Biostatistics on the Table

Здесь, кстати, интересная тема поднимается. Крайне важная с точки зрения как планирования исследования (какие ковариаты включать в модель и включать ли их вообще), так и с точки зрения интерпретации результатов (а что мы, собственно, оцениваем в РКИ). Заметьте, автор подчеркивает разницу между третьим и пятым пунктами.

Вообще это интересно. В биостатистике "conditional inference" и "marginal inference" - это очень важные термины, но вот то, что они означают сильно зависит от контекста. А если хоть немного выйти за пределы биостатистики, то появится еще больше значений у этих терминов. В общем как всегда "As a field, statistics is really bad at naming things." (c) Andrew Heiss

Как хорошо и компактно сформулировал

Такой семинар Сенна вышел, наверное, что-то полезное должно быть https://www.youtube.com/watch?v=RcUQHFzHkyo

Ну вот и долгожданная книжка

На этой неделе заканчивается набор на онлайн-программу переподготовки «Биостатистика и анализ медицинских данных»! bioinf.me/education/stat | Приём заявок до 16 июля, 23:59 МСК Приглашаем на программу всех, кто работает или планирует работать в сфере биомедицинских исследований, владеет базовыми навыками анализа данных в R и хочет глубже разобраться в статистических методах, а также научиться уверенно применять их на практике! 🌕 Программа состоит из 5 частей: • Статистика и анализ данных • Программирование на R • Методология и регуляторика • Выпускной проект (проекты выпускников 2025/26 года) • Ключевые внеучебные активности Помимо лекций и практических занятий студентов программы ждут: работа над проектом под руководством опытных биостатистиков, карьерные встречи, хакатоны, круглый стол по использованию ИИ, гостевые лекции, встречи с преподавателями и выпускниками. 🌑 Процесс поступления: • заполнить анкету до 16 июля, 23:59 МСК • пройти тестирование 18 или 25 июля ☁️ Подробнее о программе, подготовке к тестированию и самом тестировании: bioinf.me/education/stat ☁️ По всем вопросам: biostat@bioinf.me Эти полгода станут важной частью вашего профессионального пути – помогут углубить знания, получить практический опыт, расширить профессиональные связи и стать частью большого поддерживающего сообщества! Ждём ваших заявок! ❤️ ✨ Мы в VK | Мы в почте | Мы в Telegram #bioinf_online #bioinf_education @bioinformatics_institute

Завершился третий сезон открытого онлайн-лектория «Разрушители статистических мифов»! bioinf.me/stat_myths За прошедшие три сезона преподаватели трека по биостатистике Института биоинформатики разобрали девять мифов, которые могут увести исследователя совсем не туда! 1 сезон: 🦖 Миф №1: Статистика – наука точная, и в ней нет места мифам | Евгений Бакин 🦖 Миф №2: Доверительные интервалы и p-значения — это то, чем они кажутся | Ольга Мироненко и Максим Кузнецов 🦖 Миф №3: Ненормальное распределение требует ненормальных решений | Матвей Славенко 2 сезон: 🦖 Миф №4: Категорически категорично, или «просто разбей на группы» | Алексей Глазков 🦖 Миф №5: Рандомизация — смешать и не взбалтывать | Артемий Охотин 🦖 Миф №6: Визуализация — это просто красивые графики | Елена Убогоева 3 сезон: 🦖 Миф №7: Автоматизированный выбор многофакторной модели: кто ищет, тот всегда найдет | Евгений Бакин 🦖 Миф №8: Придай нормальности описательной статистике | Алексей Глазков 🦖 Миф №9: Расчёт мощности: лучше поздно, чем никогда | Матвей Славенко Записи всех лекций доступны: ☁️ на сайте лектория ☁️ на YouTube-канале Института биоинформатики Будем рады, если вы поделитесь своими впечатлениями в анонимной форме обратной связи. Благодарим вас за активное участие в лектории, до встречи! ❤️ P.S. Мы уже начали готовить кое-что интересное для вас! ✨ Мы в VK | Мы в почте | Мы в Telegram #bioinf_online #bioinf_education @bioinformatics_institute

Всё ещё считаете мощность после окончания исследования? Тогда мы идём к вам! bioinf.me/stat_myths | 7 июля, 19:00 МСК 7 июля, 19:00 МСК | Матвей Славенко 🦖 Миф №9: Расчёт мощности: лучше поздно, чем никогда На заключительной лекции третьего сезона лектория «Разрушители статистических мифов» обсудим: • что такое мощность теста; • чем она отличается от ошибки первого рода; • зачем её считать; • о чём она говорит на этапе планирования исследования и после того, как данные уже собраны; • когда считать её не имеет смысла; • что не так с концепцией пост-хок мощности, чем её можно заменить и что отвечать рецензентам. ☁️ Регистрация: bioinf.me/stat_myths ☁️ По всем вопросам: biostat@bioinf.me ☁️ Календарь открытых мероприятий Института биоинформатики До встречи! ✨ Мы в VK | Мы в почте | Мы в Telegram #bioinf_online #bioinf_education @bioinformatics_institute

Интересно, видимо, устроен алгоритм оценивания параметров в Firth's penalized maximum likelihood (с profile penalized log likelihood выводом). В коде тестовая статистика, соответствующая p-значению, вычисляется из p-значения, а не наоборот. Наверное, какие-то занятные вычислительные аспекты есть.

Стив Брантон запустил новую серию «Оптимизация», думаю, что будет интересно и полезно

Why Adjusted Regression Coefficients Are Less Descriptive Than They Look Kristoffer Magnusson (исследователь в области клинической психологии) ведет любопытный блог, который называется R Psychologist. У него можно посмотреть множество интересных статистических визуализаций, в частности, как-то у нас упоминалась визуализация по доверительным интервалам. У автора вышла еще одна интерактивная визуализация: Why Adjusted Regression Coefficients Are Less Descriptive Than They Look. Здесь автор утверждает, что сначала нужно определить цель исследования в линейной множественной регрессии (прогноз или причинно-следственный вывод, описание), а затем рассматривать корректировки как отдельный анализ. Главный вывод автора: исследовательский вопрос определяет метод, а не наоборот.

Bayesian Workflow exists as a physical book! https://statmodeling.stat.columbia.edu/2026/06/27/bayesian-workflow-exists-as-a-physical-book/

Как выбирать между тремя тестами: хочется возможностей ослабления допущений генеративного процесса идите в сторону теста Рао, хочется простых и приятных оценок эффекта, элегантной простоты и логичности действий (то есть постпроцессинга) - в сторону Вальда, хочется идеала и красоты - в сторону тестов отношения правдоподобий.

С другой стороны, ну сказал то, что сказал. Без теории максимального правдоподобия, в принципе все становится странным. Так что да, три теста. Вот такой флоучарт статистических тестов. У вас какие-то данные (а желательно еще без данных) -> оберните их в генеративный процесс и решите (сто раз подумайте) нужны ли тесты гипотез -> выберите одну из трех 😐