Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Salut tout le monde.
J'utilise l'estimateur de taille d'échantillon k signifie sous DOE | Taille et puissance de l'échantillon.
Les moyens que je soumets à l'aide de cette fonction doivent-ils provenir d'un ensemble de données normalement distribué pour être utilisés efficacement ? Je ne pense pas que ce soit le cas, d'autant plus que k signifie dans JMP ne me permet de soumettre qu'un maximum de 10 groupes, et certains de mes ensembles de données en ont plus que cela (dans cette situation, je soumets au hasard des groupes de cet ensemble de données à la fonction k signifie après calcul qui définit le développement standard).
Merci d'avance.Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Salut tout le monde. Désolé de sauter dans la conversation.
C'est ce que j'entends...
Twoolman dispose de données provenant de compagnies d'assurance qui représentent un certain nombre de chirurgiens, mais elles ne représentent peut-être pas toutes les chirurgies qu'un chirurgien peut effectuer. Seul un sous-ensemble de chirurgies est fourni par une compagnie d'assurance en fonction des chirurgies couvertes par l'assureur.
Il semble donc que le nombre d'observations soit fixe, et il semble que Twoolman se demande si le calcul de la puissance k-means peut être utilisé comme moyen d'exclure certains médecins sur la base d'un trop petit nombre d'observations.
En général, je ne ferais probablement pas cela. Les calculs de puissance sont pour une expérience planifiée pour un delta particulier à observer. À mesure que ce delta diminue (ou que la variabilité augmente), nous aurions besoin de plus d'échantillons par groupe, moins dans le scénario inverse. Prospectivement, nous essaierons d'obtenir autant de chirurgies que possible pour répondre aux critères de calcul. Cependant, étant donné que "l'expérience" est déjà terminée, nous prenons les observations telles qu'elles sont. Je n'exclurais pas les chirurgiens avec un petit nombre de chirurgies simplement parce qu'ils peuvent être très différents des autres chirurgiens.
Cependant, il faut être prudent ici. Les comparaisons (en supposant que les patients arrivent d'une manière ou d'une autre au hasard dans l'ensemble de chirurgiens analysés) peuvent identifier des différences statistiques entre les chirurgiens, mais la question devient alors... ces différences sont-elles cliniquement significatives ? C'est souvent un défi pour de nombreux paramètres - nous pouvons identifier des différences statistiques entre les groupes, mais nous ne savons pas si les différences que nous avons trouvées ont une importance pratique.
Mark souligne que ces données sont observationnelles, il y a donc probablement un certain nombre de facteurs supplémentaires qui devraient être contrôlés pour lesquels une comparaison entre les chirurgiens ne tiendrait pas compte. Cela pourrait impliquer des covariables dans un modèle ou l'utilisation de scores de propension. Je ne sais pas si JMP a des fonctionnalités pour les scores de propension, mais SAS a deux nouvelles procédures décrites ici .
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Merci, Marc. Cela a été extrêmement utile.
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Le biais est lié à l'omission de données informatives. L'estimation est-elle indépendante ou est-elle conditionnelle à la nature de l'omission (par exemple, affiliation à un réseau) ? L'estimation est-elle indépendante du statut d'affiliation au réseau d'assurance ? Si les observations omises ne sont pas informatives, vos estimations seront sans biais. Cette question a tout à voir avec votre question sur l'analyse et la définition de la population. Ainsi, si votre champ d'application ne comprend qu'un seul réseau d'assurance et que les estimations et les déductions ne s'appliquent à aucun autre réseau d'assurance, vous n'avez pas à vous soucier des biais.
La taille de l'échantillon détermine l'erreur type des estimations. Les estimations peuvent concerner des paramètres de population, des paramètres de modèle ou des réponses futures (notation). Les groupes plus petits présenteront des erreurs types plus importantes (intervalles de confiance, de prédiction ou de tolérance).
Le biais et la variance sont des attributs distincts des estimations, bien que nous échangeons parfois certains d'entre eux (petite augmentation du biais) au profit de l'autre (diminution importante de la variance) pour une meilleure précision globale.
Je ne vois pas comment l'omission de certains groupes basée uniquement sur un critère arbitraire de taille d'échantillon introduira un biais. (Comme je l'ai dit plus haut, certaines règles d'omission peuvent biaiser les estimations.) Je sais qu'une telle omission diminuera la quantité de preuves et augmentera nécessairement la largeur des intervalles des estimations. Votre notation sera moins précise.
Ces commentaires sont très généraux et se limitent à l'identification et à la collecte des données. (Non moins important, cependant.) Beaucoup dépend aussi de la méthode d'analyse.
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Merci, Marc. Vos commentaires sont extrêmement utiles et appréciables.
Le souci que nous avons d'avoir un nombre minimum de chirurgies par chirurgien est que nous notons les chirurgiens en fonction de mesures de performance telles que le % de réadmission, le % de réinfection du site opératoire, etc. Nous voulons être justes et impartiaux lors de l'exécution de cette analyse de notation. Il est possible que nous ayons 100 % des chirurgies du chirurgien X, mais seulement 25 % des chirurgies du chirurgien Y en fonction de l'affiliation au réseau dans notre ensemble de données. Cela biaiserait-il nos résultats de notation dans ce cas ? Notez que les mesures de performance ci-dessus sont toutes des moyennes basées sur les observations que nous avons.
Merci!
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?J'essaie d'aider et de ne pas déclencher un conflit basé sur la sémantique, mais votre analyse est toujours basée sur des données d'observation. Le fait que les chirurgiens inclus dans l'analyse dépendent de leur affiliation à un réseau d'assurance particulier est lié à la définition de la population et à la limitation de l'inférence à partir des données. Même si l'affiliation est un prédicteur/facteur, les unités expérimentales (chirurgiens) n'ont pas été assignées au hasard aux traitements (affiliation au réseau d'assurance). Une expérience est une étude dans laquelle vous déterminez (c'est-à-dire, établissez physiquement) les conditions ou les traitements, affectez au hasard des unités expérimentales aux traitements et mesurez la réponse pour une série.
Alors que dans un certain sens les chirurgiens inclus dans votre analyse sont un échantillon aléatoire, ils ne constituent pas un « échantillon aléatoire simple ». Un tel échantillon suppose que tous les échantillons possibles d'une taille donnée avaient une probabilité égale d'être sélectionnés dans la population. Ce n'est pas le cas ici.
Pourquoi devez-vous exclure les chirurgiens en fonction du nombre de chirurgies ? A quoi sert un nombre minimum de chirurgies ?
Si le nombre de chirurgies augmente, la puissance du test augmente. Si le nombre de chirurgies diminue, la puissance du test diminue. Si le nombre de chirurgies est nul, alors la puissance est nulle (le risque d'erreur de type II est infini).
Encore une fois, j'essaie de comprendre et d'aider.
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Désolé, je n'ai pas précisé certains détails supplémentaires.
L'alpha que nous sommes prêts à accepter est de 0,20, avec une puissance de 0,80. Cela devient une expérience car nous ne connaissons pas nécessairement le nombre réel de chirurgies effectuées par chaque chirurgien. Cela peut se produire lorsque nous travaillons avec une compagnie d'assurance et qu'elle ne nous donne des données que sur les chirurgiens qui effectuaient des interventions chirurgicales dans des hôpitaux faisant partie de leur réseau d'assurance. Ainsi, un chirurgien donné peut avoir effectué 100 chirurgies d'amygdalectomie en 2016, mais nous ne recevons que 25% de ces observations.
Cela devient donc un type d'expérience dans la mesure où, dans ces conditions où nous n'obtenons essentiellement qu'un échantillon aléatoire d'événements par chirurgien, comment définissons-nous le seuil de ce qui est le nombre minimum d'observations par chirurgien ?
Je suis d'accord avec vous sur le fait que lorsque nous travaillons avec un hôpital spécifique et que nous avons accès à 100 % de toutes les données des chirurgiens, nous pouvons simplement utiliser toutes les observations et ne pas nous soucier d'une limite expérimentale.
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Considérez également la réponse pour chaque observation. L'ANOVA à un facteur est pour un la mesure qui utilise JMP continu type de modélisation . Si les données sont différentes, telles que compte ou catégories , alors aucun des calculateurs de taille d'échantillon ne détermine la taille d'échantillon correcte. Dans de tels cas, vous pouvez utiliser le Modèles linéaires généralisés plate-forme ou l'un des Régression logistique plates-formes de Ajuster le modèle .
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Je pense que vous comprenez mal l'utilisation des calculateurs de taille d'échantillon. Leur but est un détermination prospective étant donné un modèle correct (par exemple, distribution normale avec moyenne = 0 et variance constante), une variance connue, une différence minimale connue à détecter, le niveau de signification (taux d'erreur de type I acceptable) et la puissance souhaitée (1 - type acceptable II taux d'erreur). Cette détermination est très utile dans un expérience conçue .
Votre cas ressemble à un étude observationnelle . Les chirurgies se produisent indépendamment du fait que quelqu'un les étudie. Pourquoi voudriez-vous présélectionner des groupes pour être dans ou hors de votre étude en fonction du nombre d'observations ? L'exclusion d'un groupe ne peut que diminuer la puissance de votre test (ANOVA unidirectionnelle). L'exclusion d'un groupe biaise vos estimations. Vous pouvez exclure le groupe le plus informatif de cette façon.
Si quelqu'un me demandait la meilleure façon de comparer les groupes A et B avec 20 observations, je lui dirais d'en observer 10 de chaque. D'autre part, s'ils me disaient qu'ils ont 17 observations du groupe A et 3 observations du groupe B, je leur dirais de tester les données dont ils disposent. Ce ne sera pas aussi informatif que l'ancien design, mais c'est tout ce qu'ils ont. (BTW, cela ne biaisera pas les estimations mais gonflera les erreurs standard.) S'ils excluent le groupe B en raison du petit nombre d'observations, que leur resterait-il ?
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Merci pour la réponse rapide. Puis-je utiliser l'ANOVA de Welch comme méthode pour m'indiquer la taille d'échantillon minimale par groupe dans un ensemble de données contenant plusieurs groupes ?
Cela pourrait aider si je prends du recul et explique ce que je fais. J'ai des observations par le chirurgien pour plusieurs types de chirurgies. Pour une chirurgie spécifique (un ensemble de données), je pourrais avoir 10 chirurgiens différents (10 groupes différents) qui ont pratiqué cette chirurgie que je veux comparer les uns aux autres. Chaque chirurgien dans une chirurgie donnée a un nombre différent de chirurgies effectuées. J'essaie de déterminer le nombre minimum de chirurgies (événements d'observation) par groupe (par chirurgien) afin d'inclure ce chirurgien (groupe) dans l'analyse.
Merci!
À M
Re : Est-ce que k signifie que l'estimation de la taille de l'échantillon nécessite une distribution normale ?Ce calculateur de taille d'échantillon est basé sur le modèle d'analyse de variance unidirectionnelle (ANOVA) en supposant une variance constante. La réponse Y est modélisée comme une combinaison d'un terme constant (interception ou réponse moyenne dans cette paramétrisation), des effets de groupe X = k et des erreurs. (Notez que la somme des effets de groupe est égale à zéro.) Les erreurs sont supposées être normalement distribuées avec une moyenne = 0 et une variance indépendante des groupes.
Peu importe ce que k est.
Si la variance dépend du niveau de facteur (groupe), utilisez l'ANOVA de Welch.
Si les erreurs ne sont pas distribuées normalement, utilisez une méthode non paramétrique ou une méthode de rééchantillonnage.
