9 - Prevalencia verdadera estimada usando una prueba con un muestreador de Gibbs
Este análisis usa unBayesiano enfoque y Muestra de Gibbs to estimate the true animal-level prevalence of infection based on testing of individual (not pooled) samples using a test with imperfect sensitivity and/or specificity. The analysis requires prior estimates of true prevalence, test sensitivity and test specificity as Distribuciones de probabilidad Beta, y salidasdistribuciones posteriores Por prevalencia, sensibilidad y especificidad. VerJoseph et al. (1995) para más detalles.
Las entradas requeridas para este análisis son:
- el número de muestras analizadas;
- el número de muestras positivas;
- parámetros alfa y beta para prior Distribuciones Beta para:
- supuesto verdaderoprevalencia;
- prueba estimadasensibilidad; y
- prueba estimadaespecificidad.
- el número deiteraciones para ser simulado en la muestra de Gibbs;
- el número de iteraciones a serdescartado para permitir la convergencia del modelo;
- inferior y upper probability (confidence) limits for summarising the output distributions; and
- valores iniciales para el número deverdadero-positivo y falso negativo test results (the numbers of truly infected individuals among the test-positive and test-negative groups, respectively).
The number of samples tested must be a positive integer and the number of positive samples must be an integer >=0 and <= the number of samples tested. Alpha and beta parameters for prevalence, sensitivity and specificity must be >0 and upper and lower confidence limits must be >0 and <1. Starting values for the numbers of true positives and false negatives must be integers >= zero and <= the number of positive samples and the number of negative samples, respectively. The number of iterations and the number discarded must both be positive integers (>0) and the number discarded must be less than the number of iterations.
ElMuestra de Gibbs se utiliza para estimar eldistribuciones de probabilidad posteriores of true prevalence, sensitivity and specificity that best fit the data and the prior distributions provided.
Prior estimates of the true prevalence and test sensitivity and specificity may be based on expert knowledge or on previous data. These estimates are specified as Distribuciones de probabilidad Beta, con parámetrosalfa y beta. Beta probability distributions are commonly used to express uncertainty about a proportion based on a random sample of individuals. In this situation, if x individuals are positive for a characteristic out of n examined, then the alpha and beta parameters can be calculated as alpha = x + 1 and beta = n - x + 1. Alternatively, alpha and beta can be calculated using the Utilidad de distribución Beta, provided estimates of the mode and 5% or 95% confidence limits are available from expert opinion.
Las salidas del muestreador de Gibbs son distribuciones de probabilidad posteriores para:
- prevalencia a nivel animal;
- sensibilidad de prueba;
- prueba de especificidad;
- positivo y valores predictivos negativos para la prueba;
- positivo y razones de verosimilitud negativas para la prueba; y
- los números deverdadero-positivo y falso negativo resultados de la prueba.
Estas distribuciones se describen por su:
- mínimo;
- límite inferior de probabilidad;
- mediana;
- límite superior de probabilidad;
- máximo;
- significa;
- desviación estándar;
- gráfico de histograma y densidad (descargue haciendo clic en el ícono correspondiente); y
- text files of parameter estimates for all iterations of the Gibbs sampler (download by clicking on the appropriate icon).
Because the Gibbs sampler estimates prevalence iteratively, based on the data and the prior distributions, it may take a number of iteraciones for the model to converge on the true value. Therefore, a specified number of initial iterations must be descartado (not used for estimation) to allow the model to converge on the true values. This number must be sufficient to allow convergence, and should be at least 2000 - 5000. It is also important to carry out an adequate number of iterations to support inference from the results. Suggested minimum values for the total number of iterations and the number to be discarded are provided, but can be varied if desired.
Este análisis puede tardar varios minutos en completarse, dependiendo del número de iteraciones requeridas.
« Anterior Siguiente »