मैं दो तापमान नियंत्रण उपकरणों की तुलना कर रहा हूं, दोनों को एनेस्थेटीज़ रोगियों में शरीर के तापमान को 37 डिग्री पर बनाए रखने के लिए डिज़ाइन किया गया है। उपकरणों को दो समूहों के 500 रोगियों के लिए लगाया गया था। ग्रुप ए (400 मरीज़) - डिवाइस 1, ग्रुप बी (100 मरीज़) - डिवाइस 2. प्रत्येक मरीज़ का तापमान 36 घंटे तक हर घंटे एक बार मापा जाता था, जिससे मुझे दो समूहों में 18000 डेटा पॉइंट मिलते थे। मुझे यह निर्धारित करने की आवश्यकता है कि कौन सा उपकरण 36 घंटे की अवधि में मरीजों के शरीर के तापमान को अधिक सटीक रूप से नियंत्रित करता है। मैंने लाइन ग्राफ का निर्माण प्रत्येक बार बिंदु पर क्वार्टराइल बार के साथ माध्य मानों में शामिल किया है और दृष्टिगत रूप से इसमें अंतर प्रतीत होता है। सांख्यिकीय अंतर साबित करने के लिए मुझे अपने डेटा का विश्लेषण कैसे करना चाहिए?
दो उपकरणों की सटीकता की तुलना करने के लिए सांख्यिकीय परीक्षण
जवाबों:
जब आप इस तरह की मीट्रिक तैयार कर रहे हैं, तो आप एक "दंड कार्य" को अपना रहे हैं, जो आपके वांछित तापमान से विचलित तापमान को दंडित करता है। एक विकल्प वांछित तापमान के आसपास कम विचरण द्वारा "परिशुद्धता" को मापने के लिए होगा (इसे विचरण गणना के लिए निश्चित अर्थ के रूप में मानते हुए)। विचरण चुकता त्रुटि द्वारा दंडित करता है, जिससे उच्च विचलन के लिए उचित दंड मिलता है। एक अन्य विकल्प अधिक भारी दंडित करना होगा (उदाहरण के लिए, क्यूबेड-त्रुटि)। एक अन्य विकल्प यह होगा कि प्रत्येक डिवाइस में तापमान की सीमा के बाहर मरीज की समय-सीमा को मापा जाए। किसी भी मामले में, जो भी आप चुनते हैं, उसे वांछित तापमान से विचलन के कथित खतरों को प्रतिबिंबित करना चाहिए।
एक बार जब आप यह निर्धारित कर लेते हैं कि "अच्छी सटीकता" का एक मीट्रिक क्या है, तो आप किसी भी प्रकार की "हेटेरोसेडेसिटी टेस्ट" तैयार करने जा रहे हैं, जो कि आपके द्वारा उपयोग किए जा रहे परिशुद्धता के माप की अनुमति देने के व्यापक अर्थ में तैयार की गई है। मुझे यकीन नहीं है कि मैं स्वायत्तता के लिए समायोजन की व्ह्यूबर की टिप्पणी से सहमत हूं। यह वास्तव में आपके नुकसान के सूत्रीकरण पर निर्भर करता है - आखिरकार, एक विस्तारित तापमान अवधि के लिए उच्च तापमान सीमा में रहना वास्तव में वह चीज हो सकती है जो सबसे खतरनाक है, इसलिए यदि आप ऑटो-सहसंबंध के लिए वापस समायोजित करते हैं, तो आप समाप्त हो सकते हैं अत्यधिक खतरनाक परिणामों को पर्याप्त रूप से दंडित करने में विफल।
यह समरूपता का परीक्षण है। और क्योंकि यह एक समय-श्रृंखला है, उपयुक्त विकल्प ब्रेस्च-पैगन परीक्षण है, न कि एफ-टेस्ट। यह परीक्षण केवल दो उपकरणों के बीच सटीकता की समानता के सवाल का जवाब देता है। सटीकता का स्तर विचरण की सोच का एक और तरीका है।
[संपादित करें: समय-निर्भरता को देखते हुए परीक्षा को सही में बदल दिया]
यदि आप रुचि रखते हैं कि उपकरण 37C तापमान को कितनी अच्छी तरह बनाए रखते हैं, तो आप निम्न कार्य कर सकते हैं:
- प्रत्येक व्यक्ति से उपलब्ध सभी डेटा का उपयोग करें या जैसा है
- प्रत्येक व्यक्ति के 36 परीक्षणों का उपयोग करके 37 सी से प्रति व्यक्ति विचलन का अनुमान लगाएं।
डेटा स्वाभाविक रूप से बार-बार उपचार को दोहराता है। भीतर-भीतर के परीक्षणों को गुच्छों के रूप में मानकर, आप डिवाइस के प्रभाव के चारों ओर एक मिथ्या अनुमानित आत्मविश्वास अंतराल की संभावना को कम कर देंगे। इसके अलावा, आप दोनों उपकरणों के बीच समय के प्रभाव का परीक्षण कर सकते हैं या डिवाइस के साथ बातचीत के रूप में यह पता लगाने के लिए कि क्या समय के साथ तापमान का रखरखाव अच्छा था। यह सब कल्पना करने का एक तरीका खोजना महत्वपूर्ण महत्व है और एक दूसरे पर एक दृष्टिकोण का सुझाव दे सकता है। की तर्ज पर कुछ:
library(dplyr)
library(lme4)
set.seed(42)
id <- rep(1:500, each=36)
time <- rep(1:36,500)
temp <- c(rnorm(36*400, 38,0.5), rnorm(36*100,37.25,0.5))
temp <- temp + 1/time
prox_37 <- temp - 37
group <- c(rep("A",36*400), rep("B",36*100))
graph_t <- ifelse(group=="A", time-0.25, time+0.25)
df <- data.frame(id,time,temp,prox_37,group, graph_t)
id_means <- group_by(df, id) %>% summarize(mean_37 = mean(prox_37))
id_means$group <- c(rep("A",400), rep("B",100))
boxplot(id_means$mean_37 ~ id_means$group)
plot(graph_t, prox_37, col=as.factor(group))
loess_fit <- loess(prox_37 ~ time, data = df)
lines(c(1:36), predict(loess_fit, newdata= c(1:36)) , col = "blue")
summary(t.test(mean_37 ~group, data=id_means))
model1 <- glm(prox_37 ~ as.factor(group), family = "gaussian", data=df)
model2 <- lmer(prox_37 ~ as.factor(group) + (1 | id), data=df)
model3 <- lmer(prox_37 ~ as.factor(group) + time + (1 | id), data=df)
model4 <- lmer(prox_37 ~ as.factor(group) + time + time*as.factor(group) + (1 | id), data=df)
AIC(model1)
summary(model2)
summary(model3)
summary(model4)
