D'ACCORD. Voici quelques-uns "en agitant la main" pour obtenir cela a commencé ...

Je suppose:

(1) Vous allez comparer vos résultats dans «Arm 1" avec vos résultats dans «Armez-2" à un point de fin.

(2) Votre résultat est une mesure de stuntedness et quand vous dites "le score moyen de WHZ" vous voulez dire "score moyen de HAZ".

(3) Le point final est «graduation» à deux ans. Vous pourrez recueillir des données (par exemple taille et l'âge) ou au "graduation" près.

Vous pouvez utiliser soit HAZ prévalence <-2 de HAZ moyen pour votre résultat.

En utilisant des moyens peut être plus efficace. La difficulté avec l'aide de moyens est que nous avons souvent envie de travailler avec des prévalences car ils peuvent être plus faciles à comprendre.

Il est pas trop difficile de convertir entre les moyens et les prévalences lorsque l'indicateur quantitatif (par exemple HAZ) est quasi-normale. Si nous supposons que la ZAT moyenne est de -1 avec SD = 1,1 nous serions attendus sur:
> Pnorm (q = -2, -1 = moyenne, écart-type = 1,1) * 100 [1] 18,16511
Cela est de 18,2% avec HAZ <-2.

Si nous parvenons à changer la ZAT moyenne vers le haut à -0,7 SD = 1,1 nous pourrions nous attendre à propos de:
> Pnorm (q = -2, moyenne = -0.7, sd = 1,1) * 100 [1] 11,86389
Cela est de 11,9% avec HAZ <-2. Cela équivaut à une réduction d'environ 6,3% de la prévalence du retard de croissance.

Je l'habitude R ci-dessus, mais le calcul peut être fait dans (par exemple) en utilisant Excel:
= 100 * LOI.NORMALE (-2, -1, 1,1, 1) <- donne 18,165107 = 100 * LOI.NORMALE (-2, -0,7, 1,1, 1) <- donne 11,863892
Vous pouvez jouer avec ces calculs (en utilisant les données d'enquêtes disponibles pour obtenir des moyens attendus et SDD) pour trouve la différence entre moyens qui correspond à une différence souhaitée de la prévalence. Je vais travailler continuer en utilisant ce que je l'ai fait ci-dessus.

Ignorant les effets de conception (corrélations intra-cluster), un simple calcul de taille de l'échantillon pour détecter cette différence avec 90% de puissance au niveau de signification de 5% serait:
n = ((1,28 1,96 +) ^ 2 * (1,1 + 1,1 ^ 2 ^ 2)) / ((-1) - (-0,7)) ^ 2 n = 282
enfants dans chaque bras.

Vous avez une conception complexe. Cela signifie que vous aurez probablement besoin d'une taille d'échantillon plus grande (par exemple double de ce que vous calculez aide de formules standards serait probablement OK) et vous aurez besoin d'analyser les données en utilisant des méthodes appropriées (celles-ci sont disponibles dans la plupart des progiciels statistiques). Vous aurez besoin de pondérer les résultats au sein de la communauté par la taille de la population.

La taille de l'échantillon devra également être augmenté pour tenir compte des pertes de suivi (perdus de vue). Environ 20% perdus de vue est probablement OK. La taille de l'échantillon serait alors:
n = 2 * (282 * 1,2) n = 677
dans chaque bras.

Qu'est-ce que vous avez ci-dessus suggère que vous aurez aucun problème atteindre cette taille d'échantillon. Dans ce cas, vous pouvez collecter des données d'environ:
m = (677/5000) * 191 m = 26
communautés dans chaque bras qui pourrait être sélectionné au hasard. Je voudrais porter ce chiffre à au moins m = 30. Cela permettra de réduire les coûts (vous aurez seulement besoin de l'échantillon est m = 60 communautés plutôt que m = 382 communautés).

Il ya d'autres conceptions. Une étude longitudinale (par exemple) aura besoin de moins d'enfants mais vous aurez besoin de les mesurer plus souvent (par exemple trimestrielle sur deux ans (soit 8 mesures) plutôt qu'une seule fois à l'obtention du diplôme. Cela peut être plus cher et la gestion et l'analyse des données sera compliqué . essais séquentiels sont robustes et très efficace et seront généralement couper les tailles d'échantillons nécessaires à la moitié. Ces essais ne sont pas couramment utilisés dans le domaine de la nutrition d'urgence. Si vous décidez d'aller pour un plan séquentiel, alors vous devriez consulter un statisticien expérimenté.

Qu'est-ce que je dois ici est «rudimentaire» et est destiné uniquement à illustrer comment vous pourriez procéder. Ces types de procès peut être très difficile d'obtenir le droit. Vous voudrez peut-être envisager de consulter un statisticien de l'expérience avec des essais en cluster.

Je espère que cela est d'une certaine utilité.

Merci Mark.

Une autre question, qui est également liée à la question ci-dessus.

Dans ce scénario de projet, je voudrais voir la différence de statut de retard de croissance entre les enfants bénéficiaires des mêmes parents (contrôle et d'intervention). Parce que, je suppose, nous pourrions obtenir un certain nombre des mères enceintes ayant des enfants âgés de moins de 5 ans dans notre programme des bénéficiaires. Ces enfants n'ont rien reçu de notre programme d'intervention, mais maintenant, le nouveau bébé va commencer à recevoir les bénéfices (couvrir presque sa fenêtre d'opportunités pour un développement propre). Donc, je suppose que l'état de rabougrissement de nouveau bébé qui bot nos avantages du programme et son / ses frères aînés / sœurs qui ne l'étaient pas.

Donc, dans ce cas, comment pouvons-nous estimer combien des mères enceintes ayant des enfants âgés de moins de 5 enfants et quelle sera la meilleure estimation de la taille de l'échantillon nécessaire de comparer ces deux communautés pour l'étude. De manière plus détaillée, lorsque la ligne de fond du programme effectuer les enfants de mère enceinte qui sont inscrits au programme depuis la première inscription (inscription débutera à Avril 2016 et la fin de transfert de trésorerie au niveau des PTOM 2018) étaient âgée entre 24 mois - 30 mois. Donc, dans ce cas, ce sera le groupe d'âge significatif pour comparer l'état de retard de croissance de leurs frères et soeurs plus âgés et ce groupe.

Merci d'avance.

cordialement,
 

Nick

Ceci est une "quasi-expérience" dans le sens où il n'y a pas de randomisation entre les groupes de contrôle et d'intervention avec les contrôles juste "trouvés". Ces études doivent être interprétées avec prudence, car les préjugés et la confusion peuvent facilement se glisser. Dans le cas (par exemple) d'une tendance séculaire à la réduction des retards de croissance, vous pouvez voir une différence en faveur du groupe d'intervention, même si un effet de l'intervention était absent.

Vous avez identifié un biais potentiel avec l'âge. Idéalement, vous voulez comparer les enfants aux mêmes âges. Si (par exemple) vous aviez une paire avec les âges de commande de 33 mois au moment du recrutement, la comparaison serait avec l'enfant d'intervention à (ou très proche) de 33 mois. Dans de nombreux cas, le retard de croissance se produit avant environ 30 mois et l'enfant demeure avec un retard de croissance pendant un certain temps après que (ie jusqu'à la poussée de croissance pré-adolescents). Vous pouvez, par conséquent, vouloir comparer les mesures à 30 mois (intervention) et> = 30 mois (de contrôle). Notez que l'âge peut être sujette à l'erreur de mesure considérable et ceci va probablement effecter le groupe de contrôle plus que le groupe d'intervention.

Analyse de données devrait être simple. Quelque chose comme un test t apparié sur HAZ devrait faire le travail.

Je serais tenté de choisir le design simple. Vous pouvez trouver la conception quasi-expérimentale un peu compliqué à exécuter.

J'espère que cela soit d'une certaine utilité.