Der Grad, in dem eine Messung oder eine Schätzung basierend auf Messungen den wahren Wert des zu messenden Attributs darstellt. (Siehe auch Präzision und Gültigkeit , die die beiden Komponenten von "Genauigkeit" sind.)
Zurück nach obenZwei Parameter zur Definition der Beta-Wahrscheinlichkeitsverteilung . Der Mittelwert der Verteilung kann als alpha / (alpha + beta) berechnet werden und der Modus ist (alpha-1) / (alpha + beta-2).
Zurück nach obenKonfidenzgrenzen berechnet mit Hilfe der Theorie großer Stichproben und unter Annahme einer normalen Annäherung an die Stichprobenverteilung. Asymptotische Konfidenzgrenzen sind symmetrisch und können kleiner als Null oder größer als Eins sein, wenn der wahre Anteil nahe an diesen Werten.
Zurück nach obenEine statistische Methode, die auf dem Bayes-Theorem basiert. Wird verwendet, um die bedingte Wahrscheinlichkeit eines Ereignisses bei vorausgesetztem Vorwissen zu berechnen. Vorherige Schätzungen der Wahrscheinlichkeit werden basierend auf neuen Daten aktualisiert. Eine häufige Anwendung der Bayes'schen Methoden ist die Berechnung des Vorhersagewerts eines Tests auf der Grundlage angenommener Werte für Prävalenz und Testsensitivität sowie Spezifität und Testergebnis.
Zurück nach obenBeta-Verteilungen sind eine Art von Wahrscheinlichkeitsverteilung, die häufig zur Beschreibung der Unsicherheit über den wahren Wert eines Anteils verwendet wird, z. B. Sensitivität, Spezifität oder Prävalenz. Dies sind geeignete Verteilungen, um die Unsicherheit über die vorherigen Werte für Prävalenz, Sensitivität oder Spezifität im Gibbs-Sampler auszudrücken ( Joseph et al., 1995 ; Vose, 2000 ). Bei Verwendung für diesen Zweck kann die Beta-Verteilung durch die beiden Parameter alpha und beta (geschrieben als Beta (alpha, beta)) mit alpha = x definiert werden + 1 und beta = n - x + 1, wobei x die Anzahl der positiven Ereignisse aus n Versuchen ist. Wenn n zunimmt, nimmt der Unsicherheitsgrad (die Breite der Verteilung) über den geschätzten Anteil (x / n).
Zurück nach obenJede Auswirkung in irgendeinem Stadium einer Untersuchung, die dazu neigt, Ergebnisse zu erzielen, die systematisch von den wahren Werten abweichen, d. H. Ein systematischer Fehler. (Siehe auch Zufälliger Fehler )
Zurück nach obenDie Binomialverteilung - Binomial (n, p) - ist eine Wahrscheinlichkeitsverteilung der Anzahl der Erfolge, die in n unabhängigen Versuchen auftreten, wobei die Erfolgswahrscheinlichkeit bei jedem Versuch p und die Versuche sind unabhängig ( p bleibt konstant). Der Mittelwert der Verteilung ist np .
Zurück nach obenKonfidenzgrenzen sind die oberen und unteren Endpunkte eines Intervalls um eine Parameterschätzung, sodass bei einer unbegrenzten Anzahl von Wiederholungen eines Experiments in dem angegebenen Prozentsatz (normalerweise 95% oder 99%) der Versuche das generierte Intervall erreicht wird Enthält den wahren Wert des Parameters. Konfidenzgrenzen können unter Verwendung von asymptotischen (normale Annäherung) oder genauen Methoden.
Wahrscheinlichkeits- (oder Glaubwürdigkeits-) grenzen sind die oberen und unteren Endpunkte des Intervalls, bei denen eine festgelegte Wahrscheinlichkeit (z. B. 95% oder 99%) vorliegt, den wahren Wert eines Populationsparameters wie Mittelwert oder Anteil zu enthalten. Wird normalerweise anstelle von Konfidenzgrenzen angewendet, wenn Bayesianische Methoden verwendet werden.
Zurück nach obenDie Wahrscheinlichkeit, die Nullhypothese zu akzeptieren, wenn sie wahr ist - zum Beispiel die Wahrscheinlichkeit, dass Testergebnisse eine Krankheit erkennen, wenn die wahre Prävalenz größer oder gleich der angegebenen Designprävalenz .
Zurück nach obenEin fester Prävalenzwert, der zum Testen der Nullhypothese verwendet wird, dass die Population mit einer Prävalenz infiziert ist, die gleich oder größer als die Designprävalenz ist. Wenn alle getesteten Stichproben negativ sind, wird die Nullhypothese verworfen und angenommen, dass die Prävalenz geringer ist als die Designprävalenz (oder 0). Alternativ kann der angenommene Wert für die wahre Prävalenz bei der Simulation der Stichproben zur Abschätzung der Prävalenz.
Zurück nach obenDies ist die Anzahl der anfänglichen Iterationen vom Gibbs-Sampler , die verworfen werden, um die Konvergenz des Modells mit den wahren Werten für die Parameter zu ermöglichen. von Interesse.
Zurück nach obenKonfidenzgrenzen werden unter Verwendung einer geeigneten Wahrscheinlichkeitsverteilung (normalerweise die Binomialverteilung ) berechnet, um einen genauen Wert zu erhalten. Genaue Konfidenzgrenzen sind asymmetrisch und können nicht kleiner als Null oder größer als Eins sein.
Zurück nach obenDie Anzahl der Personen mit dem interessierenden Merkmal (z. B. wirklich infiziert), die ein negatives Testergebnis haben.
Zurück nach obenEin Gibbs-Sampler ist eine Bayes'sche Methode, die eine Markov-Ketten-Monte-Carlo-Simulation verwendet, um posteriore Wahrscheinlichkeitsverteilungen abzuleiten, die bei früheren Verteilungen und experimentellen Daten am besten passen. Der Gibbs-Sampler wird für viele tausend Iterationen ausgeführt, damit die Schätzungen der hinteren Parameter mit den wahren Werten konvergieren können.
Zurück nach obenDie Wahrscheinlichkeit, dass eine infizierte Herde einem bestimmten Testprotokoll ein positives Ergebnis verleiht, wenn sie mit einer Prävalenz infiziert wird, die der Designprävalenz entspricht oder darüber liegt.
Die Wahrscheinlichkeit, dass eine nicht infizierte Herde ein bestimmtes Testprotokoll negativ beeinflusst.
Die Gesamtanzahl der Wiederholungen des Gibbs-Sampler -Modells, um Wahrscheinlichkeitsverteilungen für die interessierenden Parameter zu generieren. Für Simulationen zur Schätzung des Bias ist dies die Anzahl der Modellläufe (Simulationen), die zur Schätzung der mittleren Prävalenz und des Bias.
Zurück nach obenDie Untergrenze des angegebenen Konfidenz- oder Wahrscheinlichkeitsintervalls .
Zurück nach obenDie Wahrscheinlichkeit eines negativen Testergebnisses bei kranken gegenüber krankheitsfreien Personen kann berechnet werden als (1- Empfindlichkeit ) / Spezifität .
Zurück nach obenDie Wahrscheinlichkeit eines positiven Testergebnisses bei erkrankten oder krankheitsfreien Personen kann als Empfindlichkeit / (1- berechnet werden Spezifität) .
Zurück nach obenDer Maximalwert der posterioren Wahrscheinlichkeitsverteilung für den interessierenden Parameter.
Zurück nach obenDer arithmetische Mittelwert der posterioren Wahrscheinlichkeitsverteilung für den interessierenden Parameter.
Zurück nach obenDas arithmetische Mittel der geschätzten Prävalenz über alle Iterationen für jede Strategie.
Zurück nach obenDer Mindestwert der geschätzten Prävalenz über alle Iterationen für jede Strategie.
Zurück nach obenDer Maximalwert der geschätzten Prävalenz über alle Iterationen für jede Strategie.
Zurück nach obenDas arithmetische Mittel der Differenz zwischen der geschätzten Prävalenz und der angenommenen (Entwurfs-) Prävalenz über alle Iterationen für jede Strategie (oder die Differenz zwischen der mittleren Prävalenz und der angenommenen (Design-) Prävalenz.
Zurück nach obenDas arithmetische Mittel der Differenz zwischen der oberen und unteren Vertrauensgrenze über alle Iterationen für jede Strategie. Für feste Poolgrößen und perfekte Tests oder Tests mit bekannter Sensitivität und Spezifität werden genaue binomiale Konfidenzgrenzen verwendet. Für feste Poolgrößen und Tests mit unsicherer Sensitivität und Spezifität werden asymptotische Vertrauensgrenzen verwendet.
Zurück nach obenDas arithmetische Mittel der Standardfehler der Prävalenzschätzungen für alle Iterationen für jede Strategie. Mittlerer Standardfehler ist für Simulationen mit variabler Poolgröße nicht verfügbar. .
Zurück nach obenDie mittlere Varianz (der Mittelwert der Quadrate der Standardfehler ) plus das Quadrat der mittlere Voreingenommenheit . Der mittlere quadratische Fehler ist für Simulationen mit variabler Poolgröße nicht verfügbar. .
Zurück nach obenBias als Anteil der scheinbaren Prävalenz = Die mittlere Bias dividiert durch die mittlere (scheinbare) Prävalenz .
Zurück nach obenVerzerrung als Anteil der wahren Prävalenz = Die mittlere Verzerrung geteilt durch die angenommene (konstruktive) wahre Prävalenz.
Zurück nach obenBias als Anteil des mittleren quadratischen Fehlers = Das Quadrat des mittleren Bias geteilt durch den mittleren quadratischen Fehler . Bias / MSE ist für Simulationen mit variabler Poolgröße nicht verfügbar. .
Zurück nach obenDer Mittelpunkt der posterioren Wahrscheinlichkeitsverteilung für den interessierenden Parameter, dh der Wert, bei dem 50% der Werte höher und 50% niedriger sind.
Zurück nach obenDer angenommene wahrscheinlichste Wert des für den interessierenden Parameter.
Zurück nach obenDer Maximalwert der posterioren Wahrscheinlichkeitsverteilung für den interessierenden Parameter.
Zurück nach obenDie Wahrscheinlichkeit, dass eine Test-negative Person wirklich frei von Infektionen ist.
Zurück nach obenDer Anteil der Personen mit dem interessierenden Merkmal (z. B. infiziert oder erkrankt), geschätzt anhand der Untersuchung gepoolter Proben.
Zurück nach obenTests an aggregierten (gepoolten) Proben, wobei jede getestete Probe für eine Reihe von Personen repräsentativ ist.
Zurück nach obenDie Anzahl der in jedem Pool vertretenen Personen, die gepoolten Tests unterzogen wurden.
Zurück nach obenDie Wahrscheinlichkeit, dass eine testpositive Person wirklich infiziert ist.
Zurück nach obenEine Wahrscheinlichkeitsverteilung, die vom Gibbs-Sampler für den interessierenden Parameter (Prävalenz, Sensitivität, Spezifität usw.) generiert wird. Dies wird als die relative Häufigkeitsverteilung von Werten für den interessierenden Parameter abgeleitet, die aus mehreren Iterationen des Modells nach generiert wird Verwerfen einer angegebenen Anzahl von Iterationen, um die Konvergenz des Modells.
Zurück nach obenDie Umkehrung der Varianz einer Parameterschätzung - ein Maß für die Wiederholbarkeit oder Konsistenz der schätzen. Die Qualität, scharf definiert oder angegeben zu sein, dh. Fehlen zufälliger Fehler. Bezieht sich auf die Fähigkeit eines Test- oder Messgeräts, bei wiederholter Anwendung konsistente Ergebnisse zu liefern. Siehe auch Gültigkeit . Ein guter Test ist sowohl präzise als auch gültig. Dies sind die beiden Komponenten der Genauigkeit .
Zurück nach obenDer Anteil der Personen, die das Merkmal von Interesse haben (z. B. infiziert oder krank).
Zurück nach obenDie angenommene Prävalenz der Infektion, bevor zusätzliche Daten berücksichtigt werden, die möglicherweise für die Analyse verfügbar sind. Die frühere Prävalenz wird für Bayes-Analysen als Beta-Wahrscheinlichkeitsverteilung ausgedrückt und kann anhand bereits vorhandener Daten oder auf der Grundlage von Expertenmeinungen unter Verwendung der geschätzten Modus und 5% oder 95% Wahrscheinlichkeitsgrenze . Die Alpha- und Beta-Parameter für die Verteilung können mithilfe des Beta-Verteilungsdienstprogramms berechnet werden, das.
Zurück nach obenDie angenommene Empfindlichkeit des verwendeten Screening-Tests, bevor zusätzliche Daten berücksichtigt werden, die möglicherweise für die Analyse verfügbar sind. Die vorherige Sensitivität wird als Beta-Wahrscheinlichkeitsverteilung für Bayes'sche Analysen ausgedrückt und kann aus vorhandenen Daten oder basierend auf Expertenmeinungen unter Verwendung der geschätzten Modus und 5% oder 95% Wahrscheinlichkeitsgrenze . Die Alpha- und Beta-Parameter für die Verteilung können mithilfe des Beta-Verteilungsdienstprogramms berechnet werden, das.
Zurück nach obenDie angenommene Spezifität des verwendeten Screening-Tests, bevor zusätzliche Daten berücksichtigt werden, die möglicherweise für die Analyse verfügbar sind. Die vorherige Spezifität wird als Beta-Wahrscheinlichkeitsverteilung für Bayes'sche Analysen ausgedrückt und kann aus vorhandenen Daten oder basierend auf Expertenmeinungen unter Verwendung der geschätzten Modus und 5% oder 95% Wahrscheinlichkeitsgrenze . Die Alpha- und Beta-Parameter für die Verteilung können mithilfe des Beta-Verteilungsdienstprogramms berechnet werden, das.
Zurück nach obenDer Anteil der Iterationen, in denen das Konfidenzintervall für die geschätzte Prävalenz den Wert true enthält ( Design ) Prävalenzwert.
Zurück nach obenDie Fähigkeit eines Tests, bei wiederholten Tests konsistente Ergebnisse zu liefern. Siehe auch Präzision .
Zurück nach obenDie Anzahl der Personen, die in früheren Studien zur Schätzung der Empfindlichkeit oder Spezifität des verwendeten Tests verwendet wurden. Je größer die Stichprobe ist, desto genauer ist die Schätzung, und desto weniger Unsicherheit besteht bei den daraus resultierenden Schätzungen von Sensitivität, Spezifität und Prävalenz .
Zurück nach obenDie geschätzte Sensitivität (Synonym: True Positive Rate) eines diagnostischen Tests ist der geschätzte (oder angenommene) Anteil der Tiere mit der interessierenden Krankheit (oder Infektion), die positiv getestet werden. Es ist ein Maß für die Wahrscheinlichkeit, dass eine erkrankte Person durch den Test korrekt identifiziert wird. Manchmal auch "Bevölkerungssensitivität" genannt, um zwischen "analytischer Sensitivität" und.
Bei gepoolten Tests wird die Sensitivität auf Poolebene geschätzt, sodass in diesem Zusammenhang die Sensitivität die Wahrscheinlichkeit ist, dass ein Pool, der Proben von einer oder mehreren infizierten Personen enthält, positiv getestet wird. Die Empfindlichkeit auf Poolebene wird daher sowohl von der Prävalenz als auch von der Poolgröße beeinflusst. Je höher die Prävalenz, desto mehr infizierte Personen werden in einzelnen Pools vertreten sein und desto wahrscheinlicher ist es, dass ein Pool positiv getestet wird, und desto höher ist daher die Sensitivität. Dies steht im Gegensatz zur Empfindlichkeit auf individueller Ebene, die von der Prävalenz unabhängig ist. Umgekehrt ist die Verdünnung aller positiven Einzelproben umso größer, je größer der Pool ist, was möglicherweise die Empfindlichkeit verringert.
Zurück nach obenDie geschätzte Spezifität (Synonym: True Negative Rate) eines diagnostischen Tests ist der geschätzte (oder angenommene) Anteil der Tiere ohne die interessierende Krankheit (oder Infektion), die negativ getestet werden. Es ist ein Maß für die Wahrscheinlichkeit, dass eine Person ohne die interessierende Krankheit durch den Test korrekt identifiziert wird. Manchmal "Populationsspezifität" genannt, um von "analytischer Spezifität" zu unterscheiden.
Bei gepoolten Tests wird die Spezifität auf Poolebene geschätzt, sodass in diesem Zusammenhang die Spezifität die Wahrscheinlichkeit ist, dass ein Pool, der keine Proben von infizierten Personen enthält, positiv getestet wird (falsch positiv). Die Poolspezifität kann daher durch die Poolgröße beeinflusst werden, da sowohl die Anzahl der falsch positiven Personen im Pool mit zunehmender Poolgröße zunimmt als auch die Auswirkung der Verdünnung darauf, ob diese falsch positiven Personen auch im Pool positiv sind gepoolter Test.
Zurück nach obenDie wahre Empfindlichkeit ist der tatsächliche Anteil der Tiere ohne die interessierende Krankheit (oder Infektion), die negativ getestet werden. Wenn die geschätzte Empfindlichkeit von der tatsächlichen Empfindlichkeit abweicht, werden die resultierenden Prävalenzschätzungen in Abhängigkeit von der Fehlermenge in der Schätzung.
Zurück nach obenDie wahre Spezifität ist der tatsächliche Anteil der Tiere mit der interessierenden Krankheit (oder Infektion), die positiv getestet werden. Wenn die geschätzte Spezifität von der tatsächlichen Spezifität abweicht, werden die resultierenden Prävalenzschätzungen in Abhängigkeit von der Fehlermenge in der Schätzung.
Zurück nach obenEin Standardmaß für die Variation, die in einer Reihe von Werten oder einer Häufigkeitsverteilung vorhanden ist. Berechnet als positive Quadratwurzel der Varianz .
Zurück nach obenDie Standardabweichung einer Parameterschätzung. Wird häufig zur Berechnung von asymptotischen Vertrauensgrenzen verwendet.
Zurück nach obenDie Interpretation mehrerer Tests, bei denen ein Tier als positiv eingestuft wird, wenn es auf einen oder beide (oder einen der) Tests positiv reagiert - dies erhöht die Empfindlichkeit auf Kosten der Spezifität.
Zurück nach obenDie Interpretation von Mehrfachtests, bei denen ein Tier beide (oder alle, wenn mehr als zwei) Tests positiv bewerten muss, um als positiv zu gelten - dies erhöht die Spezifität auf Kosten der Sensitivität.
Zurück nach obenDie Anzahl der alternativen Pooling-Strategien, die (unter Verwendung von Simulationen) bewertet wurden, um die Genauigkeit und die Tendenz der geschätzten Prävalenz für jede Option zu schätzen.
Zurück nach obenDie Anzahl der Personen mit dem interessierenden Merkmal (z. B. wirklich infiziert), die ein positives Testergebnis haben.
Zurück nach obenDie Obergrenze des angegebenen Konfidenz- oder Wahrscheinlichkeitsintervalls .
Zurück nach obenEin Standardmaß für die Variation, die in einer Reihe von Werten oder einer Häufigkeitsverteilung vorhanden ist. Geschätzt als die Summe der Quadrate der Abweichungen vom Mittelwert für die Variable geteilt durch die Anzahl der Freiheitsgrade ( n em> -1).
Zurück nach obenInwieweit misst eine Studie oder ein Test, was sie oder er zu messen beabsichtigt? Fehlender systematischer Fehler oder Voreingenommenheit . Siehe auch Präzision . Ein guter Test ist sowohl präzise als auch gültig. Dies sind die beiden Komponenten der Genauigkeit .
Zurück nach obenThe true number of animals with the characteristic of interest (infection or disease) in each of the cells (a=++, b=+-, c=-+, d=--, respectively) of the 2-by-2 table describing the comparison of test results for two tests used concurrently on a sample from the population. Used in the Bayesian estimation of prevalence using two tests - starting values for each cell are required inputs and probability distributions for the true values are produced as outputs from the model.
Zurück nach obenDie Anzahl der Personen, die beide Tests positiv beurteilen, wenn zwei Tests gleichzeitig auf eine Stichprobe von Personen aus einer Population angewendet werden, wie durch a in der nachstehenden Tabelle angegeben.
Test 2: | ||
Test 1:    |    +ve    |    -ve    |
+ve: | a | b |
-ve: | c | d |
Die Anzahl der Personen, die für Test 1 positiv und für Test 2 negativ sind, wenn zwei Tests gleichzeitig auf eine Stichprobe von Personen aus einer Population angewendet werden, wie durch b in der nachstehenden Tabelle gezeigt.
Test 2: | ||
Test 1:    |    +ve    |    -ve    |
+ve: | a | b |
-ve: | c | d |
Die Anzahl der Personen, die für Test 1 negativ und für Test 2 positiv sind, wenn zwei Tests gleichzeitig auf eine Stichprobe von Personen aus einer Population angewendet werden, wie durch c in der nachstehenden Tabelle gezeigt.
Test 2: | ||
Test 1:    |    +ve    |    -ve    |
+ve: | a | b |
-ve: | c | d |
Die Anzahl der Personen, die für beide Tests negativ sind, wenn zwei Tests gleichzeitig auf eine Stichprobe von Personen aus einer Population angewendet werden, wie durch d in der nachstehenden Tabelle angegeben.
Test 2: | ||
Test 1:    |    +ve    |    -ve    |
+ve: | a | b |
-ve: | c | d |