Inglés      Chino      Francés      Alemán      Indonesio      Español
Buscar
Estimando la prevalencia

Prevalencia verdadera estimada usando una prueba con un muestreador de Gibbs

Resultados de la prueba:


Parámetros alfa y beta para distribuciones anteriores:
  Alfa Beta
Prevalencia previa

Sensibilidad de prueba

Especificidad de prueba


Detalles de simulación:


Valores iniciales:


Introducción

Este método utiliza un enfoque bayesiano y un muestreo Gibbs para estimar el verdadero nivel animal prevalencia de la infección basada en pruebas de muestras individuales (no agrupadas) mediante una prueba con Sensibilidad y / o especificidad imperfectas. El análisis requiere estimaciones previas de prevalencia verdadera, La sensibilidad de la prueba y la especificidad de la prueba como distribuciones de probabilidad Beta y salidas posteriores Distribuciones de prevalencia, sensibilidad y especificidad. Ver el Guía del usuario o Joseph et al. (1995) para más detalles. Ver análisis de demostración.

Valores de entrada

Required inputs for this analysis are the number of samples tested, number of samples positive and alpha and beta parameters for prior Beta distributions for true prevalence and test sensitivity and specificity. Additional inputs are the number of iterations to be simulated in the Gibbs sampler, the number of iterations to be discarded to allow convergence of the model, the lower and upper probability (confidence) limits for summarising the output distributions and starting values for the assumed number of truly infected individuals among the test-positives (true positives) and among the test-negatives (false negatives). The Gibbs sampler is then used to estimate the probability distributions of true prevalence, sensitivity and specificity that best fit the data and prior distributions provided.

Distribuciones previas para Prevalencia, Se y Sp

La muestra de Gibbs requiere estimaciones previas de la prevalencia real y la sensibilidad de la prueba y Especificidad, basada en el conocimiento experto o datos previos. Estas estimaciones se especifican como Beta. Distribuciones de probabilidad, con parámetros alfa y beta. Las distribuciones de probabilidad beta son comúnmente usado para expresar incertidumbre acerca de una proporción basada en una muestra aleatoria de individuos. En esta situación, si x individuos son positivos para una característica de n examinada, entonces la Los parámetros alfa y beta se pueden calcular como alfa = x + 1 y beta = n - x + 1. Alternativamente, alfa y beta pueden calcularse usando Utilidades de distribución Beta, se proporcionan estimaciones del modo y límites de confianza del 5% o 95% disponibles de la opinión de los expertos.

Si no hay información previa en la cual basar una distribución previa, Se debe usar alfa = beta = 1. Esto resulta en una distribución uniforme (no informada), en donde todos los valores entre 0 y 1 tienen la misma probabilidad de ocurrencia.

Salidas

Las salidas para este método son distribuciones de probabilidad posteriores para prevalencia, sensibilidad y especificidad. Estas distribuciones se describen por su probabilidad mínima, máxima, superior e inferior. Límites especificados, mediana, media y desviación estándar. Un histograma y gráfico de densidad y un archivo de texto de Los resultados de la simulación también se pueden descargar para cada parámetro.

¿Cuántas iteraciones?

Debido a que la muestra de Gibbs estima la prevalencia de forma iterativa, en base a los datos y al distribuciones, puede tomar varias iteraciones para que el modelo converja en el valor verdadero. Es También es importante llevar a cabo un número adecuado de iteraciones para respaldar la inferencia de los resultados. se proporcionan valores predeterminados sugeridos para el número total de iteraciones y el número que se debe descartar, pero se puede variar si se desea.

Nota

Este análisis puede tardar un poco en completarse, dependiendo del número de iteraciones requeridas.