Enquêtes et interprétation de la qualité SMART

En réponse à (1) ...

Je ne suis pas totalement convaincu par le type de vérifier pressé sur nous par les bonnes gens à SMART.

Certains d'entre elle est utile ... Par exemple:

Vérifie préférence de chiffres sont utiles: Si il est compatible arrondi vers le haut ou vers le bas puis arrondi cela est susceptible d'introduire un biais. Vérifie préférence de chiffres peuvent identifier si cela peut être un problème. Il est pas un test définitif que vous obtenez toujours la préférence de chiffres si bon arrondi avaient lieu (et qui introduirait peu ou pas de biais).

Tests de performance de recenseurs sont utiles: Nous pouvons voir comment chaque recenseur est bonne en termes de précision et de fiabilité. Nous pouvons l'utiliser pour prendre le personnel de l'enquête ou sélectionnez les superviseurs de l'enquête et décider si plus de formation ou une formation complémentaire est nécessaire.

Certains d'entre elle est (OMI) tout simplement stupide. Le test de normalité fait une très grande hypothèse que sera presque toujours faux. Nous risquons de condamner une enquête parce qu'une hypothèse déraisonnable ne tient pas. Le résultat est que nous marginaliser davantage un plus marginaux des populations à risque qui seront les responsables de la graisse queue gauche de la distribution (qui invite le rejet de l'enquête). Qu'est-ce que SMART condamne aussi mauvais données est très probable des données utiles et précises. Voir ce post.

Le pire des cas est que nous avons un personnel d'enquête ajout d'éléments aléatoires aux données de façon à "éviter" âge-comble et la censure des données précises pour faire un ajustement de l'enquête avec un ou d'autres hypothèses illusoires sur la façon dont les données doivent se comporter.

En réponse à (2) ...

Dans de nombreux enquête que nous faisons, il ya quelques différentes tailles d'échantillon:

Le nombre de grappes (m): Nous aimons que ce soit aussi grande que possible.

Le nombre d'enfants par groupe (n): Nous aimons ce soit petite que possible.

Est-il vrai qu'en général plus «m» et petit 'n' réduit l'effet de conception associée à une enquête.

Nous compromettons généralement sur la taille de «m» et essayer d'avoir aussi peu de groupes que possible. Cela permet de maintenir les coûts bas. Nous conservons généralement présent à environ 30 m = si nous utilisons la proximité d'échantillonnage pour sélectionner les ménages avec enfants admissibles. Les travaux sur cette (en regardant l'enquête "30-par-30" qui a précédé SMART) suggère qu'un minimum utile de M = 25 grappes est probablement OK.

Nous avons aussi une taille globale de l'échantillon qui est le produit de «m» et «n». Voilà ce que nous calculons habituellement lorsque vous faites un calcul de taille de l'échantillon, puis de remonter à «m» et «n».

La proportion d'enfants âgés de 6-59 mois peut affecter à la fois «m» et «n». Si cela est petit et villages sont petits alors il ne peut être (par exemple) n = 15 enfants admissibles dans la plupart des villages. Ceci est souvent le cas dans les milieux pastoraux. Dans ces endroits, il ne serait pas raisonnable d'avoir n = 25 parce que nous ne pouvons pas l'échantillon n = 25 enfants de n = 15 enfants. Dans ce cas, vous pourriez avoir n = 10, (ou n = 11, 12, 13, 14, ou 15). Depuis 'n' est maintenant petit, nous aurons besoin d'augmenter 'm' pour répondre à votre exigence globale de taille de l'échantillon. Dans ce cas, les deux «m» et «n» sont l'influence de la taille de la population.

Notez que avec un grand «M» et un petit 'n' (et en particulier lorsque n est près de prendre un recensement des clusters), nous allons avoir un petit effet de conception. Cela peut conduire à des économies. Voici un exemple illustratif:

  COMMENCE AVEC:

    deviner prévalence = 10%
    précision requise = 3%
    taille de l'échantillon global (échantillon aléatoire simple) = 384
    deviner effet de conception = 2.0
    la taille globale de l'échantillon (échantillon en grappes) = 384 * 2.0 = 768
    nombre de grappes = 25
    taille intragrappe échantillon = 31

  MAIS: 

    population moyenne du village = 90
    proportion âgés de 6 - 59 mois = 17%
    population moyenne du village âgés de 6 - 59 mois = 90 * 0,17 = 15

  AINSI : 

    Nouveau design effet = 1,25 (nous avons plus petits groupes)
    Nouvelle taille de l'échantillon = 384 * 1,25 = 480
    size = 15 intragrappe échantillon    
    nombre de grappes = 480/15 = 32

La proportion âgés de 6 - 59 mois peut également affecter la taille globale de l'échantillon.

Exemples de formules de taille ont tendance à supposer que nous échantillon à partir d'une population infiniment grand. Cette hypothèse est raisonnable si la fraction d'échantillonnage (par exemple le rapport de la taille de l'échantillon à la taille de la population) est faible. L'erreur (par exemple, la largeur de l'IC à 95%) est essentiellement la même quel que soit la taille de la population, tant que le taux d'échantillonnage est inférieur à environ 5%.

Dans l'exemple ci-dessus, nous avons n = 480. Si la taille de la population âgée de 6 - 59 mois étaient d'environ:

  N = 480 * 20 = 9600

ou plus alors nous inquiétez pas.

Si la fraction d'échantillonnage est supérieure à environ 5%, puis nous appliquons une «correction de la population finie" (FPC) afin de tenir compte de la précision ajoutée acquise par l'échantillonnage d'une proportion importante de la population. La FPC peut être calculée comme suit:

  FPC = sqrt ((Population - Taille de l'échantillon) / (Population - 1))

Si nous supposons une population de 4800 et d'une taille de 480 de l'échantillon alors nous avons un taux d'échantillonnage de 10%. Depuis ce est supérieure à environ 5%, nous devrions calculons un FPC:

  FPC = sqrt ((4800 - 480) / (4800-1)) = 0,95

La taille de l'échantillon nécessaire est maintenant:

  n = 480 * 0,95 = 456

Continuons avec notre exemple ... nous pourrions recueillir ce que 30 grappes de 15 (n = 450 est assez proche de n = 456 faire aucune différence) et nous sauver un peu de travail et un peu d'argent.

Nous ne l'appliquons pas habituellement une FPC dans les enquêtes SMART que (1) les économies sont généralement de petite taille et (2) le logiciel SMART ne règlent pas de résultats pour tenir compte de la fraction d'échantillonnage.

Je espère que cela est d'une certaine utilité.

Oups ... juste vérifier sur moi-même ... La FPC que je donne ci-dessus est la FPC pour régler la CI pour expliquer une grande partie de l'échantillonnage.

La FPC pour une taille de l'échantillon est:

  new.n = (old.n * population) / (old.n + (population - 1))

  new.n = (480 * 4800) / (480 + (4,800 - 1)) = 436

Désolé pour la confusion.

La morale ici (pour moi) est de vérifier ce que je vous écris avant de poster.

Je crains mon esprit va.

Juergen, Merci pour les précisions. Je entends encore des rejets et des enquêtes rapports détenus ou soumis à un embargo par les ministères en raison d'écarts mineurs par la normalité. Un pays se vante même qu'ils ne permettent pas l'utilisation de sondages qui «échec» les tests SMART. Je ai eu assez vaste correspondance avec un poussoir SMART de la CDC qui est le plus emphatique que tout écart par rapport à la normalité ne peut être le résultat d'une erreur et croit tout autre point de vue d'être pervers. Cette personne en particulier fait beaucoup de formation SMART. Peut-être que quelqu'un doit dire aux bonnes personnes à SMART pour tuyau de descente sur cette ou, mieux encore, émettre une correction parce que le problème existe toujours.

Je me suis trompé sur le logiciel de l'ENA. Il le fait de mettre en œuvre une correction de la population finie.

Je pense que Tariq a raison de souligner le "monitoring". Il est de bonne pratique de vérifier les données dès qu'il est recueilli (superviseur et pratiques équipe tels que l'enregistreur écho des valeurs), quand il arrive pour la saisie de données (data manager, superviseur de l'enquête), à ??la saisie de données (en utilisant les valeurs morales, gamme-chèques, double entrée ou relecture), lot de contrôle (valeurs juridiques, la gamme des contrôles, y compris l'ajout d'indices et de vérification des dossiers marqués). Le point est d'identifier rapidement les problèmes et de les corriger rapidement plutôt que d'attendre jusqu'à la fin de l'enquête. Si les contrôles de plausibilité ENA aider ici, alors nous devrions certainement les utiliser.

WRT un rapport d'enquête ensemble. Il ya des questions tests WRT de signification. Si nous rejetons l'hypothèse nulle à p = 0,05, nous risquons de rejet 1 dans toutes les 20 bonnes enquêtes juste à cause de la variation d'échantillonnage. Ce code de R:

  failureCount <- 0
  pour (test en 1: 100000)
    {
    randomHeights <- ronde (runif (n = 500, min = 650, max = 1100), 0)
    finalDigits <- substr (randomHeights, nchar (randomHeights), nchar (randomHeights))
    table (finalDigits)
    p <- chisq.test (table (finalDigits)) $ Val.par
    si (p <0,05)
      {
      failureCount <- failureCount + 1
      }
    }
  failedProportion = failureCount / 100000
  failedProportion

Comme la taille de l'échantillon augmente même de petits écarts de distributions prévues peuvent être statistiquement significative. Ce sera généralement seulement être un problème avec de très grandes tailles d'échantillon. L'inverse est également vrai. Avec de petits échantillons, nous ne pourrions pas détecter préférence de chiffres clairs.

Voici quelques exemples ... préférence de chiffres clair pour dernier chiffre = 0 ou 5:

  dernier décompte de chiffres
  ---------- -----
           10 0
           1 5
           2 5
           3 5
           4 5
           5 10
           5 6
           7 5
           8 5
           9 5
  ---------- -----
                 60
              -----
                 
  chi-carré = 6,6667, df = 9, p-value = 0,6718

Voici le même modèle mais avec 10 fois la taille de l'échantillon:

  dernier décompte de chiffres
  ---------- -----
           0 100
           1 50
           2 50
           3 50
           4 50
           5 100
           6 50
           7 50
           8 50
           9 50
  ---------- -----
                600
              -----
                
  chi-carré = 66,6667, df = 9, p = 0.0000

Cela rend très difficile d'utiliser les tests de signification simples pour la surveillance lorsque (par exemple) une équipe pourrait apporter dans les données de deux grappes par jour (soit n = 60 ou moins).

Depuis des tests de plausibilité peuvent «détecter» les problèmes qui ne sont pas là (environ 5% du temps) et peut (avec de petits échantillons) ne parviennent pas à détecter des problèmes réels que nous devons être prudents lorsque nous les utilisons. Il est probablement mieux de "globe oculaire" (inspecter visuellement) les données pour voir si nous avons (par exemple) de trop ".0" ou "5" chiffres définitifs de hauteur.

Je espère que cela est d'une certaine utilité.

Je voulais juste être fortement d'accord avec les intervenants qui militent en faveur de ne pas utiliser le score de plausibilité pour rejeter enquêtes.

Comme l'a dit Mark, certains si le rapport est extrêmement utile alors que certains d'elle l'est moins. Le fait que le SD est un contributeur solide pour le score et donc de la chance d'enquêtes étant décrit comme problématique, est, à mon avis problématique. Oui, la quantité de variance dans un échantillon peut être un indicateur d'erreur aléatoire dans les mesures, mais également, on peut décrire la véritable nature de la distribution hétérogène.

Tout simplement parce que beaucoup de la plupart des échantillons / de l'enquête sont distribuées normalement ne signifie pas qu'ils doivent être par nature ou que ceux qui ne sont pas normale ou avoir un plus grand SD ont tort! Cette pensée est une illustration classique du problème, ou la limitation, du raisonnement inductif et pourquoi la théorie du cygne noir est si important. Autrement dit, la théorie statistique devrait aider à décrire la biologie, et ne pas essayer de définir ce qu'il est.

Donc, mon plaidoyer est pour les coordinateurs de l'enquête d'utiliser les fonctionnalités très utiles de la plausibilité de l'ENA pour aider à surveiller et à améliorer la qualité des données lors de la mise en œuvre de l'enquête, mais ne jamais utiliser le score de plausibilité par lui-même de rejeter, ou accepter, un rapport d'enquête.

Salut ... il n'y a pas beaucoup d'études sur la nutrition des adolescents dans mon pays, et aucune étude réalisée dans l'endroit où j'ai l'intention de mener mes recherches. Est-il conseillé de faire des études transversales avant de commencer l'étude d'intervention pour savoir le fossé et les sujets qui seront pertinents pendant l'intervention et également pour comparer les résultats à la fin? Je vous remercie