La mesure dans laquelle une mesure, ou une estimation basée sur des mesures, représente la valeur vraie de l'attribut mesuré. (Voir aussi Precision et Validity , qui sont les deux composants de "Exactitude")
Retour au sommetDeux paramètres utilisés pour définir la distribution de probabilité bêta . La valeur moyenne de la distribution peut être calculée sous la forme alpha / (alpha + beta) et le mode est (alpha-1) / (alpha + beta-2).
Retour au sommetLimites de confiance calculées à l'aide de la théorie des grands échantillons et en supposant une approximation normale de la distribution d'échantillonnage. Les limites de confiance asymptotiques sont symétriques et peuvent être inférieures à zéro ou supérieures à l'unité si la proportion vraie est proche de ces valeurs.
Retour au sommetMéthode statistique basée sur le théorème de Bayes. Utilisé pour calculer la probabilité conditionnelle d'un événement à partir d'une connaissance préalable supposée. Les estimations antérieures de probabilité sont mises à jour en fonction de nouvelles données. Une application courante des méthodes bayésiennes est le calcul de la valeur prédictive d'un test sur la base de valeurs supposées de prévalence, de sensibilité et de spécificité de test et de résultat de test.
Retour au sommetLes distributions bêta sont un type de distribution de probabilité couramment utilisé pour décrire l'incertitude concernant la valeur réelle d'une proportion, telle que la sensibilité, la spécificité ou la prévalence. Ce sont des distributions appropriées pour exprimer l'incertitude quant aux valeurs antérieures de prévalence, de sensibilité ou de spécificité dans l'échantillonneur de Gibbs ( Joseph et al., 1995 ; Vose, 2000 ). Lorsqu'elle est utilisée à cette fin, la distribution bêta peut être définie par les deux paramètres, alpha et bêta (écrit en version bêta (alpha, bêta)), avec alpha = x +1 et beta = n - x + 1, où x est le nombre d'événements positifs sur n essais. Lorsque n augmente, le degré d'incertitude (la largeur de la distribution) sur la proportion estimée (x / n) diminue.
Retour au sommetTout effet, à n'importe quel stade d'une enquête, qui tend à produire des résultats qui s'écartent systématiquement des vraies valeurs, c’est-à-dire une erreur systématique. (Voir aussi Erreur aléatoire )
Retour au sommetLa distribution binomiale - Binomial (n, p) - est une distribution de probabilité du nombre de succès ayant eu lieu dans n essais indépendants, où la probabilité de succès d'un essai est p et les essais sont indépendants ( p reste constant). La moyenne de la distribution est np .
Retour au sommetLes limites de confiance sont les limites supérieure et inférieure d'un intervalle autour d'une estimation de paramètre. Ainsi, si une expérience était répétée un nombre infini de fois, dans le pourcentage spécifié (généralement 95% ou 99%), l'intervalle généré aurait contient la valeur vraie du paramètre. Les limites de confiance peuvent être calculées à l'aide des asymptotiques (approximation normale) ou des exactes méthodes.
Les limites de probabilité (ou de crédibilité) sont les extrémités supérieure et inférieure de l'intervalle qui a une probabilité spécifiée (par exemple, 95% ou 99%) de contenir la valeur vraie d'un paramètre de population, telle qu'une moyenne ou une proportion. Généralement appliqué au lieu des limites de confiance lorsque des méthodes bayésiennes sont utilisées.
Retour au sommetLa probabilité d'accepter l'hypothèse nulle lorsqu'elle est vraie - par exemple, la probabilité que les résultats du test détectent une maladie lorsque la prévalence réelle est supérieure ou égale à la prévalence de référence spécifiée .
Retour au sommetValeur fixe de prévalence utilisée pour tester l'hypothèse nulle selon laquelle la population est infectée à une prévalence égale ou supérieure à la prévalence théorique. Si tous les échantillons testés sont négatifs, l'hypothèse nulle est rejetée et la prévalence est supposée être inférieure à la prévalence théorique (ou 0). Sinon, la valeur supposée de la prévalence vraie utilisée dans la simulation de l'échantillonnage pour l'estimation de la prévalence.
Retour au sommetIl s'agit du nombre d'itérations initiales du échantillonneur de Gibbs qui sont ignorées pour permettre la convergence du modèle sur la ou les valeurs vraies du ou des paramètres. d'intérêt.
Retour au sommetLimites de confiance calculées à l'aide d'une distribution de probabilité appropriée (généralement la distribution binomiale ) pour obtenir une valeur exacte. Les limites de confiance exactes sont asymétriques et ne peuvent être inférieures à zéro ni supérieures à l'unité .
Retour au sommetLe nombre d'individus présentant la caractéristique d'intérêt (par exemple, réellement infectés) et dont le résultat du test est négatif.
Retour au sommetUn échantillonneur de Gibbs est une méthode Bayesienne qui utilise la simulation Markov Chain Monte Carlo pour dériver des distributions de probabilité a posteriori qui correspondent le mieux aux distributions antérieures et aux données expérimentales. L'échantillonneur gibbs est exécuté pendant plusieurs milliers d'itérations pour permettre aux estimations des paramètres a posteriori de converger vers les valeurs vraies.
Retour au sommetProbabilité qu'un troupeau infecté donne un résultat positif à un protocole de test particulier, étant donné qu'il est infecté à une prévalence égale ou supérieure à la prévalence de référence .
La probabilité qu'un troupeau non infecté donne un résultat négatif à un protocole de test particulier.
Nombre total de répétitions du modèle échantillonneur de Gibbs pour générer des distributions de probabilité pour le ou les paramètres d'intérêt. Pour que les simulations puissent estimer le biais, il s'agit du nombre de simulations (modèles) utilisées pour estimer la prévalence moyenne et le biais.
Retour au sommetLa limite inférieure de la confiance ou probabilité spécifiée intervalle.
Retour au sommetLes probabilités d'un test négatif chez les individus atteints de la maladie par rapport à ceux qui n'en sont pas atteints peuvent être calculées comme suit: (1- Sensibilité ) / Spécificité .
Retour au sommetLes probabilités d'un test positif donnent un résultat positif chez les individus atteints de maladie ou non et peuvent être calculées comme suit: Sensibilité / (1- Spécificité) .
Retour au sommetLa valeur maximale de la distribution de probabilité postérieure pour le paramètre d'intérêt.
Retour au sommetLa moyenne arithmétique de la distribution de probabilité postérieure pour le paramètre d'intérêt.
Retour au sommetLa moyenne arithmétique de la prévalence estimée pour toutes les itérations pour chaque stratégie.
Retour au sommetLa valeur minimale de la prévalence estimée pour toutes les itérations de chaque stratégie.
Retour au sommetLa valeur maximale de la prévalence estimée pour toutes les itérations pour chaque stratégie.
Retour au sommetLa moyenne arithmétique de la différence entre la prévalence estimée et la prévalence supposée (dimensionnée) pour toutes les itérations de chaque stratégie (ou la différence entre la prévalence moyenne et la prévalence (conception).
Retour au sommetLa moyenne arithmétique de la différence entre les limites de confiance supérieure et inférieure pour toutes les itérations de chaque stratégie. Pour les tailles de groupe fixes et les tests parfaits ou les tests de sensibilité et de spécificité connues, les limites de confiance binomiales exactes sont utilisées. Pour les tailles de groupe fixes et les tests de sensibilité et de spécificité incertaines, les limites de confiance asymptotiques sont utilisées: .
Retour au sommetLa moyenne arithmétique des erreurs-types des estimations de la prévalence pour toutes les itérations de chaque stratégie. L'erreur type moyenne n'est pas disponible pour les simulations de taille de pool variable .
Retour au sommetLa moyenne variance (la moyenne des carrés des erreurs types ) plus le carré des biais moyen . L'erreur quadratique moyenne n'est pas disponible pour les simulations à taille de pool variable .
Retour au sommetBiais en proportion de la prévalence apparente = Le biais moyen divisé par la prévalence (apparente) moyenne .
Retour au sommetBiais en proportion de la prévalence vraie = Le biais moyen divisé par la prévalence réelle supposée (sur le plan).
Retour au sommetBiais en proportion de l'erreur quadratique moyenne = carré du biais moyen divisé par la erreur quadratique moyenne . Bias / MSE n'est pas disponible pour les simulations de taille de pool variable .
Retour au sommetLa valeur médiane de la distribution de probabilité a posteriori pour le paramètre d'intérêt, qui est la valeur où 50% des valeurs sont supérieures et 50% sont inférieures.
Retour au sommetLa valeur maximale de la distribution de probabilité postérieure pour le paramètre d'intérêt.
Retour au sommetLa probabilité qu'un individu à test négatif soit vraiment sans infection.
Retour au sommetLa proportion d'individus présentant la caractéristique d'intérêt (par exemple infectée ou malade), estimée à partir des tests sur des échantillons groupés.
Retour au sommetEssais réalisés sur des échantillons agrégés (groupés), chaque échantillon étant représentatif d'un nombre d'individus.
Retour au sommetLe nombre d'individus représentés dans chaque groupe soumis à un test groupé .
Retour au sommetLa probabilité qu'un individu séropositif soit réellement infecté.
Retour au sommetDistribution de probabilité générée par le échantillonneur de Gibbs pour le paramètre d'intérêt (prévalence, sensibilité, spécificité, etc.). Ceci est dérivé comme la distribution de fréquence relative des valeurs pour le paramètre d'intérêt généré à partir de plusieurs du modèle, après rejeter un nombre spécifié d'itérations pour permettre la convergence du modèle.
Retour au sommetInverse de la variance d'une estimation de paramètre - mesure de la répétabilité ou de la cohérence de la estimation. La qualité d'être clairement défini ou déclaré, à savoir. absence d'erreur aléatoire. Désigne la capacité d'un appareil de test ou de mesure à donner des résultats cohérents lorsqu'il est appliqué à plusieurs reprises. Voir aussi validité . Un bon test est à la fois précis et valide. Ce sont les deux composants de la exactitude .
Retour au sommetLa proportion d'individus présentant la caractéristique d'intérêt (par exemple, infectée ou malade).
Retour au sommetLa présumée prévalence de l'infection avant de prendre en compte toute donnée supplémentaire pouvant être disponible pour l'analyse. La prévalence antérieure est exprimée sous la forme d'une distribution de probabilités bêta pour les analyses bayésiennes et peut être estimée à partir de données préexistantes ou sur la base d'opinions d'experts à l'aide de l'estimation mode et limite de probabilité . Les paramètres alpha et bêta de la distribution peuvent être calculés à l'aide de la Utilitaire de distribution bêta fourni.
Retour au sommetLa supposée sensibilité du test de dépistage utilisé avant la prise en compte de toute donnée supplémentaire pouvant être disponible pour l'analyse. La sensibilité antérieure est exprimée sous la forme d'une distribution de probabilités bêta pour les analyses bayésiennes et peut être estimée à partir de données préexistantes ou à partir d'opinions d'experts à l'aide de l'estimation mode et limite de probabilité . Les paramètres alpha et bêta de la distribution peuvent être calculés à l'aide de la Utilitaire de distribution bêta fourni.
Retour au sommetLa supposée spécificité du test de dépistage utilisé avant la prise en compte des données supplémentaires pouvant être disponibles pour l'analyse. La spécificité préalable est exprimée sous la forme d'une distribution de probabilité bêta pour les analyses bayésiennes et peut être estimée à partir de données préexistantes ou sur la base d'opinions d'experts à l'aide de l'estimation mode et limite de probabilité . Les paramètres alpha et bêta de la distribution peuvent être calculés à l'aide de la Utilitaire de distribution bêta fourni.
Retour au sommetLa proportion d'itérations dans laquelle lesquelles le Intervalle de confiance pour le prévalence estimée contient le vrai (conception) valeur de prévalence.
Retour au sommetLa capacité d'un test à donner des résultats cohérents lors de tests répétés. Voir aussi precision .
Retour au sommetNombre d'individus utilisés lors d'essais précédents pour estimer la sensibilité ou la spécificité du test utilisé . Plus la taille de l'échantillon est grande, plus l'estimation de est précise et, partant, moins d'incertitude dans les estimations résultantes de sensibilité, de spécificité et de prévalence .
Retour au sommetLa sensibilité estimée (synonyme: taux de réponse vrai positif) d'un test de diagnostic est la proportion estimée (ou supposée) d'animaux présentant la maladie (ou l'infection) concernée par le test. C'est une mesure de la probabilité qu'un individu malade soit correctement identifié par le test. Parfois appelé "sensibilité de la population" pour distinguer de "sensibilité analytique".
Pour les tests groupés, la sensibilité est estimée au niveau du pool, de sorte que, dans ce contexte, la sensibilité est la probabilité qu'un pool comprenant des échantillons d'un ou de plusieurs individus infectés sera testé positif. La sensibilité au niveau du pool est donc affectée à la fois par la prévalence et par la taille du pool. Plus la prévalence est élevée, plus les individus infectés seront représentés dans des pools individuels et plus un pool est susceptible de présenter un test positif, et donc plus la sensibilité est élevée. Ceci contraste avec la sensibilité individuelle, indépendante de la prévalence. Inversement, plus le pool est grand, plus la dilution d'échantillons individuels positifs est importante, ce qui réduit potentiellement la sensibilité.
Retour au sommetLa spécificité estimée (synonyme: Vrai test négatif) d'un test de diagnostic est la proportion estimée (ou supposée) d'animaux sans la maladie (ou l'infection) concernée pour le laquelle le test est négatif. C'est une mesure de la probabilité qu'un individu ne présentant pas la maladie d'intérêt soit correctement identifié par le test. Parfois appelé "spécificité de population" pour distinguer de "spécificité analytique".
Pour les tests groupés, la spécificité est estimée au niveau du pool. Par conséquent, dans ce contexte, la spécificité est la probabilité qu'un pool n'incluant pas d'échantillons provenant de personnes infectées soit testé positif (faux positif). La spécificité au niveau du pool peut donc être affectée par la taille du pool, en raison à la fois d'une augmentation possible du nombre de personnes faussement positives dans le pool à mesure que la taille du pool augmente et de l'effet de la dilution sur le point de savoir si ces individus faussement positifs sont également positifs dans le groupe. test groupé.
Retour au sommetLa véritable sensibilité est la proportion réelle d'animaux sans la maladie (ou l'infection) d'intérêt qui s'avère être négative. Si la sensibilité estimée diffère de la sensibilité réelle, les estimations de prévalence résultantes seront biaisées dans une certaine mesure en fonction de la quantité d'erreur dans l'estimation.
Retour au sommetLa vraie spécificité est la proportion réelle d'animaux porteurs de la maladie (ou de l'infection) en question et dont le test est positif. Si la estimation spécifiée diffère de la spécificité vraie, les estimations de prévalence résultantes seront biaisées dans une certaine mesure en fonction de la quantité d'erreur dans l'estimation.
Retour au sommetMesure standard de la variation existant dans une série de valeurs ou dans une distribution de fréquence. Calculé comme la racine carrée positive de la variance .
Retour au sommetécart-type d'une estimation de paramètre. Couramment utilisé pour calculer les limites de confiance asymptotiques .
Retour au sommetL'interprétation de plusieurs tests lorsqu'un animal est considéré comme positif s'il réagit positivement à l'un ou l'autre (ou à l'un des) tests - cela augmente la sensibilité aux dépens de la spécificité.
Retour au sommetL'interprétation de plusieurs tests lorsqu'un animal doit être positif sur les deux (ou tous si plus de 2) tests sont considérés comme positifs - cela augmente la spécificité au détriment de la sensibilité.
Retour au sommetLe nombre de stratégies de regroupement alternatives évaluées (à l'aide de la simulation) pour estimer la précision et le biais de la prévalence estimée pour chaque option.
Retour au sommetLe nombre d'individus présentant la caractéristique d'intérêt (par exemple, vraiment infectés) qui ont un résultat de test positif.
Retour au sommetLa limite supérieure de l'intervalle de confiance ou de probabilité spécifié.
Retour au sommetMesure standard de la variation existant dans une série de valeurs ou dans une distribution de fréquence. Estimé comme la somme des carrés des écarts par rapport à la valeur moyenne de la variable divisée par le nombre de degrés de liberté ( n -1).
Retour au sommetLa mesure dans laquelle une étude ou un test mesure ce qu'elle se propose de mesurer, c'est-à-dire. absence d'erreur systématique ou de partialité . Voir aussi précision . Un bon test est à la fois précis et valide. Ce sont les deux composants de la exactitude .
Retour au sommetThe 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.
Retour au sommetLe nombre d'individus positifs aux deux tests lorsque deux tests sont appliqués simultanément à un échantillon d'individus d'une population, comme indiqué par a dans le tableau ci-dessous.
Test 2: | ||
Test 1:    |    +ve    |    -ve    |
+ve: | a | b |
-ve: | c | d |
Nombre d'individus positifs au test 1 et négatifs au test 2 lorsque deux tests sont appliqués simultanément à un échantillon d'individus d'une population, comme le montre b dans le tableau ci-dessous.
Test 2: | ||
Test 1:    |    +ve    |    -ve    |
+ve: | a | b |
-ve: | c | d |
Nombre d'individus négatifs au test 1 et positifs au test 2 lorsque deux tests sont appliqués simultanément à un échantillon d'individus d'une population, comme indiqué par c dans le tableau ci-dessous.
Test 2: | ||
Test 1:    |    +ve    |    -ve    |
+ve: | a | b |
-ve: | c | d |
Le nombre d'individus négatifs aux deux tests lorsque deux tests sont appliqués simultanément à un échantillon d'individus d'une population, comme indiqué par d dans le tableau ci-dessous.
Test 2: | ||
Test 1:    |    +ve    |    -ve    |
+ve: | a | b |
-ve: | c | d |