Cher Anonymous 394:

Je suis un peu clair sur votre question, mais permettez-moi de voir si je peux donner quelque chose d'utile en réponse. La signification statistique d'une différence apparente observée entre deux échantillons ou entre un échantillon et une constante dépend de la variance de l'indicateur. La variance, à son tour, dépend de a) le nombre d'unités d'analyse inclus dans l'analyse, b) si le résultat est dichotomique, telles que la prévalence, la proportion ayant le résultat, c) si le résultat est continu, telles que la hauteur -pour-âge z-score, la dispersion des valeurs, et d) le plan d'échantillonnage. Parce que la variance dépend fortement du nombre d'unités d'analyse, la valeur de p calculée à partir d'un ensemble de données incomplètes ne reflète pas la valeur de p calculée à partir de l'ensemble de données complet, car il aura un plus petit nombre d'unités d'analyse. Cependant, peut-être plus important encore, ce qui détermine quelles données sont incluses dans l'ensemble de données incomplètes et les données ne sont pas? Par exemple, si l'enquête est de 1/2 fini parce que vous avez terminé les zones urbaines, mais pas les zones rurales, votre ensemble de données incomplètes fournit une estimation biaisée des résultats. Ce serait une grave erreur de fonder des conclusions sur ces résultats biaisés.

En ce qui concerne le programme à utiliser pour calculer les valeurs de p, tout va faire aussi longtemps que cela peut expliquer les caractéristiques de votre système d'échantillonnage. Par exemple, si vous avez fait une enquête en utilisant l'échantillonnage par grappes, le programme d'ordinateur doit être en mesure d'en tenir compte afin de générer une valeur de p précise. Certains programmes ne peuvent pas tenir compte de l'échantillonnage en grappes et produiraient une valeur p inappropriée petite.

Il est possible d'évaluer la différence entre les estimations de la prévalence retournées par deux enquêtes. Une approche simple consiste à estimer l'erreur-type dans chaque enquête:

SE = (UCL - LCL) / (2 * 1,96)

puis regrouper les deux SE:

PooledSE = sqrt (SE1 ^ 2 + SE2 ^ 2)

et calculer un test z:

z = abs (prévalence1 - Prévalence2) / PooledSE

La p-valeur est extraite de la distribution normale (si abs (z)> 1,96 p <0,05). Vous pouvez également utiliser une approche d'estimation:

différence = abs (prévalence1 - Prévalence2) IC à 95% = différence +/- 1,96 * PooledSE

Vous pouvez utiliser une approche similaire avec une moyenne HAZ.

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

Le test d'importance en tant que règle générale, vous permettrait de déterminer si la différence entre vos deux enquêtes est susceptible d'être vrai (pas due au hasard).

Les tests de signification dans la plupart des cas supposent que l'échantillon est vraiment aléatoire. En ce qui concerne votre cas (enquêtes incomplètes / données) et comme déjà souligné Brad, l'échantillon que vous êtes sur le point de tester peut exagérer la précision de vos résultats.

enquêtes nutritionnelles SMART peuvent utiliser les calculatrices CDC dans la conduite de tests de signification. Ceux - ci peuvent être téléchargés à partir du SMART site Web avec des instructions détaillées.

Le test z décrit ci-dessus provient des erreurs standards des IC à 95% sur les estimations de l'enquête qui ont généralement été calculés pour tenir compte du plan de sondage (comme cela se fait, par exemple, par l'ENA pour SMART). Aucune hypothèse est faite que d'un échantillon aléatoire simple a été prise. La calculatrice CDC ne se limite pas à utiliser avec des données d'enquête SMART et utilise une approche presque identique à z test décrit ci-dessus.