488085_es-ES

liliconcom

prueba de equivalencia

Hola

Quiero comparar dos métodos analíticos que midan la pureza de mis muestras y demuestren que son equivalentes. Sé que no proporcionan exactamente los mismos resultados, lo que significa que la media de su diferencia no es 0. Sin embargo, sólo necesito demostrar que la diferencia entre sus resultados es inferior al 2%. Mis datos se basan en 28 muestras diferentes y cada muestra se analizó una vez mediante cada método. Probamos la equivalencia con una prueba t bilateral sobre la diferencia de pureza, pero no estamos seguros de que esta prueba sea la más apropiada para probar el concepto. Tenga en cuenta que los datos no se distribuyen normalmente. ¿Alguien puede aconsejarme sobre esto?

 

Ingeniería de Calidad y ProcesosCompartir y comunicar resultadosRe: prueba de equivalencia

Gracias por la aclaración @Mark_Bailey . y muchas gracias por tu ayuda.

 

Saludos,

Jennifer.

Re: prueba de equivalencia

Muchas gracias @SDF1 . Eso fue realmente útil.

 

Saludos,

Jennifer.

Re: prueba de equivalencia

Debería haber respondido que su prueba de equivalencia demuestra evidencia suficiente para rechazar la hipótesis nula de que los métodos son diferentes en más del 2% con un nivel de confianza del 95%.

Re: prueba de equivalencia

Hola @CentroideJackal1 ,

 

Creo que su prueba de equivalencia muestra que no se puede rechazar la equivalencia de los dos métodos, dentro de +/-2 unidades de 0. En el ejemplo que proporciona, la diferencia promedio es -0,72 y, dado que acepta cualquier valor dentro de +/-2 unidades de 0, la diferencia promedio sugiere que los valores son equivalentes. Los bigotes rojos de la diferencia media son los límites de confianza de esa diferencia media.

 

Algo a tener en cuenta es que esta prueba de equivalencia analiza la diferencia media de las 28 mediciones. No dice nada sobre una sola medición. Por lo tanto, creo que hay que tener cuidado al decir que la diferencia "siempre" será menor que 2 (con cualquier confianza que haya decidido de antemano). Lo que realmente debería discutirse es que el promedio la diferencia es menor que +/-2 unidades desde 0. Esto se ilustra con su distribución donde tiene al menos un punto de datos con una diferencia de -4. En este caso particular, esta (o más) medidas tienen una diferencia mayor que +/-2 unidades desde 0 y no cumplirían con su descripción original. Sin embargo, el promedio de todas las mediciones no falla en la descripción.

 

El análisis BA también debería brindarle esta información, ya que puede estimar el intervalo de confianza en el gráfico de diferencia de medias y ver cuántas de las mediciones quedan fuera de estas líneas, así como determinar si hay algún sesgo en un método u otro. .Con el análisis BA, puede obtener una estimación bastante buena de cuántos puntos de datos estarán fuera de sus CI y, por lo tanto, dar una estimación más razonable de lo que le gustaría responder, que es para cualquier medición determinada, tiene un nivel de confianza. de X que la diferencia está dentro de +/-2 unidades.

 

También podría considerar hacer un análisis ANOVA, donde nuevamente puede hacer una prueba de equivalencia de las medias, pero en este caso usaría los valores de medición reales, y aunque sepa que los valores absolutos de A y B podrían no ser los Lo mismo, aún puedes hacer la prueba de equivalencia dentro de +/-2 unidades. Lo bueno aquí es que puedes tener en cuenta variaciones desiguales si es necesario, por ejemplo, si los métodos A y B no tienen desviaciones estándar similares.

 

Con cualquiera de las pruebas de equivalencia, en realidad estás observando la diferencia de medias o la diferencia de medias, para todas tus mediciones, y eso debe quedar claro. Una sola medición siempre puede ser un valor atípico, pero si la respuesta media de cada método es equivalente, debería pasar la prueba de equivalencia.

 

¡Buena suerte!,

DS

Re: prueba de equivalencia

Si los modelos no son equivalentes, entonces el sesgo es significativo.

Re: prueba de equivalencia

Hola @Mark_Bailey

Gracias por su respuesta. El ajuste ortogonal dice que los métodos no son equivalentes al igual que la línea de ajuste. Sabemos que los métodos no dan exactamente los mismos resultados y que existe un sesgo, pero queremos demostrar que este sesgo no es significativo. ¿Eso tiene más sentido?

Muchas gracias,

Jennifer.

Re: prueba de equivalencia

Hola @SDF1

Muchas Gracias por la rápida respuesta. Disculpas por la confusión. La pureza se expresa como porcentaje, por eso puse 2%, pero la diferencia es el valor absoluto y quiero demostrar que hay cierta confianza al decir que la diferencia "siempre" (para el 90%, 95% o 99% de la población) sea menor que 2. No estoy seguro de que el análisis de BA demuestre ese punto, ya que parece que sólo probará que existe un sesgo entre los dos métodos.

 

Muchas gracias,

Jennifer.

Re: prueba de equivalencia

Existen numerosos estándares de larga data (p. ej., NCCLS, IUPAC, ICH) sobre la comparación de métodos. Puede implicar varios aspectos de la medición: exactitud, precisión, linealidad, límite de detección o cuantificación, etc. Puede utilizar el comando Ajustar ortogonal en Bivariado para realizar una regresión de Deming que minimice el error en X e Y. JMP 17 también incluirá la regresión de Passing-Bablok y el análisis de Bland-Altman. Mientras tanto, consulte el capítulo de ayuda de JMP sobre Análisis del sistema de medición para más ideas.

Re: prueba de equivalencia

Hola @CentroideJackal1 ,

 

La forma en que presenta y propone es definitivamente una forma de evaluar los datos. Sin embargo, una cosa a tener en cuenta es que cuando dice que la diferencia en los resultados debe ser inferior al 2%, ¿el 2% de cuál, el método A o el método B? Esta parte no fue bien explicada.

 

Otra forma de ver los datos podría ser con un gráfico de diferencia de medias, muy parecido a un Bland-Altman análisis. Puedes leerlo desde el enlace. Esta es una buena manera de evaluar si dos métodos diferentes son esencialmente equivalentes y de ver si hay algún sesgo en los datos y si proviene de un método versus otro. El análisis BA no requiere datos distribuidos normalmente.

 

¡Espero que esto ayude!,

DS

Re: Prueba de equivalencia

Estoy comparando dos métodos analíticos que evalúan la pureza de mis muestras y quisiera determinar si son equivalentes . Soy consciente de que no producen resultados idénticos (por lo que la diferencia media entre ambos métodos no es cero), pero lo importante es que la diferencia se mantenga dentro de un margen de tolerancia del 2 %.

Aquí está la configuración:

• Probé 28 muestras diferentes y cada muestra fue analizada una vez por cada método.

• Me interesa verificar si los métodos son equivalentes dentro de un margen de ±2%.

• Originalmente apliqué una prueba t de dos caras sobre las diferencias en pureza, pero no estoy seguro de que este enfoque sea el más adecuado para establecer la equivalencia.

• El truco está en que los datos no se distribuyen normalmente .

Agradecería mucho cualquier orientación sobre:

1. ¿Qué pruebas estadísticas son las más apropiadas para evaluar la equivalencia cuando los datos no se distribuyen normalmente?

2. Formas válidas de implementar dichas pruebas en estas condiciones.

3. Errores que debo tener en cuenta al evaluar la equivalencia con datos no normales.

Cualquier recomendación o consejo sería de gran ayuda. ¡Gracias!

Re: Prueba de equivalencia

Hola @AcceptanceFox47 : Si los datos son aproximadamente logarítmicos-normales (el logaritmo natural de los datos es aproximadamente normal), esto se puede realizar como un intervalo de confianza para datos pareados (por ejemplo, mediante la plataforma Matched Pair). Sin embargo, el análisis se realizaría sobre el logaritmo natural de los datos. Los puntos finales del intervalo de confianza del 90 % en la diferencia (en escala logarítmica) se antilogaritmarían (EXP(.)) para obtener un intervalo de confianza en la razón de la media geométrica. Este intervalo final debería estar entre 0,98 y 1,02 para afirmar la equivalencia.

Y, si el tamaño de la muestra es suficientemente grande (n = 28 cumple los requisitos), el Teorema del Límite Central ( https://en.wikipedia.org/wiki/Central_limit_theorem#:~:text=En%20la%20teoría%20de%20probabilidad%2C%20los%20centros%20no%20están%20normalmente%20distribuidos ) indica que no hay que preocuparse por la normalidad. Edito: entonces, sigamos como expliqué anteriormente.