While sampling uncertainty may be e

While sampling uncertainty may be easily recognized as an important concept in itself, its consequences for the interpretation of observed findings is, however, often neglected. For example, in a randomized clinical trial with patients who had a single chronic symptomatic cartilage defect on the femoral condyle4, 40 patients were treated with
Fig. 1. A super- and a finite population of osteoporosis patients (symbolized by black and white dots; white dots representing some clinically meaningful characteristic; the finite population defined by the continuous frame). Two random samples of 50 patients each (the gray rectangles) have been drawn from the finite population. While the finite population has 10% white dots, sampling uncertainty is manifested in the sampled units by the varying proportion of white dots, one sample having 8% (4 of 50), the other one 16% (8 of 50). As the super-population is infinitely large it cannot be described graphically, but if the two finite samples can be assumed to be randomly sampled from the superpopulation, its proportion of white dots can be estimated to 8% (2.2%e19.2%) and to 16% (7.2%e29.1%), respectively. The range within brackets are 95% confidence intervals describing the sampling uncertainty.
1417 autologous chondrocyte implantation, and 40 were treated with microfracture. At the 5-year follow-up, there were nine failures in each of the two groups. The authors observed and concluded that ‘‘there was no significant difference’’. However, even if no difference can be observed in the sample, there may well be one in the population. Sampling of patients with individually varying failure rates may prevent a true average treatment difference from being observed in the sample. The sampling uncertainty can be described by a 95% confidence interval for the estimated true failure rate ratio. Using the data presented in the paper the interval can be calculated as (0.3 e3.2), which implies that observed data actually only speaks against an average failure rate difference in the population greater than about 300%. A claim that the two treatments have the same failure rates would thus not have much empirical basis.

ผลลัพธ์ (ไทย) 2:

ในขณะที่ความไม่แน่นอนของการสุ่มตัวอย่างอาจจะได้รับการยอมรับอย่างง่ายดายเป็นแนวคิดที่สำคัญในตัวเองผลที่ตามมาสำหรับการตีความของ ndings Fi สังเกตคืออย่างไรมักจะถูกละเลย ยกตัวอย่างเช่นในการทดลองทางคลินิกแบบสุ่มกับผู้ป่วยที่มีอาการเรื้อรังข้อบกพร่องกระดูกอ่อนเดียวใน condyle4 เส้นเลือดผู้ป่วย 40 ได้รับการรักษาที่มี
รูป 1. ซุปเปอร์และประชากร Fi Nite ของผู้ป่วยโรคกระดูกพรุน (สัญลักษณ์โดยจุดสีดำและสีขาวจุดสีขาวเป็นตัวแทนทางคลินิกที่มีความหมายลักษณะนั้น Fi Nite ประชากรที่นิยามโดยเฟรมต่อเนื่อง) สองตัวอย่างแบบสุ่มของผู้ป่วยแต่ละ 50 (สี่เหลี่ยมสีเทา) ได้รับการวาดจากประชากร Fi Nite ในขณะที่ประชากร Fi Nite มี 10% จุดสีขาว, ความไม่แน่นอนของการสุ่มตัวอย่างเป็นที่ประจักษ์ในหน่วยตัวอย่างโดยสัดส่วนที่แตกต่างของจุดสีขาวซึ่งเป็นหนึ่งในตัวอย่างที่มี 8% (4 of 50), อื่น ๆ ที่หนึ่ง 16% (8 of 50) ในฐานะที่เป็นซุปเปอร์ประชากรอยู่ใน Fi nitely ขนาดใหญ่ก็ไม่สามารถอธิบายกราฟิก แต่ถ้าทั้งสองตัวอย่าง Fi Nite สามารถสันนิษฐานได้จะได้รับการสุ่มจาก superpopulation สัดส่วนของจุดสีขาวสามารถประมาณ 8% (2.2% e19.2%) และ 16% (7.2% e29.1%) ตามลำดับ ช่วงที่อยู่ในวงเล็บเป็น 95% ช่วง Con Fi มั่นใจอธิบายความไม่แน่นอนของการสุ่มตัวอย่าง
1417 ฝัง chondrocyte autologous 40 และได้รับการรักษาด้วย microfracture ใน 5 ปีติดตามมีเก้าความล้มเหลวในแต่ละของทั้งสองกลุ่ม ผู้เขียนตั้งข้อสังเกตและสรุปได้ว่า '' ไม่มีความแตกต่างลาดเทนัยสำคัญ Fi '' อย่างไรก็ตามแม้ว่าจะมีความแตกต่างไม่สามารถสังเกตได้ในตัวอย่างที่มีอาจจะเป็นหนึ่งในประชากร ตัวอย่างของผู้ป่วยที่มีรายบุคคลที่แตกต่างกันอัตราความล้มเหลวอาจป้องกันไม่ให้ความแตกต่างการรักษาเฉลี่ยที่แท้จริงจากการถูกตั้งข้อสังเกตในตัวอย่าง ความไม่แน่นอนการสุ่มตัวอย่างสามารถอธิบายได้ด้วยแย้ง Fi ช่วงความเชื่อมั่น 95% สำหรับอัตราส่วนอัตราความล้มเหลวที่แท้จริงโดยประมาณ โดยใช้ข้อมูลที่นำเสนอในกระดาษช่วงเวลาสามารถคำนวณได้ (0.3 e3.2) ซึ่งหมายความว่าข้อมูลที่สังเกตได้จริงเพียง แต่พูดกับความแตกต่างของอัตราความล้มเหลวโดยเฉลี่ยในประชากรมากกว่าประมาณ 300% อ้างว่าทั้งสองมีการรักษาอัตราความล้มเหลวเดียวกันจะทำให้ไม่ได้มีพื้นฐานเชิงประจักษ์มาก

ผลลัพธ์ (ไทย) 3:

ในขณะที่ความไม่แน่นอนและอาจจะสามารถรับรู้เป็นแนวคิดที่สำคัญในตัวเอง ผลที่ตามมาสำหรับการตีความของ ndings สังเกตจึงเป็น แต่มักจะถูกละเลย ตัวอย่างเช่น ในการศึกษาทดลองทางคลินิกกับผู้ป่วยที่มีอาการเรื้อรัง เมื่อกระดูกอ่อนข้อบกพร่องเดียว condyle4 ต้นขา 40 ผู้ป่วยได้รับการรักษาด้วยรูปที่ 1 ซุปเปอร์ และจึง ไนท์ ประชากรของผู้ป่วยโรคกระดูกพรุน ( สัญลักษณ์จุด ; สีดำและสีขาวจุดสีขาวแทนความหมายบางอย่างในลักษณะ ; จึงไนท์ประชากรเดอจึงเน็ดโดยเฟรมต่อเนื่อง ) สองจำนวน 50 ราย ( สี่เหลี่ยมสีเทา ) จะถูกดึงจากจึง ไนท์ ประชากร ในขณะที่ ไนท์จึงมีประชากรร้อยละ 10 จุดสีขาว , ความไม่แน่นอนและประจักษ์ในหน่วยตัวอย่าง โดยเปลี่ยนแปลงสัดส่วนของจุดขาว หนึ่งตัวอย่างที่มี 8 % ( 4 , 50 ) อีก 16 % ( 8 50 ) เป็นประชากรที่ซูเปอร์ใน nitely ขนาดใหญ่มันจึงไม่สามารถอธิบายได้ชัดเจน แต่ถ้าทั้งสองจึงไนท์ตัวอย่างสามารถสันนิษฐานได้ว่าเป็นสุ่มเก็บจาก superpopulation สัดส่วนของจุดสีขาวสามารถประมาณ 8 % ( ร้อยละ 2.2 e19.2 % ) และ 16 % ( ร้อยละ 7.2 e29.1 ตามลำดับ ช่วงภายในวงเล็บเป็น 95% หลอกลวงจึง dence ช่วงอธิบายตัวอย่างความไม่แน่นอน1406 chondrocyte ของการปลูกฝังและ 40 ได้รับการรักษาด้วย microfracture . ที่ติดตาม 5 , มีเก้าความล้มเหลวในแต่ละของทั้งสองกลุ่ม ผู้เขียนสังเกตและสรุปได้ว่า " ไม่มี signi จึงไม่แตกต่าง ' ' อย่างไรก็ตาม แม้ว่าความแตกต่างสามารถสังเกตได้ในตัวอย่าง มันอาจจะเป็นหนึ่งในประชากร ตัวอย่างของผู้ป่วยเป็นรายบุคคลตามอัตราความล้มเหลวอาจป้องกันความแตกต่างการรักษาเฉลี่ยที่แท้จริงจากการสังเกตในตัวอย่าง ตัวอย่างความไม่แน่นอนสามารถอธิบายโดย 95% หลอกลวงจึง dence ช่วงเวลาประมาณจริงอัตราความล้มเหลวในอัตราส่วน การใช้ข้อมูลที่นำเสนอในหนังสือพิมพ์ช่วงสามารถคำนวณ ( 0.3 e3.2 ) ซึ่งหมายความว่าข้อมูลที่จริงแค่พูดกับเฉลี่ยอัตราความล้มเหลวในความแตกต่างในประชากรมากกว่า 300 ล้านบาท ข้อที่ 2 การรักษามีอัตราความล้มเหลวเดียวกันจึงได้ประจักษ์แล้ว