#03: Mysteriöse Muster … erkennen oder (und) erklären?

Überlebenswahrscheinlichkeit und Sterberisiko sind zwei - u.a. im Bereich der Onkologie - oft verwendete Begriffe, die benutzt werden, um Therapien lebensbedrohlicher Erkrankungen zu beschreiben und zu vergleichen. Um an dieser Stelle Missverständnisse zu vermeiden sowie um klar und verständlich kommunizieren zu können, ist es nötig, diese Begriffe zu kennen und ihre unterschiedliche Bedeutung verstanden zu haben. In Podcast-Folge Nr. 14 sehen wir uns diese Thematik etwas näher an und erläutern in diesem Zusammenhang auch den Begriff: Hazard-Ratio.

Folge 13 beschäftigt sich mit mit einer speziellen Art von Daten, nämlich: Überlebens-oder Ereigniszeitdaten. Diese haben einige Besonderheiten, die dazu führen, dass man für diese Art von Daten spezielle Analyseverfahren entwickelt hat. Was diese Besonderheiten sind und wie man damit umgeht, genau das ist Thema dieser datenSPRECHstunde.

In dieser Folge sprechen wir über einen Begriff, denn man heutzutage sehr häufig hört: "Maschinelles Lernen". Oftmals wird dieser auch im Zusammenhang mit künstlicher Intelligenz verwendet. Aber was ist „Maschinelles Lernen" eigentlich und was hat es mit künstlicher Intelligenz und mit Statistik zu tun? Genau das versuchen wir in unserem Gespräch herauszufinden.

Die Zuverlässigkeit von datenbasierten Aussagen hängt unter anderem von Anzahl, Auswahl und Variabilität der verwendeten Daten ab. In dieser Folge diskutieren wir, wir man mit Hilfe statistischer Methoden diese Zuverlässigkeit beschreiben und quantifizieren kann.

Beim Begriff Statistik denken viele an langweilige Zahlenkolonnen oder unverständliche Grafiken. Hingegen verspricht „Data Science“ (übersetzt: Datenwissenschaften) Innovation und Modernität durch die Anwendung digitaler Methoden im Bereich der Datenanalytik. Aber was bedeuten diese Begriffe wirklich und in welcher Beziehung stehen sie zueinander? Genau dies diskutieren wir in dieser Folge.

Aufbauend auf Folge 2, beschäftigt sich diese Folge noch einmal mit maschinellen Lernverfahren. Wir diskutieren u. a. die Stärken dieser Methodenklasse wir erläutern, warum maschinelles Lernen klassische Verfahren der Datenanalytik nicht vollständig ersetzen kann.

Modelle sind Werkzeuge, die durch Vereinfachung und Abstraktion in unterschiedlicher Weise dazu beitragen, die Realität besser zu verstehen und Vorhersagen zu treffen. In dieser Folge sehen wir uns Stärken und Schwächen von Modellen und Modellierungen an und erläutern, warum und wie man diese im wissenschaftlichen Kontext einsetzen kann bzw. sollte.

Wir klären in dieser Folge den Begriff des "P-Wertes“ und diskutieren, warum statistische Signifikanz kein absolutes Maß ist. Zudem erläutern wir, weshalb statistische Signifikanz nur gemeinsam mit der zur prüfenden Hypothese und einem vorab als sinnvoll angesehenem Fehlerniveau korrekt interpretiert werden kann.

In Folge 10 hinterfragen wir die statistischen Analyse von Zusammenhängen. Wir erklären, warum Korrelation nicht mit Kausalität gleichgesetzt werden darf und warum eine inhaltliche Diskussion statistisch nachgewiesener Zusammenhänge auf jeden Fall geboten ist.

Warum sollte man - wenn möglich - immer sowohl absolute als auch relative Angaben machen? Und warum ist der Kontext der jeweiligen Situation so wichtig, um Häufigkeits- oder Risikoangaben korrekt beurteilen zu können? Diese und ähnliche Fragen stehen im Mittelpunkt von Folge 7.