Impact de la PCMA

Si nous définissons «l'impact» que «comment bien que mon adresse de programme besoin?" alors nous pouvons nous en sortir en utilisant une combinaison de données de surveillance de routine et une estimation de la couverture.

Le calcul est simple:

    Besoin rencontré = Efficacité * La couverture

Nous pouvons le décomposer un peu. L'efficacité est la proportion des admissions qui sont rejetées comme guéri. Vous devriez avoir ce à partir des statistiques de suivi du programme de routine de votre programme mais attention à la façon dont vous traitez avec défaillants, car ils peuvent facilement se perdre, ce qui rend le programme plus efficace que l'air, il est vraiment.

La couverture est:

    Couverture = Nombre dans le programme / Nombre qui devrait être dans le programme

Par exemple, si votre programme a un taux de guérison de 85% (une valeur assez typique pour un programme de PCMA réunion SPHERE des normes minimales) et la couverture de 60% (une valeur réalisable dessus des normes minimales SPHÈRE pour un programme rural sédentaire) alors:

    Besoin rencontré = Efficacité * La couverture
    Besoin rencontré = 0,85 * 0,60
    Besoin rencontré = 0,51
    Besoin satisfait = 51%

La simplicité de ce calcul se cache une difficulté ... La couverture est généralement pas disponibles dans les statistiques de suivi du programme de routine. Vous aurez à dépenser temps et argent pour estimer la couverture.

Il ya quelques façons d'estimer la couverture. Les méthodes indirectes qui reposent sur ??des estimations du total de cas de numéros (par exemple) enquêtes SMART multiplié par un facteur de correction sont très pas cher, mais sont très inexactes et devraient (OMI) pas être utilisés. Les estimations directes de (par exemple) enquêtes SMART sont également problématique en raison des petits nombres de cas SAM trouvés. Par exemple, si la prévalence est de 2% et la taille de l'échantillon de l'enquête est de 700 alors il y aura environ 14 cas SAM permettant d'estimer la couverture de la PCMA (avec cette taille d'échantillon que vous obtiendriez un IC à 95% de l'ordre de +/- 30 points de pourcentage ce qui est très faible précision). Un des problèmes supplémentaires avec cette approche est que la méthode d'échantillonnage PPT choisit de préférence les grandes collectivités qui (i) peuvent avoir une faible prévalence de SAM que les petites communautés et (ii) où les cliniques sont de PCMA ont tendance à être situé. Cela aura tendance à donner des estimations biaisées de la couverture. Autres méthodes directes existent. Le plus pertinent ici sont probablement SCCS et SQUEAC. SLEAC pourrait être utile si vous êtes intéressé dans les estimations sur plusieurs unités de prestation de santé telles que les districts de santé. Toutes ces méthodes fournissent une estimation de la couverture et des données sur obstacles à l'accès. SQUEAC fournit une analyse plus en profondeur des obstacles et des boosters à l'accès. Disposer de données des obstacles est essentielle car elle permet d'utiliser pour optimiser la programmation afin de maximiser les besoins satisfaits.

Vous devez être conscient que toute méthode ne vous donnera une estimation de la façon dont le programme est en train de faire au moment de l'enquête. Si il ya des restrictions saisonnières d'accès (et ceux-ci sont assez fréquents), alors vous ne devriez pas prendre cela comme une estimation précise de la façon dont votre programme a fait dans le passé (bien que vous pourriez être en mesure de faire quelques ajustements raisonnables pour obtenir à ce utiliser certains des outils de SQUEAC).

Quant à "comment allez-y ???" ... Je pense que vous devriez communiquer avec l'un des organismes qui ont de l'expérience avec SCCS ou SQUEAC (SLEAC ne sera utile que sur une large zone qui pourrait être le cas pour vous) pour vous aider à faire la première enquête et de vous former et votre personnel dans la méthode (s). Les organismes qui peuvent vous aider comprennent Valid International Ltd, ACF, l'inquiétude, SC-Unis, VMI, et de l'Université Tufts. Il peut y avoir d'autres, mais ce sont celles que je l'ai travaillé.

Je espère que cela est d'une certaine utilité.

L'indicateur est une proportion. Il est une estimation de la proportion des cas de SAM qui se trouvent, recrutés, conservés et guéries. Le sont deux proportions ... (1) la proportion de couverture et (2) la proportion guéri. Ceux-ci sont multipliés ensemble. Les deux proportions sont sujettes à l'incertitude qui qui habituellement être exprimée comme une source crédible (la confiance) 95% d'intervalle. Vous pouvez les utiliser pour créer un intervalle de crédibilité de 95% environ sur les besoins satisfaits. Par example:

   Proportion de couverture = 60% (IC 95% = 48%; 69%)
   Nombre durci en 6 mois précédents = 604
   Nombre de sorties en 6 mois précédents = 711
   Guéri = proportion de 85% (IC 95% = 82%; 87%)

   Nécessité = 0,60 * 0,85 = 0,51 (51%) se sont réunis
   Lower CL = 0,48 * 0,82 = 0,39 (39%)
   Haut-CL = 0,69 * 0,87 = 0,60 (60%)

Un "test" sur deux besoins satisfaits pourrait être fait par la recherche de non-chevauchement des IC.

De l'aide?

Un poste: La proportion durci est pas une estimation dans le sens que nous pourrions estimer une proportion d'une enquête par échantillon, car elle est prise à partir d'un recensement (soit 100%) de l'échantillon des sorties sur une période de temps. Cela signifie que nous avons aucune erreur d'échantillonnage. Nous avons un risque d'erreur dans l'enregistrement des dates et de la classification des sorties (défaillants et les transferts par exemple, je l'ai vu systématiquement classés à tort comme guéri - il est une étude de cas dans le manuel de SQUEAC). Si vous pouvez éliminer ces erreurs, alors vous ne disposez pas d'une estimation de la valeur de la proportion réelle ... vous avez la valeur de la proportion réelle elle-même. Cela signifie que vous ne devez pas les tests de la CEI et des hypothèses. Si la proportion observée durci est (par exemple) 80% alors vous pouvez dire que la proportion réelle durci est de 80% et est supérieure à 75% (soit la norme minimale SPHERE). Si un programme a une proportion observée guéri de 80% et un autre a une proportion observée guéri de 90%, vous pouvez dire que le deuxième programme est mieux, en termes de taux de guérison, que la première. Je ne pense pas que ce soit une approche déraisonnable.

Un autre poste: Nous avons un échantillon. Nous pourrions avoir (par exemple) choisi une période différente, a commencé un jour différent, & c. et nous aurions eu une autre série de sorties. Le jargon en est un échantillon consécutif qui est un échantillon systématique avec un intervalle d'une d'échantillonnage avec un point de départ arbitraire. Ce type d'échantillon est commune dans les applications cliniques de vérification. Il n'y a que les erreurs ci-dessus. Aussi, nous pourrions ne pas avoir tous les records pour la période. Nous aurions peut-être utilisé des enregistrements d'un sous-ensemble de cliniques qui avaient signalé ou que nous avions visité. Il nous avons erreur, nous avons l'incertitude. Nous utilisons couramment IC à exprimer l'incertitude. Si vous prenez cette position alors vous calculez le CI de la manière habituelle (ce qui est ce que je faisais dans mon post précédent).

Je préfère la deuxième approche parce qu'elle facteurs dans une certaine incertitude qui (sûrement) doit exister.

Un "test" simple pour une différence entre deux estimations de besoins satisfaits est de regarder pour la CEI ne se chevauchent pas sur les deux estimations. Si les IC des deux estimations se chevauchent alors pas de différence significative. Si il n'y a pas de chevauchement alors il ya de différence significative. Il est une approche "rudimentaire", mais réalisable. En utilisant des tests standards (par exemple, le z-test ou de tests de chi-carré) est pas simple puisque les estimations sont des estimations composés.

Je serais intéressé d'entendre ce que les autres pensent.

J'espère que cela aide.

En comparant deux estimations des paramètres, il est toujours vrai que si les intervalles de confiance ne se chevauchent pas alors une statistique de test sera significatif au 1 - niveau alpha (où alpha est le centile utilisé pour la CI - p <0,05 si deux IC à 95% ne pas se chevaucher). Le cas contraire (ie chevauchement signifie non-signification) est pas toujours vrai. Cela dépend du test statistique utilisé. Je vais commencer en utilisant l'exemple d'un test t.

Un test t de la différence entre deux moyens et le procédé de chevauchement CI peut produire des résultats contradictoires. Cela est dû à la différence entre comment "distance" est mesurée. Le CI utilise l'ampleur des erreurs standard, mais le test t utilise la racine carrée de la somme des carrés des deux erreurs standard. Si vous faites le calcul, vous verrez que la méthode de chevauchement CI est un test plus conservateur que le t-test. Le test t est un bien pour de petits échantillons (c.-à-n <60). Comme la taille de l'échantillon augmente, nous pouvons utiliser le test z. Ce test utilise la magnitude des deux erreurs types pour mesurer la distance et la méthode de CI chevauchement et le test z sera de retour les mêmes résultats pour tous les cas.

En se référant maintenant à la différence entre deux proportions. Le z-test pour la différence entre deux proportions utilise l'erreur-type. Un test du chi-carré sur un degré de liberté est tout simplement z-squared (par exemple z = 1,96 est khi-carré = 3,8416 ont tous deux p = 0,0499 pour un test bilatéral). Pour cette application, la méthode de CI chevauchement est identique à un z-test ou d'un test du chi-carré. Cela signifie que la méthode de CI chevauchement est bien élevé. Il est, je crois, le test que vous souhaitez. Notez que ces méthodes (z-test et le test du chi-carré) ont des contraintes. Ils ont besoin:

    n * p> 5
    n - (n * p)> 5

Qu'en pensent les autres?

Ici est un simple guide pratique à l'aide de la méthode de CI se chevauchent pour tester la différence entre deux proportions.

J'espère que cela aide.

Dieu merci, quelqu'un comprend ce que nous parlons :)

Voilà une calculatrice très utile. Je l'ai fait le lien vers la calculatrice cliquable ici.

La réponse de Woody m'a incité à regarder à travers le "archive" EN-NET. Nous avons été ici avant et venir aux mêmes conclusions ... même avec un lien vers la calculatrice utile de Kevin ... voyons ici.

Bon à obtenir ce triés (à nouveau).

Je pense que nous pouvons résumer ...

L'approche de CI se chevauchent est une approche de test mais il est ne fournit pas un test bien comportés. Plus précisément, le test est conservatrice dans le sens où il peut inappropriée ne pas rejeter l'hypothèse nulle (ie l'absence de différence). Ce sera un problème particulier lorsque les différences ne sont pas grandes et / ou les tailles des échantillons sont petites. Une meilleure approche pour cette application est d'utiliser l'approche qui est mis en œuvre dans l'application de la calculatrice de Kevin. Pour d'autres applications que vous pourriez utiliser le test z du test chi-sqaure.

Je peux voir aucun commentaires désobligeants. Tout ce qui précède semble bien élevé. Le commentaire de quelqu'un sachant ce dont ils parlent (qui semble avoir été supprimé) a été faite à mes propres frais. Cest est, je faisais un commentaire désobligeant à propos de moi-même. Tahnk vient de me protéger de mon propre humour boiteux (oups, là je vais encore une fois).

D'ACCORD. Pas de soucis. Je l'avais fait une erreur qui a été corrigée par des collègues. Il était une tentative maladroite d'humour à mes propres frais qui peuvent avoir été mal interprété. Aucune infraction prise.

Kevin,

Juste vérifier sur les messages précédents et de constater que ce lien:

http://www.sph.emory.edu/~cdckms/compare%202%20proportions.htm

semble être mort.

Y at-il un nouveau lien?

Marque

Juste fixant le lien vers la calculatrice de Kevin. Il est maintenant ici.