Anglais      Chinois      Français      Allemand      Indonésien      Espagnol
Chercher
Estimation de la prévalence

Prévalence vraie estimée à l'aide d'un test avec un échantillonneur de Gibbs

Résultats du test:


Paramètres alpha et bêta pour les distributions antérieures:
  Alpha Bêta
Prévalence antérieure

Test de sensibilité

Spécificité de test


Détails de la simulation:


Valeurs de départ:


Introduction

Cette méthode utilise une approche bayésienne et un échantillonnage de Gibbs pour estimer le niveau réel des animaux prévalence de l'infection sur la base d'essais sur des échantillons individuels (non groupés) à l'aide d'un test sensibilité et / ou spécificité imparfaite. L'analyse nécessite des estimations préalables de la prévalence réelle, teste la sensibilité et la spécificité du test sous forme de distributions de probabilité bêta et génère des distributions pour la prévalence, la sensibilité et la spécificité. Voir le Guide de l'utilisateur ou Joseph et al. (1995) for more details. Voir l'analyse de démonstration.

Valeurs d'entrée

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.

Distributions antérieures pour Prevalence, Se et Sp

L'échantillonneur de Gibbs nécessite des estimations préalables de la prévalence réelle et de la sensibilité du test ainsi que spécificité, sur la base de connaissances spécialisées ou de données antérieures. Ces estimations sont spécifiées en bêta distributions de probabilité, avec les paramètres alpha et bêta. Les distributions de probabilité bêta sont couramment utilisé pour exprimer une incertitude sur une proportion basée sur un échantillon aléatoire d'individus. Dans cette situation, si x individus sont positifs pour une caractéristique sur n examinée, la Les paramètres alpha et bêta peuvent être calculés comme suit: alpha = x + 1 et beta = n - x + 1. Sinon, alpha et beta peuvent être calculés avec Utilitaires de distribution bêta, à condition que des estimations du mode et des limites de confiance de 5% ou de 95% soient disponibles de l'opinion d'experts.

S'il n'y a pas d'information préalable sur laquelle baser une distribution antérieure, alpha = beta = 1 doit être utilisé. Il en résulte une distribution uniforme (non informée), en dont toutes les valeurs comprises entre 0 et 1 ont la même probabilité d'occurrence.

Résultats

Les résultats de cette méthode sont les distributions de probabilité postérieures pour la prévalence, la sensibilité et spécificité. Ces distributions sont décrites par leur probabilité minimale, maximale, supérieure et inférieure limites spécifiées, médiane, moyenne et écart type. Un histogramme et un graphique de densité et un fichier texte de les résultats de la simulation peuvent également être téléchargés pour chaque paramètre.

Combien d'itérations?

Parce que l'échantillonneur de Gibbs estime la prévalence de manière itérative, sur la base des données et des Dans les distributions, il peut falloir plusieurs itérations pour que le modèle converge vers la valeur vraie. Il est Il est également important d’effectuer un nombre suffisant d’itérations pour appuyer la déduction à partir des résultats. les valeurs par défaut suggérées pour le nombre total d'itérations et le nombre à éliminer sont fournies, mais peut être modifié si désiré.

Note

Cette analyse peut prendre un peu de temps, en fonction du nombre d'itérations nécessaires.