使用纵向确认因素分析估计基于的最小重要变化
Berend Terluin1,2, Andrew Trigg3, Piper Fromy4
1Department of General Practice, Amsterdam UMC, Vrije Universiteit Amsterdam, de Boelelaan 1117, 1081 HV, Amsterdam, The Netherlands. b.terluin@amsterdamumc.nl.
纵向确认因子分析 (LCFA) 准确地估计了患者报告结果指标 (PROM) 的最小重要变化 (MIC). 这种方法是高效和可靠的,尽管更大的样本大小 (超过125) 建议获得最佳精度.
科学领域:
- 心理测量 心理测量 心理测量
- 健康 结果 研究 研究 结果
- 统计建模 统计建模
背景情况:
- 最小重要的变化 (MIC) 量化了患者报告的结果指标 (PROM) 中对患者具有意义的最小变化.
- 准确估计MIC对于解释临床试验结果和指导患者护理至关重要.
- 现有的MIC估计方法存在局限性,需要开发更有效,更可靠的方法.
研究的目的:
- 引入和评估一种使用纵向确认因子分析 (LCFA) 估计MIC的新方法.
- 为了比较基于LCFA的MIC估计方法与纵向项目响应理论 (LIRT) 方法的性能.
- 调查样本大小对基于LCFA的MIC估计的准确性和精度的影响.
主要方法:
- 模拟了108个具有不同特征的数据集,以使用LCFA和LIRT方法估计MIC.
- 将LCFA和LIRT方法应用于909名患者的真实世界PROMIS疼痛行为数据.
- 对3888个不同大小 (125-1000) 的样本进行了进一步的模拟,以评估样本大小对基于LCFA的MIC的影响.
主要成果:
- 在MIC恢复中,LCFA的准确性与LIRT相当,但在计算上是50倍以上的速度.
- 在PROMIS疼痛行为数据中,LCFA的MIC为2.85,而LIRT的MIC为2.60.
- 模拟表明,较小的样本大小 (低于125) 降低了基于LCFA的MIC估计的精度,并增加了非趋同率.
结论:
- LCFA提供了一种准确且计算效率高的方法来估计最小重要的变化 (MIC).
- 虽然LCFA方法很强大,但样本大小超过125是最好的,以提高精度和模型稳定性.
- 这项研究验证了LCFA作为患者报告结果研究中MIC估计的有价值工具.
更多相关视频
09:00Author Spotlight: Validation of SICOLE-R for Assessing Cognitive and Reading Skills in Spanish-Speaking Children and Its Role in Personalized Education
Published on: August 16, 2024
06:52Using Cholesky Decomposition to Explore Individual Differences in Longitudinal Relations between Reading Skills
Published on: September 17, 2019
相关概念视频
Longitudinal Studies
Longitudinal Research
Reliability and Validity
Confirmation Biases
Factorial Design
The Anchoring-and-Adjustment Heuristic
