तुलनात्मक दर

9

मैं दो समूहों (एक बीमारी के बिना और एक के साथ) के बीच घटना दर की तुलना करना चाहता हूं।

मैं घटना दर अनुपात (आईआरआर) की गणना करने की योजना बना रहा था, अर्थात् घटना दर समूह बी / घटना दर समूह ए, और फिर परीक्षण करें कि क्या यह दर 1 के बराबर है, और अंततः आईआरआर के लिए 95% सीआई अंतराल की गणना करें।

मुझे एक पुस्तक में 95% सीआई की गणना के लिए एक विधि मिली (रोजनर फंडामेंटल ऑफ बायोस्टैटिस्टिक्स ):

\exp [लॉग (आईआरआर) \pm 1.96 \sqrt{(1 / ए_{1}) + (1 / ए_{2})}]

$\exp\left[\log(\text{IRR}) \pm 1.96\sqrt{(1/a_1)+(1/a_2)}\right]$

जहां और घटनाओं की संख्या है। लेकिन यह सन्निकटन केवल बड़े पर्याप्त नमूना आकारों के लिए मान्य है और मुझे लगता है कि मेरे पास जो ईवेंट है, वह छोटा है (शायद कुल तुलना के लिए यह ठीक है।) $a_1$ $a_2$

इसलिए मुझे लगता है कि मुझे दूसरी विधि का उपयोग करना चाहिए।

Im आर और सटीक पैकेज का उपयोग कर रहा है और पाया कि मैं शायद उपयोग कर सकता हूं poisson.test()। लेकिन इस फ़ंक्शन में दो तरफा पी-मानों को परिभाषित करने के 3 तरीके हैं: केंद्रीय, न्यूनतम और ब्लेकर।

तो मेरे सवाल हैं:

क्या यह सही है कि पोइसन दरों की तुलना करने के लिए एक परीक्षण का उपयोग करते हुए दो घटना दर अनुपात im की तुलना करें?
सटीक पैकेज से आर में poisson.test फ़ंक्शन का उपयोग करते समय कौन सी विधि सबसे अच्छी है?

शब्दचित्र के लिए exactci का कहना है:

केंद्रीय: 1 से ऊपर बँधे एक तरफा पी-मानों का न्यूनतम 2 गुना है। 'सेंट्रल' नाम को संबंधित उलटा कोन डेंस अंतराल से प्रेरित किया जाता है जो केंद्रीय अंतराल हैं, यानी, वे गारंटी देते हैं कि सही पैरामीटर से कम है कम (अधिक) कम (ऊपरी) 100 (1 की पूंछ से किया जा रहा है की संभावना )% विश्वास अंतराल। इसे हिरजी (2006) द्वारा TST (दो बार छोटी पूंछ विधि) कहा जाता है। $\alpha/2$ $\alpha$

न्यूनतम: अवलोकन की गई संभावना से कम या उसके बराबर होने की संभावना वाले परिणामों की संभावना है। इसे हीरजी (2006) द्वारा पीबी (संभावना आधारित) विधि कहा जाता है।

ब्लेकर: विपरीत पूंछ की सबसे छोटी संभावना के साथ छोटी देखी गई पूंछ की संभावना को जोड़ती है जो कि देखी गई पूंछ की संभावना से अधिक नहीं होती है। 'ब्लेकर' नाम ब्लेकर (2000) से प्रेरित है जो बड़े पैमाने पर कॉन डेंस अंतराल के लिए संबंधित विधि का अध्ययन करता है। इसे हिरजी (2006) द्वारा सीटी (संयुक्त पूंछ) विधि कहा जाता है।

मेरा डेटा है:

Group A: 
Age group 1: 3 cases    in 10459 person yrs.   Incidence rate: 0.29 
Age group 2: 7 cases    in 2279 person yrs.    Incidence rate: 3.07
Age group 3: 4 cases    in 1990 person yrs.    Incidence rate: 2.01
Age group 4: 9 cases    in 1618 person yrs.    Incidence rate: 5.56
Age group 5: 11 cases   in 1357 person yrs.    Incidence rate: 8.11
Age group 6: 11 cases   in 1090 person yrs.    Incidence rate: 10.09
Age group 7: 9 cases    in 819 person yrs.     Incidence rate: 10.99
  Total:    54 cases in 19612 person yrs.      Incidence rate: 2.75

Group B: 
Age group 1: 3 cases    in 3088 person yrs.   Incidence rate: 0.97 
Age group 2: 1 cases    in 707 person yrs.    Incidence rate: 1.41
Age group 3: 2 cases    in 630 person yrs.    Incidence rate: 3.17
Age group 4: 6 cases    in 441 person yrs.    Incidence rate: 13.59
Age group 5: 10 cases   in 365 person yrs.    Incidence rate: 27.4
Age group 6: 6 cases   in 249 person yrs.    Incidence rate: 24.06
Age group 7: 0 cases    in 116 person yrs.     Incidence rate: 0
  Total:    28 cases in 5597 person yrs.      Incidence rate: 5.0

r poisson-distribution epidemiology incidence-rate-ratio

— एडविन
स्रोत

2

कुछ विचार:

सबसे पहले, आपके सुझाए गए तुलना - ए और बी के बीच घटना दर अनुपात - वर्तमान में किसी भी कोवरिएट्स पर वातानुकूलित नहीं है। जिसका मतलब है कि ग्रुप ए के लिए आपकी घटनाओं की संख्या 54 है और ग्रुप बी के लिए 28 है। यह सामान्य बड़े नमूना आधारित कॉन्फिडेंस इंटरवल मेथड्स के साथ जाने के लिए पर्याप्त है।

दूसरा, भले ही आप प्रत्येक समूह के लिए अनुपात की गणना करने के बजाय, उम्र के प्रभाव के लिए समायोजित करने का इरादा कर रहे हों, आपको प्रतिगमन दृष्टिकोण का उपयोग करके बेहतर सेवा प्रदान की जा सकती है। आम तौर पर, यदि आप एक चर के कई स्तरों से स्तरीकरण कर रहे हैं, तो यह प्रतिगमन समीकरण की तुलना में बोझिल हो जाता है, जो आपको आयु को नियंत्रित करते समय ए और बी की दरों का अनुपात देगा। मेरा मानना है कि मानक दृष्टिकोण अभी भी आपके नमूना आकार के लिए काम करेंगे, हालांकि यदि आप इसके बारे में चिंतित हैं, तो आप ग्लम्पर जैसी किसी चीज का उपयोग कर सकते हैं ।

— Fomite
स्रोत

1

आपके डेटा में प्रत्येक समूह की घटना दर स्वतंत्र बर्नौली (0/1) चर का योग है - प्रत्येक रोगी का अपना चर 0 या 1 का मान प्राप्त करता है, आप उन्हें योग करते हैं और माध्य लेते हैं, जो घटना दर है।

मैं बड़े नमूने (और आपका नमूना बड़ा है), मतलब सामान्य रूप से वितरित किया जाएगा, इसलिए आप परीक्षण करने के लिए एक सरल जेड-परीक्षण का उपयोग कर सकते हैं कि दोनों दरें अलग हैं या नहीं।

R में, Prop.test: http://stat.ethz.ch/R-manual/R-patched/library/stats/html/prop.test.html पर एक नज़र डालें

यदि आप डेटा का पूरा उपयोग करना चाहते हैं, तो यह देखने की कोशिश करें कि क्या ग्रुप ए और बी के बीच घटना की दर का वितरण अलग-अलग है, इसके लिए, स्वतंत्रता का परीक्षण एक चाल कर सकता है, जैसे कि जी का ची-स्क्वायर। -टेस्ट: http://udel.edu/~mcdonald/statchiind.html

— रॉन
स्रोत

0

यह सुनिश्चित करने का एकमात्र तरीका है कि नमूना काफी बड़ा है (या जैसा कि चार्ली गीयर डालेंगे - यह कि आप वास्तव में असममित भूमि में हैं ) बहुत सारे मोंटे-कार्लो सिमुलेशन करना है या जैसा कि एपीगार्ड ने सुझाव दिया है कि ग्लिस्पर्म जैसी किसी चीज़ का उपयोग करें।

के रूप में क्या विधि सटीक में सबसे अच्छा है के लिए, यहाँ कोई सबसे अच्छा है - या फिशर के रूप में इस्तेमाल किया

किस लिए श्रेष्ठ?

माइकल फे यहां कुछ स्पष्टीकरण प्रदान करता है

— phaneron
स्रोत