Lâm sàng th ng kê
ánh giá
tin c y c a o l
ng
Nguy n V n Tu n
B n -- ng i ang c bài này -- th làm m t thí nghi m nh : tìm vài ng
nghi p (hay sinh viên), và c m i “tình nguy n viên”, o huy t áp hai l n, và kho ng
cách hai l n có th là 10 phút. C nhiên, b n ch ng ng c nhiên n u th y huy t áp r t
khác nhau gi a các tình nguy n viên. Nh ng i u quan tr ng hơn, có l b n s th y
m i tình nguy n viên, huy t áp l n th nh t không gi ng nh huy t áp o l n th hai.
ây chúng ta (bây gi tôi nói “chúng ta” – b n và tôi) có hai ngu n dao ng: ngu n
th nh t là
khác bi t v huy t áp gi a các i t ng (thu t ng th ng kê h c g i là
between-subject variation), và ngu n th hai là
khác bi t m i i t ng (còn g i là
within-subject variation).
T i sao có s khác bi t gi a các i t ng? Lí do ch c có nhi u, ch ng h n nh
di truy n, l i s ng,
tu i, tr ng l ng, chi u cao, v.v… Trong bài này tôi s không bàn
n các lí do này. Nh ng câu h i áng quan tâm hơn là t i sao có s khác bi t trong m i
i t ng? Nên nh
ây, chúng ta không có can thi p gì c và th i gian o l ng ch
cách nhau có 10 phút hay ng n hơn. Vì th , lí do cho s khác bi t gi a hai o l ng
m i i t ng ph n nh
tin c y (thu t ng ti ng Anh là reliability hay reproducibility)
c!a ph ơng ti n o l ng. V n
"t ra là làm sao ánh giá, hay nói chính xác hơn, là
#nh l ng
tin c y? Bài vi t này s h ng d$n các b n m t vài ph ơng pháp phân
tích tin c y c!a m t ph ơng ti n o l ng.
o l ng, hay nói nôm na là “cân, o, ong, m”, óng m t vai trò c c kì quan
tr ng trong nghiên c u khoa h c nói chung và y khoa nói riêng. Tr c m t v n y h c,
chúng ta c n ph i nh l ng bi t
c qui mô c a v n , bi t
c m i liên h gi a
các y u t trong v n . N u không có o l ng và không có thông tin v qui mô c ng
nh m i liên h , cái “khoa h c tính” c a nghiên c u s r t th p. Do ó, có th nói không
ngoa r ng không có o l ng c ng có ngh a là không có khoa h c.
Nh ng b t c ph ơng pháp o l ng nào c ng có m t s sai sót. N u chi u cao
c a cơ th hay cân n ng c a m t i t ng
c o nhi u l n (cách nhau kho ng vài
phút) do m t nhân viên y t , chúng ta s th y s dao ng v o l ng c a i t ng ó,
và ó chính là sai s o l ng (measurement error). Sai s này có th xu t phát t
nh ng y u t khách quan và ng u nhiên mà chúng ta không ki m soát
c: ch ng h!n
nh ng i o l ng o hai v trí khác, hay i t ng thay "i th
ng, hay ơn gi n là
ph ơng ti n o l ng có sai s , v.v… Tóm l!i, ó là nh ng sai s o l ng hoàn toàn
Ch
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
1
ng u nhiên. Các ph ơng pháp o l ng sinh hóa nh cholesterol, hormones, l ng
glucose, v.v… c ng có nhi u sai s , không ch# do ph ơng pháp assay mà còn do dao
ng cách phân tích máu.
Do ó, m t nhu c u h t s c quan tr ng tr c khi nghiên c u là ph i xác nh
c
tin c$y c a o l ng bao nhiêu. N u b nh vi n m i thi t l$p m t máy quang
tuy n, m i l$p m t h th ng phân tích sinh hóa, v.v… thì vi c u tiên là ph i làm nghiên
c u
ánh giá
tin c$y c a máy. Không bi t
tin c$y, chúng ta r t d dàng ch%n
oán sai, và th$m chí có th d n n i u tr sai.
I. M t ví d c th : IGF-I
c& th hóa v n , tôi s l y m t ví d& nh sau. Phân tích n'ng
IGF-I
(insulin-like growth factor-I) trong máu có th cho chúng ta bi t v$n ng viên có “ n
gian” (t c có s( d&ng các ch t hóa h c b t h p pháp) trong thi u hay không. Do ó,
c tính
tin c$y c a o l ng r t quan tr ng vì nó có th nh h )ng n s nghi p c a
v$n ng viên. Tôi và 'ng nghi p o n'ng
hormone IGF-I ) 20 v$n ng viên; m*i
ng i
c l y máu 2 l n, cách nhau kho ng 12 gi , và o IGF-I hai l n. K t qu o
l ng có th trình bày trong b ng s li u sau ây:
B ng 1. N ng
1
179
156
17
116
104
2
142
143
3
200
156
18
149
150
IGF-I ( o hai l n)
4
145
146
19
133
116
5
162
169
6
138
145
7
190
179
20
it
ng kh e m nh
8
100
137
9
90
111
10
102
124
11
123
118
12
113
168
13
124
127
14
122
122
15
78
104
16
64
80
20
73
89
S trung bình c a l n o l ng th nh t là 127.1 và l n th hai là 132.2, t c
không khác nhau bao nhiêu, nh ng
l ch chu%n l n th nh t là 37.6 và gi m xu ng
27.2 trong l n o l ng th 2, m t hi n t ng thú v !
N u ch# nhìn qua s trung bình, chúng ta th y không có khác nhau áng k gi a
hai l n o l ng. Nh ng ó có th là m t nh$n xét sai l m, b)i vì không th l y s trung
bình t"ng th
ánh giá
tin c$y cho m*i cá nhân! ây là lo!i sai l m mà ng i ta
hay g i là ecological fallacy (tôi ch a bi t d ch thu$t ng này nh th nào!)
Ch
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
2
80
100
120
igfi2
140
160
180
Có l m t cách ánh giá khách quan hơn là chúng ta xem xét
t ơng quan gi a
hai l n o l ng.
th y rõ các s li u này, chúng ta có th v bi u ' tán x! cho o
l ng l n 1 và 2 nh sau:
60
80
100
120
140
160
180
200
igfi1
Bi u
1. T ơng quan gi a hai o l
hai o l ng là r = 0.817
ng IGF-I ) 20
it
ng. H s t ơng quan gi a
M t ph ơng pháp thông th ng mà r t nhi u nhà nghiên c u s( d&ng
ánh giá
tin c$y c a o l ng là tính h s t ơng quan (coefficient of correlation) gi a hai l n
o l ng. Trong ví d& trên, h s t ơng quan là 0.817. Chúng ta có th k t lu$n gì v h
s này?
Câu tr l i là khó mà k t lu$n gì v h s này. Th$t ra, s( d&ng h s t ơng quan
ánh giá
tin c$y gi a hai o l ng là sai l m, b)i vì h s này, nh tên g i, ph n
nh
t ơng quan, ch không ph i
tin c y. Hai khái ni m này r t khác nhau, nh ng
d hi u l m. Có th l y ví d& sau ây
ch ng minh cho phát bi u ó: gi d& chúng ta
có 5 i t ng và s li u o l ng 2 l n nh sau:
L n 1: 90, 100, 105, 107, 110
L n 2: 95, 105, 110, 112, 115
H s t ơng quan là 1. V i m t k t qu tuy t i nh th , chúng ta có th k t
lu$n ph ơng pháp o l ng này tuy t v i không? Câu tr l i là không. Th$t ra, ph ơng
pháp o l ng này r t t'i, b)i vì hai l n o l ng khác nhau n 5 ơn v , và khác nhau
m t cách nh t quán. Do ó, dù h s t ơng quan là tuy t i, nh ng
tin c$y thì l!i r t
Ch
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
3
t'i! Nói tóm l i, không nên s d ng h s t
m t ph ng pháp o l ng.
ng quan
ánh giá
tin c y c a
Các ph ơng pháp phân tích thích h p cho vi c ánh giá
tin c$y là: gi i h!n
t ơng 'ng (t c ph ơng pháp Bland-Altman), sai s o l ng chu%n, h s bi n thiên cá
th , và h s tin c$y. Cách tính các ch# s này có th th hi n trong B ng 2 sau ây:
B ng 2. Chi ti t tính toán ph
ID (i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Mean
SD
IGFI-1
(xi1)
IGFI-2
(xi2)
179
142
200
145
162
138
190
100
90
102
123
113
124
122
78
64
116
149
133
73
127.1
37.6
156
143
156
146
169
145
179
137
111
124
118
168
127
122
104
80
104
150
116
89
132.2
27.2
Quay l!i v n
trình bày b ng s
Ch
ng sai và
khác bi t v
Difference
(di= xi1-xi2)
23
-1
44
-1
-7
-7
11
-37
-21
-22
5
-55
-3
0
-26
-16
12
-1
17
-16
-5.1
21.9
ol
ng IGF-I
Mean ( xi )
Variance
2
( si )
167.5
142.5
178.0
145.5
165.5
141.5
184.5
118.5
100.5
113.0
120.5
140.5
125.5
122.0
91.0
72.0
110.0
149.5
124.5
81.0
129.7
30.9
264.5
0.5
968.0
0.5
24.5
24.5
60.5
684.5
220.5
242.0
12.5
512.5
4.5
0.0
338.0
128.0
72.0
0.5
144.5
128.0
242.35
ánh giá o l ng IGF-I.
d dàng hi u và phân tích, tôi s
li u trên theo hàng (thay vì theo c t) nh du i ây:
•
C t 1 ch# là mã s cho t ng
it
ng;
•
C t 2 là IGF-I o l
ng l n th nh t, kí hi u xi1 (trong ó i = 1, 2, 3, …, 20);
•
C t 3 là IGF-I o l
ng l n th hai, kí hi u xi2 ;
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
4
•
C t 4 là
khác bi t gi a hai o l
ng, kí hi u di . Dòng 21 (“mean”) là s trung
bình c a t t c di , và dòng 22 (“SD”) là
l ch chu%n c a d i :
•
C t 5 là s trung bình c a hai l n o l ng. Ch ng h!n nh v i i t ng 1, s
trung bình ch# ơn gi n là (179 + 156)/2 = 167.5. Dòng 21 là s trung bình c a
t t c trung bình, và dòng 22 là l ch chu%n c a t t c s trung bình;
•
C t 6 là ph ơng sai (variance) c a hai l n o l ng. (N u b!n c ch a hi u
ph ơng sai là gì, có th tìm c bài Lâm sàng th ng kê s 1 c a tôi). + ây, vì có
2 o l ng, cho nên ph ơng sai (kí hi u là si2 ) c ng ơn gi n b ng bình ph ơng
c a
khác bi t gi a 2 o l
ph ơng sai là s12 =
(179 − 156 )
Chú ý, tôi không tính
ng chia cho 2. Ch ng h!n nh v i
ng 1,
= 264.5 . Dòng 21 là s trung bình c a t t c si2 .
2
l ch chu%n c a si2 vì ch# s này không có ý ngh a gì.
Bay gi , chúng ta có th s( d&ng các tính toán trên
pháp o l ng.
II. Gi i h n t ơng
it
2
ánh giá
tin c$y c a ph ơng
ng (Limit of agreement hay LoA)
M t ph ơng pháp ánh giá
tin c$y ơn gi n nh t (và d hi u nh t) có tên là
“Limit of Agreement” mà tôi t!m d ch là “gi i h!n t ơng 'ng” do Martin Bland và
Douglas Altman su t t th$p niên 1980s. Theo ph ơng pháp này, chúng ta ti n hành 2
b c:
•
B c 1: tính
khác bi t gi a hai o l
di (t c c t 6 trong B ng 1 trên);
•
B
c 2: tính s trung bình,
ng cho t ng
it
ng và g i là
l ch chu%n, và kho ng tin c$y c a di .
Kho ng tin c$y 95% c a d i chính là LoA.
Trong ví d& trên, chúng ta th y (B ng 1, c t 4, hàng 21 và 22)
khác bi t trung
bình gi a hai l n o l ng là -5.1 ug/L, và
l ch chu%n là 21.9 ug/L. Nói cách khác,
kho ng tin c$y 95% (hay LoA) là:
LoA = -5.1 ± 1.96 × 21.9 = ,48.0
Ch
n +37.8 ug/L
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
5
Ch# s LoA cho chúng ta bi t n u chúng ta o IGF-I hai l n ) m t i t ng thì
o l ng l n th nh t có th th p hơn l n th hai là 48 ug/L, nh ng c ng có th cao hơn
n 37.8 ug/L.
III. Sai s
ol
ng chu n (standard error of measurement – SEM)
Chúng ta có th d dàng th y r ng ph ơng sai ) m*i i t ng (c t 6) ph n nh
dao ng, và do ó,
tin c$y c a o l ng.
dao ng càng cao,
tin c$y càng
th p. Và ng c l!i,
dao ng th p có ngh a là
tin c$y cao. Nh ng chúng ta có 20
i t ng, nên cách tóm l c
tin c$y t t nh t là l y trung bình c a ph ơng sai c a 20
i t ng. G i s trung bình ph ơng sai là s 2 , chúng ta có:
s2 =
2
s12 + s22 + s32 + ... + s20
264.5 + 0.5 + 968 + ... + 128
=
= 242.35
20
20
S này
c trình bày ) hàng s 21 (“mean”). Nh ng ơn v c a ph ơng sai là bình
ph ơng, cho nên chúng ta c n ph i hoán chuy n v ơn v g c b ng cách l y c n b$c hai:
s = 242.35 = 15.6 ug/L.
ây chính là sai s o l ng chu n (SEM). Ý ngh a c a SEM là: n u chúng ta
o n'ng
IGF-I ) m t i t ng nhi u l n (gi d& nh 100 l n), thì chúng ta kì v ng
r ng 68% các o l ng IGF-I c a i t ng ó có th cao hơn hay th p
trung bình c a
i t ng kho ng 15.6 ug/L. C ng có th nói r ng 95% các o l ng IGF-I c a i
t ng ó có th cao hơn hay th p
trung bình c a i t ng kho ng 31 ug/L (t c l y
15.6 nhân cho 1.96, vì 1.96 là -- n u các b!n còn nh -- s z c a phân ph i chu%n).
IV. H s bi n thiên cá th (within-subject coefficient of variation)
Chú ý c t 5 trong B ng 2 là s trung bình cho t ng i t ng. Do ó, s trung
bình cho toàn b 20 i t ng ch# ơn gi n là trung bình c a 20 s trung bình! G i s
trung bình t"ng th là m, chúng ta có m = 129.7 ug/L (nh dòng 21 c a B ng 1).
H s bi n thiên cá th (wCV)
c c tính b ng cách l y sai s chu%n o l
chia cho s trung bình t"ng th . Nói cách khác:
wCV =
Ch
ng
s
× 100
m
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
6
Trong ví d& trên, wCV = 15.5 / 129.7 × 100 = 11.9 (hay 12%). Nói cách khác,
thay vì mô t
tin c$y b ng SEM, chúng ta mô t b ng ph n tr m qua wCV.
Ý ngh a c a wCV c ng t ơng t nh ý ngh a c a SEM, nh ng t ơng i (thay vì
tuy t i): n u chúng ta o n'ng
IGF-I ) m t i t ng 100 l n, thì k t qu này cho
bi t có kho ng 68% các giá tr IGF-I c a i t ng ó dao ng trên d i 12% so v i s
trung bình. C ng có th phát bi u (hay suy lu$n) r ng xác su t 95% là các giá tr IGF-I
c a i t ng ó dao ng kho ng 24% trên d i giá tr trung bình.
V. H s tin c y
Trong ph n u, tôi có nh$n xét r ng ng d&ng h s t ơng quan
ánh giá
tin c$y o l ng là không thích h p, vì h s t ơng quan b- qua
khác bi t gi a hai o
l ng. Trong phân tích
tin c$y, có m t ph ơng pháp tính toán khác r t thích h p cho
vi c ánh giá
tin c$y nh ng ít khi nào
c gi i thi u trong sách giáo khoa: ó là h
s tin c$y (coefficient of reliability), s vi t t.t là R (chú ý khác v i r th ng s( d&ng cho
h s t ơng quan).
H s tin c$y
c phát tri n t lí thuy t o l ng (theory of measurement), mà
tôi không th mô t trong bài vi t vì n m ngoài ph!m vi. Tuy nhiên, h s tin c$y R
c
phát tri n t các cơ s) lí thuy t sau ây:
G i X là o l ng cho m t cá nhân, lí thuy t o l ng phát bi u r ng X có hai
ph n: ph n giá tr th$t (true value) và ph n nhi u (random error). Chúng ta s kí hi u hai
giá tr này là T và E. Nói cách khác, mô hình này phát bi u r ng:
X=T+E
Nên nh r ng, chúng ta không bi t (hay không quan sát)
c giá tr th$t T c a i t ng
bao nhiêu, nh ng chúng ta ch# bi t X, t c là giá tr quan sát hay o l ng
c, và E là
sai s mà chúng ta tính
c. Nói c& th hơn, trong ví d& trên, chúng ta không bi t IGF-I
th$t s c a t ng i t ng là bao nhiêu, nh ng chúng ta bi t
c giá tr qua t ng l n o
l ng, và qua nhi u l n o l ng, chúng ta bi t
c E.
Gi
nh r ng T và E hoàn toàn c l$p (t c không có m i t ơng quan gì v i
nhau), và tuân theo lu$t phân ph i chu%n, thì ph ơng sai c a X là t"ng ph ơng sai c a T
và E. N u kí hi u ph ơng sai là σ 2 , chúng ta có:
σ X2 = σ T2 + σ E2
Ch
[1]
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
7
T
ó, h s tin c$y R
c
nh ngh a nh sau:
σ T2
R= 2
σX
Hay c ng có th vi t R = σ T2 / (σ T2 + σ E2 ) , hay R = 1 − σ E2 / (σ T2 + σ E2 ) . Nhìn qua công th c
trên, chúng ta th y R chính là t# s ph ơng sai c a giá tr th$t và ph ơng sai c a giá tr
quan sát. Nh v$y, n u E r t nh- so v i X, thì T r t l n, và ó là tín hi u cho th y
ph ơng pháp o l ng có tin c$y cao.
B)i vì ph ơng sai c a T không th cao hơn ph ơng sai c a X, cho nên giá tr c a
R ph i dao ng t 0 n 1. N u R = 0 thì i u này có ngh a là ph ơng pháp o l ng vô
d&ng vì hoàn toàn không có th tin c$y
c; n u R = 1 thì ph ơng pháp o l ng hoàn
h o. Nh ng trong th c t , không có ph ơng pháp o l ng nào tuy t v i v i R = 1, cho
nên -- tùy theo tr ng h p -- chúng ta ph i ch p nh$n m t ph ơng pháp o l ng v i giá
tr R th p hơn 1. Trong loãng x ơng, máy DXA th ng có giá tr R là 0.98 hay 0.97,
nh ng v i các ch# s sinh hóa, R th p hơn nhi u (có th 0.8 th$m chí 0.7).
Ph ơng pháp c tính R t ơng i ph c t!p (nh t là khi có nhi u o l ng cho
m t i t ng), nh ng nguyên t.c v n là phân chi t"ng s bi n thiên (variation) thành 2
ngu'n: between-subject variation within-subject variation mà tôi ã
c$p n trong
ph n u. Trong tr ng h p chúng ta có N i t ng, và m*i i t ng
c o hai l n
(nh ví d& 1), chúng ta có th tính toán s trung bình và ph ơng sai cho t ng i t ng
nh B ng 2. G i xi là s trung bình và si2 là ph ơng sai cho t ng i t ng, và g i x
là s trung bình t"ng th (t c là trung bình c a xi ), chúng ta có th
c tính vài thông s
nh sau:
•
T"ng bình ph ơng c a o l
2
ng gi a các
it
2
ng (kí hi u BSS):
2
BSS = 2 ( x1 − x ) + 2 ( x2 − x ) + 2 ( x3 − x ) + ... + 2 ( xN − x )
Chú ý s 2 ) ây là hai l n o l
2
ng. Th$t ra, công th c trên có th vi t ng.n g n
(n u b!n nào thích toán và nh toán!): BSS =
N
2 ( xi − x )
2
i =1
•
Ch
B)i vì BSS tính t N i t ng và c n 1 thông s
tính, cho nên chúng ta ph i
chia BSS cho N-1 có “mean square” (trung bình bình ph ơng) BMS.
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
8
•
T"ng bình ph ơng c a o l
ng
BMS =
BSS
N −1
m i
it
ng (kí hi u WSS):
WSS = s12 + s22 + s32 + .... + sN2
Hay ơn gi n hơn: WSS =
N
( ki − 1) si2 , trong
ó ki là s l n o l
ng cho
it
ng
i =1
i (trong ví d& IGF-I, ki là m t h ng s b ng 2 – 2 l n o l
•
ng cho m*i
it
ng).
Chú ý r ng m*i si2 trong WSS chúng ta ph i “tiêu” m t thông s (trung bình cho
t ng i t ng). Trong ví d& trên, chúng ta có 2N o l ng (m*i i t ng o 2
l n), nh ng chúng ta ph i chi tiêu m t N thông s , nên b$c t do (degree of
freedom) là 2N – N = N. Do ó, chúng ta ph i i u ch#nh WSS b ng cách chia
WSS cho b$c t do và k t qu là WMS:
WMS =
T các tính toán trên, bây gi chúng ta có th
WSS
N
c tính σ T2 và σ E2 trong mô hình [1] trên
ây. Nên nh r ng chúng ta không bi t σ T2 và σ E2 , mà ch#
vi t σ T2 và σ E2 , chúng ta dùng kí hi u sT2 và sE2
ch#
c tính thôi. Vì th , thay vì
c s c a hai thông s
ó. Theo
lí thuy t th ng kê, chúng ta có:
sT2 =
BMS − WMS
k
Và:
sE2 = WMS
+ ây, k là s l n o cho t ng
là:
it
ng (t c là 2 trong ví d& trên). Do ó, h s tin c$y
R=
Ch
sT2
sT2 + sE2
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
9
B!n c có th t mình tính toán R qua các công th trên. + ây, tôi ch# cung c p các
c s (hay áp s !) nh sau: sT2 = 788.3, sE2 = 242.3, và R = 0.76.
R = 0.76 có ý ngh a gì ? Tôi s quay l!i câu h-i này trong m t bài sau, vì ây là
v n
r t quan tr ng. Nh ng ) ây, có th nói ngay r ng vì h s tin c$y d i 0.8, cho
nên có th nói r ng
tin c$y c a ph ơng pháp o l ng IGF-I ch# trung bình. S th$t
này có nh h )ng l n n vi c s( d&ng IGF-I cho vi c truy tìm nh ng v$n ng viên
thi u thành th$t (hay nói tr.ng ra là “ n gian”).
Nói tóm l!i, bài này ã trình bày m t s ph ơng pháp phân tích
tin c$y o
l ng, m t khía c!nh c c kì quan tr ng trong nghiên c u và th c hành lâm sàng. o
l ng không áng tin c$y hay có
tin c$y th p có th d n n nhi u h qu nghiêm
tr ng nh ch%n oán sai và i u tr không c n thi t. Nh ng r t ti c, v n
này ch a
c quan tâm úng m c (có th bác s ch a hi u hay quá tin vào máy móc) cho nên
trong th c t ã x y ra nhi u tr ng h p c i ra n c m.t và tranh cãi không c n thi t.
V n
quan tr ng là sau khi bi t
c
tin c$y c a ph ơng pháp o l ng,
b c k ti p là s( d&ng các thông tin này cho vi c th c hành lâm sàng và nghiên c u.
Nh ng tôi s quay l!i
tài này trong m t bài ti p. Còn bây gi , b!n c có th t mình
làm vài tính toán cho quen d n v i các khái ni m v a gi i thi u trên.
Ch
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
10
Chú thích k thu t:
M.c dù các ph ơng pháp phân tích
tin c$y o l ng có th tính toán th công b ng
Excel, nh ng v i m t ch ơng trình th ng kê thì h u hi u hơn. Các các mã R sau ây
c s( d&ng trong bài này:
# nh p s
li u cho hai l n
o l
ng, g i hai bi n là igfi1 và igfi2
igfi1 <- c(179, 142, 200, 145, 162, 138, 190, 100, 90, 102, 123, 113,
124, 122, 78, 64, 116, 149, 133, 72)
igfi2 <- c(156, 143, 156, 146, 169, 145, 179, 137, 111, 124, 118, 168,
127, 122, 104, 80, 104, 150, 116, 89)
# v
bi u
1, chú ý pch=16 là kí hi u cho các d u tròn
en
plot(igfi1, igfi2, pch=16)
#
c tính
khác bi t gi a hai
o l
ng cho t ng
i t
ng
d <- igfi1 - igfi2
# tính trung bình và
l ch chu n c a khác bi t, g i là md và sd
md <- mean(d)
sd <- sd(d)
# tính kho ng tin c y 95% c a d, t c là LoA
loa.025 <- md-1.96*sd
loa.975 <- md+1.96*sd
# báo cáo k t qu
LoA
c(md, sd, loa.025, loa.975)
#
c tính ph ơng sai cho t ng
i t
ng
i t
ng và t ng trung bình
v <- (igfi1-igfi2)^2/2
mean.v <- mean(v)
sem <- sqrt(mean.v)
c(mean.v, sem)
#
c tính trung bình cho t ng
Ch
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
11
m <- (igfi1 + igfi2)/2
overall.mean <- mean(m)
#
c tính wCV
wcv <- sem / overall.mean
# báo cáo k t qu
c(overall.mean, sem, wcv)
# Các mã sau
ây s
d ng
tính h
s
tin c y R
igfi1 <- c(179, 142, 200, 145, 162, 138, 190, 100, 90, 102, 123, 113,
124, 122, 78, 64, 116, 149, 133, 72)
igfi2 <- c(156, 143, 156, 146, 169, 145, 179, 137, 111, 124, 118, 168,
127, 122, 104, 80, 104, 150, 116, 89)
k <- 2
n <- length(igfi1)
meani <- (igfi1 + igfi2)/k
overall.mean <- mean(meani)
bssi <- k*(meani – overall.mean)^2
bss <- sum(bssi)
bms <- bss/n
wssi <- (igfi1-igfi2)^2/2
wss <- sum(wssi)
wms <- wss/(k*n – n)
var.t <- (bms-wms)/k
var.e <- wms
r <- var.t / (var.t + var.e)
# báo cáo k t qu
c(var.t, var.e, r)
Ch
ng trình hu n luy n y khoa – YKHOA.NET Training – Nguy n V n Tu n
12