Сравнение с интервальной нормой, какой метод? Опции

[Статистик]

P.S. В статистике есть тема "Статистика интервальных данных", да все никак руки до нее не доходят. Даже приблизительно не знаю, как там проверяются гипотезы.

Спасибо. Попробую хотя бы бегло ознакомиться, чтобы понять, стоит ли туда копать.

[DrgLena]

Не статистик статистику
В статистике интервальных данных элементы выборки - не числа, а интервалы
А у статистика числа, это если бегло, так что, туда можно не копать

[Статистик]

Не статистик статистику
В статистике интервальных данных элементы выборки - не числа, а интервалы
А у статистика числа, это если бегло, так что, туда можно не копать

Да, спасибо.
Я уже это поняла. Не мой случай.

[100$]

Девушки! Вчера был явно не ваш день. Но я терпелив. Попробую сегодня.

Измерьте одну и ту же величину дважды, и у вас тотчас появится интервал (тот пресловутый "плюс-минус лапоть"). Залюбуетесь.

Сообщение отредактировал 100$ - 20.07.2013 - 23:24

[DoctorStat]

Да не в макуле же дело. А если бы это был гемоглобин? Мы бы ждали другого специалиста?
Не важно, как называется показатель. Есть выборка из количественных значений. Есть, например, из литературных источников интервал значений, в которые должен попадать этот показатель. Как оценить, приблизился ли этот показатель к норме после лечения или нет?

Предлагаю применить парный критерий Стьюдента, но подставлять в него не простое изменение параметра =x(после) - x(до) для каждого пациента, а изменение модуля отклонения от середины доверительного интервала нормы параметра = |x(после)- хmdi | - |x(до)- хmdi | . Если нулевая гипотеза принимается на желаемом уровне значимости, то лечение бесполезно, т.к. оно не приблизило измеряемый показатель к норме. Если гипотеза отклоняется, то вычисляем разность средних значений =М(после) -М(до). Если эта разность меньше 0, то показатель приблизился к норме, если больше нуля, то отдалился.

[Статистик]

Предлагаю применить парный критерий Стьюдента, но подставлять в него не простое изменение параметра =x(после) - x(до) для каждого пациента, а изменение модуля отклонения от середины доверительного интервала нормы параметра = |x(после)- хmdi | - |x(до)- хmdi | . Если нулевая гипотеза принимается на желаемом уровне значимости, то лечение бесполезно, т.к. оно не приблизило измеряемый показатель к норме. Если гипотеза отклоняется, то вычисляем разность средних значений =М(после) -М(до). Если эта разность меньше 0, то показатель приблизился к норме, если больше нуля, то отдалился.

Спасибо за ответ.
К сожалению, так ничего не получиться. x(после) - x(до)= |x(после)- хmdi | - |x(до)- хmdi | , т.к. хmdi попросту сокращается.
Да и приведение интервала к числу для сравнения не считаю корректным. В противном случае проще сравнить среднюю по выборке с точечным значением по критерию Стьюдента на равенство значений.

Критерий Вилкоксона показал, что отличия между выборками до и после лечения существенные (p=0,0025). Анализ таблицы сопряженности показал, что до и после лечения по норме выборки оказались однородными. Но это было понятно с самого начала, т.к. после лечения значения показателя приблизились к норме, но в большинстве случаев не достигли ее.

[DrgLena]

Если нулевая гипотеза принимается на желаемом уровне значимости, то лечение бесполезно, т.к. оно не приблизило измеряемый показатель к норме.

DoctorStat! Молодые доктора, аспиранты, девушки и даже юноши могут с вами согласиться.

У меня принципиальное возражение против этой мысли. Мы лечим не показатель, а больного. К сожалению та же мысль о лечении показателей присутствует и у многих членов ученого совета и в ВАКе тоже все хотят лечить показатели, при чем очень достоверно и чтобы с нормой не было различий после лечения, везде в выводах требуется р<0,05. Клиническая мысль как то теряется под напором статистиков, которые, не смотря на то, что включили мозг, делают выводы об отсутствии эффективности, если норма не достигнута. Можно получить в результате лечения нормальную температуру, но не вылечить больного.

В случае динамики толщины макулы, как раз можно получить эффект лечения относительно повышения зрения или его стабилизацию в течение длительного периода в результате, например, ПРЛК у больных ДКМО и без достижения нормальной толщины макулы. У пациентов, у которых достигнуто повышение зрения отмечено снижении толщины макулы с 370 до 300 мкм после ПРЛК, стабилизация зрения отмечена у больных при отсутствии прогрессирования отека, т.е, если исходная средняя толщина макулы 495 сохраняется после вмешательства примерно на том же уровне), а ухудшение по остроте зрения происходят у пациентов с исходной толщиной 597 мкм , и после лечения у них происходит повышение толщины макулы до 748. Повышение и стабилизация остроты зрения в течении года после ПРЛК при этой патологии считают положительным результатом лечения. Объединив таких больных в одну группу можно сделать вывод , что если исходная толщина макулы превышает 545 мкм, то ПРЛК не эффективна и не показана таким больным.

Нормы у таких больных вообще уже не может быть, но лечить их нужно, при этом нужно честно говорить больному, на что он может рассчитывать при конкретных вмешательствах. Статистика должна помогать в медицинских исследованиях, а не выключать мозг врачей.

[DoctorStat]

Клиническая мысль как то теряется под напором статистиков, которые, не смотря на то, что включили мозг, делают выводы об отсутствии эффективности, если норма не достигнута. Можно получить в результате лечения нормальную температуру, но не вылечить больного.

DrgLena права в том, что человек - это многопараметрическая машина, в которой разные физиологические параметры взаимосвязаны между собой. Следя только за одним параметром и игнорируя остальные, мы искажаем реальную ситуацию. Более правильно, вместо медицинских терминов наподобие: "эффективность лечения не подтверждена" употреблять абстрактные математические термины: "нулевая гипотеза не отвергается". Тут, как говорится, и волки (т.е.медработники) будут сыты и не раздражены, и овцы (статистики) целы и довольны, что их слушают.
Статистику:
1. СОКРАЩЕНИЕ СЛАГАЕМЫХ. Середина интервала нормы xmdi в формуле разности модулей сокращается только в том случае, когда исследуемый параметр до и после опыта находятся с одной стороны от xmdi.
2. ПОКАЗАТЕЛЬ БЛИЗОСТИ К НОРМЕ. Если параметр распределен нормально (а только такое распределение позволяет применять критерий Стьюдента), то это распределение симметрично относительно максимума, который находится в середине доверительного интервала. Отсюда следует, что в качестве близости показателя к норме можно взять его абсолютное расстояние от центра интервала и не учитывать его границы.

[Статистик]

Статистику:
1. СОКРАЩЕНИЕ СЛАГАЕМЫХ. Середина интервала нормы xmdi в формуле разности модулей сокращается только в том случае, когда исследуемый параметр до и после опыта находятся с одной стороны от xmdi.

Именно так и есть.

2. ПОКАЗАТЕЛЬ БЛИЗОСТИ К НОРМЕ. Если параметр распределен нормально (а только такое распределение позволяет применять критерий Стьюдента), то это распределение симметрично относительно максимума, который находится в середине доверительного интервала. Отсюда следует, что в качестве близости показателя к норме можно взять его абсолютное расстояние от центра интервала и не учитывать его границы.

Идея понятна.

[DrgLena]

Наверное, опять не мой день! Я не про многопараметрическую машину, а про то что проверка медицинской гипотезы и проверка статистической гипотезы это разные вещи, а вы просто предлагаете заменить термины.

[DoctorStat]

Идея понятна.

Дополнение: после лечения может сместиться не только максимум нормальной кривой распределения исследуемого параметра, но и дисперсия (разброс данных). Поэтому вышеизложенный алгоритм "приближения к норме" следует модифицировать с учетом дисперсии:
1. Парным (для связанных данных) критерием Стьюдента определяем изменение абсолютных расстояний до середины доверительного интервала (разность модулей).
2. Каким-нибудь (средние значения групп могут отличаться!) статистическим критерием определяем изменение дисперсии нормальной кривой после лечения.
3. Если изменения дисперсии в п.2 нет, то, как и раньше, вычисляем разность средних и делаем выводы.
4. Если п.2 указал на изменение дисперсии, то вместо разности средних в п.3 нужно вычислять разность площадей под графиком плотности нормальной кривой, ограниченных доверительным интервалом. Анимированные рисунки площадей смотри на сайте: http://www.statsoft.ru/home/textbook/modules/sttable.html

Сообщение отредактировал DoctorStat - 22.07.2013 - 10:03

[Статистик]

Дополнение: после лечения может сместиться не только максимум нормальной кривой распределения исследуемого параметра, но и дисперсия (разброс данных). Поэтому вышеизложенный алгоритм "приближения к норме" следует модифицировать с учетом дисперсии:
1. Парным (для связанных данных) критерием Стьюдента определяем изменение абсолютных расстояний до середины доверительного интервала (разность модулей).
2. Каким-нибудь (средние значения групп могут отличаться!) статистическим критерием определяем изменение дисперсии нормальной кривой после лечения.
3. Если изменения дисперсии в п.2 нет, то, как и раньше, вычисляем разность средних и делаем выводы.
4. Если п.2 указал на изменение дисперсии, то вместо разности средних в п.3 нужно вычислять разность площадей под графиком плотности нормальной кривой, ограниченных доверительным интервалом. Анимированные рисунки площадей смотри на сайте: http://www.statsoft.ru/home/textbook/modules/sttable.html

Спасибо за ответ.
Буду думать.