Je ne sais pas pourquoi vous supposez SD = 1 alors que vous observez SD = 1.23. Cela risque de sous-estimer la véritable prévalence.

Ce dont vous avez besoin pour utiliser un estimateur PROBIT, c'est la moyenne et l'écart-type que vous observez à partir de vos données. Pour votre problème, vous devez avoir la moyenne et l'écart-type pour les garçons et les filles séparément. Vous utilisez ensuite la densité cumulative normale pour estimer la prévalence comme probabilité de trouver un enfant avec (par exemple) un score z P/T inférieur à votre seuil de votre recherche de cas. Vous pouvez faire cela pour les garçons et les filles séparément. Vous pouvez trouver comment procéder dans SPSS ici .

Cela fait longtemps que je n'ai pas utilisé SPSS, mais je me souviens que vous pouvez accéder à la densité cumulée normale en utilisant «compute». Quelque chose comme:

Transform -> Compute variable -> CDF -> CDF.Normal(theshold, mean SD)

Ceci est décrit ici .

Si, par exemple, vous avez une moyenne P/T = -0,48, SE P/T = 1,08 et un seuil de définition de cas de P/T = -2, alors la probabilité qu'un enfant ait P/T <-2 est de 0,07965331, ce qui correspond à une prévalence d'environ 7,97%. Vous voulez estimer p en utilisant la partie latérale inférieure (gauche) du CDF normal. Si vous vouliez forcer SD = 1, alors il vous faudra utiliser quelque chose comme:

CDF.Normal (-2, -0.48, 1)

Si vous voulez des intervalles de confiance, vous devrez calculer des limites de confiance de 95% pour les moyennes et les utiliser, à la place de la moyenne, avec Normal.CDF. Vous pouvez obtenir des limites de confiance de 95% pour la moyenne en utilisant:

Analyse -> Descriptive Statistics -> Explore

dans SPSS.

J'espère que cela vous sera utile.

Cher Mark,

Merci beaucoup pour ces commentaires détaillés. Je voudrais réagir à votre premier paragraphe en partageant le rapport de plausibilité SMART que vous pouvez trouver ici . Ainsi, vous verrez que SD est problématique, en assumant le score maximum. C'est pourquoi je veux utiliser la prévalence calculée avec SD de 1.

Merci pour cette discussion utile,

Cordialement. Tomás

Chers tous,

Si je ne me trompe pas, la méthodologie SMART recommande, dans le cas où la vérification plausible d'une enquête est problématique, comme cette enquête qui a une pénalité de 29 (plus de 25), d'utiliser l'écart-type calculé de 1, exclusion de la moyenne de référence (drapeaux de signatisation de l'OMS). Mais vous devez mentionner ceci dans votre rapport.

Merci

Je vois. Votre SD (écart-type) est en dehors de la plage utilisée pour le rapport SMART sur la qualité des données. Cela pourrait être dû à votre échantillonnage d'enquête provenant d'un certain nombre de populations différentes (par exemple, différentes zones économiques), ce qui fait que votre P/T est un "mélange de Gaussiens".

La SD semble problématique, mais cela ne signifie pas qu'il est légitime pour vous de supposer que SD = 1. Votre SD observé est la meilleure information dont vous disposez pour la valeur du SD et vous devez l'utiliser. Avec les données d'exemple (ci-dessus), nous avons:

P/T moyen = -0,48, SD P/T = 1,08

L'estimateur PROBIT donne p = 0,07965331 (7,97%) Si nous supposions que SD P/T = 1, nous verrions la prévalence estimée chuter à 0,06425549 (6,43%). Un écart-type plus large augmente l'estimation de la prévalence. J'utiliserais un écart-type plus large car c'est la meilleure information dont je dispose sur l'écat-type, et parce que toute erreur entraînera une augmentation faussement positive de la classification IPC qui est probablement plus bénigne qu'une erreur faussement négative. Il est à noter qu'un écart-type plus large entraînera un intervalle de confiance plus large sur les moyennes et un intervalle de confiance plus large sur l'estimation de la prévalence. Cela ne signifie pas non plus que l'écart-type plus large peut être dû à des valeurs aberrantes et, si tel est le cas, la moyenne peut être biaisée et l'estimation PROBIT être alors très éloignée. Votre meilleure option pourrait être de censurer les valeurs aberrantes en utilisant une règle qui censure les observations de plus de 3 plages interquartiles au-dessus ou en dessous des quartiles supérieurs ou inférieurs ... d'autres façons d'identifier les valeurs aberrantes sont disponibles directement dans SPSS. Une fois que vous aurez supprimé les valeurs aberrantes, vous devrez à nouveau calculer les moyennes et les écarts types, et appliquer l'estimateur PROBIT.

J'espère que cela vous sera utile.

Cher Mark,

C'est toujours un plaisir de vous lire.

J'ai suivi la description que vous avez fournie et j'ai obtenu ce qui suit :

• Pour la prévalence globale du MAG, j'ai utilisé les détails suivants de mon ensemble de données:
  • MAG par P/T défini comme n'importe quoi <-2 z-scores
  • Ma moyenne était de: -0,30
  • SD = 1,23.

Veuillez noter que mon test pour les valeurs aberrantes était excellent (selon le rapport de plausibilité que j'ai partagé auparavant).

Avec cela, le CDF.Normal (-2, -0,30, 1,23) = 0,083468 = 8,35%

Pour la prévalence par sexe, j'ai calculé séparément le score z moyen pour les garçons et pour les filles, l'écart-type pour chacun et en utilisant la même définition de cas de MAG par P/T. J'ai obtenu ce qui suit :

• Garçons
  • Moyenne: -0,30
  • SD: 1,31

CDF.Normal (-2, -0,30, 1,31) = 0,09719 = 9,72%

• Les filles
  • Moyenne: -0,42
  • SD: 1,29

CDF.Normal (-2, -0,42, 1,29) = 0,1132 = 11,3%

Commentaires généraux :

Je dois avouer que cela était effectivement d'une certaine utilité, mais en même temps, je dois avouer que cette méthode a comme limitation de ne pas prendre en considération l'œdème bilatéral. En outre, reconnaissant le fait que la prévalence calculée de avec une ET de 1 sous-estime la prévalence, peut-être que l'équipe de méthodologie SMART devrait envisager d'adopter cette approche (CDF) et, par conséquent, les protocoles IPC aussi car l'IPC recommande l'utilisation de la prévalence calculée avec une ET de 1 lorsque SD est au-delà des plages acceptables.

Des millions de remerciements.

Cher Tomas,

Dans votre dernier article, il semble que vous calculez la prévalence de la MAG en calculant l'aire qui se situe sous une courbe normale définie par la moyenne et l'écart type de P/T. Je ne comprends pas pourquoi faire cela. Revenons à l'essentiel: la prévalence d'une condition donnée est la proportion d'une population définie qui a cette condition. La prévalence est mesurée en évaluant les individus, en définissant chaque individu comme ayant ou non cette condition, puis en divisant le nombre d'individus atteints par la condition par le nombre total d'individus évalués. La GAM est définie chez les individus ayant un P/T inférieur à -2 et/ou un œdème au pieds bilatéral. Il suffit d'appliquer cette définition à chaque individu pour calculer la prévalence. L'utilisation de la manipulation statistique pour calculer la prévalence à partir d'une distribution idéalisée de P/T peut produire des estimations inexactes de la prévalence car une telle manipulation force la normalité sur une courbe qui peut ne pas être normale.

Cher Bradley,

Merci de votre attention.

Permettez-moi de vous ramener à mon message initial où j'ai déclaré un problème et à mon deuxième article, dans lequel j'ai partagé à quoi ressemble le problème sur la base du rapport de plausibilité SMART. Ce problème rend l'utilisation du calcul de base d'une `` prévalence '' peu réaliste car il est susceptible de surestimer la prévalence du MAG mesuré par le poids pour la taille parce que l'écart-type (SD) est bien en dehors des plages acceptables selon la méthodologie SMART (0,8 - 1,2) ET , selon la recommandation du SMART lorsque cela se produit (lorsque l'écart-type est> 1,2), une prévalence calculée avec un écart-type de 1 doit être utilisée et, ce faisant, la prévalence est sous-estimée au fur et à mesure.

Je suis entièrement d'accord avec vous que «l'utilisation de la manipulation statistique pour calculer la prévalence à partir d'une distribution idéalisée de P/T peut produire des estimations inexactes de la prévalence parce qu'une telle manipulation force la normalité sur une courbe qui peut ne pas être normale.» C'est pourquoi Mark montrait ici une façon de calculer la prévalence (lorsque l'écart-type dépasse la limite supérieure) mais en utilisant des techniques qui ne sous-estiment pas la prévalence, en utilisant la moyenne observée, l'écart-type de mon échantillon d'enquête.

Merci encore pour vos commentaires sur ce post.