Test d'équivalenceBonjour
Je souhaite comparer deux méthodes analytiques qui mesurent la pureté de mes échantillons et prouver qu'elles sont équivalentes. Je sais qu'ils ne fournissent pas exactement les mêmes résultats, ce qui signifie que la moyenne de leur différence n'est pas 0. Cependant, il me suffit de prouver que la différence entre leurs résultats est inférieure à 2 %. Mes données sont basées sur 28 échantillons différents et chaque échantillon a été analysé une fois par chaque méthode. Nous avons testé l'équivalence avec un test t bilatéral sur la différence de pureté mais nous ne sommes pas sûrs que ce test soit le plus approprié pour prouver le concept. Veuillez noter que les données ne sont pas normalement distribuées. Quelqu'un peut-il nous conseiller à ce sujet ?
Ingénierie Qualité et ProcédésPartager et communiquer les résultatsRe: Test d'équivalenceMerci d'avoir clarifié @Mark_Bailey . et merci beaucoup pour votre aide.
Salutations,
Jennifer.
Re: Test d'équivalenceMerci beaucoup @SDF1 . C'était vraiment utile.
Salutations,
Jennifer.
Re: Test d'équivalenceJ'aurais dû répondre que votre test d'équivalence démontre suffisamment de preuves pour rejeter l'hypothèse nulle selon laquelle les méthodes sont différentes de plus de 2 % au niveau de confiance de 95 %.
Re: Test d'équivalenceSalut @CentroidJackal1 ,
Je pense que votre test d'équivalence montre que vous ne pouvez pas rejeter l'équivalence des deux méthodes - à +/- 2 unités de 0 près. Dans l'exemple que vous fournissez, la différence moyenne est de -0,72, et puisque vous acceptez tout ce qui se situe dans +/-2 unités de 0, alors la différence moyenne suggère que les valeurs sont équivalentes. Les moustaches rouges sur la différence moyenne représentent les limites de confiance sur cette différence moyenne.
Il convient de garder à l’esprit que ce test d’équivalence examine la différence moyenne de toutes vos 28 mesures. Cela ne dit rien sur une seule mesure. Donc, je pense qu'il faut faire attention en disant que la différence sera "toujours" inférieure à 2 (quelle que soit la confiance que vous avez décidée à l'avance). Ce qu'il faut vraiment discuter, c'est que moyenne la différence est inférieure à +/-2 unités par rapport à 0. Ceci est illustré par votre distribution où vous avez au moins un point de données avec une différence de -4. Dans ce cas particulier, cette (ou ces) mesure(s) présente(nt) une différence supérieure à +/-2 unités par rapport à 0 et échouerait à votre description originale. Cependant, la moyenne de toutes les mesures ne manque pas à la description.
L'analyse BA devrait également vous fournir ces informations, car vous pouvez estimer l'intervalle de confiance sur le tracé de la différence moyenne et voir combien de mesures se situent en dehors de ces lignes ainsi que déterminer s'il y a un biais dans une méthode ou dans l'autre. .Avec l'analyse BA, vous pouvez obtenir une assez bonne estimation du nombre de points de données qui se trouveront en dehors de vos CI et ainsi donner une estimation plus raisonnable de ce à quoi vous aimeriez répondre, c'est-à-dire que pour toute mesure donnée, vous avez un niveau de confiance. de X que la différence est de +/-2 unités.
Vous pouvez également envisager de faire une analyse ANOVA, dans laquelle vous pourrez à nouveau effectuer un test d'équivalence sur les moyennes - mais dans ce cas, vous utiliserez les valeurs de mesure réelles, et même si vous savez que les valeurs absolues de A et B pourraient ne pas être les valeurs absolues de A et B. de même, vous pouvez toujours faire le test d'équivalence à +/-2 unités près. Ce qui est bien ici, c'est que vous pouvez prendre en compte des variances inégales si nécessaire - par exemple si les méthodes A et B n'ont pas d'écarts types similaires.
Avec l'un ou l'autre des tests d'équivalence, vous examinez réellement soit la différence de moyenne, soit la différence moyenne - pour toutes vos mesures, et cela doit être clair. Une seule mesure peut toujours constituer une valeur aberrante, mais si la réponse moyenne de chaque méthode est équivalente, elle doit réussir le test d’équivalence.
Bonne chance!,
DS
Re: Test d'équivalenceSi les modèles ne sont pas équivalents, le biais est alors important.
Re: Test d'équivalenceSalut @Mark_Bailey
Merci pour votre réponse. L'ajustement orthogonal signifie que les méthodes ne sont pas équivalentes, tout comme la ligne d'ajustement. Nous savons que les méthodes ne donnent pas exactement les mêmes résultats et qu'il existe un biais mais nous voulons prouver que ce biais n'est pas significatif. Est-ce que ça fait plus de sens?
Merci beaucoup,
Jennifer.
Re: Test d'équivalenceSalut @SDF1
Merci beaucoup pour la réponse rapide. Toutes mes excuses pour la confusion. La pureté est exprimée en pourcentage donc c'est pour ça que je mets 2% mais la différence est la valeur absolue et je veux prouver qu'il y a une certaine confiance pour dire que la différence sera "toujours" (pour 90%, 95% ou 99% de la population) soit inférieur à 2. Je ne suis pas sûr que l'analyse BA prouvera ce point, car il semble qu'elle prouvera seulement qu'il existe un biais entre les deux méthodes.
Merci beaucoup,
Jennifer.
Re: Test d'équivalenceIl existe de nombreuses normes de longue date (par exemple, NCCLS, IUPAC, ICH) sur la comparaison des méthodes. Cela peut concerner un certain nombre d’aspects de la mesure : exactitude, précision, linéarité, limite de détection ou de quantification, etc. Vous pouvez utiliser la commande Ajuster orthogonal dans Bivarié pour effectuer une régression de Deming qui minimise l'erreur en X et Y. JMP 17 comprendra également la régression Passing-Bablok et l'analyse Bland-Altman. En attendant, consultez le chapitre de l'aide JMP sur Analyse du système de mesure pour plus d'idées.
Re: Test d'équivalenceSalut @CentroidJackal1 ,
La façon dont vous présentez et proposez est certainement une façon d’évaluer les données. Une chose à garder à l’esprit cependant, c’est que lorsque vous dites que la différence dans les résultats doit être inférieure à 2 %, 2 % de laquelle, méthode A ou méthode B ? Cette partie n'était pas bien expliquée.
Une autre façon d'examiner les données pourrait consister à utiliser un graphique de différence moyenne, un peu comme un Bland-Altman analyse. Vous pouvez le lire à partir du lien. C'est un bon moyen d'évaluer si deux méthodes différentes sont essentiellement équivalentes et de voir s'il existe un biais dans les données et s'il provient d'une méthode par rapport à une autre. L'analyse BA ne nécessite pas de données normalement distribuées.
J'espère que cela t'aides!,
DS
Objet : Test d'équivalenceJe compare deux méthodes d'analyse qui évaluent la pureté de mes échantillons et je souhaite déterminer leur équivalence . Je suis conscient qu'elles ne donnent pas des résultats identiques (la différence moyenne entre les deux méthodes n'est donc pas nulle), mais l'important est que la différence reste dans une tolérance de 2 %.
Voici la configuration :
-
J'ai testé 28 échantillons différents , chaque échantillon étant analysé une fois par chaque méthode.
-
Je souhaite vérifier si les méthodes sont équivalentes dans une marge de ±2 %.
-
J'ai initialement appliqué un test t bilatéral sur les différences de pureté, mais je ne suis pas sûr que cette approche soit la mieux adaptée pour établir l'équivalence.
-
Le hic : les données ne sont pas distribuées normalement .
J'apprécierais grandement toute orientation sur :
-
Quels tests statistiques sont les plus appropriés pour évaluer l’équivalence lorsque les données ne sont pas distribuées normalement.
-
Des moyens valables pour mettre en œuvre de tels tests dans ces conditions.
-
Pièges dont je dois être conscient lors de l’évaluation de l’équivalence avec des données non normales.
Toute recommandation ou conseil serait vraiment utile, merci !
Objet : Test d'équivalenceBonjour @AcceptanceFox47 : Si les données sont approximativement log-normales (le logarithme naturel des données est approximativement normal), l'analyse peut être effectuée comme un intervalle de confiance pour les données appariées (via la plateforme Matched Pair, par exemple). L'analyse serait effectuée sur le logarithme naturel des données. Les extrémités de l'intervalle de confiance à 90 % sur la différence (en échelle logarithmique) seraient alors anti-logarithmées (EXP(.) ) pour obtenir un intervalle de confiance sur le rapport des moyennes géométriques. Cet intervalle final devrait être compris entre 0,98 et 1,02 pour prétendre à l'équivalence.
Et, si la taille de l'échantillon est suffisamment grande (n = 28 est qualifié), alors le théorème central limite ( https://en.wikipedia.org/wiki/Central_limit_theorem#:~:text=Dans%20la%20théorie%20des%20probabilités%2C%20les%20centrales%20elles-mêmes%20ne%20sont%20pas%20normalement%20distribuées .) dit de ne pas s'inquiéter de la normalité. Edit : donc, continuez comme je l'ai expliqué ci-dessus.
