Çok merkezli sağlık araştırmalarında tasarım etkisinin tahmini ve örnek büyüklüğüne etkisi

Abstract

Öz:Amaç: Bu makalenin amacı, tasarım etkisi (Deff) değerinden yararlanarak, çok merkezli araştırmalarda farklı sınıf içi korelasyon katsayıları için örneklem büyüklüğünü incelemektir. Yöntem: Çok merkezli çalışmalar çok sayıda metodolojik ve ekonomik avantaj sağlar. Kümelenmiş / gruplanmış bir yapının söz konusu olduğu durumlarda küme ilişkili veriler ile karşılaşılmaktadır. Bu tür veriler, bireylerin çok farklı şekillerde gruplanabilir olmasından dolayı, çoğunlukla sosyal, davranış ve sağlık bilimlerinde ortaya çıkmaktadır. Basit rasgele örnekleme yöntemine göre kompleks bir tasarımla üretilen tahminlerin hassaslığındaki fark, tasarım etkisi olarak bilinmektedir. Tasarım etkisi bir araştırma istatistiğidir. Büyük ölçekli örneklem araştırmalarında, çıkarımlar genellikle araştırma yapılan örneklemin rasgeleliği ilkesine dayanır. Böyle bir yaklaşımla, rasgeleliğin yalnızca örneklemin oluşturulmasındaki olasılık mekanizmasından kaynaklandığı varsayılır. Bulgular: Tasarım etkisinin iyi bir tahmini kümelenmenin söz konusu olduğu araştırmalarda en uygun örneklem büyüklüğünü hesaplamak için kritik önem taşır. Kümeleme, gerçek kitle varyansını olduğundan daha düşük tahmin eder ve bu eğer doğru tahmin edilmiş ise, aynı büyüklükteki basit rasgele örneklemden elde edilecek standart hatalardan büyük olan standart hatalara yansır. Sonuç: Tasarım etkisi ölçülen göstergeye göre kümeler arasındaki heterojenliği hesaplamak için bir "düzeltme faktörü" dür. Unutulmamalıdır ki, Deff bir çarpım faktördür, bu nedenle bir araştırmada Deff değerinin 2 olarak hesaplanması, araştırmada dikkate alınacak örneklem büyüklüğünün iki kat daha fazla olması demektir.

Öz:Objective: The purpose of this article is to investigate the sample size of different intraclass correlation coefficients in multicenter studies, taking advantage of the Deff value. Method: Multicenter studies bring numerous methodological and economic advantages. Cluster-correlated data arises when there is a clustered/grouped structure to the data. Data of this kind frequently arises in the social, behavioral, and health sciences since individuals can be grouped in many different ways. The difference in the precision of the estimates produced by a complex design relative to a simple random sample is known as the design effect (Deff). The Deff is a survey statistic. In large-scale sample surveys, inferences are usually based on the standard randomization principle of survey sampling. Under such an approach, the responses are treated as fixed, and the randomness is assumed to come solely from the probability mechanism that generates the sample. Results: A good estimate of the Deff is critical for calculating the most efficient sample size for cluster surveys. Clustering, underestimates true population variance and this is reflected in standard errors that are larger, if correctly estimated, than those that would have been obtained from a simple random sample of the same size. Conclusions: The Deff is a “correction factor” to account for the heterogeneity between clusters with regard to the measured indicator. It should be remembered, Deff is a multiplying factor, so if the value of Deff in the survey is calculated as 2, this means that the sample size to be taken into account in the survey is twice as large.