perpustakaan(pwr) pwr.t.ujian(d = {effectd}, sig.level = {alpha}, kuasa = {kuasa}, jenis = "dua.sampel")Panduan pengguna
Bila hendak digunakan. Tentukan saiz sampel minimum sebelum memulakan kajian, berdasarkan kuasa sasaran dan saiz kesan yang dijangkakan.
Andaian. Anda mempunyai alfa yang dirancang (biasanya 0.05), kuasa sasaran (biasanya 0.80) dan anggaran saiz kesan daripada data perintis atau literatur.
Kesilapan biasa. Jangan mengira kuasa selepas pengumpulan data untuk mewajarkan keputusan yang tidak signifikan (kuasa pasca-hoc tidak bermaklumat).
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Cohen J. Analisis Kuasa Statistik untuk Sains Tingkah Laku. Edisi ke-2. 1988.
Dijangka: 2 lajur: Nilai Kumpulan 1 | Nilai Kumpulan 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Nilai Kumpulan 1 | Nilai Kumpulan 2
g1 <- c({g1}) g2 <- c({g2}) t.ujian(g1, g2, var.sama = {eqvar})Panduan pengguna
Bila hendak digunakan. Bandingkan min bagi dua kumpulan bebas pada hasil yang berterusan.
Andaian. Kebebasan pemerhatian; taburan hampir normal dalam setiap kumpulan; varians yang sama (atau gunakan pembetulan Welch).
Kesilapan biasa. Jangan gunakan untuk data berpasangan/dipadankan: gunakan ujian-t berpasangan sebaliknya. Periksa kenormalan terlebih dahulu untuk sampel kecil.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Pelajar. Ralat kemungkinan min. Biometrika. 1908;6(1):1-25.
- Welch BL. Pengitlakan masalah Pelajar. Biometrika. 1947;34:28-35.
Dijangka: 2 lajur: Sebelum / Keadaan A | Selepas / Keadaan B
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Sebelum / Keadaan A | Selepas / Keadaan B
pra <- c({pra}) pos <- c({pos}) t.ujian(pra, pos, berpasangan = BENAR)Panduan pengguna
Bila hendak digunakan. Bandingkan dua ukuran yang diambil pada subjek yang sama (sebelum/selepas, pasangan yang sepadan).
Andaian. Perbezaan antara pasangan adalah hampir bertaburan normal.
Kesilapan biasa. Hanya sah apabila pasangan benar-benar dipadankan; jangan gunakan untuk dua sampel bebas.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Pelajar. Ralat kemungkinan min. Biometrika. 1908;6(1):1-25.
{p_r} # z: 2 * pnorm(-abs(z)) t: 2 * pt(-abs(t), df) # khi-kuasa dua: pchisq(x, df, lower.tail = FALSE) F: pf(x, df1, df2, lower.tail = FALSE)Panduan pengguna
Bila hendak digunakan. Tukarkan statistik ujian (z, t, χ² atau F) kepada nilai-p di bawah hipotesis nol.
Andaian. Anda sudah mempunyai statistik yang dikira dengan betul dan darjah kebebasan yang betul.
Kesilapan biasa. Nilai-p bukanlah kebarangkalian nol itu benar, mahupun saiz sesuatu kesan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Wasserstein RL, Lazar NA. Pernyataan ASA mengenai nilai-p. Am Stat. 2016;70:129-133.
Format yang dijangkakan: Kiraan yang diperhatikan (baris pada baris baharu, dipisahkan koma)
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Kiraan yang diperhatikan (baris pada baris baharu, dipisahkan koma)
jadual <- matriks(c({obs_flat}), nrow = {nrows}, byrow = BENAR) chisq.test(tbl)Panduan pengguna
Bila hendak digunakan. Uji sama ada dua pembolehubah kategori dikaitkan, menggunakan jadual kiraan kontingensi.
Andaian. Kiraan yang dijangkakan dalam setiap sel hendaklah sekurang-kurangnya 5. Pemerhatian tidak bergantung.
Kesilapan biasa. Jika kiraan yang dijangkakan adalah di bawah 5 (sampel kecil), gunakan ujian tepat Fisher sebagai gantinya.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Pearson K. Mengenai kriteria bahawa sistem sisihan yang diberikan… Philos Mag. 1900;50:157-175.
Format yang dijangkakan: Nilai sampel
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Nilai sampel
x <- c({data}) t.ujian(x, conf.level = {conf})$conf.intPanduan pengguna
Bila hendak digunakan. Anggarkan julat yang munasabah untuk min populasi daripada sampel.
Andaian. Sampel adalah rawak; untuk n kecil, taburan asas adalah hampir normal.
Kesilapan biasa. CI 95% tidak bermakna kebarangkalian 95% nilai sebenar terletak pada selang masa ini.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Neyman J. Garis besar teori anggaran statistik. Philos Trans R Soc A. 1937;236:333-380.
Dijangka: 2 lajur: Nilai Kumpulan 1 | Nilai Kumpulan 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Nilai Kumpulan 1 | Nilai Kumpulan 2
g1 <- c({g1}) g2 <- c({g2}) library(effsize) cohen.d(g1, g2) cohen.d(g1, g2, hedges.correction = TRUE) # Hedges' gPanduan pengguna
Bila perlu digunakan. Kuantitikan magnitud perbezaan piawai antara dua kumpulan.
Andaian. Data berterusan; SD terkumpul adalah bermakna (varians yang serupa).
Kesilapan biasa. Saiz kesan mengukur magnitud, bukan kepentingan statistik atau kepentingan klinikal.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Cohen J. Analisis Kuasa Statistik untuk Sains Tingkah Laku. 1988.
Dijangka: satu baris setiap rekod, Label: v1, v2 …
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, Label: v1, v2 …
df <- timbunan(senarai({anova_groups})) ringkasan(aov(nilai ~ ind, data = df))Panduan pengguna
Bila perlu digunakan. Bandingkan bermaksud merentasi tiga atau lebih kumpulan bebas secara serentak.
Andaian. Kebebasan; kenormalan dalam kumpulan; homogeniti varians.
Kesilapan biasa. Sebaliknya, jangan jalankan berbilang ujian-t berpasangan: ia akan meningkatkan kadar ralat Jenis I.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Fisher RA. Kaedah Statistik untuk Pekerja Penyelidik. 1925.
Dijangka: 2 lajur: Pembolehubah X | Pembolehubah Y
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Pembolehubah X | Pembolehubah Y
x <- c({x}) y <- c({y}) cor.ujian(x, y, kaedah = "{kaedah}"{spearman_tepat})Panduan pengguna
Bila perlu digunakan. Ukur kekuatan dan arah hubungan linear (Pearson) atau monotonik (Spearman) antara dua pembolehubah.
Andaian. Pearson: kelinearan, kenormalan, tiada outlier utama. Spearman: hubungan monotonik sahaja.
Kesilapan biasa. Korelasi tidak bermaksud sebab-akibat. Periksa plot serakan untuk ketaklinearan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Pearson K. Nota tentang regresi dan pewarisan. Proc R Soc Lond. 1895;58:240-242.
- Spearman C. Bukti dan pengukuran perkaitan. Am J Psychol. 1904;15:72-101.
tp <- {tp}; fp <- {fp}; fn <- {fn}; tn <- {tn} sens <- tp/(tp+fn); spesifikasi <- tn/(tn+fp) c(sensitiviti = sens, kekhususan = spesifikasi)Panduan pengguna
Bila perlu digunakan. Nilaikan prestasi ujian diagnostik daripada 2×2 keputusan ujian berbanding status penyakit sebenar.
Andaian. Piawaian rujukan (emas) yang sah mengklasifikasikan status penyakit sebenar.
Kesilapan biasa. PPV dan NPV sangat bergantung pada kelaziman penyakit: laporkannya.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Altman DG, Bland JM. Ujian diagnostik 1: kepekaan dan kekhususan. BMJ. 1994;308:1552.
Format yang dijangkakan: Skor, Label: satu setiap baris (1=positif, 0=negatif)
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Skor, Label: satu setiap baris (1=positif, 0=negatif)
skor perpustakaan(pROC) <- c({roc_scores}) label <- c({roc_labels}) roc(label, skor, arah = "{roc_dir}") # {roc_dir_note}Panduan pengguna
Bila perlu digunakan. Nilaikan keupayaan diskriminasi ujian atau skor berterusan.
Andaian. Hasil sebenar binari (0/1); peramal atau skor berterusan.
Kesilapan biasa. AUC berhampiran 0.5 bermaksud tiada diskriminasi; jangan tafsirkan ambang tunggal secara berlebihan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Hanley JA, McNeil BJ. Maksud dan penggunaan kawasan di bawah lengkung ROC. Radiologi. 1982;143:29-36.
jadual <- matriks(c({a},{b},{c},{d}), nrow = 2, byrow = BENAR) fisher.test(tbl) # atau epitools::oddsratio(tbl)Panduan pengguna
Bila perlu digunakan. Kuantifikasi perkaitan dalam jadual 2×2; ATAU untuk kawalan kes, RR untuk reka bentuk kohort.
Andaian. Kiraan adalah bebas; sel adalah bukan sifar (jika tidak, gunakan pembetulan kesinambungan).
Kesilapan biasa. Jangan tafsirkan OR sebagai RR apabila hasilnya adalah sama (>10%).
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Woolf B. Mengenai menganggarkan hubungan antara kumpulan darah dan penyakit. Ann Hum Genet. 1955;19:251-253.
cer <- {cer}; eer <- {eer} arr <- cer - eer # > 0 manfaat, < 0 mudarat jika (arr > 0) c(ARR = arr, NNT_faedah = siling(bulat(1/arr, 6))) lain c(ARR = arr, NNH_bahaya = siling(bulat(1/(eer - cer), 6)))Panduan pengguna
Bila perlu digunakan. Manfaat rawatan nyata sebagai bilangan pesakit yang perlu dirawat bagi mencegah satu kejadian.
Andaian. Kadar peristiwa adalah daripada kumpulan yang setanding dalam tempoh masa yang ditetapkan.
Kesilapan biasa. Sentiasa laporkan ufuk masa; NNT tidak bermakna tanpanya.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Laupacis A, Sackett DL, Roberts RS. Penilaian ukuran yang berguna secara klinikal. N Engl J Med. 1988;318:1728-1733.
Dijangka: satu baris setiap rekod, TP, FP, FN, TN
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, TP, FP, FN, TN
library(mada) dat <- read.csv(text = "TP,FP,FN,TN {dm_csv}") madad(dat); reitsma(dat)Panduan pengguna
Bila perlu digunakan. Ketepatan diagnostik kumpulan (kepekaan dan kekhususan) merentasi kajian dengan model kesan rawak.
Andaian. Setiap kajian melaporkan 2×2 keputusan ujian berbanding piawaian rujukan.
Kesilapan biasa. Penggabungan sensitiviti dan spesifisiti secara berasingan mengabaikan korelasinya; model bivariat/HSROC lebih diutamakan apabila boleh dilaksanakan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Reitsma JB, dkk. Analisis bivariat kepekaan dan kekhususan. J Clin Epidemiol. 2005;58:982-990.
Format yang dijangkakan: Subjek: satu setiap baris, bilangan penilai setiap kategori
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Subjek: satu setiap baris, bilangan penilai setiap kategori
perpustakaan(irr) # baris = subjek, lajur = kategori (bilangan penilai) kappam.fleiss(penilaian)
Panduan pengguna
Bila hendak digunakan. Ukur persetujuan antara tiga atau lebih penilai yang mengklasifikasikan subjek ke dalam kategori (Fleiss' kappa).
Andaian. Setiap subjek dinilai oleh bilangan penilai yang sama; kategori adalah saling eksklusif.
Kesilapan biasa. Kappa sensitif terhadap kelaziman; laporkan kekerapan kategori di sampingnya.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Fleiss JL. Mengukur persetujuan skala nominal antara ramai penilai. Psychol Bull. 1971;76:378-382.
Dijangka: 2 lajur: Pengukuran Kaedah 1 | Pengukuran Kaedah 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Pengukuran Kaedah 1 | Pengukuran Kaedah 2
m1 <- c({m1}) m2 <- c({m2}) d <- m1 - m2 c(bias = min(d), lebih rendah = min(d)-1.96*sd(d), atas = min(d)+1.96*sd(d)) cor.test(m1, m2) coef(lm(m2 ~ m1)) # garis kuasa dua terkecil biasaPanduan pengguna
Bila hendak digunakan. Bandingkan dua kaedah pengukuran menggunakan bias, had persetujuan 95%, korelasi dan garis kuasa dua terkecil biasa.
Andaian. Pengukuran berpasangan bagi kuantiti yang sama melalui kedua-dua kaedah.
Kesilapan biasa. Jangan menilai persetujuan berdasarkan korelasi sahaja: laporkan had persetujuan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Bland JM, Altman DG. Kaedah statistik untuk menilai persetujuan antara dua kaedah. Lancet. 1986;1:307-310.
Dijangka: 2 lajur: nilai X | nilai Y
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: nilai X | nilai Y
x <- c({x}) y <- c({y}) ringkasan(lm(y ~ x))Panduan pengguna
Bila perlu digunakan. Model dan ramalkan hasil berterusan daripada satu peramal berterusan.
Andaian. Lineariti, kebebasan, varians malar (homoskedastisitas), baki normal.
Kesilapan biasa. Jangan ekstrapolasi ramalan di luar julat x yang diperhatikan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Galton F. Regresi ke arah biasa-biasa sahaja dalam kedudukan keturunan. J Anthropol Inst. 1886;15:246-263.
Dijangka: satu baris setiap rekod, y, x1, x2, …
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, y, x1, x2, …
df <- read.csv(text = "y,x1,x2 {mlr_csv}") ringkasan(lm(y ~ ., data = df))Panduan pengguna
Bila hendak digunakan. Modelkan hasil berterusan daripada beberapa peramal secara serentak; baca setiap pekali sebagai kesan yang diselaraskan.
Andaian. Lineariti, ralat bebas, varians malar, baki normal, tiada multikolineariti yang teruk.
Kesilapan biasa. Elakkan daripada memasukkan lebih banyak peramal daripada yang boleh disokong oleh sampel; semak faktor inflasi varians.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Draper NR, Smith H. Analisis Regresi Gunaan. Edisi ke-3. 1998.
Dijangka: satu baris setiap rekod, y(0/1), x1, x2, …
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, y(0/1), x1, x2, …
df <- read.csv(text = "y,x1 {logit_csv}") m <- glm(y ~ ., data = df, family = binomial) ringkasan(m); exp(cbind(OR = coef(m), confint(m)))Panduan pengguna
Bila hendak digunakan. Modelkan hasil binari dan dapatkan nisbah kemungkinan yang diselaraskan untuk setiap peramal.
Andaian. Hasilnya adalah binari; log-odds adalah linear dalam peramal; pemerhatian tidak bergantung.
Kesilapan biasa. Peraturan praktikal: sekurang-kurangnya ~10 peristiwa setiap peramal untuk mengelakkan anggaran yang tidak stabil.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Hosmer DW, Lemeshow S, Sturdivant RX. Regresi Logistik Gunaan. Edisi ke-3. 2013.
Dijangka: satu baris setiap rekod, kiraan, x1, x2, …
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, kiraan, x1, x2, …
df <- read.csv(text = "count,x1 {pois_csv}") m <- glm(count ~ ., data = df, family = poisson) ringkasan(m); exp(coef(m))Panduan pengguna
Bila hendak digunakan. Hasil kiraan model dan dapatkan nisbah kadar untuk setiap peramal.
Andaian. Kiraan mengikuti taburan Poisson; min sama dengan varians (semak untuk penyebaran berlebihan).
Kesilapan biasa. Jika varians jauh melebihi min, gunakan binomial negatif atau model kuasi-Poisson.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Cameron AC, Trivedi PK. Analisis Regresi Data Kiraan. Edisi ke-2. 2013.
Dijangka: 2 lajur: Nilai Kumpulan 1 | Nilai Kumpulan 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Nilai Kumpulan 1 | Nilai Kumpulan 2
g1 <- c({g1}) g2 <- c({g2}) wilcox.ujian(g1, g2)Panduan pengguna
Bila perlu digunakan. Perbandingan bukan parametrik bagi dua kumpulan bebas apabila kenormalan diragui.
Andaian. Pemerhatian bebas; data ordinal atau berterusan.
Kesilapan biasa. Ia membandingkan taburan kedudukan, bukan bermaksud: menggambarkan keputusan sebagai perubahan dalam taburan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Mann HB, Whitney DR. Pada ujian sama ada salah satu daripada dua pembolehubah rawak adalah lebih besar secara stokastik. Ann Math Stat. 1947;18:50-60.
Dijangka: 2 lajur: Nilai sebelum | Nilai selepas
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Nilai sebelum | Nilai selepas
pra <- c({pra}) pos <- c({pos}) wilcox.test(pra, pos, berpasangan = BENAR)Panduan pengguna
Bila perlu digunakan. Ujian berpasangan bukan parametrik untuk data yang dipadankan apabila perbezaannya tidak normal.
Andaian. Perbezaan adalah simetri di sekitar median; reka bentuk berpasangan.
Kesilapan biasa. Perbezaan sifar digugurkan; seri mengurangkan kuasa.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Wilcoxon F. Perbandingan individu mengikut kaedah kedudukan. Biometrics Bull. 1945;1:80-83.
Dijangka: satu baris setiap rekod, Label: v1, v2 …
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, Label: v1, v2 …
df <- stack(list({anova_groups})) kruskal.test(values ~ ind, data = df)Panduan pengguna
Bila perlu digunakan. Perbandingan bukan parametrik merentasi tiga atau lebih kumpulan.
Andaian. Kumpulan bebas; data ordinal atau selanjar; taburan berbentuk serupa.
Kesilapan biasa. H yang signifikan memberitahu anda kumpulan berbeza, bukan yang mana satu: ikuti dengan ujian Dunn.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Kruskal WH, Wallis WA. Penggunaan pangkat dalam analisis varians satu kriteria. J Am Stat Assoc. 1952;47:583-621.
jadual <- matriks(c({a},{b},{c},{d}), baris bawah = 2, baris bawah = BENAR) fisher.test(jadual)Panduan pengguna
Bila perlu digunakan. Ujian perkaitan yang tepat dalam jadual 2×2, sesuai untuk sampel kecil.
Andaian. Jumlah marginal tetap; pemerhatian bebas.
Kesilapan biasa. Bagi sampel yang besar, ujian khi kuasa dua adalah lebih mudah dan setara secara pengiraan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Fisher RA. Logik inferens induktif. JR Stat Soc. 1935;98:39-82.
Dijangka: satu baris setiap rekod, masa, peristiwa(1=peristiwa,0=ditapis)[, kumpulan]
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, masa, peristiwa(1=peristiwa,0=ditapis)[, kumpulan]
perpustakaan(survival) df <- read.csv(text = "masa,peristiwa,kumpulan {km_csv}") muat <- survfit(Surv(masa,peristiwa) ~ kumpulan, data = df) ringkasan(muat); survdiff(Surv(masa,peristiwa) ~ kumpulan, data = df)Panduan pengguna
Bila perlu digunakan. Anggarkan kebarangkalian kemandirian dari semasa ke semasa daripada data masa-ke-peristiwa yang ditapis dan bandingkan kumpulan dengan ujian kedudukan log.
Andaian. Penapisan tidak bermaklumat; masa kemandirian diukur dari asal yang sama.
Kesilapan biasa. Jangan anggap subjek yang ditapis sebagai bebas peristiwa pada akhirnya: kaedah tersebut sudah pun mengambil kira kesilapan tersebut.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Kaplan EL, Meier P. Anggaran tak parametrik daripada pemerhatian yang tidak lengkap. J Am Stat Assoc. 1958;53:457-481.
Dijangka: satu baris setiap rekod, masa, peristiwa (1/0), x1, x2, …
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, masa, peristiwa (1/0), x1, x2, …
perpustakaan(kelangsungan hidup) df <- baca.csv(teks = "masa,peristiwa,x1 {cox_csv}") ringkasan(coxph(Surv(masa, peristiwa) ~ ., data = df))Panduan pengguna
Bila perlu digunakan. Anggarkan nisbah bahaya untuk kovariat pada hasil masa-ke-peristiwa tanpa menyatakan bahaya garis dasar.
Andaian. Bahaya berkadar (kesan kovariat malar dari semasa ke semasa); penapisan tidak bermaklumat.
Kesilapan biasa. Uji andaian bahaya berkadar (cth. baki Schoenfeld) sebelum mempercayai HR.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Cox DR. Model regresi dan jadual hayat. JR Stat Soc B. 1972;34:187-220.
Format yang dijangkakan: Kajian: Label, Kesan, LowerCI, UpperCI (satu setiap baris)
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Kajian: Label, Kesan, LowerCI, UpperCI (satu setiap baris)
library(meta) studlab <- c({meta_studlab}) TE <- c({meta_te}) lower <- c({meta_lower}) upper <- c({meta_upper}) seTE <- (upper - lower) / (2 * 1.96) # SE daripada 95% CI, seperti yang dilakukan oleh kalkulator m <- metagen(TE, seTE, studlab = studlab, sm = "SMD", common = {meta_common}, random = {meta_random}, method.tau = "DL") summary(m) # kesan terkumpul, Cochran's Q, I2, tau2Panduan pengguna
Bila perlu digunakan. Saiz kesan himpunan merentasi kajian dan ukur heterogeniti (I-kuasa dua).
Andaian. Kajian-kajian tersebut cukup setanding secara klinikal dan metodologi untuk digabungkan.
Kesilapan biasa. I-kuasa dua yang tinggi (>75%) menandakan heterogeniti yang ketara: tafsirkan anggaran terkumpul dengan berhati-hati.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- DerSimonian R, Laird N. Meta-analisis dalam ujian klinikal. Percubaan Klinikal Kawalan. 1986;7:177-188.
Dijangka: satu baris setiap rekod, label, kesan, ralat piawai
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, label, kesan, ralat piawai
library(meta) studlab <- c({funnel_studlab}) TE <- c({funnel_te}) seTE <- c({funnel_se}) m <- metagen(TE, seTE, studlab = studlab, common = TRUE, random = FALSE) summary(m) # anggaran terkumpul kesan tetap dan 95% CI, seperti yang dilaporkan oleh kalkulator corong(m) metabias(m, method.bias = "linreg", k.min = 3) # Ujian regresi Egger: pintasan, t, pPanduan pengguna
Bila perlu digunakan. Kesan asimetri plot corong (penanda kemungkinan bias penerbitan) melalui ujian regresi Egger.
Andaian. Sekurang-kurangnya ~10 kajian untuk ujian Egger yang berkuasa baik; saiz kesan dan ralat piawai setiap kajian.
Kesilapan biasa. Asimetri juga boleh mencerminkan heterogeniti tulen atau kesan kajian kecil, bukan sahaja berat sebelah.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Egger M, Davey Smith G, Schneider M, Minder C. Bias dalam meta-analisis dikesan melalui ujian grafik yang mudah. BMJ. 1997;315:629-634.
perpustakaan(PRISMA2020) # kiraan bekalan kepada PRISMA_flowdiagram()
Panduan pengguna
Bila hendak digunakan. Bina kiraan rekod untuk gambarajah alir pemilihan kajian PRISMA 2020 dan semak baki aritmetik.
Andaian. Kiraan datang daripada log saringan anda pada setiap peringkat.
Kesilapan biasa. Nombor mesti diselaraskan: ditapis tolak dikecualikan sepatutnya sama dengan teks penuh yang dinilai.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Page MJ, dkk. Kenyataan PRISMA 2020. BMJ. 2021;372:n71.
# GRED ialah pertimbangan berstruktur, bukan pengiraan. # Mula: RCT = Tinggi (4), Pemerhatian = Rendah (2). # Turun taraf (-1/-2) untuk risiko bias, ketidakkonsistenan, # ketidaklangsungan, ketidaktepatan, bias penerbitan. # Naik taraf (+1/+2) untuk kesan besar, tindak balas dos.
Panduan pengguna
Bila perlu digunakan. Gredkan kepastian sesuatu bukti (Tinggi / Sederhana / Rendah / Sangat rendah) menggunakan rangka kerja GRADE.
Andaian. Anda telah menilai setiap domain GRADE untuk hasil yang diminati.
Kesilapan biasa. Kepastian gred setiap hasil, bukan setiap kajian; penaiktarafan biasanya hanya terpakai kepada bukti pemerhatian.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Guyatt GH, dkk. GRADE: satu konsensus yang muncul mengenai penarafan kualiti bukti. BMJ. 2008;336:924-926.
Format yang dijangkakan: Matriks perjanjian: baris pada baris baharu, dipisahkan koma
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Matriks perjanjian: baris pada baris baharu, dipisahkan koma
library(irr) tbl <- matrix(c({mat_flat}), nrow = {nrows}, byrow = TRUE) r1 <- rep(row(tbl), tbl); r2 <- rep(col(tbl), tbl) # satu pasang penilaian setiap item kappa2(cbind(r1, r2))Panduan pengguna
Bila hendak digunakan. Ukur persetujuan antara penilai kategorikal melebihi apa yang dijangkakan secara kebetulan.
Andaian. Dua penilai; kategori yang sama; penilaian bebas.
Kesilapan biasa. Kappa sensitif terhadap kelaziman: persetujuan yang tinggi boleh menghasilkan kappa yang rendah.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Cohen J. Pekali persetujuan untuk skala nominal. Educ Psychol Meas. 1960;20:37-46.
Format yang dijangkakan: Penilai (satu setiap baris): NamaPenilai: v1, v2 …
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Penilai (satu setiap baris): NamaPenilai: v1, v2 …
penilaian perpustakaan(irr) <- {icc_ratings} # baris = subjek, lajur = penilai icc(penilaian, model = "sehala", unit = "tunggal")Panduan pengguna
Bila perlu digunakan. Mengukur kebolehpercayaan pengukuran berterusan merentasi berbilang penilai.
Andaian. Penilaian berterusan; penilai konsisten yang ditetapkan merentasi subjek.
Kesilapan biasa. Nyatakan borang ICC (1,1 / 2,1 / 3,1): ia tidak boleh ditukar ganti.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Shrout PE, Fleiss JL. Korelasi intrakelas. Psychol Bull. 1979;86:420-428.
Format yang dijangkakan: Responden × item: satu setiap baris, item dipisahkan koma
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Responden × item: satu setiap baris, item dipisahkan koma
perpustakaan(psikiatri) # baris = responden, lajur = item alfa(matriks_data)
Panduan pengguna
Bila perlu digunakan. Nilaikan ketekalan dalaman (kebolehpercayaan) skala berbilang item.
Andaian. Item mengukur satu konstruk asas; pemarkahan peringkat selang.
Kesilapan biasa. Alpha meningkat dengan lebih banyak item: jangan mentafsir nilai tinggi secara berlebihan pada skala yang panjang.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Cronbach LJ. Pekali alfa dan struktur dalaman ujian. Psychometrica. 1951;16:297-334.
te <- {te}; berat sebelah <- {bias}; cv <- {cv} sigma <- (te - abs(bias))/cv sigmaPanduan pengguna
Bila hendak digunakan. Kira metrik sigma untuk ujian makmal dan pilih peraturan QC yang sesuai.
Andaian. TEa, bias dan CV berada dalam unit peratusan yang sama.
Kesilapan biasa. Sigma di bawah 3 memerlukan QC berbilang peraturan yang intensif; jangan jalankan dengan peraturan tunggal.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Westgard JO. Amalan QC Asas. Edisi ke-4. 2016.
Dijangka: 2 lajur: Nilai Kaedah 1 | Nilai Kaedah 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Nilai Kaedah 1 | Nilai Kaedah 2
m1 <- c({m1}) m2 <- c({m2}) d <- m1 - m2 c(bias = min(d), bawah = min(d)-1.96*sd(d), atas = min(d)+1.96*sd(d))Panduan pengguna
Bila perlu digunakan. Nilaikan persetujuan antara dua kaedah pengukuran melalui bias min dan had persetujuan.
Andaian. Perbezaan adalah hampir normal dan malar merentasi julat pengukuran.
Kesilapan biasa. Jangan sekali-kali menggunakan pekali korelasi untuk menilai persetujuan kaedah.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Bland JM, Altman DG. Kaedah statistik untuk menilai persetujuan. Lancet. 1986;1:307-310.
Dijangka: 2 lajur: Nilai Kaedah 1 | Nilai Kaedah 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Nilai Kaedah 1 | Nilai Kaedah 2
perpustakaan(mcr) m1 <- c({m1}) m2 <- c({m2}) mcreg(m1, m2, kaedah.reg = "PaBa")Panduan pengguna
Bila perlu digunakan. Perbandingan kaedah bukan parametrik yang teguh kepada outlier dan ralat pengukuran dalam kedua-dua kaedah.
Andaian. Pengukuran berpasangan berterusan; tiada andaian tentang taburan ralat.
Kesilapan biasa. Memerlukan julat ukuran yang munasabah untuk menganggarkan cerun dengan andal.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Passing H, Bablok W. Prosedur biometrik baharu untuk menguji kesamaan pengukuran. J Clin Chem Clin Biochem. 1983;21:709-720.
peristiwa <- {peristiwa}; pt <- {pt} poisson.test(peristiwa, pt) # CI tepat setiap unit orang-masa poisson.test(peristiwa, pt)$conf.int * {mult_n} # 95% CI setiap {mult_n}Panduan pengguna
Bila perlu digunakan. Kira kadar kejadian baharu bagi setiap unit orang-masa berisiko.
Andaian. Masa-orang dikumpulkan dengan betul; peristiwa adalah bebas.
Kesilapan biasa. Jangan kelirukan insiden (kes baharu dari semasa ke semasa) dengan prevalens (kes sedia ada).
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Rothman KJ, Greenland S, Lash TL. Epidemiologi Moden. Edisi ke-3. 2008.
kes <- {kes}; pop <- {pop} prop.ujian(kes, pop)Panduan pengguna
Bila hendak digunakan. Anggarkan perkadaran populasi dengan sesuatu keadaan pada sesuatu titik atau tempoh.
Andaian. Kes dan populasi diukur dalam tempoh yang sama.
Kesilapan biasa. Prevalens mencerminkan kedua-dua insiden dan tempoh, bukan kadar kes baharu.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Rothman KJ, Greenland S, Lash TL. Epidemiologi Moden. Edisi ke-3. 2008.
a <- {a}; b <- {b}; c <- {c}; d <- {d} Re <- a/(a+b); Ru <- c/(c+d) c(AR = Re-Ru, ARP = (Re-Ru)/Re, RR = Re/Ru)Panduan pengguna
Bila perlu digunakan. Kuantitikan risiko berlebihan yang disebabkan oleh pendedahan (risiko yang boleh dikaitkan, pecahan yang boleh dikaitkan, AR populasi).
Andaian. Tafsiran kausal memerlukan perkaitan pendedahan-hasil tidak dikelirukan.
Kesilapan biasa. Pecahan yang boleh dikaitkan menganggap kausalitas: tidak terpakai kepada data perkaitan semata-mata.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Rothman KJ, Greenland S, Lash TL. Epidemiologi Moden. Edisi ke-3. 2008.
ea <- {ea}; na <- {na}; ec <- {ec}; nc <- {nc} fp <- function(x1, x0) fisher.test(matriks(c(x1, na - x1, x0, nc - x0), 2, byrow = BENAR))$p.nilai p0 <- fp(ea, ec); x1 <- ea; x0 <- ec; fi <- 0 jika (p0 < 0.05) manakala (fp(x1, x0) < 0.05) { jika (ea <= ec) x1 <- x1 + 1 lagi x0 <- x0 + 1; fi <- fi + 1 } c(fisher_p = p0, fragility_index = if (p0 < 0.05) fi else NA)Panduan pengguna
Bila perlu digunakan. Nilaikan sejauh mana keteguhan keputusan RCT yang signifikan secara statistik.
Andaian. Hasil binari 2×2 daripada percubaan rawak.
Kesilapan biasa. Indeks kerapuhan yang rendah tidak dengan sendirinya membatalkan percubaan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Walsh M, dkk. Kepentingan statistik keputusan percubaan terkawal rawak sering rapuh. J Clin Epidemiol. 2014;67:622-628.
Format yang dijangkakan: Nilai
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Nilai
x <- c({data}) shapiro.ujian(x)Panduan pengguna
Bila hendak digunakan. Nilaikan sama ada data secara munasabah datang daripada taburan normal sebelum memilih ujian parametrik.
Andaian. Data berterusan; n antara 3 dan 5000 untuk Shapiro-Wilk.
Kesilapan biasa. p > 0.05 tidak membuktikan kenormalan: sentiasa periksa histogram dan plot QQ juga.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Shapiro SS, Wilk MB. Analisis ujian varians untuk kenormalan. Biometrika. 1965;52:591-611.
Format yang dijangkakan: Nilai
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Nilai
x <- c({data}) ringkasan(x); sd(x)Panduan pengguna
Bila perlu digunakan. Ringkaskan pembolehubah selanjar untuk Jadual 1 (min, SD, median, IQR, julat).
Andaian. Tiada: deskriptif sahaja.
Kesilapan biasa. Laporkan min ± SD hanya untuk data simetri secara kasar; gunakan median (IQR) untuk data condong.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Persatuan Psikologi Amerika. Manual Penerbitan. Edisi ke-7. 2020.
x <- {val}; mu <- {mu}; sigma <- {sig} z <- (x - mu)/sigma c(z = z, persentil = pnorm(z))Panduan pengguna
Bila perlu digunakan. Piawaikan sesuatu nilai dan cari persentilnya dalam taburan normal.
Andaian. Purata populasi dan SD diketahui; taburan adalah normal.
Kesilapan biasa. Gunakan skor-t sebaliknya apabila menganggarkan parameter daripada sampel kecil.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Moore DS, McCabe GP, Craig BA. Pengenalan kepada Amalan Statistik. Edisi ke-9. New York: WH Freeman; 2017.
Format yang dijangkakan: Nilai
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Nilai
x <- c({data}) hist(x); ringkasan(x)Panduan pengguna
Bila hendak digunakan. Visualisasikan bentuk, pusat dan sebaran pembolehubah selanjar.
Andaian. Data berterusan; saiz sampel yang mencukupi untuk tong yang bermakna.
Kesilapan biasa. Lebar tong sampah sangat mempengaruhi penampilan: cuba beberapa sebelum membuat kesimpulan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Sturges HA. Pemilihan selang kelas. J Am Stat Assoc. 1926;21:65-66.
Dijangka: 2 lajur: Nilai Kaedah A | Nilai Kaedah B
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Nilai Kaedah A | Nilai Kaedah B
x <- c({x}) y <- c({y}) n <- length(x) sx <- min((x-min(x))^2); sy <- min((y-min(y))^2); sxy <- min((x-min(x))*(y-min(y))) ccc <- 2*sxy/(sx+sy+(min(x)-min(y))^2) ccc cor(x, y) # ketepatan; Cb = ccc / r (ketepatan)Panduan pengguna
Bila perlu digunakan. Kuantitikan persetujuan (bukan sekadar korelasi) antara dua kaedah yang mengukur kuantiti berterusan yang sama.
Andaian. Pengukuran berpasangan pada subjek yang sama; hampir bivariat-normal untuk selang keyakinan Fisher-z; julat nilai yang agak luas.
Kesilapan biasa. Jangan gunakan Pearson r sahaja untuk menuntut persetujuan. Dengan sampel yang sangat kecil, selang keyakinan tidak boleh dipercayai; tambahkan plot Bland-Altman.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Lin LI. Pekali korelasi konkordans untuk menilai kebolehulangan. Biometrik. 1989;45(1):255-268.
- McBride GB. Cadangan untuk kriteria kekuatan persetujuan untuk pekali korelasi konkordans Lin. Laporan Pelanggan NIWA HAM2005-062. 2005.
Dijangka: 2 lajur: Rujukan / kaedah X | Kaedah ujian Y
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Rujukan / kaedah X | Kaedah ujian Y
x <- c({x}) y <- c({y}) lambda <- {delta} sxx <- var(x); syy <- var(y); sxy <- cov(x, y) b <- (syy - lambda*sxx + sqrt((syy - lambda*sxx)^2 + 4*lambda*sxy^2)) / (2*sxy) a <- min(y) - b*min(x) c(pintasan = a, cerun = b)Panduan pengguna
Bila hendak digunakan. Bandingkan dua kaedah pengukuran apabila kedua-duanya mempunyai ralat pengukuran (tidak seperti kuasa dua terkecil biasa, yang menganggap X adalah tepat).
Andaian. Nisbah varians ralat kedua-dua kaedah (λ) diketahui atau boleh dianggarkan daripada replikasi; ralat adalah secara kasarnya malar merentasi julat.
Kesilapan biasa. Jika ralat berkadar terus dengan kepekatan, gunakan Deming atau Passing-Bablok berwajaran. Jangan gunakan OLS apabila kedua-dua kaedah tersebut bising.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Deming WE. Pelarasan Statistik Data. Wiley; 1943.
- Linnet K. Penilaian prosedur regresi untuk kajian perbandingan kaedah. Clin Chem. 1993;39(3):424-432.
Dijangka: satu baris setiap rekod, nama, nilai, jenis
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: satu baris setiap rekod, nama, nilai, jenis
u <- c(0.12, 0.20, 0.05/sqrt(3), 0.10/sqrt(6)) # ketidakpastian piawai uc <- sqrt(jumlah(u^2)) k <- {k} c(gabungan = uc, dikembangkan = k*uc)Panduan pengguna
Bila hendak digunakan. Bina belanjawan ketidakpastian GUM: tukarkan setiap komponen kepada ketidakpastian piawai dan gabungkannya dengan punca-jumlah-kuasa dua.
Andaian. Komponen adalah bebas (tiada istilah kovarians) dan ukuran adalah jumlah sumbangan dengan pekali kepekaan 1.
Kesilapan biasa. Jangan campurkan ketidakpastian yang dikembangkan dan piawai. Sertakan istilah berkorelasi atau bukan sensitiviti unit dengan tangan sebelum memasukkannya.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- JCGM 100:2008. Penilaian data pengukuran — Panduan kepada ungkapan ketidakpastian dalam pengukuran (GUM).
- Panduan Eurachem/CITAC CG 4. Mengkuantifikasi Ketidakpastian dalam Pengukuran Analitikal. Edisi ke-3. 2012.
Dijangka: 4 lajur: Replikasi kosong | Replikasi sampel aras rendah | Kepekatan penentukuran | Respons instrumen
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 4 lajur: Replikasi kosong | Replikasi sampel aras rendah | Kepekatan penentukuran | Respons instrumen
kosong <- c({kosong}) rendah <- c({rendah}) LoB <- min(kosong) + 1.645 * sd(kosong) cp <- 1.645 / (1 - 1 / (4 * (panjang(rendah) - 1))) LoD <- LoB + cp * sd(rendah) c(LoB = LoB, LoD = LoD) # Alternatif lengkung penentukuran ICH Q2: conc <- c({x}); resp <- c({y}) muat <- lm(resp ~ conc) c(LoD = 3.3 * ringkasan(patut)$sigma / koef(patut)[2], LoQ = 10 * ringkasan(patut)$sigma / koef(patut)[2])Panduan pengguna
Bila hendak digunakan. Anggarkan had kosong dan had pengesanan daripada replika kosong dan aras rendah dengan formula parametrik (CLSI EP17-A2 menetapkan reka bentuk kajian), atau LoD/LoQ daripada lengkung penentukuran (ICH Q2(R1)).
Andaian. EP17: keputusan adalah lebih kurang Gaussian, daripada sekurang-kurangnya 60 ukuran kosong dan 60 ukuran aras rendah (20 setiap satu untuk disahkan) yang tersebar selama beberapa hari dan lot reagen. ICH: tindak balas linear berhampiran had.
Kesilapan biasa. Kalkulator menerima 10 atau lebih replikasi; panduan EP17 menggunakan kira-kira 60 keputusan kosong dan 60 keputusan aras rendah untuk menetapkan had dan sekurang-kurangnya 20 untuk mengesahkan had yang dituntut. Laluan parametrik ini mengandaikan satu sampel aras rendah; dengan beberapa sampel atau kosong bukan Gaussian, gunakan prosedur bukan parametrik. Sahkan had secara eksperimen.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- CLSI. Penilaian Keupayaan Pengesanan untuk Prosedur Pengukuran Makmal Klinikal; EP17-A2. 2012.
- ICH Q2(R1). Pengesahan Prosedur Analisis: Teks dan Metodologi. 2005.
- Armbruster DA, Pry T. Had kosong, had pengesanan dan had kuantiti. Clin Biochem Rev. 2008;29(Suppl 1):S49-S52.
Format yang dijangkakan: Nilai populasi rujukan
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Format yang dijangkakan: Nilai populasi rujukan
x <- c({data}) kuantil(x, c(0.025, 0.975), jenis = 6) # bukan parametrik (CLSI C28-A3) min(x) + c(-1, 1) * qnorm(0.975) * sd(x) # parametrikPanduan pengguna
Bila perlu digunakan. Tetapkan selang rujukan (95% pusat populasi rujukan yang sihat) untuk analit makmal.
Andaian. Nilai datang daripada sekurang-kurangnya 120 individu rujukan yang ditakrifkan dengan baik (CLSI C28-A3); outlier telah disemak, bukan dibuang secara membuta tuli.
Kesilapan biasa. Dengan kurang daripada 120 nilai, anggap had sebagai anggaran. Pembahagian mengikut umur atau jantina apabila taburan jelas berbeza.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- CLSI. Menentukan, Menetapkan dan Mengesahkan Selang Rujukan dalam Makmal Klinikal; Garis Panduan C28-A3 yang Diluluskan. 2008.
- Horn PS, Pesce AJ. Selang rujukan: kemas kini. Clin Chim Acta. 2003;334:5-23.
Dijangka: 2 lajur: Kepekatan yang dijangkakan | Keputusan yang diukur
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Kepekatan yang dijangkakan | Keputusan yang diukur
x <- c({x}) y <- c({y}) ringkasan(lm(y ~ x + I(x^2)))$pekali # baris 3 = ringkasan ujian tak lineariti(lm(y ~ x))$r.kuasa duaPanduan pengguna
Bila hendak digunakan. Pastikan sesuatu ujian bertindak balas secara linear merentasi julat pelaporannya dengan menguji komponen kuadratik (pendekatan polinomial bagi CLSI EP6-A yang terdahulu).
Andaian. Sekurang-kurangnya lima tahap yang sama bermaklumat; replikasi dipuratakan setiap tahap; varians malar merentasi julat.
Kesilapan biasa. R² yang tinggi sahaja tidak membuktikan kelinearan. Tidak signifikan tidak membuktikan linear dengan tahap yang sangat sedikit: periksa baki.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- CLSI. Penilaian Lineariti Prosedur Pengukuran Kuantitatif; EP06. Edisi ke-2. 2020.
Dijangka: 3 lajur: Pembolehubah X | Pembolehubah Y | Pembolehubah kawalan Z
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 3 lajur: Pembolehubah X | Pembolehubah Y | Pembolehubah kawalan Z
x <- c({x}) y <- c({y}) z <- c({z}) rx <- resid(lm(x ~ z)); ry <- resid(lm(y ~ z)) r <- cor(rx, ry) t <- r * sqrt((panjang(x) - 3) / (1 - r^2)) c(r_separa = r, t = t, p = 2 * pt(-abs(t), panjang(x) - 3))Panduan pengguna
Bila hendak digunakan. Anggarkan perkaitan antara X dan Y selepas menghapuskan kesan linear bagi pembolehubah ketiga Z (pengganggu).
Andaian. Hubungan linear; pembolehubah hampir normal; Z diukur tanpa ralat.
Kesilapan biasa. Korelasi separa tidak membuktikan Z ialah pengganggu atau X menyebabkan Y. Bagi beberapa kovariat, gunakan regresi berganda.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Kim S. ppcor: pakej R untuk pengiraan pantas kepada pekali korelasi separa separa. Kaedah Aplikasi Statistik Komuniti. 2015;22(6):665-674.
e1 <- {e1}; n1 <- {n1}; e0 <- {e0}; n0 <- {n0} margin <- {margin}/100 p1 <- e1/n1; p0 <- e0/n0 se <- sqrt(p1*(1-p1)/n1 + p0*(1-p0)/n0) z <- (p1 - p0 + margin)/se # bukan-rendah (lebih tinggi lebih baik) c(beza = p1 - p0, z = z, p_satu_sisi = 1 - pnorm(z)) # Kesetaraan (TOST): z2 <- (margin - (p1 - p0))/se maks(1 - pnorm(z), 1 - pnorm(z2)) # Nilai-p TOSTPanduan pengguna
Bila hendak digunakan. Tunjukkan bahawa rawatan baharu tidak lebih buruk daripada kawalan dengan margin yang lebih daripada margin yang telah ditentukan terlebih dahulu (bukan inferioriti), atau bahawa dua rawatan berbeza kurang daripada margin dalam kedua-dua arah (kesetaraan, TOST), untuk hasil binari.
Andaian. Margin telah ditetapkan dalam protokol sebelum data dilihat dan dijustifikasikan secara klinikal; sampel yang cukup besar untuk penghampiran Wald.
Kesilapan biasa. Jangan pilih margin selepas melihat data. Dengan sel kecil atau kadar berhampiran 0 atau 100%, gunakan kaedah skor (Farrington-Manning). Ketiadaan keertian dalam ujian keunggulan bukanlah bukti kesetaraan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Blackwelder WC. Membuktikan hipotesis nol dalam ujian klinikal. Percubaan Klinikal Kawalan. 1982;3:345-353.
- Schuirmann DJ. Perbandingan prosedur ujian dua belah pihak dan pendekatan kuasa untuk menilai kesetaraan bioavailabiliti purata. J Pharmacokinet Biopharm. 1987;15:657-680.
- Piaggio G, dkk. Pelaporan percubaan rawak bukan inferioriti dan kesetaraan (sambungan CONSORT). JAMA. 2012;308(24):2594-2604.
Dijangka: 4 lajur: Urutan AB, Tempoh 1 | Urutan AB, Tempoh 2 | Urutan BA, Tempoh 1 | Urutan BA, Tempoh 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 4 lajur: Urutan AB, Tempoh 1 | Urutan AB, Tempoh 2 | Urutan BA, Tempoh 1 | Urutan BA, Tempoh 2
ab1 <- c({ab1}); ab2 <- c({ab2}) # jujukan AB: tempoh 1 (A), tempoh 2 (B) ba1 <- c({ba1}); ba2 <- c({ba2}) # jujukan BA: tempoh 1 (B), tempoh 2 (A) dA <- ab1 - ab2; dB <- ba1 - ba2 t.test(dA, dB, var.equal = BENAR) # kesan rawatan A - B = (min(dA) - min(dB)) / 2 t.test(dA, -dB, var.equal = BENAR) # kesan tempoh t.test(ab1 + ab2, ba1 + ba2, var.equal = BENAR) # bawaan (perbezaan dalam jumlah subjek)Panduan pengguna
Bila hendak digunakan. Analisis percubaan silang dua tempoh, dua rawatan (AB/BA) dengan hasil berterusan: anggarkan kesan rawatan dan uji kesan tempoh dan kesan bawaan (Hills-Armitage / Grizzle).
Andaian. Peserta dirawak kepada dua jujukan; washout yang mencukupi; perbezaan dalam subjek yang hampir normal; tiada interaksi rawatan mengikut tempoh.
Kesilapan biasa. Ujian bawaan mempunyai kuasa yang rendah dan tidak boleh digunakan sebagai penjaga pintu untuk analisis (Senn); tentukan washout dalam reka bentuk. Jangan gunakan untuk keadaan yang dapat diselesaikan atau rawatan dengan kesan kekal.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Senn S. Percubaan Silang dalam Penyelidikan Klinikal. Edisi ke-2. Wiley; 2002.
- Hills M, Armitage P. Percubaan klinikal silang dua tempoh. Br J Clin Pharmacol. 1979;8:7-20.
- Grizzle JE. Reka bentuk perubahan dua tempoh dan penggunaannya dalam ujian klinikal. Biometrik. 1965;21:467-480.
kuasa.t.ujian(delta = {delta}, sd = sqrt(2) * {sigma}, sig.level = {alpha}, kuasa = {kuasa}, jenis = "dipasangkan")$n # jumlah NPanduan pengguna
Bila perlu digunakan. Rancang percubaan silang dua tempoh, dua jujukan (AB/BA) yang membandingkan dua rawatan pada hasil yang berterusan.
Andaian. Tiada interaksi bawaan atau tempoh mengikut rawatan; bilangan yang sama dalam dua jujukan; SD dalam subjek daripada kajian silang sebelumnya.
Kesilapan biasa. Jangan gunakan untuk percubaan kumpulan selari atau apabila kemungkinan berlakunya proses bawaan (rawatan tahan lama, tiada pembaziran). Bioequivalens memerlukan pengiraan berasaskan TOST.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Senn S. Percubaan Silang dalam Penyelidikan Klinikal. Edisi ke-2. Wiley; 2002.
- Chow SC, Shao J, Wang H. Pengiraan Saiz Sampel dalam Penyelidikan Klinikal. Edisi ke-2. 2008.
# Sempadan berjujukan kumpulan klasik (bentuk tetap), rupa jarak sama K <- {looks}; alpha <- {alpha}; type <- "{interim_type}" # "OF" = O'Brien-Fleming, "Pocock" w <- if (type == "Pocock") rep(1, K) else sqrt(K / seq_len(K)) surv <- function(C, NG = 240) { simp <- c(1, rep(c(4, 2), length.out = NG - 1), 1) for (k in seq_len(K)) { b <- C * w[k] * sqrt(k); hn <- 2 * b / NG; ng <- -b + (0:NG) * hn nd <- jika (k == 1) dnorm(ng) else apply(ng, function(s) sum(simp * dens * dnorm(s - grid)) * h / 3) s <- sum(simp * nd) * hn / 3; grid <- ng; dens <- nd; h <- hn } s } C <- uniroot(function(C) 1 - surv(C) - alpha, c(1, 6), tol = 1e-10)$root round(C * w, 3) # kritikal |z| pada setiap pandanganPanduan pengguna
Bila hendak digunakan. Tetapkan sempadan penghenti keberkesanan untuk percubaan dengan penampilan interim yang dirancang supaya ralat jenis I keseluruhan kekal pada α.
Andaian. Rupa jarak sama (maklumat sama setiap peringkat); ujian dua belah statistik bertaburan normal; sempadan ditetapkan sebelum penyahbutaan.
Kesilapan biasa. Jangan tambahkan penampilan yang tidak dirancang. Untuk jarak yang tidak sama rata, gunakan alpha-spending (Lan-DeMets) dalam perisian khusus.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- O'Brien PC, Fleming TR. Prosedur ujian berganda untuk ujian klinikal. Biometrik. 1979;35(3):549-556.
- Pocock SJ. Kaedah berjujukan berkumpulan dalam reka bentuk dan analisis ujian klinikal. Biometrika. 1977;64(2):191-199.
- Jennison C, Turnbull BW. Kaedah Berjujukan Kumpulan dengan Aplikasi untuk Percubaan Klinikal. CRC; 2000.
set.seed({seed}) lengan <- trimws(strsplit("{senjata}", ",")[[1]]); blok <- c({blok}); n <- {n} strata <- trimws(strsplit("{strata}", ",")[[1]]); skema <- "{skema}" gen <- fungsi(n) { jika (grepl("Mudah", skema)) kembali(senjata[sampel.int(panjang(senjata), n, ganti = BENAR)]) keluar <- aksara(0) sementara (panjang(keluar) < n) { b <- blok[sampel.int(panjang(blok), 1)] keluar <- c(keluar, sampel(rep(senjata, panjang.keluar = b))) } keluar[1:n] } jika (grepl("Berstrata", skema)) lapply(setNames(strata, strata), fungsi(s) gen(n)) lain gen(n)Panduan pengguna
Bila hendak digunakan. Jana senarai peruntukan yang boleh dihasilkan semula (mudah, blok yang diubah suai atau berstrata) dengan benih yang direkodkan. Arahan R menghasilkan semula senarai yang tepat.
Andaian. Senarai ini dipegang oleh seseorang yang bebas daripada pengambilan pekerja (penyembunyian peruntukan); senarai utama dan senarai tersebut diarkibkan.
Kesilapan biasa. Jangan gunakan saiz blok tetap tunggal dalam percubaan tanpa buta (tugasan terakhir menjadi boleh diramal). Pengacakan mudah boleh menyebabkan percubaan kecil tidak seimbang. Kaedah dinamik seperti peminimuman memerlukan perisian khusus.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Schulz KF, Grimes DA. Penjanaan jujukan peruntukan dalam percubaan rawak. Lancet. 2002;359:515-519.
- Kim J, Shin W. Cara melakukan peruntukan rawak (rawak). Clin Orthop Surg. 2014;6(1):103-109.
e1 <- {e1}; n1 <- {n1}; e0 <- {e0}; n0 <- {n0} pt <- e1/n1; pc <- e0/n0 arr <- pc - pt se <- sqrt(pt*(1-pt)/n1 + pc*(1-pc)/n0) ci <- arr + c(-1, 1) * qnorm(0.975) * se c(ARR = arr, NNT = 1/arr) #reNTv CId 5/reNT tidak termasuk 0)Panduan pengguna
Bila perlu digunakan. Laporkan kesan rawatan sebagai pengurangan risiko mutlak, risiko relatif, nisbah kemungkinan dan bilangan yang diperlukan untuk merawat, setiap satu dengan 95% CI, serta plot Cates yang menunjukkan apa yang berlaku kepada 100 orang yang dirawat.
Andaian. Hasil binari melalui susulan tetap; kiraan yang agak besar untuk selang Wald.
Kesilapan biasa. Apabila selang ARR merangkumi sifar, selang NNT merentasi infiniti (NNTB hingga NNTH): jangan sebutkannya sebagai julat mudah. NNT adalah khusus untuk masa susulan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Altman DG. Selang keyakinan untuk nombor yang diperlukan untuk merawat. BMJ. 1998;317:1309-1312.
- Laupacis A, Sackett DL, Roberts RS. Penilaian ukuran klinikal yang berguna tentang akibat rawatan. N Engl J Med. 1988;318:1728-1733.
library(effectssize) d <- {value} # jika menukar daripada d d_to_r(d) # saiz kumpulan yang sama d_to_oddsratio(d) J <- 1 - 3/(4*({n1}+{n2}-2) - 1); d * J # Hedges gPanduan pengguna
Bila perlu digunakan. Tukarkan antara d Cohen, g Hedges, korelasi r dan nisbah kemungkinan supaya kajian boleh dikumpulkan dalam meta-analisis.
Andaian. Hasil berterusan yang mendasari adalah hampir normal dalam kedua-dua kumpulan (penukaran logistik kepada OR mengandaikan perkara ini).
Kesilapan biasa. Jangan tukar apabila data asal benar-benar binari: gunakan nisbah kemungkinan yang dilaporkan secara langsung. Penukaran antara d dan r mengandaikan reka bentuk dua kumpulan.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Borenstein M, Hedges LV, Higgins JPT, Rothstein HR. Pengenalan kepada Meta-Analisis. Wiley; 2009. Bab 7.
- Chinn S. Kaedah mudah untuk menukar nisbah kemungkinan kepada saiz kesan. Stat Med. 2000;19:3127-3131.
tab <- matriks(c({a}, {c}, {b}, {d}), baris = 2) # baris: sebelum +/-, kolum: selepas +/- mcnemar.test(tab) binom.test({b}, {b} + {c}) # nilai-p tepatPanduan pengguna
Bila hendak digunakan. Bandingkan hasil binari berpasangan (subjek yang sama sebelum/selepas, atau pasangan kes-kawalan yang sepadan).
Andaian. Pasangan adalah bebas antara satu sama lain; hasilnya dikotomi pada kedua-dua titik masa; hanya pasangan yang tidak sepadan yang membawa maklumat.
Kesilapan biasa. Jangan gunakan untuk kumpulan bebas (gunakan khi kuasa dua atau Fisher). Dengan kurang daripada ~25 pasangan tidak sepadan, lebih suka nilai-p yang tepat.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- McNemar Q. Nota tentang ralat persampelan bagi perbezaan antara perkadaran berkorelasi. Psychometrika. 1947;12(2):153-157.
- Fagerland MW, Lydersen S, Laake P. Ujian McNemar untuk data pasangan padanan binari. Kaedah BMC Med Res. 2013;13:91.
Dijangka: 3 lajur: Status sebenar , satu setiap subjek | Skor Penanda 1 | Skor Penanda 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 3 lajur: Status sebenar , satu setiap subjek | Skor Penanda 1 | Skor Penanda 2
status <- c({status}) s1 <- c({score1}) s2 <- c({score2}) jika (grepl("^Lower", "{dir1}")) s1 <- -s1 # jadikan "lebih tinggi = lebih positif" jika (grepl("^Lower", "{dir2}")) s2 <- -s2 alpha <- {alpha} # DeLong (1988) komponen struktur, asas R sahaja psi <- function(x, y) (x > y) + 0.5 * (x == y) comp <- function(s) { M <- outer(s[status == 1], s[status == 0], psi) # positif x negatif senarai(V10 = rowMeans(M), V01 = colMeans(M)) } c1 <- comp(s1); c2 <- comp(s2) m <- sum(status == 1); n <- jumlah(status == 0) auc <- c(min(c1$V10), min(c2$V10)) S10 <- cov(cbind(c1$V10, c2$V10)) S01 <- cov(cbind(c1$V01, c2$V01)) S <- S10 / m + S01 / n # matriks kovarians bagi (AUC1, AUC2) d <- auc[1] - auc[2] se <- sqrt(S[1, 1] + S[2, 2] - 2 * S[1, 2]) z <- d / se p <- 2 * pnorm(-abs(z)) q <- qnorm(1 - alpha / 2) ci <- function(a, v) pmin(1, pmax(0, a + c(-1, 1) * q * sqrt(v))) ci1 <- ci(auc[1], S[1, 1]); ci2 <- ci(auc[2], S[2, 2]) cid <- d + c(-1, 1) * q * se rho <- S[1, 2] / sqrt(S[1, 1] * S[2, 2]) cat(sprintf("n positif = %d, n negatif = %d\n", m, n)) cat(sprintf("AUC1 = %.4f [%.4f, %.4f]\n", auc[1], ci1[1], ci1[2])) cat(sprintf("AUC2 = %.4f [%.4f, %.4f]\n", auc[2], ci2[1], ci2[2])) cat(sprintf("Perbezaan = %.4f [%.4f, %.4f], z = %.4f, p = %.4f\n", d, cid[1], cid[2], z, p)) cat(sprintf("Korelasi AUC = %.4f\n", rho)) # Semakan silang pilihan jika pROC dipasang: # pROC::roc.test(pROC::roc(status, s1, direction = "<"), # pROC::roc(status, s2, direction = "<"), method = "delong")Panduan pengguna
Bila perlu digunakan. Uji sama ada dua ujian diagnostik atau penanda biologi, yang diukur pada subjek yang sama, berbeza dalam keupayaan diskriminatif (luas di bawah lengkung ROC).
Andaian. Setiap subjek mempunyai kedua-dua skor dan status 0/1 sebenar; subjek adalah bebas antara satu sama lain; kedua-dua AUC berkorelasi kerana ia berkongsi subjek yang sama (DeLong menjelaskan perkara ini). Hubungan seri dikendalikan oleh konvensyen peringkat pertengahan (0.5).
Kesilapan biasa. Jangan gunakan untuk penanda yang diukur pada subjek yang berbeza (gunakan perbandingan tidak berpasangan). Dengan sangat sedikit positif atau negatif, penghampiran normal tidak boleh dipercayai; keputusan yang tidak signifikan bukanlah bukti prestasi yang sama. Bandingkan AUC separa atau ambang yang relevan secara klinikal apabila lengkung penuh bukanlah persoalannya.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- DeLong ER, DeLong DM, Clarke-Pearson DL. Membandingkan kawasan di bawah dua atau lebih lengkung ciri operasi penerima berkorelasi: pendekatan bukan parametrik. Biometrik. 1988;44(3):837-845.
- Hanley JA, McNeil BJ. Kaedah untuk membandingkan kawasan di bawah lengkung ciri operasi penerima yang diperoleh daripada kes yang sama. Radiologi. 1983;148(3):839-843.
- Robin X, Turck N, Hainard A, dkk. pROC: pakej sumber terbuka untuk R dan S+ bagi menganalisis dan membandingkan lengkung ROC. BMC Bioinformatics. 2011;12:77.
Dijangka: 2 lajur: Status penyakit setiap subjek | Nilai penanda setiap subjek
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Dijangka: 2 lajur: Status penyakit setiap subjek | Nilai penanda setiap subjek
status <- c({status}) skor <- c({score}) lebih tinggi <- "{dir}" == "Lebih tinggi = lebih positif" kaedah <- "{method}" sasaran <- {target} / 100 cr <- {costratio} sebelumnya <- suppressWarnings(as.numeric("{prev}")) / 100 # kosong -> NA -> kelaziman sampel P <- jumlah(status == 1); N <- jumlah(status == 0) jika (is.na(prev)) sebelumnya <- P / (P + N) u <- sort(unique(score)) cut <- (head(u, -1) + tail(u, -1)) / 2 # calon: titik tengah antara nilai berbeza posf <- function(s, c) jika (lebih tinggi) s >= c else s <= c sens <- sapply(cut, function(c) mean(posf(score[status == 1], c))) spec <- sapply(cut, function(c) mean(!posf(score[status == 0], c))) obj <- jika (grepl("Youden", method)) sens + spec - 1 else jika (grepl("atas-kiri", method)) -((1 - sens)^2 + (1 - spec)^2) else jika (grepl("sensitivity", method)) ifelse(sens >= target - 1e-12, spec, -Inf) else if (grepl("specificity", method)) ifelse(spec >= target - 1e-12, sens, -Inf) else -(cr * prev * (1 - sens) + (1 - prev) * (1 - spec)) stopifnot(is.finite(max(obj))) # kaedah tetap: sasaran mesti boleh dicapai i <- which(obj >= max(obj) - 1e-12)[1] # ties -> potongan terendah c(cutoff = cut[i], sensitivity = sens[i], specificity = spec[i], J = sens[i] + spec[i] - 1) cp <- function(x, n) c(if (x == 0) 0 else qbeta(.025, x, n - x + 1), if (x == n) 1 else qbeta(.975, x + 1, n - x)) cp(round(sens[i] * P), P); cp(round(spec[i] * N), N) # tepat (Clopper-Pearson) 95% CI # AUC dengan DeLong CI: library(pROC); r <- roc(status, skor, arah = ifelse(lebih tinggi, "<", ">")); auc(r); ci.auc(r, kaedah = "delong")Panduan pengguna
Bila hendak digunakan. Pilih ambang keputusan tunggal untuk penanda diagnostik berterusan dan lihat kepekaan, kekhususan, nilai ramalan, nisbah kemungkinan dan AUC pada ambang tersebut. Lima kriteria dibandingkan bersebelahan: Indeks Youden, yang paling hampir dengan sudut kiri atas, kepekaan tetap, kekhususan tetap dan kos yang dijangkakan berdasarkan kelaziman dan kos relatif negatif palsu.
Andaian. Satu nilai penanda bagi setiap subjek dengan status piawai rujukan 0/1 yang sebenar; subjek bebas. Calon pemotongan ialah titik tengah antara nilai penanda tersusun berbeza berturut-turut (ambang yang sama yang digunakan oleh pROC); subjek adalah positif ujian apabila penanda adalah ≥ pemotongan (atau ≤ jika nilai yang lebih rendah adalah lebih positif). Nilai ramalan pada kelaziman yang berbeza hanya sah jika sensitiviti dan kekhususan dipindahkan kepada populasi tersebut.
Kesilapan biasa. Batasan dan ketepatannya dipilih dan dianggarkan pada data yang sama dan optimistik; sahkan dalam data baharu atau melalui bootstrap, terutamanya dengan kurang daripada kira-kira 30 subjek setiap kelas. Kriteria yang berbeza secara sah memberikan batasan yang berbeza (Perkins & Schisterman). Jangan gunakan kelaziman sampel untuk PPV/NPV apabila kes dan kawalan disampel secara berasingan; masukkan kelaziman sebenar sebaliknya. Selang keyakinan AUC ialah anggaran normal (DeLong) yang dipendekkan kepada [0, 1] dan tidak boleh dipercayai berhampiran 1 atau dengan sangat sedikit subjek.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Youden WJ. Indeks untuk ujian diagnostik penilaian. Kanser. 1950;3(1):32-35.
- Clopper CJ, Pearson ES. Penggunaan had keyakinan atau fiducial yang digambarkan dalam kes binomial. Biometrika. 1934;26(4):404-413.
- DeLong ER, DeLong DM, Clarke-Pearson DL. Membandingkan kawasan di bawah dua atau lebih lengkung ciri operasi penerima berkorelasi: pendekatan bukan parametrik. Biometrik. 1988;44(3):837-845.
- Perkins NJ, Schisterman EF. Ketidakselarasan titik pemotongan "optimum" yang diperoleh menggunakan dua kriteria berdasarkan lengkung ciri operasi penerima. Am J Epidemiol. 2006;163(7):670-675.
- Robin X, Turck N, Hainard A, dkk. pROC: pakej sumber terbuka untuk R dan S+ bagi menganalisis dan membandingkan lengkung ROC. BMC Bioinformatics. 2011;12:77.
Jangkaan: 3 lajur: Hasil yang diperhatikan, satu nilai setiap subjek | Kebarangkalian yang diramalkan, model / penanda 1 | Kebarangkalian yang diramalkan, model 2
Letakkan CSV di sini atau klik untuk memilih. Dihuraikan dalam pelayar anda: tiada apa yang dimuat naik.
Jangkaan: 3 lajur: Hasil yang diperhatikan, satu nilai setiap subjek | Kebarangkalian yang diramalkan, model / penanda 1 | Kebarangkalian yang diramalkan, model 2
y <- c({status}) # hasil yang diperhatikan, 1 = peristiwa p1 <- c({p1}) # risiko yang diramalkan, model 1 p2 <- c({p2}) # risiko yang diramalkan, model 2 (biarkan c() kosong untuk satu model) thr <- round(seq({tmin}, {tmax}, by = {tstep}), 10) nb <- function(p, y, pt) { # faedah bersih; rawat apabila diramalkan risiko >= ambang rawat <- p >= pt - 1e-12 jumlah(rawat & y == 1) / panjang(y) - jumlah(rawat & y == 0) / panjang(y) * pt / (1 - pt) } sebelumnya <- min(y) dca <- data.frame(ambang = thr, rawat_semua = sebelumnya - (1 - sebelumnya) * thr / (1 - thr), rawat_tiada = 0, model1 = apply(thr, function(t) nb(p1, y, t))) jika (panjang(p2)) dca$model2 <- apply(thr, function(t) nb(p2, y, t)) cetak(dca[ambang$dca %in% c(0.05, 0.10, 0.20, 0.30, 0.40, 0.50), ]) matplot(dca$threshold, dca[, -1], type = "l", lty = c(2, 1, 1, 1), lwd = 2, col = c("grey50", "black", "#1a5276", "#c0504d"), ylim = c(-0.05, prev), xlab = "Ambang kebarangkalian", ylab = "Faedah bersih") legend("topright", c("Layan semua", "Tiada layan", "{label1}", if (length(p2)) "{label2}"), lty = c(2, 1, 1, 1), col = c("grey50", "black", "#1a5276", "#c0504d"), lwd = 2, bty = "n")Panduan pengguna
Bila hendak digunakan. Nilaikan sama ada model ramalan atau penanda akan menambah baik keputusan klinikal: manfaat bersih menimbang positif benar terhadap positif palsu pada ambang risiko di mana pesakit atau doktor akan bertindak, dan membandingkan model tersebut dengan merawat semua orang atau tiada sesiapa.
Andaian. Nilai ramalan ialah kebarangkalian yang dikalibrasi antara 0 dan 1 untuk hasil binari yang diperhatikan dalam setiap subjek (tiada penapisan); subjek yang sama digunakan untuk semua model; julat ambang mencerminkan risiko di mana keputusan akan berubah secara munasabah. Lengkung daripada data yang digunakan untuk menyesuaikan model adalah optimistik.
Kesilapan biasa. Jangan gunakan skor mentah yang bukan kebarangkalian, jangan membaca lengkung di luar julat ambang yang munasabah secara klinikal dan jangan menuntut manfaat daripada perbezaan kecil tanpa pengesahan: alat ini tidak menunjukkan selang keyakinan dan tiada pembetulan untuk pemadanan berlebihan. Manfaat bersih bukanlah ukuran ketepatan seperti AUC.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Vickers AJ, Elkin EB. Analisis lengkung keputusan: kaedah baharu untuk menilai model ramalan. Med Decis Making. 2006;26(6):565-574. doi:10.1177/0272989X06295361
- Vickers AJ, van Calster B, Steyerberg EW. Pendekatan manfaat bersih untuk penilaian model ramalan, penanda molekul dan ujian diagnostik. BMJ. 2016;352:i6. doi:10.1136/bmj.i6
- Vickers AJ, van Calster B, Steyerberg EW. Panduan mudah langkah demi langkah untuk mentafsir analisis lengkung keputusan. Diagn Progn Res. 2019;3:18. doi:10.1186/s41512-019-0064-7
AUC: Var(A) = [A(1−A) + (n1−1)(Q1−A2) + (n0−1)(Q2−A2)] / (n1n0), Q1 = A/(2−A), Q2 = 2A2/(1+A). N terkecil1 (n0 = siling(nisbah·n1)) dengan A−A0 ≥ z1−α/2√Var0 +zkuasa√Var1; ketepatan sahaja: z1−α/2√Var(A) ≤ d. Berpasangan: Var(A1−A2) = Var(A1) + Var(A2) − 2r√(Var(A1)Var(A2)).
# Saiz sampel untuk kajian ketepatan diagnostik (asas R, tiada pakej) matlamat <- "{matlamat}"; alpha <- {alpha} za <- qnorm(1 - alpha / 2) jika (grepl("Buderer", matlamat)) { # Buderer 1996 / Flahault 2005: n = z^2 P (1 - P) / d^2, kemudian bahagikan dengan kelaziman atau 1 - kelaziman se <- {se} / 100; sp <- {sp} / 100; prev <- {prev} / 100; d <- {d} / 100 n_dis <- za^2 * se * (1 - se) / d^2 # berpenyakit diperlukan untuk sensitiviti (tidak dibundarkan) n_non <- za^2 * sp * (1 - sp) / d^2 # tidak berpenyakit diperlukan untuk kekhususan (tidak dibundarkan) tot_se <- siling(n_dis / prev); tot_sp <- siling(n_non / (1 - sebelumnya)) c(berpenyakit = siling(n_dis), tidak berpenyakit = siling(n_non), sensitiviti_jumlah = tot_se, kekhususan_jumlah = tot_sp, jumlah_perlu = maks(tot_se, tot_sp)) } lain { # Varians Hanley & McNeil (1982) bagi AUC; n0 = siling(nisbah * n1) A <- {auc}; A0 <- {auc0}; A2 <- {auc2}; r <- {rho}; nisbah <- {nisbah} pw <- {kuasa} / 100; dd <- {d} / 100; zb <- qnorm(pw) hmvar <- fungsi(A, n1, n0) { Q1 <- A / (2 - A); S2 <- 2 * A^2 / (1 + A) (A * (1 - A) + (n1 - 1) * (S1 - A^2) + (n0 - 1) * (S2 - A^2)) / (n1 * n0) } # Hanley & McNeil (1983): Var(A1 - A2) = Var(A1) + Var(A2) - 2 r SE1 SE2 vd <- function(A1, A2, n1, n0) { v1 <- hmvar(A1, n1, n0); v2 <- hmvar(A2, n1, n0); v1 + v2 - 2 * r * sqrt(v1 * v2) } jika (grepl("berkorelasi", matlamat)) { Ab <- (A + A2) / 2; D <- abs(A - A2) ok <- function(n1) { n0 <- siling(nisbah * n1); D >= za * sqrt(vd(Ab, Ab, n1, n0)) + zb * sqrt(vd(A, A2, n1, n0)) } okp <- function(n1) { n0 <- siling(nisbah * n1); za * sqrt(vd(A, A2, n1, n0)) <= dd } } else { ok <- function(n1) { n0 <- siling(nisbah * n1); A - A0 >= za * sqrt(hmvar(A0, n1, n0)) + zb * sqrt(hmvar(A, n1, n0)) } okp <- function(n1) { n0 <- siling(nisbah * n1); za * sqrt(hmvar(A, n1, n0)) <= dd } } n1 <- 2; manakala (!ok(n1)) n1 <- n1 + 1 p1 <- 2; sementara (!okp(p1)) p1 <- p1 + 1 c(positif = n1, negatif = siling(nisbah * n1), jumlah = n1 + siling(nisbah * n1), jumlah_ketepatan_sahaja = p1 + siling(nisbah * p1)) }Panduan pengguna
Bila hendak digunakan. Rancang bilangan peserta yang diperlukan oleh kajian ketepatan diagnostik: untuk menganggarkan kepekaan dan kekhususan dengan ketepatan yang dipilih (Buderer), untuk menunjukkan bahawa AUC melebihi nilai nol atau untuk membandingkan AUC bagi dua ujian yang dibaca pada subjek yang sama.
Andaian. Buderer: Selang Wald (penghampiran normal), jadi d sepatutnya cukup kecil sehingga selang kekal dalam 0 hingga 100%; kelaziman ialah kelaziman dalam sampel yang direkrut. AUC: varians Hanley-McNeil ialah penghampiran lancar yang mengandaikan taburan skor yang hampir sama seperti binormal; keputusan adalah untuk AUC empirikal (Mann-Whitney) dan statistik ujian normal. Perbandingan berpasangan: r ialah korelasi antara dua anggaran AUC, diambil seperti yang dimasukkan, dan ia mesti datang daripada data perintis atau literatur.
Kesilapan biasa. Jangan baca keputusan Buderer sebagai pengiraan kuasa untuk ujian hipotesis (ia hanya menyasarkan lebar CI). Jangan gunakan keputusan AUC untuk sampel kecil (beberapa kes berpenyakit), untuk AUC separa atau untuk data berkelompok/berbilang pembaca. Untuk kepekaan yang tepat atau sangat tinggi/rendah, gunakan perancangan binomial tepat atau pakej khusus.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Buderer NMF. Metodologi statistik: I. Menggabungkan kelaziman penyakit ke dalam pengiraan saiz sampel untuk kepekaan dan kekhususan. Acad Emerg Med. 1996;3(9):895-900.
- Flahault A, Cadilhac M, Thomas G. Pengiraan saiz sampel perlu dilakukan untuk ketepatan reka bentuk dalam kajian ujian diagnostik. J Clin Epidemiol. 2005;58(8):859-862.
- Hanley JA, McNeil BJ. Maksud dan penggunaan kawasan di bawah lengkung ciri operasi penerima (ROC). Radiologi. 1982;143(1):29-36.
- Hanley JA, McNeil BJ. Kaedah untuk membandingkan kawasan di bawah lengkung ciri operasi penerima yang diperoleh daripada kes yang sama. Radiologi. 1983;148(3):839-843.
- Obuchowski NA. Pengiraan saiz sampel dalam kajian ketepatan ujian. Stat Methods Med Res. 1998;7(4):371-392.
tp <- {tp}; fp <- {fp}; fn <- {fn}; tn <- {tn}; praujian <- {praujian} # kebarangkalian praujian, % jika (mana-mana(c(tp, fp, fn, tn) == 0)) { tp <- tp + .5; fp <- fp + .5; fn <- fn + .5; tn <- tn + .5 } # pembetulan sel sifar sens <- tp/(tp+fn); spec <- tn/(tn+fp) # Daripada sens/spec sebaliknya: sens <- {sens}/100; spec <- {spec}/100 lrp <- sens/(1-spec); lrn <- (1-sens)/spec # Daripada LR sebaliknya: lrp <- {lrp}; lrn <- {lrn} se_p <- sqrt(1/tp - 1/(tp+fn) + 1/fp - 1/(fp+tn)); se_n <- sqrt(1/fn - 1/(tp+fn) + 1/tn - 1/(fp+tn)) ci <- function(l, se) exp(log(l) + c(-1, 1) * qnorm(0.975) * se) kemungkinan <- (praujian/100) / (1 - praujian/100) pasca <- function(l) { o <- kemungkinan * l; 100 * o / (1 + o) } senarai(LRplus = c(lrp, ci(lrp, se_p)), LRtolak = c(lrn, ci(lrn, se_n)), pasca_positif = pasca(lrp), pasca_negatif = pasca(lrn))Panduan pengguna
Bila hendak digunakan. Tukarkan keputusan ujian kepada kebarangkalian pascaujian: masukkan kepekaan/kekhususan, jadual 2×2 atau nisbah kemungkinan yang diterbitkan, tetapkan kebarangkalian praujian dan baca jawapan daripada jadual atau nomogram Fagan.
Andaian. Kepekaan dan kekhususan boleh dipindahkan ke tetapan anda; kebarangkalian pra-ujian adalah realistik (prevalens atau anggaran klinikal); hasilnya adalah dikotomi. Dengan kiraan 2×2, CI menggunakan kaedah log (Simel 1991), yang mengandaikan kiraan sel yang mencukupi. Jika mana-mana sel adalah sifar, 0.5 ditambah kepada setiap sel sebelum mengira LR dan CI (pembetulan kesinambungan), dan halaman tersebut menyatakannya.
Kesilapan biasa. Jangan rantaikan nisbah kemungkinan ujian berkorelasi seolah-olah bebas. LR daripada kepekaan dan kekhususan yang dimasukkan sebagai peratusan tidak membawa CI (kiraan diperlukan). Spesifikasi 100% memberikan LR+ = infiniti; dalam mod kiraan, pembetulan 0.5 memberikan nilai terhingga tetapi selang masa yang sangat luas.
Contoh yang dikerjakan
Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.
Rujukan
- Fagan TJ. Nomogram untuk teorem Bayes. N Engl J Med. 1975;293(5):257.
- Simel DL, Samsa GP, Matchar DB. Nisbah kemungkinan dengan keyakinan: anggaran saiz sampel untuk kajian ujian diagnostik. J Clin Epidemiol. 1991;44(8):763-770.
- Deeks JJ, Altman DG. Ujian diagnostik 4: nisbah kemungkinan. BMJ. 2004;329(7458):168-169.
Semua Alat Penyelidikan Percuma
Setiap alat di bawah berjalan sepenuhnya dalam pelayar anda — tiada akaun, tiada muat naik, tiada data yang keluar dari peranti anda. Setiap satu mempunyai halamannya sendiri dengan formula, andaian, contoh yang berfungsi, rujukan utama dan arahan R yang boleh dihasilkan semula.
Statistik teras
Klinikal & diagnostik
Kemandirian & regresi
Ujian bukan parametrik
Persetujuan & kebolehpercayaan
Pengesahan makmal & kaedah
Reka bentuk percubaan klinikal
Meta-analisis & sintesis bukti
Gambarajah aliran garis panduan pelaporan
Memilih ujian
Bacaan Lanjut
Panduan dan sumber yang disemak oleh rakan sebaya untuk membantu anda memilih, menjalankan dan melaporkan analisis yang betul.
- Ujian Statistik Yang Mana Patut Saya Gunakan? — pemilih interaktif
- Kalkulator Analisis Saiz & Kuasa Sampel
- Memahami Nilai-P & Kepentingan Statistik
- Meta-Analisis: Plot Hutan & Heterogeniti
- Semua 44 Kalkulator Statistik Percuma
- Greenland S, dkk. Ujian statistik, nilai P, selang keyakinan dan kuasa: panduan kepada salah tafsir. Epidemiol Eur J. 2016.PMID 27209009 · teks penuh percuma
- Franc JM. Analisis Data Berpasangan. Med Bencana Prahosp. 2025.PMID 40213959 · ralat data berpasangan
- Altman N, Krzywinski M. Memahami nilai-p dan kepentingan. Haiwan Makmal. 2024.PMID 39315628 · saiz kesan & ujian berbilang
Minta Bantuan Statistik
Beritahu kami tentang data anda dan analisis yang anda perlukan. Seorang ahli biostatistik PhD akan menjawab dengan pakej yang betul dan pelan yang jelas — biasanya dalam masa satu hari bekerja.
