488085_it-IT

liliconcom

Prova di equivalenza

Ciao

Voglio confrontare due metodi analitici che misurano la purezza dei miei campioni e dimostrare che sono equivalenti. So che non forniscono esattamente gli stessi risultati, il che significa che la media della loro differenza non è 0. Tuttavia, devo solo dimostrare che la differenza tra i loro risultati è inferiore al 2%. I miei dati si basano su 28 campioni diversi e ciascun campione è stato analizzato una volta con ciascun metodo. Abbiamo testato l'equivalenza con un test t bilaterale sulla differenza di purezza ma non siamo sicuri che questo test sia il più appropriato per dimostrare il concetto. Si prega di notare che i dati non sono distribuiti normalmente. Qualcuno può consigliarmi su questo?

 

Ingegneria della qualità e dei processiCondivisione e comunicazione dei risultatiRe: Test di equivalenza

Grazie per aver chiarito @Mark_Bailey . e grazie mille per il tuo aiuto.

 

Saluti,

Jennifer.

Re: Test di equivalenza

Grazie mille @SDF1 . È stato davvero utile.

 

Saluti,

Jennifer.

Re: Test di equivalenza

Avrei dovuto rispondere che il tuo test di equivalenza dimostra prove sufficienti per rifiutare l'ipotesi nulla secondo cui i metodi sono diversi di oltre il 2% al livello di confidenza del 95%.

Re: Test di equivalenza

CIAO @CentroidJackal1 ,

 

Credo che il tuo test di equivalenza dimostri che non puoi rifiutare l'equivalenza dei due metodi - entro +/- 2 unità da 0. Nell'esempio fornito, la differenza media è -0,72 e poiché accetti qualsiasi cosa entro +/- 2 unità da 0, la differenza media suggerisce che i valori sono equivalenti. I baffi rossi sulla differenza media rappresentano i limiti di confidenza su tale differenza media.

 

Qualcosa da tenere a mente è che questo test di equivalenza esamina la differenza media di tutte le 28 misurazioni. Non dice nulla su una singola misurazione. Quindi, penso che si dovrebbe stare attenti a dire che la differenza sarà "sempre" inferiore a 2 (con qualunque confidenza tu abbia deciso in anticipo). Ciò che veramente dovrebbe essere discusso è che il media la differenza è inferiore a +/-2 unità da 0. Ciò è illustrato dalla tua distribuzione in cui hai almeno un punto dati con una differenza di -4. In questo caso particolare, questa (o più) misura(e) ha una differenza maggiore di +/-2 unità da 0 e non rispetterebbe la descrizione originale. Tuttavia, la media di tutte le misurazioni non delude la descrizione.

 

L'analisi BA dovrebbe fornire anche queste informazioni, poiché puoi stimare l'intervallo di confidenza sul grafico della differenza media e vedere quante misurazioni ricadono al di fuori di queste linee, oltre a determinare se c'è qualche distorsione in un metodo o nell'altro .Con l'analisi BA, puoi ottenere una stima abbastanza buona di quanti punti dati saranno al di fuori dei tuoi elementi della configurazione e quindi fornire una stima più ragionevole di ciò a cui vorresti rispondere, ovvero per ogni data misurazione, hai un livello di confidenza di X che la differenza è compresa tra +/-2 unità.

 

Potresti anche prendere in considerazione l'idea di eseguire un'analisi ANOVA, in cui puoi eseguire nuovamente un test di equivalenza sulle medie, ma in questo caso utilizzeresti i valori di misurazione effettivi e anche se conosci i valori assoluti di A e B potrebbero non essere quelli stesso, puoi comunque eseguire il test di equivalenza entro +/-2 unità. La cosa bella qui è che puoi tenere conto di varianze disuguali, se necessario, ad esempio se i metodi A e B non hanno deviazioni standard simili.

 

Con entrambi i test di equivalenza, stai realmente osservando la differenza nelle medie o la differenza media -- per tutte le tue misurazioni, e questo dovrebbe essere chiaro. Una singola misurazione può sempre essere un valore anomalo, ma se la risposta media di ciascun metodo è equivalente, dovrebbe superare il test di equivalenza.

 

Buona fortuna!,

DS

Re: Test di equivalenza

Se i modelli non sono equivalenti, la distorsione è significativa.

Re: Test di equivalenza

CIAO @Mark_Bailey

Grazie per la tua risposta. L'adattamento ortogonale sta dicendo che i metodi non sono equivalenti proprio come la linea di adattamento. Sappiamo che i metodi non danno esattamente gli stessi risultati e che esiste un bias, ma vogliamo dimostrare che questo bias non è significativo. Ha più senso?

Grazie molto,

Jennifer.

Re: Test di equivalenza

CIAO @SDF1

Grazie mille per la rapida risposta Ci scusiamo per la confusione. La purezza è espressa in percentuale, ecco perché ho messo il 2%, ma la differenza è il valore assoluto e voglio dimostrare che c'è una certa sicurezza nel dire che la differenza sarà "sempre" (per il 90%, 95% o 99% di la popolazione) sia inferiore a 2. Non sono sicuro che l’analisi BA dimostrerà questo punto poiché sembra che dimostrerà solo che esiste un pregiudizio tra i due metodi.

 

Grazie molto,

Jennifer.

Re: Test di equivalenza

Esistono numerosi standard di lunga data (ad esempio, NCCLS, IUPAC, ICH) sul confronto dei metodi. Può coinvolgere numerosi aspetti della misurazione: accuratezza, precisione, linearità, limite di rilevamento o quantificazione e così via. È possibile utilizzare il comando Adatta ortogonale in Bivariata per eseguire una regressione di Deming che riduca al minimo l'errore in X e Y. JMP 17 includerà anche la regressione di Passing-Bablok e l'analisi di Bland-Altman. Nel frattempo, consultare il capitolo della Guida di JMP relativo Analisi del sistema di misurazione per ulteriori idee.

Re: Test di equivalenza

CIAO @CentroidJackal1 ,

 

Il modo in cui presenti e proponi è sicuramente un modo per valutare i dati. Una cosa da tenere a mente, però, è che quando dici che la differenza nei risultati deve essere inferiore al 2%, 2% di quale, metodo A o metodo B? Questa parte non è stata ben spiegata.

 

Un altro modo di esaminare i dati potrebbe essere con un grafico della differenza media, molto simile a Bland-Altman analisi. Puoi leggerlo dal link. Questo è un buon modo per valutare se due metodi diversi sono essenzialmente equivalenti e per vedere se ci sono errori nei dati e se provengono da un metodo rispetto a un altro. L'analisi BA non richiede dati distribuiti normalmente.

 

Spero che questo ti aiuti!,

DS

Re: Test di equivalenza

Sto confrontando due metodi analitici che valutano la purezza dei miei campioni e vorrei determinare se sono equivalenti . Sono consapevole che non producono risultati identici, quindi la differenza media tra i due metodi non è zero, ma ciò che conta è se la differenza rimane entro una tolleranza del 2%.

Ecco la configurazione:

• Ho testato 28 campioni diversi , analizzando ogni campione una volta con ciascun metodo.

• Sono interessato a verificare se i metodi sono equivalenti entro un margine di ±2%.

• Inizialmente ho applicato un test t bilaterale sulle differenze di purezza, ma non sono sicuro che questo approccio sia il più adatto per stabilire l'equivalenza.

• La cosa interessante è che i dati non sono distribuiti normalmente .

Apprezzerei molto qualsiasi consiglio su:

1. Quali test statistici sono più appropriati per valutare l'equivalenza quando i dati non sono distribuiti normalmente.

2. Metodi validi per implementare tali test in queste condizioni.

3. Insidie di cui dovrei essere consapevole quando valuto l'equivalenza con dati non normali.

Qualsiasi suggerimento o consiglio sarebbe davvero utile: grazie!

Re: Test di equivalenza

Ciao @AcceptanceFox47 : se i dati sono approssimativamente log-normali (il logaritmo naturale dei dati è approssimativamente normale), allora questo può essere fatto come un intervallo di confidenza per dati accoppiati (potrebbe essere fatto tramite la piattaforma Matched Pair, ad esempio). Ma l'analisi verrebbe eseguita sul logaritmo naturale dei dati. Gli estremi dell'intervallo di confidenza al 90% sulla differenza (in scala logaritmica) verrebbero quindi anti-loggati (EXP(.)) per ottenere un intervallo di confidenza sul rapporto della media geometrica. Questo intervallo finale dovrebbe essere compreso tra 0,98 e 1,02 per affermare l'equivalenza.

E, se la dimensione del campione è sufficientemente grande (n=28 si qualifica), allora il Teorema del Limite Centrale ( https://en.wikipedia.org/wiki/Central_limit_theorem#:~:text=Nella%20teoria%20della%20probabilità%2C%20i%20limiti%20centrali%20non%20sono%20normalmente%20distribuiti .) dice di non preoccuparsi della normalità. Modifica: quindi, continua come ho spiegato sopra.