La RAM (Méthode d'évaluation rapide) et des méthodes similaires en Ethiopie, la Sierra Leone et le Soudan utilisent ce que n = 192 recueillies à l'aide de 16 groupes de 12 enfants. Le premier échantillon de la scène est prise sur un échantillon stratifié ou spatiale SCCS. L'échantillon intra-cluster est recueilli que 4 groupes de 3 enfants en utilisant une carte / secteur / méthode d'échantillon ou QTR + EPI5. Un estimateur PROBIT est utilisé. On obtient ainsi une précision utile.

Juste une question au sujet de la RAM, alors que la méthode peut travailler dans des domaines tels que l'Ethiopie, le Soudan et la Somalie, seraient cette sélection de l'échantillon et la taille de l'échantillon fournir suffisamment estimations ou les probabilités de GAM et SAM (même avec les calculatrices PROBITS) précises dans les zones avec une forte densité des enfants de moins de 5, où dans une petite zone géographique il pourrait y avoir plus de 25.000 enfants, et aurait cette méthodologie être adéquates à partir de laquelle les projets de base et à soutenir les décisions prises par les ONG et la communauté des donateurs.

Je suppose que vous aurez à poser "les ONG et la communauté des donateurs". Voici quelques informations qui pourraient les aider à décider ...

Il est encore trop tôt pour RAM. Les travaux se poursuivent. Nous avons connu quelques déboires techniques.

RAM est une méthode de cluster-échantillonné et dispose de toutes les limites d'une telle méthode WRT phénomènes cluster. Par exemple, il aura assez pauvre WRT de précision de certains indicateurs de WASH dans les milieux ruraux. Il est pas une "balle magique" pour tout ce qui est faible dans les approches actuelles. Il fournit des économies de taille de l'échantillon. Elle ne nécessite pas de données sur la population à l'avance de l'échantillonnage.

Les travaux sur l'essai de la méthode PROBIT (toujours en cours alors que nous essayons d'améliorer l'exactitude et la précision) utilisée simulations informatiques basées sur une population de la zone d'enquête de 100.000 personnes au total avec 17% âgés entre 6 et 59 mois (soit 17.000 enfants). Cela a été ressenti comme typique de domaines dans lesquels RAM peut être exercée et est pas si différent, en termes d'échantillonnage, à l'25,000 vous mentionnez ci-dessus. Les résultats montrent la méthode donne une précision similaire à (par exemple) une enquête SMART avec c. 3 fois la taille de l'échantillon n = 192. Le gain de précision dans le champ d'utilisation est susceptible d'être un peu plus élevé que ce parce que les méthodes au sein du cluster échantillonnage utilisées réduisent la perte de variance (et DEFF) par rapport à l'échantillonnage de proximité couramment utilisé dans les enquêtes SMART. Enquêtes SMART pourraient, bien sûr, adopter des méthodes telles que MSS ou QTR + EPI5 pour dans l'échantillonnage en grappes qui devraient aboutir à une meilleure précision.

Il ya un problème de précision (ou biais). L'estimateur classique est généralement impartial. L'estimateur PROBIT est pas impartial. Le niveau de polarisation est, cependant, petite. Voici un exemple de précision relative et la partialité des estimations de prévalence de malnutrition aiguë globale avec des variantes de l'estimateur PROBIT et l'estimateur classique utilisant la simulation par ordinateur:
PERFORMANCE DE RAM / PROBITS ESTIMATEURS CANDIDATS POUR GAM PRÉVALENCE Erreur Méthode Situation dispersion (%) Rel. Prec. (%) ------- ------------------ ---------------- --------- -------------- PROBIT SD Mean 0.8667 23,99 Moyenne (transformé) SD (transformé) 0.7321 24.05 MAD médian * 1,42860 0,1852 24.58 IQR médian / 1,34898 0,0670 24.66 Trimean IQR de Tukey / 1,34898 0,1059 24.62 Mi-charnière IQR / 1,34898 0,1947 24.58 ------- ------------------ ---------------- --------- -------------- CLASSIC NA NA -0,0006 27.22 ------- ------------------ ---------------- --------- --------------
La méthode classique est impartiale. PROBIT avec (par exemple) médiane et IQR est légèrement plus précis (c.-à-IC à 95% sera environ 10% plus étroit) que la méthode classique à la taille des échantillons testés (soit n = 192 pour PROBIT et n = 544 CLASSIC). Le biais pour cette variante est PROBIT 0,067% (soit près de zéro). Cela montre la méthode à sous-estimer la prévalence légèrement.

Je pense que le travail décrit ci-dessus montre que la RAM peut faire aussi bien que SMART avec GAM (il fait beaucoup mieux avec SAM en termes de précision) avec des échantillons plus petits. Si SMART est assez bon "les ONG et la communauté des donateurs", puis RAM / PROBIT devrait également être suffisamment bonne.

Je ne veux pas faire une réclamation trop fort pour RAM. Plus de tests est nécessaire et la méthode reste une approche très prometteuse.

Voici quelques indicateurs notes WRT ...

PROBIT rend très pleine utilisation des données par rapport à l'estimateur classique. Cela peut rendre compte de l'amélioration des performances. Ceci est un exemple d'indicateur refonte. L'approche ici été d'inverser la formule fréquentiste de:
= probabilité proportion
de sorte que:
proportion = probabilité
Cette approche peut être appliquée à d'autres indicateurs. Par exemple, l'estimation de proportions en utilisant les probabilités de survie pour l'allaitement maternel continue est environ huit fois plus efficace (en termes d'exigences de taille de l'échantillon) que l'aide de l'approche basée sur la proportion des-indicateurs de ANJE actuelles. Il est important de noter que l'indicateur basé survie a des problèmes qui limitent son utilité pour les fréquentes M & E, mais les travaux de l'approche générale.

Une autre approche consiste à utiliser des indicateurs échantillon complet. ANJE indicateurs sont en proie à des problèmes de taille de l'échantillon parce que les dénominateurs devient infiniment faible pour certains indicateurs. Par exemple, l'indicateur pour la poursuite de l'allaitement maternel à 12 mois (CBF12M) aurait une taille de n = 50 de l'échantillon à partir d'un échantillon de l'enquête de n = 900 (grande pour SMART). Si CBF12M est regroupée alors n = 50 pourrait devenir une taille d'échantillon efficace de n = 25 ou moins. Il est, toutefois, possible de repenser l'indicateur de ANJE mettre de disposer d'indicateurs applicables à l'ensemble de l'échantillon, mais encore fournir des informations utiles. Nous avons utilisé cette approche dans quelques pays avec un certain succès.

Je ne suis pas sûr au sujet de la question de la densité de population. RAM est une méthode d'enquête à usage général utilisant un échantillonnage spatial dans la première étape. Cela a permis à la méthode à utiliser en milieu urbain qui sont (par définition) des zones à forte densité de population.

J'espère que cela aide.

BTW ... oublié de dire que le PEV utilise n = 210 (comme 30 grappes de 7). La couverture du PEV est souvent très inégale de sorte que nous finissons par faire de S & E sur notre programme survie de l'enfant le plus important et efficace en utilisant des enquêtes avec une taille effective de l'échantillon de n = 100 ou moins. Les principales différences entre le PEV et la RAM sont que la RAM utilise une (petite) échantillonnage spatial dans l'étape 1 et un échantillon plus représentatif à l'étape 2.

Merci pour votre explication détaillée sur la RAM, ils donne certainement la clarté à mes questions. Souhaitez-vous avoir en main toute référence / littérature sur la méthodologie, y compris l'analyse des données d'avoir une meilleure compréhension. Merci

Une littérature abondante a été produite en coopération avec des partenaires (gouvernements, unos, ONG) et je ne suis pas libre de distribuer que sans premières autorisations de cherchais. Il ya la proposition initiale de la RAM, la première mise à jour de développement (avec de nouveaux estimateurs de PROBITS testé), et de la Sierra Leone M & E manuel (matériau sur l'échantillonnage). Celles-ci couvrent certains aspects de la RAM. L'analyse des données est par un bloqué et pondéré bootstrap (BWB) procédure d'estimation (cela sera décrit en bref par HelpAge dans leur prochain rapport du TCHAD). La procédure BWB tient compte de la conception de l'échantillon (c.-à-bloquant pour la conception cluster échantillon et la pondération par un algorithme "de roue de la roulette" pour la pondération postérieur).

Si vous avez besoin d'une séance d'information technique détaillée sur la RAM, alors vous devriez contacter valide ou moi directement.

très appréciée, surtout pour la rapidness vous répond. Merci!

Voici la deuxième mise à jour de développement de RAM. Cela a résultats des tests un peu plus de variantes de l'indicateur PROBIT. Tous les résultats sont pour le GAM et SAM par MUAC (<125 mm et <115 mm). Il ya aussi certains documents décrivant indicateurs ANJE dans les enquêtes de type RAM.

Cher Mark et 585 Anonymous,

Merci beaucoup pour la discussion et les références dans la détermination de la taille de l'échantillon pour l'évaluation nutritionnelle rapide. Cela m'a beaucoup aidé.

Dans notre cas, je l'ai utilisé un échantillonnage aléatoire stratifié que nous avons seulement quatre villages ou colonies dans les zones touchées par les inondations. Dans chaque strate, je l'habitude échantillonnage aléatoire systématique pour sélectionner les enfants U5 pour le dépistage par MUAC et poids-taille. La taille de l'échantillon était de 110 pour cette évaluation rapide utilisant Prévalence du GAM = 20%, d = 0,75 et 95% C. En réalité nous avons effectivement examiné plus de 120 enfants. En ce qui concerne la généralisation des résultats, je suis au courant sur les limitations et de conclure qu'il ne représente que la zone étudiée.

Je vous serais reconnaissant si vous (Mark) fournissez votre opinion sur la méthodologie que nous avons utilisé pour l'évaluation nutritionnelle rapide et si vous êtes intéressé je pourrais vous envoyer le document de données et la méthodologie.

Cordialement

Heureux d'avoir été utile.

Je suis un peu confus par la méthodologie que vous décrivez. Idéal si vous me faire parvenir la méthodologie. Mon adresse e-mail est:
mark@twinketoes.cinderella.brixtonhealth.com
sans le "twinkletoes.cinderella" (ce qui est juste pour entraver spam).

Salut, je veux élaborer une ligne directrice d'évaluation nutritionnelle rapide pour agir comme lien à une évaluation initiale rapide multisectorielle et une évaluation initiale dans des endroits où l'IPC est de 3, 4 et 5. L'évaluation sera un précurseur pour déterminer si un SMART complète est nécessaire. Après avoir examiné de nombreuses ressources j'ai vu peu d'organisations et des lignes directrices des clusters qui recommandent un échantillon de 100 enfants de 6-59 mois lorsque vous faites une évaluation nutritionnelle rapide. Je me demandais si quelqu'un saurait la logique derrière ce nombre est, je n'ai pas été capable de le trouver? Merci, Sinead.

Parfois, "rapide" peut signifier "rapide, approximative, pas cher". Ce n'est pas toujours le cas. Je pense que vous devez être sûr d'utiliser une méthode d'échantillonnage représentatif pour éviter le biais de sélection.

Le n = 100 est utile avec une approche de classification. Une approche d'échantillonnage progressif tronqué utilisée, par exemple, pour la résistance aux médicaments anti-VIH, peut fournir des classifications de prévalence précises et fiables dans des classes de <5%, 5% à 15%, et de > 15% en utilisant une taille d'échantillonage = 47. Avec n = 100, on obtient des classifications plus fines et / ou une plus petite marge d'erreurs.

Si vous utilisez n = 100 et un simple estimateur sur une prévalence, par exemple, de 15%, l'IC à 95% correspondra à quelque chose comme :

en supposant un échantillonnage aléatoire simple. Avec un effet de plan d'échantillonnage de 2.0, il sera d'environ +/- 10%. Je pense que vous vous en sortirez mieux avec un classificateur.

L'alternative est d'utiliser une méthodologie d'évaluation rapide (RAM en anglais). Celle-ci utilise un petit échantillon spatial (n = 192 correspondant à 16 groupes de 12 enfants), un estimateur PROBIT et des méthodes informatiques intensives (qui pouvaient signifier attendre une semaine pour la réponse, mais qui, aujourd'hui, ne nécessitent qu'une minute ou deux). La méthodologie RAM a été utilisée par HelpAge (comme RAM-OP), GOAL (prévalence du faible H / A), l'UNICEF (enquêtes de S & E, surveillance nutritionnelle), VALID (enquêtes S & E, enquêtes de prévalence), GAIN (enquêtes de S & E, prévalence, couverture), ACF (surveillance nutritionnelle), SCF (surveillance nutritionnelle), et autres à des fins multiples. La méthode coûte environ 60% du coût d'une enquête SMART et apporte une précision similaire à celle d'une enquête SMART pour la prévalence GAM et une bien meilleure précision pour la prévalence SAM. Avec la méthode RAM, vous n'avez pas besoin de faire une deuxième enquête SMART. On peut faire des économies supplémentaires en utilisant un estimateur bayésien-PROBIT. ACF a obtenu de bons résultats avec n = 132.

Faîtes-moi savoir si vous avez besoin d'informations supplémentaires ou autre à propos de ce post.

Salut Sinead,

merci pour votre question.
Je pense qu'il pourrait être bon pour vous d'être en contact avec l'équipe IPC directement, qui a ainsi un conseiller de nutrition pour ces questions. peut-être c'est mieux de rentrer en contact avec eux si vous êtes pressés de l'aligner sur l'IPC. s'il vous plaît contacter Sophie Chotard du programme mondial IPC: Sophie.Chotard@fao.org

Je vous remercie!

La méthodologie Rapid SMART serait utile dans des circonstances semblables à celle de Anonymous 3089. Ceci est un outil d'urgence mis au point pour estimer rapidement la prévalence du GAM et de SAM dans des contextes où l'information est requise rapidement ou de temps pour la collecte de données est limité.

L'outil a été mis à l'essai au Soudan du Sud, Madagascar, l'Afghanistan, l'Inde, le Myanmar, et en Irak.

La ligne directrice de Rapid SMART est disponible ICI

Merci

J'ai une nouvelle question sur la taille de l'échantillon pour l'évaluation rapide pendant COVID 19. Cette évaluation sera effectuée par téléphone et cela m'aidera à concevoir une proposition. Quel nombre pensez-vous serait-il suffisant ?

Merci

Les sondages téléphoniques peuvent être difficiles à obtenir correctement car toutes sortes de biais peuvent s'immicer et il y a pas mal de difficultés à considérer.

SAGE a un volume "Comment mener des sondages téléphoniques" dans le cadre de sa série "survey toolkit" qui peut vous être utile ... consulter :

https://dx.doi.org/10.4135/9781412984423

C'est bon marché sur Amazon.

Les besoins en tailles d'échantillon ne sont pas si différents des autres enquêtes. Nous avons vraiment besoin de savoir, pour chaque indicateur clé, les valeurs attendues et le niveau de précision des valeurs souhaité. Le calcul le plus simple est :

n = (p * (1 - p)) / (e / 1,96) ^ 2

où:

n = taille d'échantillon requise
p = proportion attendue
e = demi-largeur pour un intervalle de confiance à 95%

Si (par exemple) vous collectez des données sur la diversité alimentaire et que 25% des enfants consomment le nombre approprié de groupes alimentaires et que vous souhaitez une précision de +/- 5%, alors :

n = (0,25 * (1 - 0,25)) / (0,05 / 1,96) ^ 2 = 288

Il s'agit de la taille d'échantillon nécessaire pour un échantillon aléatoire simple.

J'espère que cela pourra vous être utile.