k significa che la stima della dimensione del campione richiede una distribuzione normale?Salve a tutti.
Sto usando lo stimatore della dimensione del campione k significa in DOE | Dimensioni e potenza del campione.
I mezzi che invio utilizzando questa funzione devono provenire da un set di dati normalmente distribuito per essere utilizzati in modo efficace? Non penso che sia il caso, soprattutto perché k significa in JMP mi consente solo di inviare un massimo di 10 gruppi e alcuni dei miei set di dati ne hanno di più (in questa situazione invio casualmente gruppi da quel set di dati alla funzione k significa dopo aver calcolato che imposta lo sviluppo standard).
Grazie in anticipo.Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Ciao a tutti. Mi dispiace saltare nella conversazione.
Questo è quello che sto sentendo...
Twoolman dispone di dati di compagnie assicurative che rappresentano un certo numero di chirurghi, ma potrebbero non rappresentare tutti gli interventi chirurgici che un chirurgo può condurre. Solo un sottoinsieme di interventi chirurgici viene fornito da una compagnia di assicurazioni in base agli interventi chirurgici coperti dall'assicuratore.
Quindi sembra che il numero di osservazioni sia fisso, e sembra che Twoolman stia chiedendo se il calcolo della potenza delle k-medie può essere utilizzato come un modo per escludere determinati medici sulla base del numero insufficiente di osservazioni.
In generale, probabilmente non lo farei. I calcoli di potenza sono per un esperimento pianificato per un particolare delta da osservare. Man mano che questo delta si riduce (o aumenta la variabilità), avremmo bisogno di più campioni per gruppo, meno nello scenario inverso. Prospetticamente, cercheremmo di ottenere il maggior numero possibile di interventi chirurgici per soddisfare i criteri di calcolo. Tuttavia, dato che l'"esperimento" è già completato, prendiamo le osservazioni così come sono. Non escluderei i chirurghi con un numero ridotto di interventi chirurgici solo perché potrebbero essere molto diversi dagli altri chirurghi.
Tuttavia, qui bisogna stare attenti. I confronti (supponendo che i pazienti arrivino in qualche modo casualmente all'insieme di chirurghi analizzati) possono identificare differenze statistiche tra i chirurghi, ma la domanda allora diventa... queste differenze sono clinicamente significative? Questa è spesso una sfida per molti endpoint: possiamo identificare differenze statistiche tra i gruppi ma non abbiamo idea se le differenze che abbiamo riscontrato siano di importanza pratica.
Mark sottolinea che questi dati sono osservazionali, quindi è probabile che ci siano una serie di fattori aggiuntivi che dovrebbero essere controllati affinché un confronto tra i chirurghi non spiegherebbe. Ciò potrebbe comportare covariate in un modello o l'uso di punteggi di propensione. Non sono sicuro che JMP disponga di funzionalità per i punteggi di propensione, ma SAS ha descritto due nuove procedure qui .
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Grazie, Marco. È stato estremamente utile.
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Bias ha a che fare con l'omissione di dati informativi. La stima è indipendente o subordinata alla natura dell'omissione (es. affiliazione alla rete)? Il preventivo è indipendente dallo stato di affiliazione alla rete assicurativa? Se le osservazioni omesse non sono informative, le tue stime saranno imparziali. Questo problema ha tutto a che fare con la tua domanda sull'analisi e sulla definizione della popolazione. Quindi, se il tuo ambito include solo una rete assicurativa e le stime e le deduzioni non si applicano a nessun'altra rete assicurativa, non devi preoccuparti di pregiudizi.
La dimensione del campione determina l'errore standard delle stime. Le stime potrebbero riguardare parametri della popolazione, parametri del modello o risposte future (punteggio). I gruppi più piccoli mostreranno errori standard più grandi (intervalli di confidenza, previsione o tolleranza).
Bias e varianza sono attributi separati delle stime, anche se a volte scambiamo alcuni di uno (piccolo aumento del bias) a vantaggio dell'altro (grande diminuzione della varianza) per una migliore precisione complessiva.
Non vedo come l'omissione di alcuni gruppi basati esclusivamente su un criterio arbitrario della dimensione del campione introdurrà pregiudizi. (Come ho detto sopra, alcune regole per l'omissione possono influenzare le stime.) So che una tale omissione ridurrà la quantità di prove e aumenterà necessariamente l'ampiezza degli intervalli delle stime. Il tuo punteggio sarà meno accurato.
Questi commenti sono molto generali e si limitano all'identificazione e alla raccolta dei dati. (Non meno importante, però.) Molto dipende anche dal metodo di analisi.
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Grazie, Marco. I tuoi commenti sono estremamente utili e riconoscenti.
La preoccupazione che abbiamo di avere un numero minimo di interventi chirurgici per chirurgo è che stiamo valutando i chirurghi in base a parametri di prestazione come % di riammissione, % di reinfezione del sito chirurgico, ecc. Vogliamo essere equi e imparziali quando eseguiamo l'analisi del punteggio. È possibile che possiamo avere il 100% degli interventi chirurgici del chirurgo X ma solo il 25% degli interventi chirurgici del chirurgo Y in base all'affiliazione alla rete nel nostro set di dati. In questo caso influenzerebbe i nostri risultati di punteggio? Tieni presente che le metriche di rendimento sopra riportate sono tutte medie basate sulle osservazioni che abbiamo.
Grazie!
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Sto cercando di aiutare e non avviare un conflitto basato sulla semantica, ma la tua analisi è ancora basata su dati osservativi. Il fatto che i chirurghi inclusi nell'analisi dipendano dalla loro affiliazione con una particolare rete assicurativa ha a che fare con la definizione della popolazione e la limitazione dell'inferenza dai dati. Anche se l'affiliazione è un fattore predittivo, le unità sperimentali (chirurghi) non sono state assegnate casualmente ai trattamenti (affiliazione alla rete assicurativa). Un esperimento è uno studio in cui si determinano (cioè si stabiliscono fisicamente) le condizioni o i trattamenti, si assegnano in modo casuale unità sperimentali ai trattamenti e si misura la risposta per una corsa.
Sebbene in un certo senso i chirurghi inclusi nella tua analisi siano un campione casuale, non costituiscono un "semplice campione casuale". Tale campione presuppone che tutti i possibili campioni di una data dimensione avessero la stessa probabilità di essere selezionati dalla popolazione. Non è il caso qui.
Perché è necessario escludere i chirurghi in base al numero di interventi chirurgici? Qual è lo scopo di un numero minimo di interventi chirurgici?
Se il numero di interventi chirurgici aumenta, la potenza del test aumenta. Se il numero di interventi chirurgici diminuisce, la potenza del test diminuisce. Se il numero di interventi chirurgici è zero, la potenza è zero (il rischio di errore di tipo II è infinito).
Ancora una volta, sto cercando di capire e aiutare.
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Scusa se non ho specificato alcuni degli ulteriori dettagli.
L'alfa che siamo disposti ad accettare è .20, con una potenza di .80. Questo diventa un esperimento perché non sappiamo necessariamente il numero effettivo di interventi chirurgici eseguiti da ciascun chirurgo. Questo può accadere quando lavoriamo con una compagnia di assicurazioni e ci forniscono dati solo per i chirurghi che stavano effettuando interventi chirurgici in ospedali che facevano parte della loro rete assicurativa. Quindi, dato che il chirurgo potrebbe aver eseguito 100 interventi di tonsillectomia per il 2016, ma ci viene fornito solo il 25% di quelle osservazioni.
Questo diventa quindi un tipo di esperimento in quanto in queste condizioni in cui otteniamo essenzialmente solo un campione casuale di eventi per chirurgo, come definiamo il limite di qual è il numero minimo di osservazioni per chirurgo?
Sono d'accordo con te sul fatto che quando lavoriamo con un ospedale specifico e abbiamo accesso al 100% di tutti i dati del chirurgo, possiamo semplicemente utilizzare tutte le osservazioni e non essere preoccupati per un limite di cutoff sperimentale.
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Considera anche la risposta per ciascuna osservazione. L'ANOVA unidirezionale è per a misurazione che utilizza JMP continuo tipo di modellazione . Se i dati sono diversi, come ad esempio conta o categorie , quindi nessuno dei calcolatori della dimensione del campione determina la dimensione del campione corretta. In questi casi, è possibile utilizzare il Modelli lineari generalizzati piattaforma o uno dei Regressione logistica piattaforme da Modello in forma .
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Penso che tu abbia frainteso l'uso dei calcolatori della dimensione del campione. Il loro scopo è un determinazione prospettica dato un modello corretto (es. distribuzione normale con media = 0 e varianza costante), una varianza nota, una differenza minima nota da rilevare, il livello di significatività (tasso di errore di tipo I accettabile) e la potenza desiderata (1 - tipo accettabile II tasso di errore). Questa determinazione è molto utile in a esperimento progettato .
Il tuo caso suona come un studio osservazionale . Gli interventi chirurgici avvengono indipendentemente dal fatto che qualcuno li stia studiando. Perché dovresti preselezionare i gruppi per entrare o uscire dal tuo studio in base al numero di osservazioni? L'esclusione di un gruppo può solo diminuire la potenza nel test (ANOVA unidirezionale). L'esclusione di un gruppo altera le tue stime. Potresti escludere il gruppo più informativo in questo modo.
Se qualcuno mi chiedesse il modo migliore per confrontare i gruppi A e B con 20 osservazioni, direi loro di osservarne 10 di ciascuno. D'altra parte, se mi dicessero che hanno 17 osservazioni del gruppo A e 3 osservazioni del gruppo B, direi loro di testare i dati che hanno. Non sarà così informativo come il design precedente, ma è tutto ciò che hanno. (A proposito, non distorcerà le stime ma aumenterà gli errori standard.) Se escludono il gruppo B a causa del piccolo numero di osservazioni, cosa avrebbero lasciato?
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Grazie per la risposta rapida. Posso usare l'ANOVA di Welch come metodo per dirmi la dimensione minima del campione per gruppo all'interno di un set di dati che contiene più gruppi?
Potrebbe essere utile fare un passo indietro e spiegare cosa sto facendo. Ho osservazioni da parte del chirurgo per diversi tipi di interventi chirurgici. Per uno specifico intervento chirurgico (un set di dati) potrei avere 10 chirurghi diversi (10 gruppi diversi) che hanno eseguito quell'intervento e che voglio confrontare l'uno con l'altro. Ogni chirurgo in un determinato intervento chirurgico ha un numero diverso di interventi chirurgici eseguiti. Sto cercando di determinare il numero minimo di interventi chirurgici (eventi di osservazione) per gruppo (per chirurgo) in modo da includere quel chirurgo (gruppo) nell'analisi.
Grazie!
Tom
Re: k significa che la stima della dimensione del campione richiede una distribuzione normale?Questo calcolatore della dimensione del campione si basa sul modello di analisi della varianza unidirezionale (ANOVA) assumendo una varianza costante. La risposta Y è modellata come una combinazione di un termine costante (intercetta o risposta media in questa parametrizzazione), gli effetti del gruppo X = k e gli errori. (Si noti che gli effetti del gruppo si sommano a zero.) Si presume che gli errori siano distribuiti normalmente con una media = 0 e una varianza indipendente dai gruppi.
Non importa cosa sia k.
Se la varianza dipende dal livello del fattore (gruppo), utilizzare Welch ANOVA.
Se gli errori non sono normalmente distribuiti, utilizzare un metodo non parametrico o un metodo di ricampionamento.
