Cursusbeschrijving en onderwerpen

Hoewel onderzoekers hun best doen om ontbrekende gegevens te voorkomen, is het een veelvoorkomend probleem in medisch en epidemiologisch onderzoek. Hoe groot de invloed van de ontbrekende gegevens is op de studie resultaten en hoe hiermee om te gaan, is afhankelijk van de hoeveelheid aan ontbrekende gegevens en waarom de gegevens ontbreken. In deze driedaagse cursus worden eenvoudige en geavanceerde technieken behandeld voor het evalueren en omgaan met ontbrekende gegevens binnen medisch en epidemiologisch onderzoek.

Er zijn verschillende methoden die gebruikt kunnen worden om met ontbrekende gegevens om te gaan. Eenvoudige oplossingen zijn om de missende waarden te negeren of een regressiemodel te gebruiken om de ontbrekende waarden te schatten. Er zijn ook meer geavanceerde methoden als Multipele Imputatie. Multipele Imputatie volgens de Multivariate Imputation with Chained Equations (MICE) procedure is een veelbelovende techniek die goed werkt in verschillende data situaties met ontbrekende gegevens. Met Multipele Imputatie worden verschillende complete datasets gegenereerd. Statistische analyses moeten vervolgens in elke dataset worden uitgevoerd en resultaten worden samengevoegd met behulp van speciale rekenregels (Rubin’s Rules genoemd). Deze stappen zullen tijdens de cursus worden besproken, evenals vragen over het gebruik van verschillende methoden om met ontbrekende waarden om te gaan binnen medisch en epidemiologisch onderzoek. Verder is het belangrijk om te controleren of de imputatiestrategie succesvol was (imputatiediagnostiek). Dit zal ook tijdens de cursus worden behandeld.

Elke cursusdag begint met colleges in de ochtend gevolgd door computer practica. Tijdens de practica worden er met eenvoudige en meer geavanceerde methoden voor missende waarden, zoals Multipele Imputatie, geoefend in SPSS en R(Studio) software. Tijdens de practica werk je met echte epidemiologische en medische voorbeeld datasets.

Leerdoelen

1. De deelnemer kan een onderscheid maken tussen de verschillende mechanismen van ontbrekende gegevens, die “Missing Completely Random” (MCAR), Missing At Random (MAR) en “Missing Not At Random” (MNAR) worden genoemd.

2. De deelnemer kan eenvoudige evaluatiemethodes toepassen om een veronderstelling te doen over het meest plausibele mechanisme van ontbrekende gegevens.

3. De deelnemer begrijpt de werking van de meest gebruikte methoden om met ontbrekende gegevens om te gaan in epidemiologische en medische datasets.

4. De deelnemer herkent de sterke en zwakke punten van de meest gebruikte methoden van ontbrekende gegevens in verschillende datasituaties met ontbrekende waarden.

5. De deelnemer kan met SPSS werken om ontbrekende gegevens te onderzoeken en kan werken met de beste methode om met ontbrekende waarden om te gaan in verschillende datasituaties met ontbrekende gegevens.

6. De deelnemer kan Multipele Imputatie gebruiken volgens de procedure Multivariate Imputation by Chained Equations (MICE) in SPSS en R(Studio).

7. De deelnemer begrijpt hoe Multipele Imputatie werkt en hoe een imputatiemodel moet worden gedefinieerd.

8. De deelnemer begrijpt hoe om te gaan met ontbrekende gegevens in vragenlijsten en begrijpt het verschil tussen het omgaan met ontbrekende waarden in itemscores en totaalscores.

9. De deelnemer begrijpt de praktische oplossingen om ontbrekende gegevens in Multilevel (en longitudinale) studies te verwerken.

10. De deelnemer kan met SPSS en R(Studio) werken om ontbrekende gegevens in vragenlijsten en in Multilevel (en longitudinale) studies te verwerken.