Вновь про информацию, последовательный анализ Вальда Опции

[DrgLena]

Уважаемые коллеги! У нас на форуме когда то обсуждался метод последовательной диагностической процедуры по методу Вальда, во многих работах есть расчет диагностических коэффициентов (ДК) и информационной меры Кульбака (J). Есть и расчет порогов для принятия решения. При альфа=0,05 и бета=0,05, например, порог для Кульбака =10*log(альфа/(1-вета)) и 10*log((1-альфа)/бета), т.е. +/- 12,8. При достижении этих порогов, как было где то сказано, достигается вероятность безошибочной диагностики 0,95. Можно ли снижать пороги для менее важного состояния и повышать для более фатального.
Как связаны альфа и бета с вероятность безошибочной диагностики. Например, если оставить альфа=0,05 и изменить бета=0,2, при этом мы сдвигаем порог принятия решения до +/-12,0, как это будет связано с вероятность безошибочной диагностики Р=?.

[DrgLena]

Спасибо большое!
Именно последнюю работу я не нашла, только уточнение названия "Роль факторов.....Но нашла много зарубежных работ, где хорошо описан результат применения этого метода. В пришпиленной работе авторы используют известную программы, но я не нашла, где именно в ней можно посчитать LR, поэтому много ручной работы, легко ошибиться составляя таблицы для расчета.

Прикрепленные файлы

 LR.pdf ( 177,78 килобайт ) Кол-во скачиваний: 776

 

[плав]

Спасибо большое!
Именно последнюю работу я не нашла, только уточнение названия "Роль факторов.....Но нашла много зарубежных работ, где хорошо описан результат применения этого метода. В пришпиленной работе авторы используют известную программы, но я не нашла, где именно в ней можно посчитать LR, поэтому много ручной работы, легко ошибиться составляя таблицы для расчета.

LR проверки гипотезы и LR теоремы Байеса разные LR. Авторы статьи просто не акцентируют на этом внимание, но они считали его не в "известной программе". Это просто разные показатели, имеющие одинаковую первую часть названия (в случае статистического тестирования "отношение правдоподобия полученных данных теоретическому распределению", во втором - "отношение правдоподобия наличия заболевания в случае положительного результата теста"). Поэтому есть два LR в теореме Байеса и только одно для соответствующей четырехпольной таблицы.
Проблема использования подхода теоремы Байеса - выборочный характер оценки Se и Sp и возможная корреляция между разными тестами. Строго говоря, используя допущение большой выборки проблему оценки дисперсии суммы логарифмов LR можно решить. Для LLR+ она будет равна (1-Se)/Se/n1 + Sp/(1-Sp)/n2, где n1 и n2 - численность здоровых и больных, соответственно.
Для суммы LLR надо будет просуммировать все дисперсии и для получения стандартного отклонения - извлечь корень.
Однако это все не решает проблемы коррелированности результатов теста. Поэтому-то методы, основанные на суммировании результатов тестов и вышли из моды (цитируемая статья написана авторами из Аргентины).
В настоящий момент оптимальным решением поставленной задачи было бы построение модели с помощью логистической регрессии, а затем определение Se и Sp на основе анализа характеристической кривой суммарной модели. Это не всегда используется ввиду того, что результаты логистической регрессии не очень удобно использовать в клинической практике (регрессионное уравнение), поэтому альтернативой является построение шкалы риска на основе логистической регрессии или регрессии Пуассона (собственно, в упоминавшейся мною работе 1993 года и было продемонстрировано, как это делается).