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

Cette analyse utilise unBayésien approche et Échantillonneur 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 Distributions de probabilité bêta, et sortiesdistributions postérieures pour la prévalence, la sensibilité et la spécificité. VoirJoseph et al. (1995) for more details.

Les entrées requises pour cette analyse sont:

• le nombre d'échantillons testés;
• le nombre d'échantillons positifs;
• paramètres alpha et bêta for prior Distributions bêta pour:
• supposé vraiprévalence;
• test estimésensibilité; et
• test estiméspécificité.
• le nombre deitérations à simuler dans l'échantillonneur de Gibbs;
• le nombre d'itérations àmis au rebut permettre la convergence du modèle;
• inférieur et supérieur probability (confidence) limits for summarising the output distributions; and
• valeurs de départ pour le nombre devrai-positif et faux négatif 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.

LeÉchantillonneur de Gibbs est utilisé pour estimer ledistributions de probabilité postérieure 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 Distributions de probabilité bêta, avec paramètresalpha et 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 Utilitaire de distribution bêta, provided estimates of the mode and 5% or 95% confidence limits are available from expert opinion.

Les sorties de l'échantillonneur de Gibbs sont des distributions de probabilité postérieures pour:

• prévalence au niveau de l'animal;
• test de sensibilité;
• spécificité de test;
• positif et valeurs prédictives négatives pour le test;
• positif et ratios de vraisemblance négatifs pour le test; et
• les nombres devrai-positif et faux négatif résultats du test.

Ces distributions sont décrites par leur:

• minimum;
• limite de probabilité inférieure;
• médiane;
• limite de probabilité supérieure;
• maximum;
• moyenne;
• écart type;
• histogramme et graphique de densité (téléchargement en cliquant sur l'icône appropriée); et
• 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 itérations for the model to converge on the true value. Therefore, a specified number of initial iterations must be mis au rebut (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.

Cette analyse peut prendre plusieurs minutes, en fonction du nombre d'itérations requises.