দুটি ডিভাইসের যথার্থতার তুলনা করতে পরিসংখ্যান পরীক্ষা

Question

আমি এনেস্থেসেটিসযুক্ত রোগীদের শরীরের তাপমাত্রা ঠিক 37 ডিগ্রি বজায় রাখতে দু'টি তাপমাত্রা নিয়ন্ত্রণ ডিভাইসের তুলনা করছি। ডিভাইসগুলি দুটি গ্রুপ গঠনকারী 500 রোগীর জন্য লাগানো হয়েছিল। গ্রুপ এ (৪০০ রোগী) - ডিভাইস ১, গ্রুপ বি (১০০ জন রোগী) - ডিভাইস ২. প্রতিটি রোগীর প্রতি ঘন্টা তার তাপমাত্রা প্রতি ঘন্টা for hours ঘন্টার জন্য পরিমাপ করা হয়েছিল, আমাকে দুটি গ্রুপে 18000 ডেটা পয়েন্ট দিয়েছিল। আমার ডিভাইসটি রোগীদের দেহের তাপমাত্রাকে 36 ঘন্টা সময়কালে আরও সুনির্দিষ্টভাবে নিয়ন্ত্রণ করে তা নির্ধারণ করতে হবে। আমি প্রতিটি সময় পয়েন্টে কোয়ার্টাল বারগুলির সাথে মিডিয় মানগুলিতে যোগদান করে লাইন গ্রাফগুলি তৈরি করেছি এবং চাক্ষুষরূপে কোনও পার্থক্য আছে বলে মনে হচ্ছে। একটি পরিসংখ্যানগত পার্থক্য প্রমাণ করার জন্য কীভাবে আমার ডেটা বিশ্লেষণ করা উচিত?

Comments

আপনি কি ডিভাইসের মধ্যে রোগীদের ভাগ করেছেন? আপনি যদি তা না করেন তবে একটি অতিরিক্ত অনুমিতি হতে হবে যে দুটি গ্রুপের রোগীদের বিস্তৃত অর্থে একইরকম ।

— আকসকল

একটি মিশ্র প্রভাব মডেল সম্পর্কে কি? প্রতিটি স্তরের (গ্রুপ এ / বি) মানক ত্রুটিগুলি এক অর্থে আপনাকে জানাতে হবে যে পরিমাপগুলি কতটা সঠিক। আপনি সময় সিরিজ এবং রোগীদের জন্য অ্যাকাউন্ট করতে পারেন।

— রোমান Luštrik 1'14

Answer 1

আপনাকে প্রথমে ভাবতে হবে এমন ডিভাইসে "ভাল নির্ভুলতা" থাকার অর্থ (পরিমাণগতভাবে) এর অর্থ কী। আমি পরামর্শ দেব যে, একটি চিকিত্সা প্রসঙ্গে, লক্ষ্যটি হ'ল তাপমাত্রার বিচ্যুতিগুলি এড়ানো যা রোগীর জন্য একটি বিপজ্জনক পরিসরে যায়, সুতরাং "ভাল নির্ভুলতা" সম্ভবত বিপজ্জনকভাবে কম বা উচ্চ তাপমাত্রা এড়াতে অনুবাদ করতে চলেছে। এর অর্থ আপনি এমন একটি মেট্রিকের সন্ধান করতে যাচ্ছেন যা আপনার সর্বোত্তম তাপমাত্রা 37 ডিগ্রি সি থেকে বৃহত বিচ্যুতিকে খুব বেশি দন্ড দেয় izes এর পরিপ্রেক্ষিতে, মধ্য তাপমাত্রায় ওঠানামার ভিত্তিতে পরিমাপ একটি খারাপ পরিমাপ হতে চলেছে যথার্থতা, যদিও বড় বিচ্যুতি হাইলাইট করে এমন ব্যবস্থাগুলি আরও ভাল হবে।$^\text{o}$

আপনি যখন এই ধরণের মেট্রিক প্রস্তুত করছেন, আপনি স্পষ্টভাবে একটি "পেনাল্টি ফাংশন" গ্রহণ করছেন যা আপনার পছন্দসই তাপমাত্রা থেকে বিচ্যুত তাপমাত্রাকে দন্ডিত করে। একটি বিকল্প হ'ল কাঙ্ক্ষিত তাপমাত্রার চারপাশে নিম্ন বৈকল্পিকতা দ্বারা "নির্ভুলতা" পরিমাপ করা (এটি বৈকল্পিক গণনার জন্য স্থির গড় হিসাবে বিবেচনা করা)। স্কোয়ার ত্রুটি দ্বারা প্রকরণটি শাস্তি দেয়, যাতে উচ্চ বিচ্যুতির জন্য যুক্তিসঙ্গত শাস্তি দেয়। আরেকটি বিকল্প হ'ল আরও ভারী শাস্তি দেওয়া (যেমন, কিউবেড-ত্রুটি)। অন্য বিকল্পটি হ'ল প্রতিটি ডিভাইসে রোগীর যে পরিমাণ তাপমাত্রা সীমার বাইরে থাকে তা মেডিক্যালি নিরাপদ পরিমাণের পরিমাণ পরিমাপ করা। যাই হোক না কেন, আপনি যা কিছু চয়ন করুন কাঙ্ক্ষিত তাপমাত্রা থেকে বিচ্যুততার অনুভূত বিপদগুলি প্রতিফলিত করা উচিত।

একবার আপনি "ভাল নির্ভুলতা" এর মেট্রিক গঠনের বিষয়টি নির্ধারণ করার পরে, আপনি কোনও ধরণের "হেটেরোসেসডাস্টিটিটি টেস্ট" তৈরি করতে যাচ্ছেন যা আপনি যথার্থতার যে কোনও পরিমাপ ব্যবহার করছেন তা অনুমোদনের বিস্তৃত অর্থে তৈরি করা হচ্ছে। আমি নিশ্চিত নই যে আমি স্বতঃসংশোধনের জন্য সামঞ্জস্য করার whuber এর মন্তব্যে সম্মত। এটি আপনার ক্ষয় গঠনের উপর নির্ভর করে - সর্বোপরি, একটি বর্ধিত সময়ের জন্য উচ্চ তাপমাত্রার পরিসরে অবস্থান করা সবচেয়ে বিপদজনক জিনিস হতে পারে, সুতরাং আপনি যদি স্বতঃ-সম্পর্কিত সম্পর্কিত অ্যাকাউন্টে ফিরে যান তবে আপনি শেষ করতে পারেন পর্যাপ্ত পরিমাণে বিপজ্জনক ফলাফলকে শাস্তি দিতে ব্যর্থ।

Answer 2

এটি সমকামিতার পরীক্ষা। এবং এটি একটি সময়-সিরিজ হওয়ায় উপযুক্ত পছন্দটি এফ-পরীক্ষা নয়, ব্রুশ-প্যাগান পরীক্ষা। এই পরীক্ষাটি কেবলমাত্র দুটি ডিভাইসের মধ্যে যথার্থতার সাম্যতার প্রশ্নে উত্তর দেয়। নির্ভুলতার স্তরটি বৈকল্পিকতার চিন্তাভাবনার অন্য উপায়।

[সম্পাদনা করুন: সময় নির্ভরতা বিবেচনা করে পরীক্ষাটি সঠিক পরীক্ষায় পরিবর্তন করা হয়েছে]

Comments

এই পদ্ধতির যুক্তিসঙ্গত। তবে কেন বৈকল্পিক পরিবর্তে লক্ষ্যমাত্রার তাপমাত্রার চারপাশে ছড়িয়ে পড়া (যা কেবলমাত্র গড় তাপমাত্রার চারপাশে বিভাজন পরিমাপ করে) তুলনা করে উভয় লক্ষ্যই সরাসরি পূরণ করা যায় না? প্রথম উদ্বেগের সিরিয়াল পারস্পরিক সম্পর্ক পরীক্ষা করার জন্য একটি গুরুত্বপূর্ণ বিষয়: এটি যদি উচ্চ হয় তবে কিছু সংশোধন করা দরকার (যেমন পরীক্ষাগুলিতে স্বাধীনতার ডিগ্রি হ্রাস করা)। আর একটি সমস্যা ক্ষতি নিয়ে উদ্বেগ প্রকাশ করে : ক্ষতির কার্যটি সম্ভবত চতুর্ভুজ নয়। সম্ভবত লোকেরা সহজেই ছোট ওঠানামা সহ্য করতে পারে তবে একটি বড় ওঠানামা ঘটতে পারে। এটি অন্বেষণ করা উচিত।

— whuber

@ শুভ লক্ষ্য টার্কের চারপাশের সাথে তুলনা করার বিষয়ে, যদি এটি আমার হয় তবে আমি ঠিক তাই করতাম। ওপি বিশেষত কেবল বৈকল্পিক প্রশ্ন জিজ্ঞাসা করেছিল, তাই আমাদের প্রবণতা নির্বিশেষে, আমরা সরাসরি সম্বোধন করব, হ্যাঁ? :)

— গ্যারি চুং

এফ পরীক্ষার জন্য সমস্যাটি স্বাভাবিকতা নয়, এটি সম্ভবত স্বাধীনতা be এগুলি সময়ের ধারাবাহিক।

— গ্লেন_বি

@ গ্লেেন_বি বিশ্বাস করতে পারছে না আমি এই বিষয়টিটি মিস করেছি। এটি ধরার জন্য আপনাকে ধন্যবাদ। সম্পাদনা করা হয়েছে।

— গ্যারি চুং

শ্রদ্ধার সাথে, না: এই সাইটের মধ্যে পার্থক্য এবং, বলুন, ম্যাথ সাইটটি হ'ল কোনও পরিসংখ্যানিক প্রশ্নের উত্তর দেওয়ার যথেষ্ট অংশে ওপি ফ্রেমটিকে তারা যেমন ইচ্ছা তেমনভাবে জড়িত করে। বেশিরভাগ ক্ষেত্রে, মূলত এখানে জিজ্ঞাসা করা প্রশ্নগুলির সঠিক উত্তরগুলি সহায়ক বা এমনকি বিভ্রান্তিকর চেয়ে কম। সুতরাং সক্রিয় পাঠক এবং প্রতিক্রিয়াশীল হিসাবে আমাদের প্রথম কাজটি হ'ল এটি নিশ্চিত করা যে আমরা প্রশ্নটি একটি সহায়ক এবং উপযুক্ত উপায়ে ব্যাখ্যা করছি এবং উত্তরগুলি সরবরাহ করতে যা ওপি'র উদ্দেশ্যগুলিকে সর্বোত্তমভাবে সম্বোধন করে। স্পষ্টকরণমূলক প্রশ্ন জিজ্ঞাসা করতে এবং আপনার ব্যাখ্যাটি যাচাই করতে প্রশ্নের মন্তব্যগুলি ব্যবহার করুন।

— whuber

Answer 3

আপনি যদি ডিভাইসগুলি 37 ডি তাপমাত্রা বজায় রাখার বিষয়ে আগ্রহী হন তবে আপনি তা করতে পারেন:

1. প্রতিটি ব্যক্তির কাছ থেকে যেমন পাওয়া যায় তেমন সমস্ত ডেটা ব্যবহার করুন
2. প্রতিটি ব্যক্তির 36 টি ট্রায়াল ব্যবহার করে 37C থেকে ব্যক্তির গড় বিচ্যুতি অনুমান করুন।

তথ্য প্রাকৃতিকভাবে পুনরাবৃত্তি ব্যবস্থা চিকিত্সার জন্য নিজেকে ধার দেয়। ব্যক্তির বিচারের ক্ষেত্রে ক্লাস্টার হিসাবে আচরণ করে, আপনি ডিভাইসের প্রভাবের আশেপাশে একটি মিথ্যা অনুমান করা আত্মবিশ্বাসের ব্যবধানের সম্ভাবনা হ্রাস করবেন। এছাড়াও, সময়ের সাথে সাথে তাপমাত্রা রক্ষণাবেক্ষণ করা ভাল ছিল কিনা তা নির্ধারণ করতে আপনি উভয় ডিভাইসের মধ্যে বা ডিভাইসের সাথে মিথস্ক্রিয়া হিসাবে সময়ের প্রভাব পরীক্ষা করতে পারেন। এই সমস্ত ভিজ্যুয়ালাইজ করার একটি উপায় সন্ধান করা অত্যন্ত গুরুত্বপূর্ণ এবং এটি একের পর এক পদ্ধতির পরামর্শ দিতে পারে। এর লাইন ধরে কিছু:

library(dplyr)
library(lme4)

set.seed(42)
id <- rep(1:500, each=36)
time <- rep(1:36,500)
temp <- c(rnorm(36*400, 38,0.5), rnorm(36*100,37.25,0.5))
temp <- temp + 1/time

prox_37 <- temp - 37
group <- c(rep("A",36*400), rep("B",36*100))
graph_t <- ifelse(group=="A", time-0.25, time+0.25)
df <- data.frame(id,time,temp,prox_37,group, graph_t)

id_means <- group_by(df, id) %>% summarize(mean_37 = mean(prox_37))
id_means$group <- c(rep("A",400), rep("B",100))

boxplot(id_means$mean_37 ~ id_means$group)

plot(graph_t, prox_37, col=as.factor(group))
loess_fit <- loess(prox_37 ~ time, data = df)
lines(c(1:36), predict(loess_fit, newdata= c(1:36)) , col = "blue")

summary(t.test(mean_37 ~group, data=id_means))

model1 <- glm(prox_37 ~ as.factor(group), family = "gaussian", data=df)
model2 <- lmer(prox_37 ~ as.factor(group) + (1 | id), data=df)
model3 <- lmer(prox_37 ~ as.factor(group) + time + (1 | id), data=df)
model4 <- lmer(prox_37 ~ as.factor(group) + time + time*as.factor(group) + (1 | id), data=df)

AIC(model1)
summary(model2)
summary(model3)
summary(model4)