Cette étape est la planification. Dans ce cas, d'être sur le côté sauver, je voudrais considérer l'effet de la conception la plus élevée.

Je ne sais pas ce que "élevé" signifie dans ce contexte. Dans les enquêtes d'oeil (par exemple) nous pourrions nous attendre à voir les effets du plan de sept (7) ou plus pour le trachome (une maladie infectieuse qui présente une forte concentration dans l'espace). Pour les enquêtes anthropométriques nutritionnels comme SMART Je pense que DEFF = 2 sera probablement assez élevé.

Je pense que votre question pourrait être sur la façon de calculer l'effet de conception ayant combiné les trois enquêtes. Cela peut être calculée comme le rapport de la variabilité observée à la variabilité attendue en supposant un échantillon aléatoire simple. Une mesure de variabilité est la largeur de l'intervalle de confiance de 95%. Un exemple:
Vous combinez les trois enquêtes. Tu as: n = 1800 (à partir des trois enquêtes) et une estimation de: p = 12% (IC à 95% = 9,5%; 14,5%) la largeur de l'IC à 95% est la suivante: w1 = 14,5% - 9,5% = 5% Nous pouvons calculer l'attendions avec de l'IC à 95% en supposant échantillonnage aléatoire simple: n = 1,800 p = 0,12 (soit 12%) La largeur de l'IC à 95% serait: 2 * 1,96 * sqrt ((p * (1 - p)) / n) 2 * 1,96 * sqrt ((0,12 * (1 - 0,12)) / 1,800) = 0,03 (3%) L'effet du plan dans cet exemple est: 5% / 3% = 1,67

Je espère que cela est d'une certaine utilité.

Cher Mark,
Permettez-moi de vous expliquer quand je dis le plus élevé. Selon les informations de Anonyme 2744, ils ont l'intention de faire une enquête et je suppose qu'ils veulent pour calculer la taille de l'échantillon en estimant attendant la prévalence, la précision et l'effet de la conception. Disons-moi vous expliquer comment je l'ai dit la plus haute. Disons l'effet de la conception des trois enquêtes menées l'année dernière étaient de 1,2, 1,3 et 1,5. Mon conseil était juste de prendre 1,5.

Salut,
Merci pour votre réponse. Mais je ne suis pas sûr de savoir comment vous êtes arrivé à la prévalence globale.
Merci

Oui. Voilà un bon conseil.

Action contre la Faim travaille en RDC depuis 1997 avec des programmes en nutrition-santé, sécurité alimentaire et moyens de subsistance, et WASH. ACF met en œuvre des programmes d'interventions d'urgence et de développement pour réduire la morbidité et la mortalité dues à la malnutrition. Des approches multisectorielles intégrant la nutrition et WASH conformément à la stratégie nationale sont mises en œuvre dans 6 provinces. L'un des principaux domaines d'expertise d’'ACF en RDC est la réponse rapide aux crises nutritionnelles. Depuis 2008, plus de 100 enquêtes nutritionnelles et plus de 60 000 enfants souffrant de malnutrition ont été traités via les équipes d'intervention d'urgence d'ACF. Au cours des quatre dernières années, ACF a effectué plus de 35 interventions de réponse rapide à travers le pays, y compris les provinces du Kasaï central et oriental, Sankuru, Kwilu, Kwangu, Équateur, Tshuapa, Maniema et Tanganyka. Actuellement ACF intervient dans les provinces du Nord et Sud Kivu, Kasaï et Kasaï Central. 

La mission RDC compte 285 staffs nationaux et 45 internationaux. Le candidat aura l’opportunité de travailler avec une équipe qualifiée de différentes nationalités et une ambiance professionnelle agréable.

Il s'agit d'une création de poste qui a pour but d'assurer le développement et la mise en œuvre de la stratégie de surveillance nutritionnelle de la mission en RDC.

RESPONSABILITES

Sour la supervision de l'Adjoint.e Directeur Pays, votre mission principale sera d'élaborer la stratégie de surveillance nutritionnelle de la mission en RDC, en coordonnant la mise en œuvre et le suivi des évaluations nutritionnelles de qualité (SMART, SMART Rapide, SQUEAC et autres évaluations selon les besoins), tout en assurant l’analyse des données nutritionnelles et le renforcement des capacités locales (PRONANUT, SNSAP et partenaires locaux). 

Plus précisément, vous serez en charge de:

En étroite collaboration avec le département Nutrition et Santé, développer une stratégie centrée sur la surveillance nutritionnelle pour 2023-2024 en RDC, incluant le développement d’un modèle de conduite de SMART/Rapid SMART avec les partenaires. 

Planifier et mener des enquêtes SMART- SMART Rapide ou autres évaluation nutritionnelle en partenariat avec les partenaires de la nutrition/santé et le PRONANUT.

Renforcer l’expertise de surveillance du PRONANUT

Contribuer à la revitalisation du SNSAP.

Gérer l'équipe du programme de surveillance

PROFIL

Vous avez une formation médicale, paramédicale, ou similaire, avec au moins 5 ans d'expérience professionnelle dans des ONG dans le domaine de la nutrition et/ou de la santé, dont 2 ans dans le secteur de la surveillance nutritionnelle (SMART, SQUEAC, KAP, autres évaluations, etc.), et MEAL, avec une ONG internationale.

Vous êtes reconnu(e) pour vos capacités de coordination, management, représentation, négociation, et diplomatie.

Une bonne connaissance de la gestion et cycle de projet, ainsi que les mécanismes des Clusters Nutrition sont nécessaires, car vous travaillerez en étroite collaboration avec le gouvernement et les partenaires.

DURÉE : 12 MOIS

DATE DE DÉBUT : 01-08-2022

https://recrutement.actioncontrelafaim.org/fr/offre/6250/UN-E-RESPONSABLE-DU-DEPARTEMENT-SURVEILLANCE-NUTRITIONNELLE

Je pense que la prévalence globale devrait être pondérée par. Ma question suivi de l'anonymat 2744 est sur la combinaison des trois enquêtes. pourquoi u fait l'année dernière trois enquêtes distinctes dans un comté? si elle était parce qu'ils sont hétérogènes, pourquoi vous combinez maintenant? si elles sont hétérogènes, u besoin d'avoir séparé sauf si u besoin de changer les méthodes d'échantillonnage.

Cher anonyme 2744,

Vous pouvez également regarder dans les sondages précédents menés au niveau national (par exemple DHS) car ils ont généralement dans leur page d'annexe l'effet du plan de sondage (EPS) (niveau national et sub-national) de toutes les variables utilisées dans l'enquête. Cela vous aidera à estimer votre EPS.

Je voudrais également vous suggérer d'entrer en contact avec des personnes impliquées dans les projets SMART. Peut-être que vous pouvez poser votre question dans leur site Web à http://smartmethodology.org/forums/. Je suis sûr qu'ils seront également heureux de vous aider.

Cordialement,
Derich

Pour ajouter à la question initiale soulevée, l'effet de conception est une mesure de l'hétérogénéité de votre indicateur dans une population donnée. Cela dit, il est nécessaire de tenir compte du contexte et des circonstances aggravantes au moment de décider quelle conception l'effet serait le plus approprié.
Généralement, si vous prenez un effet de conception = 2, vous êtes déjà en supposant que deux populations différentes en ce qui concerne votre indicateur. Par exemple dans le cas de la malnutrition, vous croyez que sein de votre population, vous vous attendez à voir les zones avec beaucoup de malnutrition et de zones sans malnutrition. Par conséquent, il est préférable de rester dans les limites de 1,2 (population très homogène) à 1,8 (population plus hétérogène). Rappelez-vous ceci est seulement une «estimation approximative» comme un collègue l'a souligné plus tôt. Vous serez l'obtention d'un effet de la conception délivré donné vos données de l'enquête et le plus souvent pour le gaspillage, il est inférieur à 1,5 (effets de conception plus élevés sont souvent observés pour le retard de croissance étant donné les taux de prévalence beaucoup plus élevés).

Néanmoins, vous devez toujours tenir compte du contexte et des facteurs aggravants. Disons que vous avez les 3 enquêtes suivantes et leurs effets du plan de sondage (EPS) observées:
Enquête A avec un DEFF de 1,3
Enquête B avec un DEFF de 1,14
Enquête C avec un DEFF de 1,4
Cette dates données à partir de 1-2 ans, et depuis, plus d'insécurité alimentaire a été observé. Si vous souhaitez faire faire une enquête sur tous ces domaines, alors peut-être 1,4 est trop faible et compte tenu du contexte, 1.7 maintenant serait plus approprié. Il est important de discuter et de contre-vérifier ces hypothèses avec d'autres partenaires des pays que vous ne voulez pas de gonfler inutilement votre taille de l'échantillon qui présente plus de risque d'introduire un biais.

Espérons que cette aide et je écho Frederich pour envoyer vos questions sur le site SMART SMART ou pour accéder à d'autres outils.

Merci,
Victoria

Cher Victoria,
Pour autant que je connais, si les collectivités données sont hétérogènes, la recommandation a été d'avoir des enquêtes distinctes. Dans un comtés ou de l'administration zone donnée, il pourrait y avoir deux moyens de subsistance différents, disons, pastoral, agro-pastoral ou agraire. ou pourrait être la configuration urbaine / rurale. Ainsi, dans un tel mis en place, recommandez-vous d'avoir seule enquête simplement en considérant l'effet de la conception des deux?
L'autre question, dans votre exemple, comment avez-vous atteint 1,7%

Toutes mes excuses pour ne pas être clair. En effet, si vous avez des communautés hétérogènes, il est préférable de faire 2 enquêtes distinctes (qui renvoie à mon explication si vous assumez un effet de conception de 2 y compris les zones sans malnutrition et ceux souffrant de malnutrition).

Le plus souvent, les comtés ou les zones d'interventions présentent un mélange de moyens de subsistance et / ou des configurations urbaines et rurales. Si vous ne disposez pas d'informations sur la prévalence de votre principal indicateur, alors il est préférable d'utiliser 1,5 effet de conception. Si vous disposez de données présentant des différences (-dire la zone A avec 12% GAM et Zone B avec 8,5%), et aucune information contextuelle présentant des changements importants dans la situation dans ces zones, vous pouvez alors utiliser le plus élevé des deux effets de conception observés pour votre enquête combinée de la Zone A et B. Dans l'exemple précédent où je disais 1.7 doit être utilisé, bien que les autres données de l'enquête ont montré que la plus élevée des 3 enquêtes ont eu un effet de conception de 1,4; l'insécurité alimentaire a été observée et maintenant nous ne savons pas comment cela a affecté notre principal indicateur et il serait mieux d'aller avec un effet de conception plus élevé (1,7 par exemple) que d'utiliser simplement directement 1,4 souvenir de ces sommes «conjectures» de ce que vous obtiendrez avec vos données d'enquête.

Merci encore,
Victoria

Il suffit de suivre jusqu'à question concernant incrément de design effet lorsque "l'insécurité alimentaire a été observé, par exemple de 1,7". Si la situation se détériore en raison de l'insécurité alimentaire à travers le conseil d'administration (tous les domaines), je ne suis pas clair pourquoi vous recommander à jouer évaluer l'effet de la conception. Pour moi, je jouerais ajustant la prévalence estimée autour de en considérant l'intervalle de confiance de niveau supérieur.

Bonjour chère commmunauté, 

Je suis sur une évaluation sectorielle santé nutrition notamment une évaluation des formation sanitaire. 

Pourriez vous partagé avec moi des exemples d'outils d'évaluation qui permettraient de capter la performance du centre de santé dans la prise en charg de la malnutrition et aussi l'ANJE sans avoir un outil assez long. 

Merci

Nous avions pris 3 enquête distincte en raison de différents partenaires ayant différents bailleurs de fonds. Le donneur est maintenant l'un et il est limite de ressources pour mener 3 enquêtes distinctes.

Essayer de deviner un effet de conception est (comme on peut le voir ici) difficile et implique généralement un grand nombre de «main-agitant". Le temps testé règle de base est de supposer un effet de conception de 2,0 à moins que vous attendez regroupement considérable. Nous avons beaucoup d'expérience (c. 30 ans) avec 30-en-30 et enquêtes SMART (ceux-ci sont liés et des méthodes extrêmement semblables) montrant l'effet de la conception rarement (mais parfois) dépasse 2,0. L'enquête âgés de 30 par-30 est peut-être d'un certain intérêt ici. Ce fut une enquête par sondage de taille fixe (ie n = 900) et personne inquiète beaucoup sur l'effet de la conception jusqu'à l'analyse de données, puis il a été pris en charge par le logiciel. Il est intéressant de regarder ce que l'enquête de 30 par-30 a fait. Estimer une prévalence de 10% pour et 95% CI de +/- 3% a besoin d'une taille d'échantillon de n = 384 en supposant un échantillon aléatoire simple. L'effet du plan assumé dans une enquête de 30 par-30 était 900/384 = 2,34. Ce fut généralement suffisant pour donner le attendue ou meilleure que la précision attendue.

Existe-t-il une référence de source pour ce qui suit :

"Si vous ne disposez pas d'informations sur les prévalences de votre indicateur principal, il est préférable d'utiliser un effet de conception de1.5".

Comme le dit Mark, beaucoup d'approximations. Cependant, il existe un article qui présente des effets de plan de sondage (EPS) pour divers indicateurs couramment mesurés dans les sondages d'évaluation des besoins en nutrition et de soins de santé en situation d'urgence : Kaiser R, Woodruff BA, Bilukha O, Spiegel P, Salama P. Using design effect from previous cluster surveys to guide sample size calculation in emergency settings. Disasters 2006; 30: 199-211. Dans les enquêtes présentées dans cet article, l'effet de plan de sondage pour la malnutrition aiguë chez les enfants varie de 0,8 à 2,4, avec pour la plupart des enquêtes un EPS tombant entre 1,1 et 1,6; d'où la recommandation d'utiliser 1.5 comme effet de conception supposé.

Mais l'effet de plan de sondage est la mauvaise mesure à extraire d'enquêtes antérieures. L'effet de plan de sondage est fortement influencé par la taille du cluster, de sorte que l'effet de conception d'un sondage préalable avec une taille de cluster très différente peut ne pas s'appliquer au sondage que vous avez à l'esprit. Le coefficient de corrélation intra-cluster (CIC, parfois appeler rho) est une meilleure mesure de l'hétérogénéité inhérente à la distribution d'un indicateur. Il reflète la proportion de la variance totale qui est due aux différences entre les clusters. Malheureusement, les éditeurs ont supprimé la discussion importante sur le CIC du document référencé ci-dessus, mais voici une excellente discussion sur le CIC (ICC en Anglais): https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1466680/.

Pour cette raison, lors du calcul de la taille de l'échantillon pour un sondage planifié, je déciderais d'abord de la taille moyenne de la grappe (comme le nombre de ménages qu'une équipe peut appréhender en 1 journée), puis dériver le CIC des sondages antérieurs. Si ces enquêtes antérieures ne signalent pas le CIC (ce que la plupart des rapports d'enquête ne parviennent pas à faire), mais vous donnent l'effet de plan de sondage et la taille moyenne du cluster, vous pouvez calculer  CIC: CIC = (Effet de plan de sondage - 1) / (Taille Cluster - 1). Ensuite, appliquez ce coefficient CIC à l'enquête planifiée en calculant l'effet de plan de sondage prévu dans l'enquête planifiée en utilisant cette formule: Effet de plan de sondage = 1 + (taille de cluster - 1) x CIC. Le processus peut être inapproprié pour les indicateurs habituels qui ne comportent pas de CIC ou des effets de plans de sondages très élevés, mais si vous mesurez quelque chose pour lequel vous vous attendez à beaucoup d'hétérogénéité de distribution (comme l'approvisionnement en eau, l'assainissement, la couverture vaccinale), cette étape pourra alors signifier la différence entre assumer un effet de plan des sondage de 5 et gâcher des ressources de sondage lorsque l'effet de plan de sondage réel pour vos données d'enquête se révèle être seulement 3.

Vous pouvez également utiliser le coefficient CIC pour déterminer l'effet de la diminution de la taille du cluster pour l'enquête planifiée. Si vous calculez la taille de l'échantillon pour un indicateur avec un effet de plan de sondage élevé et décidez qu'il est trop grand, vous pouvez toujours diminuer la taille du cluster pour obtenir un effet de plan de sondage inférieur. Cependant, comme le montre le document cité ci-dessus, augmente la taille de l'échantillon en augmentant la taille du cluster est un exercice futile. L'effet de plan de sondage augmenté résultant d'une augmentation de la taille du cluster annule habituellement tout avantage de précision par l'augmentation de la taille de l'échantillon. Donc, si vous souhaitez augmenter la précision de votre sondage, augmentez le nombre de clusters (ou grappes) et diminuez la taille de chaque cluster.

Merci Woody. Cela couvre bien les problèmes.

Voici un ancien article sur un sujet connexe de Binkin et al. (1992) . Cela correspond au concept de 30 par 30 avec sélection PPS d'emplacements de cluster/grappe et d'échantillonnage de proximité dans les grappes. Ceci est, tout comme SMART, un concept EPI modifié. Beaucoup de travail a été effectué sur le concept EPI et qui cela fournit une base de preuve couvrant un grand nombre d'indicateurs de survie de l'enfant.

Il est important de se rendre compte que l'effet de plan de sondage (EPS) en Français, ou (DEFF) en Anglais, peut être modifié par la conception. Nous pouvons, par exemple, réduire les effets de plan de sondage en ayant des plus de clusters ou en ayant des clusters de moindre taille. EPS ou DEFF est une question de comptabilisation de la variance perdue. Beaucoup de variance est perdue lorsqu'un échantillon de proximité est utilisé. Un passage à un échantillon aléatoire simple (comme dans les directives SMART ultérieures) aidera à réduire le DEFF. Une meilleure approche consiste à utiliser un échantillonage de cluster pour la conception qui capture la variance par stratification implicite. Nous pouvons (par exemple) modifier l'échantillon de proximité pour sélectionner chaque troisième maison (EPI3) ou chaque cinquième maison (EPI5). Nous pouvons également diviser l'échantillonnage en prenant un petit échantillon de différentes parties d'une communauté échantillonnée (segmentation) - on peut les considérer comme des clusters spatialement sélectionnés dans des grappes. Les échantillons RAM et S3M utilisent souvent une combinaison de segmentation et EPI3 / EPI5 pour l'échantillonnage en grappes.

Ces types de modifications aux méthodes d'échantillonnage de grappes peuvent contribuer à améliorer l'efficacité statistique des échantillons de grappes en considération des coûts. Ils ne sont pas une panacée car la perte de variance peut être due aux méthodes de sélection des grappes. Par exemple, PPS aura tendance à sélectionner de grandes communautés, ce qui en fait un choix médiocre pour certains indicateurs. La stratification spatiale peut aider. Le principal est d'avoir un échantillon de clusters assez important. Un bon minimum pour un sondage SMART est d'environ 30 clusters. Un bon minimum pour un sondage utilisant un échantillon spatial de grappes (clusters) et une segmentation avec EPI3 / EPI5 en grappes est 16 - puisque nous prenons généralement 3 ou 4 sous-grappes à partir de chaque grappe, cela donne environ 48 à 64 petits clusters.

J'espère que cela pourra être utile à quelqu'un.