérleteket (képzeletben) nagyon sokszor újra meg újra meg tudnád ismételni. (Persze leszimulálhatod, ha szeretnéd!)

"a valos eletben honnan tudjuk az elozetes, a priori valoszinuseget?"

Na, ezzel rátapintottál az egész bayes-i vs. frekventista témakör talán legforróbb kérdésére. (Ennek megfelelően itt most 5000 karakterben nem is fogok neked definitív választ írni :) ) Van pár egyéb, kisebb súlyú ellenérv is, de a legeslegfontosabb, ami miatt ódzkodnak sokan a bayes-i kerettől, noha szinte minden mellette szól, az épp az, hogy honnan jönnek a prior valószínűségek? Ez valami szubjektív dolog lesz...!

Két dolog fontos ennek kapcsán. Az egyik, hogy ezt lehet mondani, de akkor aki ezt mondja, az azt se felejtse el, hogy innentől kezdve NEM mondhat semmit arról, hogy mennyire valószínű, hogy hat a gyógyszer! (Hiszen ahhoz *mindenképp* kell prior valószínűség.) A jelen diasorban inkább ez volt a célom: nyilván nem a frekventista/bayes-i debate-et akarom eldönteni, de akkor használjuk pontosan a fogalmakat. Ha valaki marad frekventista keretben, oké, de ne mondjon olyat, hogy csak 5% a valószínűsége, hogy mégsem hat a gyógyszer.
A másik, hogy bár ez tényleg zavaró lehet, de óvatosnak kell lenni: a frekventista keretnek is van egy halom feltevése, maximum azok kevésbé látványosak. ("Any frequentist criticizing the Bayesian paradigm for requiring one to choose a prior distribution must recognize that she has a possibly more daunting task: to completely specify the experimental design, sampling scheme, and data generating process that were actually used and would be infinitely replicated to allow p-values and confidence limits to be computed." - www.fharrell.com/post/journey/ ) De újra mondom, erről a kérdésről szó szerint könyv-hosszúságú vitákat folytattak, nagyon okos emberek is...

Mindenesetre nagyon köszönöm az észrevételt, kiegészítettem a diasort ilyen szemmel!

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.09.01. 11:49:27

@fordulo_bogyo: Most újraolvastam, hogy Richard McElreath mit írt erről az - egyébként hallatlanul didaktikus - alapművében, a Statistical rethinking-ben. Érdekelhet téged, úgyhogy bemásolom teljes egészében:

"None of this should be understood to mean that any statistical analysis is not inherently subjective, because of course it is—lots of little subjective decisions are involved in all parts of science. It’s just that priors and Bayesian data analysis are no more inherently subjective than are likelihoods and the repeat sampling assumptions required for significance testing. Anyone who has visited a statistics help desk at a university has probably experienced this subjectivity—statisticians do not in general exactly agree on how to analyze anything but the simplest of problems. The fact that statistical inference uses mathematics does not imply that there is only one reasonable or useful way to conduct an analysis. Engineering uses math as well, but there are many ways to build a bridge.
Beyond all of the above, there’s no law mandating we use only one prior. If you don’t
have a strong argument for any particular prior, then try different ones. Because the prior is an assumption, it should be interrogated like other assumptions: by altering it and checking how sensitive inference is to the assumption. No one is required to swear an oath to the assumptions of a model, and no set of assumptions deserves our obedience.

Rethinking: Prior, prior pants on fire. Historically, some opponents of Bayesian inference objected to the arbitrariness of priors. It’s true that priors are very flexible, being able to encode many different states of information. If the prior can be anything, isn’t it possible to get any answer you want? Indeed it is. Regardless, after a couple hundred years of Bayesian calculation, it hasn’t turned out that people use priors to lie. If your goal is to lie with statistics, you’d be a fool to do it with priors, because such a
lie would be easily uncovered. Better to use the more opaque machinery of the likelihood. Or better yet—don’t actually take this advice!—massage the data, drop some “outliers,” and otherwise engage in motivated data transformation.
It is true though that choice of the likelihood is much more conventionalized than choice of prior. But conventional choices are often poor ones, smuggling in influences that can be hard to discover. In this regard, both Bayesian and non-Bayesian models are equally harried, because both traditions depend heavily upon likelihood functions and conventionalized model forms. And the fact that the non-Bayesian procedure doesn’t have to make an assumption about the prior is of little comfort. This is because non-Bayesian procedures need to make choices that Bayesian ones do not, such as choice of estimator or likelihood penalty. Often, such choices can be shown to be equivalent to some Bayesian choice of prior or rather choice of loss function."

fordulo_bogyo 2018.09.01. 17:33:57

@Ferenci Tamás (vedooltas.blog.hu): Koszonom. Hamegengeded, ertetlenkedek. Mert komolyan nem ertem.
"csak azt tudod mondani, hogy ezt a döntési sémát követve a hatástalan gyógyszerek 5%-át hatásosnak minősíted"
Arra kernelek, ezt mutasd be egy peldaval, mert pont ez amit en keresek, de az elobbi okfejtesedbol nekem ez nem jott at (nyilvan valamit felreertek, de segitseg kene).

A peldadban, ha 10 merest vegzek, abbol 1 esetben lesz hatasos, ha 100 merest, akkor 12.5 esetben lesz hatasos, ha ezer merest, akkor 125 esetben talalom hatasosnak. Nyilvan itt ertek felre valamit, de nem latom magamtol, hogy mit.

Kulonbozo univerzumokrol irsz. Ertsem ugy, hogy az egyik univerzumban a 3 vagy 10 vagy 100 mereres eredmenye az lesz, hogy hataosos?

Bocs, de hogy nem tudom ertelmesen megfogalmazni, mit nem ertek.

qbr 2018.09.01. 20:52:29

@fordulo_bogyo: ne a 125/1000-et nézd, hanem a 125-ön belül a valódi hatásosság/hamis pozitív eredményt

fordulo_bogyo 2018.09.01. 21:22:34

@qbr: Bocs, az miert erdekeljen engem? Engem az erdekel hogy 90+/- valami a hatas/hatastalansag merteke. Hogy az a +/- az 5% vagy 10% vagy 20% az nem valtoztat a lenyegen.
Mit nem ertek?

qbr 2018.09.01. 22:07:00

Közben rájöttem, hogy én értettem félre a kérdésedet.
A párhuzamos valóságok mellett az időgép is jó példa: ezerszer visszautazol az időben, és ezerszer elvégzed a kísérletet, és persze mindig más véletlen mintával (merthogy véletlen a minta).
Összesen 1000 darab kísérleted van így, véletlen mintával, amelyből 125-ször kapsz olyan eredményt, ami hatásosnak mutatja a gyógyszert (azt persze nem tudod, hogy valóban az-e, az egy előled rejtett tulajdonsága a gyógyszernek, te csak a kísérletek eredményét látod - dehát pont ezért végzed a kísérleteket)
Ebből a 125 pozitív eredményből 80 van helyesen hatásosnak minősítve (a 100-ból 20 pozitív eredményt nem érzékeltünk ugye az alapbeállításaink miatt), és 45 valójában fals pozitív eredmény (hiszen 900 valójában hatástalan eredményből jött ki a nagy spagettiszörny elrendeléséből 45 fals pozitív találat)

fordulo_bogyo 2018.09.02. 22:40:49

@qbr: Egy szer vagy hatasos, vagy hatastalan.
Egy hatastalan szer hogyan lehet 1000 esetbol 80 alkalommal HELYESEN hatasosnak nyilvanitva?
Az nem teves, hibas kimenete a vizsgalatnak?

dr Brcskzf Gröőő 2018.09.03. 08:33:40

@fordulo_bogyo: a szer vagy hat, vagy sem. evvel nem tökéletesen összefüggve a teszt vagy sikeres, vagy sem. négy eset van:
- a szer hat, a teszt sikeres (hatónak jelzi) -- 1000-ből 80-szor;
- a szer hat, de a teszt sikertelen (hatástalannak jelzi) -- 1000-ből 20-szor;
- a szer nem hat, és a teszt sikeres (hatástalannak jelzi) -- 1000-ből 855-ször;
- a szer nem hat, de a teszt sikertelen (hatónak jelzi) -- 1000-ből 45-ször.

dehát ez csak az elméleti felépítmény, valójában mi csak a teszt eredményeit látjuk. esetleg léteznek további tesztek, amik sokkal drágábban és/vagy sokkal később jeleznek eredményt, amelyek némileg különböznek a fenti hipotetikus eredménytől, és ha ezeket az új teszteket megbízhatóbbnak tartjuk (sőt: ezek alapján definiáljuk, hogy a szer ténylegesen hatott-e), akkor beszélhetünk a hipotetikus tesztünk megbízhatóságáról (pontosabban hogy megmértük a teszt megbízhatóságát).

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.09.03. 12:46:15

@fordulo_bogyo: "Egy szer vagy hatasos, vagy hatastalan.
Egy hatastalan szer hogyan lehet 1000 esetbol 80 alkalommal HELYESEN hatasosnak nyilvanitva?"

Aha! Azt hiszem most értettem meg, hogy hol van a kutya elásva.

Te nem jó modellben értelmezed ezeket a számokat. A te modelled most a "Jóisten nézőpontja" modell, melyben tudjuk, hogy valójában hat-e a szer vagy sem (miközben mi igazából persze ezt soha nem tudhatjuk biztosan). Ezzel a modellel semmi baj nincs, ez egy tökéletes modell, ezt célszerű például annak elmagyarázására használni, hogy az 5%-nyi elsőfajú hiba mit jelent. (Ha azt képzeljük (itt jön be a modelled!), hogy tudjuk, hogy nem hat a gyógyszer, 100 kísérletből várhatóan 5-ször mégis azt fogjuk kapni, hogy van hatása.)

Csakhogy. Ez a dia egy szinttel lejjebbi kérdést próbál elmagyarázni. Azt próbálja elmagyarázni, hogy a prior valószínűség hogyan módosul a kísérletből nyert információk hatására. Ennek megfelelően az időgépes/párhuzamos világos példa NEM annak szemléltetésére van, hogy a valóságban ("Jóisten nézőpontja") mi van, hanem annak szemléltetésére, hogy a prior valószínűség mit jelent. Mondjuk legyen a hatástalanság prior valószínűsége 90%. Általában is igaz, hogy egy valószínűség kézzelfoghatóvá tételére egy módszer az, ha arra hivatkozol, hogy egy erre elvégzett független kísérletsorozatban a kimenet relatív gyakorisága várhatóan ez lesz. (Pl. el akarod magyarázni, hogy mit jelent, hogy egy pénzérme úgy cinkelt, hogy 90% valószínűséggel fej jön ki, akkor egy lehetséges elmagyarázás, hogy 100-szor feldobva (vagy időgéppel visszamenve és 100-szor megismételve, vagy 100 párhuzamos világban feldobva) várhatóan 90-szer fej lesz. Ez a valószínűség legklasszikusabb interpretációja, az ún. frekvencionista interpretáció; van más is, de most ez nekünk tökéletesen elég lesz.)

Tehát, folytatva a gondolatmenetet, az időgépes/párhuzamos világos példa a 90%-ot (NEM a gyógyszer valódi, "igazi" hatásosságát) kívánja szemléltetni. Ebből adódóan itt NEM érvényes, hogy a gyógyszer vagy hat, vagy nem, mert a 90% PONT azt jelenti, hogy 100 világból 90-ben nem hat, 10-ben igen. Ez nem mond ellent annak, hogy de hát vagy hat vagy nem, mert itt most nem megyünk fel addig a szintig, csak addig a szintig, hogy 90% a valószínűsége, hogy nem hat. Ebben a mentális modellben nincsen Jóisten, fogalmunk sincs, hogy a gyógyszer igazából hat-e vagy sem, a legtöbb információ amink van, az a 90%.

fordulo_bogyo 2018.09.03. 17:46:50

Koszonom a turelmeteket es magyarazatokat.

@Ferenci Tamás (vedooltas.blog.hu): "az 5%-nyi elsőfajú hiba mit jelent. (Ha azt képzeljük (itt jön be a modelled!), hogy tudjuk, hogy nem hat a gyógyszer, 100 kísérletből várhatóan 5-ször mégis azt fogjuk kapni, hogy van hatása.)"

Tisztazzuk, mit ertunk kiserlet alatt? Valoszinuleg mast ertunk alatta es ez az oka az ertetlenkedesemnek.
A. 100 kiserlet: 100 beteg kapja a gyogyszert ebbol 95 nem gyogyul meg, 5 meggyogyul. A placebo csoportban meg egy sem gyogyul meg.

B. 100 fuggetlen klinikai kiprobalasban kapja 100-100 beteg a gyogyszert. A 100 klinikai kiprobalasbol 95- ben a gyogyultak szama megegyezik a placebo kontrollal, mig 5 kliniai vizsgalatban azt talaljak, hogy (valamennyivel) tobben gyogyulnak a gyogyszert kapok kozul.

" a 90% PONT azt jelenti, hogy 100 világból 90-ben nem hat, 10-ben igen." - ez az utobbi (B) valtozatra mutat.

Ha igy van, ez hogyan lehetseges? Valami primitiv peldat tudnatok erre irni?
Mondjuk csak 10 merest vegzunk "vilagonkent", hogy egyszerubb legyen atgondolni.
Legyena tesztelendo szer egy sav lekoto, aminek az a dolga, hogy semlegesitje a vizelet pH erteket (kitalalt marhasag, csak gondolatkiserlet).
Szedi 10-10 beteg, en meg egy het utan megmerem a vizeletuk pH erteket.
95 vilagban a vizeletek pH atlaga 7 alatti, itt nem hatott.
5 vilagban a vizeletek pH atlaga 7 (vagy folotte van), itt hatott.
Errol van szo?
Ezt el tudom kepzelni, mert 10 beteg kozul valoban lehet veletlenul 6 egy csopotban, akiknek (mas okbol) semlegesse valik a vizeletuk.
Da ha 10 helyett 100 vagy 1000 beteget vizsgalok, akkor is lehetseges ez?

Nagy keres lenne, hogy par szoval irjatok le egy vilagot, ahol hatasos es egy masikat ahol hatastalan az eredmeny?

fordulo_bogyo 2018.09.03. 18:27:54

@Ferenci Tamás (vedooltas.blog.hu): "Tehát, folytatva a gondolatmenetet, az időgépes/párhuzamos világos példa a 90%-ot (NEM a gyógyszer valódi, "igazi" hatásosságát) kívánja szemléltetni. Ebből adódóan itt NEM érvényes, hogy a gyógyszer vagy hat, vagy nem, mert a 90% PONT azt jelenti, hogy 100 világból 90-ben nem hat, 10-ben igen."

Nyilvan bennem van a hiba, ezt egyszeruen nem tudom elkepzelni, hogyan lehetseges. Kernek erre valami nagyon egyszeru, foldhozragadt peldat, ha lehetseges.

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.09.04. 18:31:58

@fordulo_bogyo: " "az 5%-nyi elsőfajú hiba mit jelent. (Ha azt képzeljük (itt jön be a modelled!), hogy tudjuk, hogy nem hat a gyógyszer, 100 kísérletből várhatóan 5-ször mégis azt fogjuk kapni, hogy van hatása.)"

Tisztazzuk, mit ertunk kiserlet alatt? Valoszinuleg mast ertunk alatta es ez az oka az ertetlenkedesemnek.
A. 100 kiserlet: 100 beteg kapja a gyogyszert ebbol 95 nem gyogyul meg, 5 meggyogyul. A placebo csoportban meg egy sem gyogyul meg.

B. 100 fuggetlen klinikai kiprobalasban kapja 100-100 beteg a gyogyszert. A 100 klinikai kiprobalasbol 95- ben a gyogyultak szama megegyezik a placebo kontrollal, mig 5 kliniai vizsgalatban azt talaljak, hogy (valamennyivel) tobben gyogyulnak a gyogyszert kapok kozul."

Egyik sem. Ebben a példában most *teljesen mindegy* hogy hány résztvevő van, mert egyetlen dolog számít: hogy mi lesz a kutatás kimenete. Hat vagy sem. (Most ilyen simán binárisan értjük.)
Az állítás az, hogy ha a valóságban nem hat a gyógyszer, akkor - amennyiben 5%-os szignifikanciaszinten döntesz a hatásosságról - várhatóan 95 esetben fogod (helyesen) hatástalannak minősíteni. És ez az állítás *teljesen független* attól, hogy hány résztvevő van a kísérletekben, sőt, az is lehet, hogy az egyikben 10, a másikban 10 ezer - ha hatástalan a szer, akkor várhatóan 5-ször fogod hatásosnak minősíteni!

fordulo_bogyo 2018.09.04. 20:47:52

@Ferenci Tamás (vedooltas.blog.hu): Koszonom a valaszt. Ezen par napig gondolkozni fogok.

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.09.05. 08:06:24

@fordulo_bogyo: Igen, ezek tényleg tipikusan olyanok, amire aludni kell...

Ami még nagyon sokat tud szerintem segíteni: ha leszimulálod (amennyiben értesz megfelelő programnyelven).

Például R-ben:

KiserletekSzama <- 10000
KiserletekMintanagysaga <-round( runif( KiserletekSzama, 5, 500 ) )
Mintak <- lapply( KiserletekMintanagysaga, rnorm )
mean( sapply( Mintak, function( x ) t.test( x )$p.value<0.05 ) )

(Itt kipróbálhatod online is: www.compileonline.com/execute_r_online.php )

Van 10 ezer kísérletünk, a mintanagyságok 5 és 500 közötti (egyenletes) véletlenek, tehát itt jön elő amit beszéltünk, hogy totálisan különbözőek. Utána - 3. sor - mindegyikhez szimulálunk annyi standard normális véletlenszámot, mint amennyi az arra a kísérletre kisorsolt mintanagyság. Azaz: minden beteg eredménye egy szám, mondjuk mintha egy laborértéket mérnénk. (Az egyszerűség kedvéért nem két csoportot hasonlítok egymáshoz, hanem egy csoportot a nullához, de ez most tisztán csak azért, hogy egyszerűbb legyen a kód.) Standard normális, tehát a várható értéke nulla - a gyógyszernek (igazából) nincs hatása. És végül az utolsó sorban ezt le is teszteljük, sima t-próbával (nem fontos, hogy miért, a lényeg, hogy ez itt most a jó teszt) és megszámoljuk, hogy az összes kísérlet mekkora hányada lesz szignifikáns 5%-on. És voilá': hiába voltak teljesen eltérőek a mintanagyságok, ez az érték 0,05 körül ingadozik, tehát 100 kísérletből várhatóan 5-ben kapunk szignifikáns eredményt, hiába nem hat a gyógyszer.

fordulo_bogyo 2018.09.05. 09:33:35

@Ferenci Tamás (vedooltas.blog.hu): Koszonom.
A szimulacio valoban ugy mukodik, ahogy az elvarhato, jatszottam a szignifikancia szinttel, mindig az adott ertek koruli szam jon ki, valtoztattam a mintaszamot, es a kiserletek szamat tag hatarok kozott.

Sajnos ez csak a vegeredmenyt adja, nem latok moge, igy megirtam excelben. :-)
Vettem 10 veletlen szamot (rand). Atlagoltam oket. Sok-sok fuggoleges oszlopban egymas mellett.
Kikerestettem az atlagok legkisebb erteket. Sok ismetlesben 0.18 volt a legalacsonyabb ertek, nem ment kozelebb nullahoz.

Ha jol ertem, kene talaljak olyan elemsorokat (kiserleteket, nalam a fuggoleges oszlopok), amik nem kulonoznek a nullatol az adott szignifikancia szinten.

Naiv keres, ki tudnal szedni az r-bol egy adott kiserlet elemsorat, amelyik nem kulonbozik nullatol?

Most, hogy mindezt leirtam, most vettem eszre, hogy nem veletlen szamokat kene hasznaljak 0 -1 kozott, hanem egy olyan normalis eloszlasbol venni veletlenul adott szamu (5-500 a programodban) elemet, aminek 0 a kozepe.
Jol gondolom?

A fenti excel tablat atirtam, hogy 0.5-hoz hasonlitsa az veletlen szamaimat, es valoban, a t erteke (ritkan) lemegy egeszen 0.005-re is (sot meg lejjebb is). Tudom, hogy ez nagyon primitiv, mert nem normalis eloszlast neztem, hanem egyszeruen veletlen szamokat.

Azt hiszem, kezdem erteni.

Bocs a hosszu monologert, monologizalas kozben ertettem meg, itt hagyom, hatha masnak is segit.

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.09.05. 09:58:48

@fordulo_bogyo: Ez alapján azt hiszem teljesen jó a logikád. Normális körülmények között senkinek nem ajánlanám, hogy ilyenre Excel-t használjon, de hogy most segítselek, megírtam Excel-ben is (és normális véletlent használva):

medstat.hu/KiserletSzim.xlsx

A C oszloptól van 500 véletlenszám (a képlet azért kell, hogy normális eloszlású legyen), de ebből csak mindig annyit veszünk figyelembe (ELTOLÁS/OFFSET függvény), amennyi az A oszlopban van (ez ugyanis a mintanagyság). A B oszlop a t-próba eredménye (a hosszú képlet egyszerűen csak a t-próba képlete), hogy szignifikáns-e, vagy sem, és végezetül a B oszlop tetején van az, hogy mekkora hányadban lett szignifikáns.

Karinthy-paradoxon · http://www.alltrials.net/ 2018.09.12. 12:02:02

A Social Science & Medicine teljes agusztusi száma az RCT -vel foglalkozik
www.sciencedirect.com/journal/social-science-and-medicine/vol/210/suppl/C

Ez ingyenesen elérhető - akár a diákoknak is ajánlható, kiegészítő irodalomként.
Understanding and misunderstanding randomized controlled trials
www.sciencedirect.com/science/article/pii/S0277953617307359

"Highlights
•Randomization does not balance confounders in any single trial.
•Unbiasedness is of limited practical value compared with precision.
•Asymmetric distributions of treatment effects pose threats to significance testing.
•The best method depends on hypothesis tested, what's known, and cost of mistakes.
•RCT results can serve science but are weak ground for inferring ‘what works’.
"

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.09.12. 13:24:51

@Karinthy-paradoxon: Köszi a linket, mindenképp megnézem! Addig is, az első pontra kapásból tudok reagálni, mert az nem igaz. Persze, nem egyensúlyozza ki (erre egyébként még az IPM-es cikksorozatomban is utaltam!), de ez egyáltalán nem is baj, mert a torzítatlanságot ez nem befolyásolja. Nézd meg Senn-től a Seven myths of randomization-t, abban nagyon világosan le van írva, hogy miért.

Karinthy-paradoxon · http://www.alltrials.net/ 2018.10.11. 20:06:56

@Ferenci Tamás (vedooltas.blog.hu):

>>•Randomization does not balance confounders in any single trial.
>..az első pontra kapásból tudok reagálni, mert az nem igaz. Persze, nem egyensúlyozza ki ...

Ezt nem teljesen értem, Ez amolyan dupla tagadás?
A mondat első felében jelzed, hogy "az nem igaz", a következő mondatban pedig, hogy az igaz, hogy "nem egyensúlyozza ki"

Nekem azért tetszik a vita, érdekes intellektuális kihivás belehelyezkedni az érvelők nézőpontjába.
de a többi válaszcikket is mindenképpen érdemes hozzáolvasni ( azok sajnos nem publikusak )
Senn válasza konkrétan ez: errorstatistics.com/2018/01/13/s-senn-being-a-statistician-means-never-having-to-say-you-are-certain-guest-post/

de sokan mások is kommentelték Deaton és Cartwright - egy kicsit provokatív tanulmányát. ( legalábbis a googli segítségével találtam még jó pár reagációt )
causality.cs.ucla.edu/blog/index.php/2018/03/10/challenging-the-hegemony-of-randomized-controlled-trials-comments-on-deaton-and-cartwright/
www.stat.columbia.edu/~gelman/research/published/causal_ssm.pdf
behavioralscientist.org/rcts-are-not-always-the-answer/
larspsyll.wordpress.com/2018/08/28/some-common-misunderstandings-about-randomization/

A "single trial" - részhez jól illik a szintén a szintén itt megjelent 26 feltételezés, aminek mind teljesülni kell, ( amire a szerző szerint kicsi az esély )
Cook, T. D. (2018). Twenty-six assumptions that have to be met if single random assignment experiments are to warrant “gold standard” status: A commentary on Deaton and Cartwright. Social Science and Medicine, 210, 37-40. DOI: 10.1016/j.socscimed.2018.04.031

Nagy anyag, nekem is idő kell, hogy megemészem.

Még Dean Ornish véleményét szeretném felhozni, ő szerinte az RCT nem igazán ideális a táplálkozási és életmód kérdések eldöntésében.
2014 : WHAT SCIENTIFIC IDEA IS READY FOR RETIREMENT?
Dean Ornish: Large Randomized Controlled Trials
www.edge.org/response-detail/25497
"
....
Also, the idea in RCTs that you're changing only one independent variable (the intervention) and measuring one dependent variable (the result) is often a myth. For example, let's say you're investigating the effects of exercise and its effects on preventing cancer. You devise a study whereby you randomly assign one group to exercise and the other group to no exercise. On paper, it appears that you're only working with one independent variable.
In actual practice, however, when you place people on an exercise program, you're not just getting them to exercise; you're actually affecting other factors that may confound the interpretation of your results even if you're not aware of them.
For example, people often exercise with other people, and there's increasing evidence that enhanced social support significantly reduces the risk of most chronic diseases. You're also enhancing a sense of meaning and purpose by participating in a study, and these also have therapeutic benefits. And when people exercise, they often begin to eat healthier foods.
We need new, more thoughtful experimental designs and systems approaches that take into account these issues. Also, new genomic insights will make it possible to better understand individual variations to treatment rather than hoping that this variability will be "averaged out" by randomly-assigning patients.
"

Táplálkozás és Orvosi tévedések témájához jól illik a nyári konferencia - amit furcsa módon egy életbiztosító szervezett
( ami igazából arra is célzás, hogy az üzleti világban a legjobban életbiztosítók motiváltak a biztosítottaik életbentartásában)
FOOD FOR THOUGHT: THE SCIENCE AND POLITICS OF NUTRITION
institute.swissre.com/events/food_for_thought_bmj.html#tab_4
innen különösen
John P.A. Ioannidis,: The role of bias in nutritional research - előadása releváns.
media.swissre.com/documents/Food_for_thought_Presentation+John+Ioannidis.pdf
institute.swissre.com/research/library/food_for_thought_john_ioannidis_presentation.html
A végén a QA részben - van egy kis csattanó, amikor a predimed.es kisérletre reagálva megjegyzi,
hogy ő azért sok sok kisérlet után reméli, hogy nem csinálna olyan randomizációs hibát, hogy egy egész falut - 1 személyként randomizálna.

Ferenci Tamás (vedooltas.blog.hu) · http://vedooltas.blog.hu/ 2018.10.11. 20:14:26

@Karinthy-paradoxon: "Ezt nem teljesen értem, Ez amolyan dupla tagadás?
A mondat első felében jelzed, hogy "az nem igaz", a következő mondatban pedig, hogy az igaz, hogy "nem egyensúlyozza ki" "

Bocs, lehet, hogy túl nyakatekerten fogalmaztam. Azt akartam mondani, hogy tényleg nem egyensúlyozza ki (mind a végtelent nyilván nem), DE ez nem is probléma. És itt utaltam a Senn cikkre, ahol jól le van írva, hogy ez miért van így.

Ettől függetlenül köszi, hogy belinkelted Senn konkrét válaszcikkét, nem is tudtam róla, hogy van! (Bár Senn nézőpontját ismerve nem lepődtem meg rajta.) Egyébként most látom ebben, hogy Senn-nek egy blogbejegyzése is van arról, amit először hivatkoztam: errorstatistics.com/2013/07/14/stephen-senn-indefinite-irrelevance-2/ .

Mindezzel együtt is, tényleg nagy anyag, én is csak igyekszem végigolvasni :)

Más, de ha már itt tartunk: Személyesen Senn fog november 9-én egész napos tanfolyamot tartani a KBT szervezésében Budapesten az N-of-1 trial-ekről; ha érdekel gyere el! (Csak azért mondom, mert tudom egy korábbi vitánkból, hogy nagyon pozitívan nyilatkoztál erről a módszertanról.)
blank