Lorsque le rapport de contrôle de plausibilité est sorti avec la valeur SD inférieure à la fourchette acceptable, 0,79, et non mentionné à propos de l'estimation de la prévalence actuelle avec SD et SD 1,
- Comment devrions-nous aller de l'avant avec estimation de la prévalence,
- Quel type de correction ou des renseignements supplémentaires besoin de faire pour la présentation de ce résultat,
- Il est techniquement sauver d'utiliser la prévalence observée dans cette affaire et
- Quel genre de choses peut conduire à entraîner ce genre de valeur SD.
(Semblent je fis une question de beaucoup :))
Je aussi associées avec le rapport échantillon "Contrôle de plausibilité session sur l'évaluation de la SD.
Évaluation de la déviation standard, la distribution normale, asymétrie et d'aplatissement en utilisant les 3 exclusion (Flag) procédures
. aucune exclusion exclusion de l'exclusion des
. moyenne de référence moyenne observée
. (Drapeaux OMS) (drapeaux SMART)
WHZ
Ecart type SD: 0,79 0,79 0,79
(Le SD devrait être comprise entre 0,8 et 1,2)
Prévalence (<-2)
observé:
calculée avec SD actuelle:
calculée avec une carte SD de 1:
Les lecteurs réguliers de ces forums peuvent savent que je suis sceptique quant à ces types de contrôles de plausibilité car ils sont basés sur des hypothèses qui sont (OMI) pas très plausible.
Je ne suis pas sûr, mais je pense que cela:
calculée avec SD actuelle:
calculée avec une carte SD de 1:
se réfère à un estimateur PROBIT. Ce type d'estimateur est pas souvent utilisé avec des données SMART (il est le plus souvent utilisé avec des données de l'enquête de RAM). Vous voudrez probablement utiliser une approche classique (ie nombre de cas divisé par le nombre d'enfants). Si vous utilisez l'approche PROBIT alors je suggère que vous utilisez le SD observée car cela est susceptible d'être plus précis que d'une carte SD assumé.
Je suppose que vous avez vérifié vos données et la question est pas beaucoup de valeurs manquantes WHZ.
Pour répondre à vos questions ... de donner des réponses définitives je besoin de voir les données ...
(1) Oui, vous devriez aller de l'avant et de la prévalence de l'estimation. Même si le SD entre 0,8-1,2 règle a une certaine valeur ces limites sont très nettes et 0,79 est si proche de 0,8 que le rejet serait (OMI) être légaliste.
(2) Vous devez signaler que le SD était un peu plus faible que prévu.
(3) Je pense qu'il est sûr à utiliser la prévalence estimée. Les gens intelligents peuvent dire le contraire. Ils peuvent avoir raison.
(4) Un peu SD signifie que la propagation des valeurs de WHZ est plus faible que prévu en vertu d'un ensemble spécifique d'hypothèses. Cela signifie que vous avez plus d'enfants proche de la valeur moyenne de WHZ et moins d'enfants dans les «queues» de la distribution que prévu. Vos enfants sont plus semblables les uns des autres que ce qu'ils «devraient» être. Il ya plusieurs choses qui peuvent rendre cela possible. Voici une liste incomplète:
(i) Les erreurs de mesure.
(ii) des erreurs dans l'échantillonnage (parfois des enfants malades sont «cachées» et cela conduira à un plus petit que s'attendre à queue gauche (c.-à trop peu de valeurs très faibles).
(iii) Faux données. Vous pouvez le voir si des données ont été recueillies à partir de quelques cas et puis juste copiés maintes et maintes fois ou les données ont été générées et puis coupés un peu pour supprimer les valeurs extrêmes. Je l'ai que très rarement vu une telle fraude et ce qui était généralement sur l'ajout (ou la soustraction) un peu vers (ou depuis) ??la hauteur d'augmenter (ou réduire) la prévalence estimée.
(iv) la conception effet - WHZ pourrait être associée à la taille du village et PPS met l'échantillon dans les plus grands villages.
(v) Un «partage» ou société juste - tous les gens meurent de faim ensemble plutôt que les groupes à risque éloignons du moins les groupes à risque à des rythmes distincts (qui pourraient conduire à SD> 1 et une grande queue gauche).
Il ya d'autres (je laisse ceux-ci pour les autres à proposer).
Il ya des choses à faire que peut aider à réduire les possibilités. Un petit-queue gauche favoriserait (ii) et peut-être (v). Une distribution étroite avec des queues semblables pourrait favoriser (iii), (iv) ou (v). Vous pouvez vérifier les données pour voir si il ya beaucoup d'enfants avec les mêmes données pour enquêter (iii).
La chose principale est que vous signalez le problème dans un rapport que vous faites de ces données.
Je espère que cela est d'une certaine utilité.
Répondu:
10 années il y a