Vous aurez une taille de l'échantillon dans le sondage de l'anthropométrie d'un peu plus de 900. Supposons que ce sera 900 enfants âgés entre 6 et 59 mois. Nous pouvons aussi supposer que la distribution des âges des enfants teh sera assez uniforme. Cela signifie que vous aurez à propos de:

((23 à 6) - / (59-6)) * 900 = 289

enfants âgés de 6 ande 23 mois dans l'échantillon.

Maintenant que vous avez à travailler sur la taille de l'échantillon nécessaire pour les indicateurs de ANJE. Vous devez (1) une estimation de la valeur de l'indicateur, (2) une idée de la précision requise, et (3) une estimation de la population âgée entre 6 et 23 mois.

Si vous avez aucune idée de (1) alors prendre 50%. Pour (2) vous spécifiez la largeur requise de l'IC à 95%. 50% +/- 10% est OK, mais (par exemple) 5% +/- 10% est dénuée de sens. Pour (3) prendre la population de la zone d'étude et de multiplier par:

((23-6) / (59-6)) * 0,2 = 0,064

Cela suppose que 20% (0,2) de la population sont âgés entre 6 et 59 mois. Cela est généralement une hypothèse assez sûr. Donc, dans une population de (par exemple) 87 000 il y aura environ:

87000 * 0,064 = 5568

childen âgés entre 6 et 23 mois.

Utiliser une calculatrice de taille de l'échantillon qui permet une "correction de la population finie". Vous pouvez télécharger SampleXS à partir de:

http://www.brixtonhealth.com/samplexs.html

ou utiliser un calculateur en ligne tels que GNU sampsize à partir de:

http://sampsize.sourceforge.net/iface/index.html#prev.

Il suffit d'entrer vos suppositions pour (1), (2) et (3). Utilisation de GNU sampsize avec:

Précision: = 7,5%
Prévalence: = 50% (ce qui est teh valeur de l'indicateur)
Population: 5568 =
Niveau: = 95%

Je reçois une taille d'échantillon requise de 166. Cela suppose un échantillon aléatoire simple. Vous utilisez un échantillon de cluster de sorte que vous devez faire une proposition à l'effet de conception. Vous ne pouvez savoir ce à partir d'enquêtes précédentes. Si vous avez aucune idée de l'effet de la conception, puis utiliser 2. Je suppose que 1.5 devrait être OK pour les indicateurs de ANJE. SampleXS fait le calcul pour vous. Si vous utilisez GNU sampsize puis multiplier la taille de l'échantillon calculé par l'effet de la conception. Avec l'exemple (ci-dessus), la taille d'échantillon requise est la suivante:

n = 166 * 1,5 = 249

Depuis 289> = 249, puis (dans cet exemple), vous serez en mesure d'estimer les indicateurs de ANJE avec la précision requise de l'échantillon de 30 par 30.

Que faire si vous avez besoin d'une taille d'échantillon plus grand? Ma préférence serait d'augmenter la taille de l'échantillon principal de l'enquête en utilisant des clusters supplémentaires. Il est préférable de prendre plusieurs clusters que augmenter la taille du cluster.

Salut, Merci pour la réponse, mais je suis un peu confus:
(a) Vous dites que 87000 x 0,064 est de 5568 enfants âgés entre 6 et 23 mois, mais surtout vous avez 20% de la population entre 6 et 59 mois. Ne sont pas les 5568 entre 6 et 59m de sorte que vous auriez à recalculer pour les 6 à 23 mois?

(b) En outre, ne le chiffre de la population beaucoup de différence de toute façon à la réponse finale?

(c) Vous ne couvre pas ce que nous devrions faire pour 0-5.9 mois que nous voulons aussi les inclure.

(d) Désolé pour la question suivante mais je suis confus. Nous voulons obtenir des données utiles pour chaque indicateur ANJE mais nous avons très peu de données pour fondons nos estimations sur. Il ya aussi 10 ANJE indicateurs désormais chaque regardant légèrement différents groupes, par exemple certains prennent les enfants 6-9months, certains 6-23 mois, etc. Est-ce correct ou vous avez à traiter avec chaque indicateur d'une manière différente?
Ce que je veux essentiellement est de savoir est si nous faisons une enquête de cluster normale (900 enfants 6-29 mois et de penser ajouter 100 ans 0-5.9m AS est proportionnelle à la quantité de la population et nous figurons sera ok) seront les résultats que nous avons rien dire statistiquement [de sorte que nous pouvons dire X% (CI X - X) recevoir des aliments semi-solides] et donc est-il la peine de faire?
Désolé pour mon ignorance.
MERCI

Salut Ali
Je vais devoir essayer de répondre à votre dernière question, parce que je voudrais aussi «pratique» de mon raisonnement statistique - et se sentir raisonnablement à peau épaisse pour le moment.
Une enquête de cluster est une conception transversale. En supposant que vous cherchez une précision de p <0,05, vous aurez besoin d'avoir des données de référence permettant d'estimer la proportion de nourrissons de <6 mois vieux qui affichent le résultat d'intérêt afin de calculer la taille minimale de l'échantillon nécessaire pour atteindre une signification statistique .
Disons que nous voulons savoir quelle est la proportion de la population de nourrissons de <6 mois vieux été nourris exclusivement au sein au cours des dernières 24 heures. Nous avons des données SOWC estimer que 15% des nourrissons sont exclusivement allaités à 4 mois. En supposant que nous exigeons une précision p <0,05, alors (selon le tableau de bang whiz dans mon pétard manuel), nous avons besoin d'échantillonner 139 nourrissons.
Cependant, la taille de l'échantillon doit être calculée sur la base de l'unité de randomisation. Donc, si votre utilisant une conception de cluster, vous devez échantillonner 139 groupes de nourrissons plutôt que 139 nourrissons, je pense. Cela augmenterait considérablement le nombre de nourrissons nécessaires pour atteindre une signification.
Si vous ne disposez pas sur quelle base pour estimer la proportion de la caractéristique d'intérêt, alors vous devez assumer que cela se produit à un taux de 50%, car cette estimation maximise votre taille de l'échantillon. (Pour vous donner une idée, pour le scénario ci-dessus, une proportion estimée de 50% nécessiterait une taille de 384 de l'échantillon!)
Maintenant stats ne sont pas ma force et je seraient à la recherche d'une stat consulter avant d'engager toute conception quantitative - donc je suis plus qu'heureux d'être corrigé.
à votre santé
Nina Berry
Australie

Je vais essayer de répondre à chaque question à son tour:

(a) La proportion d'enfants âgés entre 6 et 59 mois est habituellement prise à 20% (ce qui est généralement une légère surestimation). Dans l'exemple d'une population totale de 87000 cela donnerait sur:

87000 * 0,2 = 17400

Les enfants âgés entre 6 et 59 mois. En supposant que l'uniformité des âges parmi ces enfants que nous pouvons nous attendre à propos de:

((23-6) / (59-6)) * 100 = 32,1%

être âgé entre 6 et 23 mois. Ainsi, la proportion de la population âgée entre 6 et 23 mois sera d'environ:

((23-6) / (59-6)) * 0,2 = 0,064 = 6,4% (ce qui est le même que 32,1% * 20%)

Dans l'exemple de la population totale est de 87 000 de sorte que la population âgée entre 6 et 23 mois est d'environ:

87000 * 0,064 = 5568

(b) l'utilisation de GNU sampsize et les paramètres de dans l'exemple mais en changeant la taille de la population:

Population = 1,000, n = 146
Population = 2000, n = 158
Population = 3,000, n = 162
Population = 4000, n = 164
Population = 5000, n = 166
Population = 7500, n = 167
Population = 10000, n = 168
Population = 15000, n = 169
Population = 20000, n = 170
Population = 50000, n = 171

Une population de 50 000 peut être considéré comme «infini». Donc, la réponse à votre question est que, avec de grandes populations il ya peu de différence.

Il pourrait faire une différence pour les plus étroites âge-bandes. Par exemple, les 0 - 6 mois vieux enfants pourraient ne représentent que 2% de la population. Dans notre exemple d'une population de 87 000 ce serait à propos de:

87000 * 0,02 = 1740

Et la taille de l'échantillon nécessaire serait 156 (ce qui est environ 10% d'économie).

Il fait aussi une différence avec des proportions de petites et de haute précision. Je l'habitude de faire beaucoup de travail en épidémiologie ophtalmique. En basse-vision et enquêtes sur la cécité, nous avons une petite population (personnes âgées de plus de 50) et les maladies rares (par exemple 1%). Cela n'a aucun sens pour estimer 1% avec une précision de +/- 10%. Mieux estimer 1% +/- 0,25%. Dans une population de 100.000 vous pourriez avoir environ 5.000 personnes de plus de 50 ans. Non application de la correction de la population finie, nous aurions besoin de goûter à 5425 personnes. Oops! Voilà un échantillon de 5425 personnes sur une population de 5000! L'application de la correction de la population finie donne n = 2745. Cela peut sembler un exemple extrême mais en regardant les niveaux plus communément rencontrées pourrait être instructif. Regardons 10% +/- 3%:

Population = 1000, n = 278
Population = 2000, n = 323
Population = 3000, n = 341
Population = 4000, n = 351
.
. et ainsi de suite.
.
Population = 50000, n = 382

(b) Oui. Vous ne voulez les inclure. Je voudrais suggérer que plutôt que d'avoir un échantillon spécial que nous pouvons utiliser la même procédure d'échantillonnage et (1) les enfants de l'échantillon 0 - 6 mois dans des ménages sans enfants 6 - 59 mois ne pas recueillir de l'anthropométrie, et (2) les enfants de l'échantillon 0 - 6 mois dans les ménages avec enfants de 6 - 59 mois ne pas recueillir de l'anthropométrie chez les enfants 0 - 6 mois.

(d) Ceci est un problème avec les enquêtes à indicateurs multiples. Même la série d'indicateurs applicables à l'ensemble de l'échantillon, ils auront des exigences différentes de taille de l'échantillon. La pratique courante est de choisir un sous-ensemble des indicateurs les plus importants et sélectionnez une taille d'échantillon qui les estimer avec précision utile. Le problème est pire quand vous avez des indicateurs qui ne concernent que des sous-ensembles d'un échantillon de l'enquête que vous pouvez vous retrouver avec un échantillon vraiment massive juste pour obtenir un échantillon de taille suffisante dans un sous-groupe unique. Il ya quatre solutions qui viennent à l'esprit:

(1) Gardez expansion de la taille de l'échantillon de sorte que chaque sous-groupe de l'échantillon a une assez grande taille de l'échantillon. Cela est peu efficace.

(2) Prendre top-up ou des échantillons de quotas. Je pense que cela peut se révéler difficile à faire dans le domaine si il ya beaucoup d'indicateurs nécessitant différents sous-échantillons.

(3) Effectuer une série d'enquêtes plus petites, mais distincts.

(4) Utilisez un indicateur tel que l'indice de l'ANJE du éthiopienne DHS 2000 (Arimond et Ruel 2000, Arimond et Ruel 2002) qui fournit un score pondéré (poids selon le groupe d'âge) de allaité, la diversité alimentaire, et la fréquence des repas. Un tel indice est applicable à l'ensemble de l'échantillon (ou une grande partie de l'échantillon global d'une enquête de anthropométrie nutritionnelle). Un avantage de cette approche est que l'index est un score qui peut être estimée avec une bonne précision avec une petite taille de l'échantillon.

Shifting approche de l'estimation de la classification pourrait également se révéler utile. Si vous êtes en mesure de fixer des normes (c. bonne situation contre mauvaise situation), alors vous pouvez classer avec une bonne précision avec de petits échantillons. L'exemple classique est la vaccination de la rougeole où nous savons que <50% est très mauvais (très peu probable que l'immunité de groupe fonctionne même sur de petites surfaces) et> 80% est bon (immunité collective fonctionne bien). Pour être en mesure de classer la couverture comme bon ou mauvais vaccin en utilisant ces normes avec de très faibles niveaux d'erreur peut être fait avec une taille d'échantillon inférieure à 30 en utilisant des techniques LQAS. Classificateurs de petits échantillons pour de multiples niveaux ont été développés et, tandis que plus compliqué que LQAS, généralement bien travailler avec des tailles d'échantillon <= 50.

Ceci est une réponse longue et que je ne suis pas sûr que les réponses à la question. Il est une situation compliquée. Ma préférence serait d'aller avec (b) et (4) ci-dessus.

Plus précisément vous demandez

"Ce que je veux essentiellement est de savoir est si nous faisons une enquête de cluster normale (900 enfants 6-29 mois et de penser ajouter 100 ans 0-5.9m AS est proportionnelle à la quantité de la population et nous figurons sera ok) sera le les résultats que nous obtenons quelque chose signifie statistiquement [afin que nous puissions dire que X% (CI X - X) recevoir des aliments semi-solides]? et est donc la peine de faire "

Ceci est une question simple de taille de l'échantillon. Un échantillon aléatoire simple de 96 permettra d'estimer une proportion avec un IC à 95% de <= +/- 10% (par exemple 50% +/- 10%). Si vous pouvez vivre avec ce niveau de précision, alors il le fera. Vous pourriez sortir avec une taille d'échantillon plus petit d'entre vous a utilisé une technique de classification.

J'espère que cela aide.

Le calcul de Nina de n = 139 semble un peu petite pour moi. GNU sampsize donne:

Hypothèses:

Précision = 5,00%
Prévalence = 15.00%
Taille de la population = 50000

95% intervalle de confiance indiqué des limites [10% - 20%]
(ces limites ainsi que de la prévalence égale ou de précision de moins)

Estimation taille de l'échantillon:
n = 196

Ceci est pour un échantillon aléatoire simple. Avec un échantillon de cluster que vous avez un effet de conception qui (simplification grossière) peut être considéré comme un nombre par lequel vous devez multiplier votre taille de l'échantillon pour obtenir la taille de l'échantillon équivalent d'un échantillon de cluster. Avec un effet de conception ou (par exemple) 1.5 qui se transforme en 294 196.

L'utilisation de Nina de p <0,05 est quelque peu déroutant puisque cette applique à un type d'erreur dans un test d'hypothèse (de test de signification Alias), mais est liée à la précision.

La n de Nina = 384 pour 50% +/- 5% est correcte.

Merci Mark - vous avez raison. Je mal lu ma table whiz-bang. 196 il est. Maintenant, pour obtenir ma tête autour du facteur de conception.
à votre santé
Nina

Nina, jetez un oeil à SampleXS (voir le lien en post ci-dessus). Le fichier d'aide contient des informations sur l'échantillonnage, les effets de conception, taille de l'échantillon, la sélection de la grappe & c. Ceci a été écrit pour l'unité d'épidémiologie pour le MSc Community Eye Health à l'UCL (maintenant à LSHTM).

Merci beaucoup pour l'information de l'enquête. Je viens à travers elle tout en recherchant pour enquête CAP nous prévoyons de faire bientôt couvrant Actions Essentielles en Nutrition et questions WATSAN. Pourrais-je demander de bien vouloir les questionnaires des échantillons sur des enquêtes CAP couvrant les mères d'enfants âgés de 0-24 mois. Merci d'avance.

Les gars,  j'ai beaucoup appris à propos de ce que je prévois de  mettre en œuvre bientôt, je prévois de mener enquête CAP le mois prochain et je cherche autour quelqu'un qui pourrait me guider. J'avais reussi à beaucoup,  j'espère vous ne serez pas fatigué si je demandé pour plus d'assistance.
Puis-je demander un questionnaire échantillon s'il vous plaît.