M. kutatás

Tartalomjegyzék

Bevezetés

Bármely kutatási tanulmányban kulcsfontosságú kérdés az alkalmazott mérési eljárások megbízhatósága. Amint Fleiss a klinikai vizsgálatok kapcsán rámutat, a legelegánsabb tervek sem képesek csökkenteni a megbízhatatlan mérőrendszer által okozott károkat.

intézkedései

A mérési hibák egyik fontos forrását hagyományosan felismerték a megfigyelők közötti változékonyságban. Következésképpen a megbízhatósági vizsgálatok egyik céljának az ilyen változékonyság mértékének megbecsülését kell kitűzni.

Ebben az értelemben két különböző szempont jellemzően a megbízhatósági tanulmány részét képezi: egyrészt a elfogultság a megfigyelők között - Kevésbé szigorúan megfogalmazva: az egyik megfigyelő hajlandósága folyamatosan magasabb értékeket adni, mint a másik - és egy másik megfigyelők közötti megállapodás - Vagyis a megfigyelők mennyiben értenek egyet mérésük során -.

Ehhez a második aspektushoz ragaszkodva a probléma megközelítésének sajátos módja szorosan függ az adatok jellegétől: ha ezek folyamatosak, akkor gyakori a osztályon belüli korrelációs együttható becsléseinek használata, míg a kategorikus adatok kezelésekor a leggyakrabban használt statisztika a kappa index, amelynek szenteljük a cikk többi részét.

A Kappa index

Tegyük fel, hogy két különböző megfigyelő n elemből álló mintát önállóan besorol ugyanabba a C névleges kategória halmazába. Ennek a besorolásnak az eredményét összefoglalhatjuk egy olyan táblázatban, mint az 1. táblázat, amelyben minden xij érték azt az elemszámot jelöli, amelyet az 1. megfigyelő az i. Kategóriába és a 2. megfigyelő a j kategóriába sorolt.

Például két radiológusra gondolhatunk, akik szembesülnek azzal a feladattal, hogy a röntgenfelvétel mintáját a skála alapján kategorizálják: "rendellenes", megkérdőjelezhető, "normális". Asztal 1.

Jellemzően statisztikai szempontból megfelelőbb, ha megszabadulunk a konkrét mintától (a két megfigyelő által besorolt ​​n elemtől), és azon populáció szempontjából gondolkodunk, amelyből a mintát feltételezzük, hogy vettük. Ennek a keretváltozásnak a gyakorlati következménye, hogy módosítanunk kell az 1. táblázat sémáját, hogy az egyes cellák xij értékeivel helyettesítsük az együttes valószínűségeket, amelyeket Π ij-vel jelölünk (3. táblázat).

Az 1. vagy 3. táblázatban javasolt schematizálás típusával egyértelmű, hogy az egyetértésre utaló válaszok azok, amelyek a főátlón találhatók. Valójában, ha egy adat az említett átlón található, ez azt jelenti, hogy mindkét megfigyelő az osztályozási rendszer azonos kategóriájába sorolta az elemet. Ebből a megfigyelésből természetesen a megegyezés mércéjének legegyszerűbb tényezője merül fel: a főátló mentén bekövetkező valószínűségek összege. Szimbólumokban, ha ezt a mértéket Π 0-val jelöljük, az lesz

ahol az összegzés mutatói i = 1-ről i = C-re mennek.
Nyilvánvaló, hogy igaz
a minimális lehetséges megegyezésnek megfelelő 0 érték és a maximális érték 1.

Bár ezt az egyszerű indexet alkalmanként javasolták a választott megállapodás mértékeként, értelmezése nem problémamentes. A 4. táblázat bemutatja a felmerülő nehézségek típusát. A esetben Π 0 = 0,2, ezért az egyezés sokkal kisebb, mint a B esetben, ahol Π 0 = 0,8. A határeloszlásokkal történő feltételezéssel azonban megfigyelhető, hogy A esetben a megállapodás a lehető legnagyobb, míg a B esetében a minimális.

Ezért egyértelműnek tűnik, hogy a keresést új megállapodási intézkedések felé kell irányítani, amelyek figyelembe veszik a marginális eloszlásokat, hogy megkülönböztessék a megállapodás két különböző aspektusát, amelyeket informálisan abszolút vagy relatív megállapodásnak nevezhetnénk. A kappa index egy ilyen irányú hozzájárulást jelent, alapvetően egy olyan korrekció beépítésével a képletbe, amely kizárja a megállapodást kizárólag a véletlen miatt - korrekció, amely, mint látni fogjuk, a marginális eloszlásokhoz kapcsolódik -.

A 3. táblázatban már használt jelöléssel a kappa indexet Κ a következőként definiáljuk

[1]
ahol az összegzés mutatói i = 1-ről i = C-re mennek.

Tanulságos az előző kifejezés elemzése. Figyeljük meg először, hogy ha feltételezzük azon véletlen változók függetlenségét, amelyek a két megfigyelő által azonos elem besorolását jelentik, akkor annak a valószínűsége, hogy egy elemet mindkettő ugyanabba az i kategóriába sorol, Π i.Π .i. Ezért, ha az összesítést kiterjesztjük az összes kategóriára, a ∑ Π i.Π .i pontosan annak a valószínűsége, hogy a két megfigyelő kizárólag a véletlennek tulajdonítható okokból állapodik meg. Következésképpen a Κ értéke egyszerűen a megfigyelt többletmegállapodás, amely meghaladja a véletlennek tulajdonítható összeget (∑ Π ii - ∑ Π i.Π .i), és a maximálisan lehetséges túllépés (1 - ∑ Π i.Π. i) közötti arány. .

A maximálisan lehetséges konkordancia megfelel Κ = 1-nek. A Κ = 0 értéket akkor kapjuk meg, ha a megfigyelt egyezés pontosan az, ami a véletlen miatt várható. Ha a megállapodás pusztán a véletlen miatt nagyobb a vártnál, Κ> 0, míg ha kevesebb, akkor videofelül fentebb). Az ilyen paradox eredmények megértéséhez érdemes megemlékeznünk az index korlátairól fentebb megfogalmazott megjegyzésekről Π 0.

A Κ értékének értelmezésénél hasznos, ha önkényessége ellenére van egy következő skála:

Hipotézis tesztelés és konfidencia intervallumok

A Κ értékének egyszerű pontbecslésének megszerzése semmilyen jelet nem ad a becslés pontosságáról. Az inferenciális statisztika szempontjából elengedhetetlen a becslések variabilitásának ismerete és ezen ismeretek felhasználása a hipotézis tesztek megfogalmazásában és a konfidencia intervallumok felépítésében.

Fleiss, Cohen és Everitt adják meg az aszimptotikus variancia kifejezését - vagyis a végtelenül nagy minták esetében - a k becslő értékét, amikor a true valódi értéke nulla:

[3]

Az elméleti valószínűségeket, amelyeket nem ismerünk, a minta arányaival helyettesítve an 0 2 (k) becslést kapunk, amelyet s0 2 (k) -vel jelölünk:

[4]

Ezt az eredményt használhatjuk annak a nullhipotézisnek a tesztelésére, hogy Κ nulla az alternatívával szemben, ha nem, a hányadost használva tesztstatisztikaként

[5]

(| k | a k abszolút értékét jelöli, és összehasonlítja annak értékét a normál normális eloszlás kvantileivel. A 2. táblázat adataival k = 0,6600 és s0 2 (k) = 0,0738, majd | k |/s0 (k) = 8,9441 és mivel z 0,975 = 1,96, arra a következtetésre jutunk, hogy a Δ = 0,05 szignifikancia szinten a k értéke jelentős, és elutasít bennünket, hogy Κ nulla.

Az előző hipotézis teszt hasznossága vitatható, mivel általában ésszerű elvárni egy bizonyos fokú egyetértést a véletlenen kívül, triviálisan jelentős eredményt fogunk találni. Érdekesebb hipotézis tesztek elvégzéséhez ismerni kell az aszimptotikus variancia kifejeződését, amikor a Κ nem feltételezhető nullának. A kifejezés lényegesen összetettebb, mint a [3]:

[6]
hol: T1 = ∑ π ii,
T2 = ∑ π i.π .i,
T3 = ∑ π ii (π i. + Π .i),
T4 = ∑ ∑ π ij (π j. + Π .i) 2 .

Megmutatható, hogy amikor Κ nulla, akkor a [6] kifejezés [3] -ra csökken. Annak a nullhipotézisnek a tesztelésére, hogy Κ egyenlő egy adott value0 értékkel egy kétoldalú alternatívával szemben, úgy járunk el, mint a Κ = 0 esetben, csak tesztstatisztikaként használva:

[7]

ahol s (k) most s 2 (k) négyzetgyöke, 2 (k) becslője, amelyet úgy kapunk, hogy a minta arányait [6] valószínűséggel helyettesítjük. Nyilvánvaló, hogy a korábban kifejtett Κ = 0 eset nem más, mint ennek a tesztnek egy adott esete, a standard hiba jobb becslésével.