Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Facultad de Matemáticas
Departamento de Estadística
COMPARACIÓN DE MÉTODOS DE
- .....
MEDICION CON UN GOLD-STANDARD
Profesor Supervisor:
MANUEL GALEA ROJAS
Financiada por:
CONICYT
Indice general
Resumen 4
l. INTRODUCCIÓN 5
1.1. Motivación . . 5
1.2. Coeficiente de correlación intraclase 7
2
4. Aplicaciones 26
4.1. Datos simulados I . 26
4.2. Datos simulados II 28
4.3. Datos Reales I: Nivel de Colesterol (Bangdiwala y Muñoz 1979) 30
4.4. Datos Reales II: Exámenes matemáticos (Mardia, Kent and Bibby 1970) 31
Apéndice 34
a. Densidad Zi 34
a.1. Inversa de la matriz de covarianza 34
a.2. Descomposición de ói 35
a.3. Función Score . 36
b. Test asintóticos . . . . 37
b.1. Test de razón de verosimilitud 37
b.2. Test de Wald, Score de Rao y C(a) de Neyman 38
c. Newton Raphson .. . . . . . . . .. .. .. . .. .. . 41
c.l. Método Iterativo de Newton Raphson para EMV 43
c.2. Primera derivada con respecto a '1/Jij 44
c.3. Segundas derivadas . . . . . . . . . . 45
Anexo 46
i. Datos Mardia, Kent and Bibby 1970 46
ii. Datos Bangdiwala y Muñoz 1979 47
Referencias 48
3
Resumen
4
Capítulo 1
INTRODUCCIÓN
l. l. Motivación
Hoy en día es muy solicitado simplificar los instrumentos de medición sin perder la precisión
en la variable de interés. En muchas ocaciones es necesario un método más portátil o menos
engorroso para obtener un resultado, pero se requiere con la misma exacitud que con la que
se trabaja habitualmente. Por ejemplo, existe la prueba de ADN que se puede realizar en
casa, la inquietud obvia es qué tan "buena" es esta prueba en comparación con la realizada
en un laboratorio certificado. O se puede cuestionar la calidad de un examen de sangre
realizado en un hospital rural con el obtenido en un laboratorio internacional, incluso se
podría querer comparar con varios examinadores más. En algunos casos se puede contar
con un intrumento o método utilizable como regla de oro (gold-standar) , la cual se asume
es medida sin error y permite calcular las diferencias de los otros métodos.
Para este proyecto contamos con un conjunto de datos reales de un estudio cuyo objetivo
fue evaluar tres analizadores químicos portátiles en la medición del colesterol (Bangdiwala
& Muñoz 1979) . Estos instrumentos usan, como método de cuantificación de los niveles de
colesterol, un fotómetro de reflejo. Los analizadores comparados fueron: Ektachem (DT60
Kodak©), Chol estech© (LDX) y Reflotron© (Boehringer-Mannheim) con respecto a
uno no portátil que cumple las normas de estandarización de los Centros de Control de
Enfermedades como gold-standard (Laboratorio).
5
Se obtuvieron muestras de sangre de 47 voluntarios sanos para ser evaluados por los
diferentes instrumentos. Estas muestras de sangre se obtuvieron a través de un punzón
en el dedo para cada uno de los instrumentos portátiles y de una muestra de sangre por
jeringa para ser evaluada por el laboratorio. Todas las muestras de un mismo paciente
fueron obtenidas simultáneamente.
Para apreciar visualmente la relación del gold-standard con cada uno de los métodos
alternativos, se realiza los gráficos de dispersión con la recta de 45° trazada.
Figura 1: Gráfico de dispersión del nivel de colesterol medido por el laboratorio vs.
analizadores portátiles.
100 150 200 250 300 100 150 200 250 300
Laboratorio Laboratorio
Se puede observar que los resultados obtenidos por los métodos portátiles son similares a
los obtenidos por el laboratorio. Lo que se quiere averiguar es que si estos instrumentos
son igual de concordantes con respecto al laboratorio.
6
1.2. Coeficiente de correlación intraclase
Sin embargo, más allá de su utilidad como estadístico descriptivo, se ha hecho necesario
realizar inferencias apartir de éL Por ejemplo, testear si es igual a algún valor específico
p0 , estimar su intervalo de confianza, probar si para varios métodos se obtiene el mismo
Planteamiento de Fisher
El primer planteamiento del coeficiente de correlación intraclase fue realizado por Ronald
A. Fisher (1925) en el Capítulo "VII. Intraclass Correlations and the Analysis of Variance"
de su libro "Statistical Methods for Research Workers".
7
La comparación de dos métodos sobre un mismo estudio ilustra el principio
de este coeficiente, ya que, si ambos son medidos con precisión, las pruebas
estadísticas están obligadas a coincidir, pudiéndose aplicar reducciones de un
método sobre el otro.
8
Capítulo 2
Uno de los usos del coeficiente de correlación intraclase es cuando se posee mediciones
de un método alternativo que aproxima las medidas obtenidas por un instrumento gold-
standard y se desea evaluar su grado de acuerdo con ésta. Esta problemática difiere de
otros tipos de estudios de comparación como la calibración y la conversión, ya que se
asume que el nuevo método está medido en la misma escala y la medida gold-standar está
presente.
Un modelo estándar para estudiar el grado de acuerdo entre dos o más métodos
aproximados es el modelo de un efecto aleatorio
donde E:ij es el error de medición sobre la i-ésima unidad por el j-ésimo método
aproximado y se considera que E(xi) = ¡_¿, E(E:ij) = O y Var(xi) = c/Jx· Además,
supongamos que xi, la medida del gold-standar en la i-ésima unidad, es independiente
de E:i = (ci 1 , . . . , E:ip)t, el vector de errores de medición. Para permitir la posibilidad de
que los errores de medición de los métodos aproximados sobre la i-ésima unidad estén
correlacionados, se asume una estructura de covarianza general sobre E:i, Cov(ci) = I:,
para alguna matriz I: de p x p simétrica definida positiva con elementos CTjk ·
9
Una consecuencia de estas suposiciones es que Cov(yij , xi) = c/Yx y Cov(yij, Yik) = c/Yx + CTjk·
Así, el coeficiente de correlación entre Yij y xi es Pj = c/Yx . Es de notar que pj, con
· c/Yx + CTjj
j = 1, ... ,p, no depende de los elementos fuera de la diagonal de 'E. Por otro lado, como no
es necesario que crjj = crkk, este modelo permite diferentes niveles de acuerdo entre cada
uno de los métodos aproximados y el gold-standard.
Sea Y; = (yi 1 , ... , Yip) t y Zi = (xi, Y;) el vector de dimensión q = p + 1 de datos observados.
v-1
donde
Es decir, las variables aleatorias Xi y Di son independientes con distribuciones N(p, c/Yx) y
Np(O, 'E) respectivamente, para i = 1, ... , n.
10
2.1. Estimación por máxima verosimilitud
Tanto para estimación puntual como para el cálculo del error de estimación, es necesario
obtener la función score y las matrices de información observada y esperada.
El logaritmo de la densidad de Zi corresponde a
Luego, la log-verosimilitud es
n n
l(O) = L li(O) = L log(f(zi))
i=l i=l
donde DP es la matriz de duplicación,vec{A} es una función que entrega un vector con las
columnas de A apiladas y
11
I ÍJ-LJ-L I iw/>x I ÍJ-L'P
o
o
Dtp {-~L::-1
2 ® L::-1 + 1:- 1D·DtL::- 1 ® L::-1} Dp
~ ~
Luego,
l abs(B) = o
1
o
r/Jx
1 o
n o 2rp2
o _ Dt (L::-1 ® 1:- 1)D
2 p p
Desde la función score, es fácil notar que el estimador máximo verosímil para J.J- es el
estimador habitual de la media del gold-standard,
~ i=1 -
¡.J,=--= X
n
12
De igual modo, se deduce que EMV de c/Yx es el estimador habitual de la varianza para xi
n
L(xi- ,U)2
cix = -'-i=_l::..____ __
n
2.1.5. EMV de p
En el caso de que exista un único método alternativo, es decir, p = 1 y el único CYjj = CY;
el modelo se reduce a
Luego, según este modelo, Roy T. St. Laurent (1998) consideró cuatro estimadores ad hoc
para
c/Yx
p = 4Yx + (5'1 -----=-
basado en di = Yi - xi y las sumas de cuadrados
n n n
1 n 1 n
y=- LYi x = - l.:xi
n
i=l
n i=l
Por otro lado , el segundo estimador se puede entender como la proporción de variación
explicada de Yij por xi en el modelo, ya que es equivalente a un modelo lineal restringido
E( ,,./X
I i i = xi ) = Xi· L uego , p = 1 - -SDD , un estad'1stlco s1m1·¡ar a1 coefi c1ente de
A o o o
8y y
determinación en la regresión lineal.
13
Este enfoque considera los xi como fijos, es decir, como una muestra aleatoria proveniente
de la población. Como los modelos comparados, E(YdXi = xi) = p y E(YiiXi = xi) = xi,
no son anidados, se dificulta la interpretación de p= 1 - SSDD como la proporción de
yy
variación explicada por acuerdo. Además no hay garantía de que este estimador sea no-
negativo.
El último estimador, y con el cual se trabajará, sigue la idea anterior, pero notando que
S DD es un estimador insesgado de ():. Esto sugiere que
n
Sxx
n-1 1 1
p=
h
Sxx
-
· SDD
- +n- 1
+ (n- 1)SDD 1+ SDD
n-1 nSxx Sxx
Como, además del modelo, se asume que xi y Eij distribuyen normal, el estimador máximo
verosímil de pj es
1
Pj = 1 + SDD(j)
Sxx
n
donde SDD(j) = L(Yij- xi) 2 para j = 1, ... ,p
i=l
14
2.2. Distribución muestral de los EMV
~ ~ N(~,~)
2
Xn-1
Por otro lado, se puede decir que la distribución conjunta aproximada de ees
e/v Nno (8, I- (8)) 1
1
donde ne = p(p; ) +2, el largo del vector B, y I (e) corresponde a la matriz de información,
ya sea observada o esperada.
Además, para obtener una distribución para PJ = c/Jx = g( T), se puede usar el
c/Jx + (}jj
método delta,
Jn;(g(f)- g(T)) ,.:__,N (0, u:(f) I~;(f)Ug(f))
'k =j
, e.o.c.
compuesta por
15
Entonces,
Finalmente,
c/Jx 2
Jl (n-1-rvx
) c/Jx n-1
y que
c/Jx 1
pj=---
+
c/Jx r5jj
se tiene
Desde la distribución de pj dada por las marginales de c/Jx y r5jj, se obtiene que
16
Capítulo 3
COMPARACIÓN DE p MÉTODOS
APROXIMADOS EN PRESENCIA DEL
GOLD-STANDARD
Según St. Laurent (1998), el grado de acuerdo del j-ésimo método aproximado con el
gold-standard, considerando el modelo del capítulo anterior, corresponde a pj = q; cf;x
X+ O"jj
Luego, para probar si los p métodos aproximados tienen igual grado de acuerdo con el
gold-standar, se plantea
Ha : Pl = P2 = · · · = PP
17
3.1. Test de razón de verosimilitud (TRV)
(Ver apéndice: "Test Asintóticos", Test de razón de verosimilitud)
Ahora para encontrar los EMV bajo Ha, se requiere el cálculo paso a paso: verosimilitud,
lag-verosimilitud y primeras derivadas parciales.
18
Primero, bajo la hipótesis nula, ~ = o- 2 '11, luego
Para o- 2 se obtiene
1
==} (}2 = - tr(w- 1 S)
p
Aquí se obtiene una solución para o- 2 , pero en términos de W.
En el caso de W, se tiene
8ln 0 (o- 2 , W)
éJ'lj;ij
i<j
n
w-1sw-1 - W-1] --O, i<j
[ (}
2
ij
19
Una manera de encontrar solución a este sistema es de forma iterativa, ya sea por Newton
Raphson o Fisher Scoring.
Implementar Newton Raphson para{)= (0' 2 , 'l/; 12 , ... , 'l/Jp- l,p) corresponde a iterar
Donde H- 1
[z (J)] es la inversa de la matriz hessiana y U ( JCn)) es la función score,
ambos de la Log-Verosimilitud de {) bajo H 0 .
U(fJ) =
8lno(0'2, w)
8'lj;ij
Ahora para obtener la matriz hessiana, necesitamos las segundas derivadas y la derivada
cruzada de la lag-verosimilitud con respecto a 0' 2 y 'lj;ij,
20
Donde
np 1 1 _1
2 (a-2)2 - (a-2)3 n tr(\ll S)
1 [ -1 -1 8\ll ]
- (a-2) 2n \ll S\ll 8?./Jij ij
8 2l('!9)
8?./Jij8?./Ja{3
Donde
np 1
----
2 (a-2)2
21
Valores Iniciales
Para ambas soluciones iterativas, los valores iniciales pueden ser tomados desde las
estimaciones muestrales, es decir, 7/Jij = r ij , para i < j , desde R = (rij) que corresponde
a la matriz de correlación muestra!. Y, C5 2 se puede aproximar por el promedio de las
varianzas muestrales,
p
_Lsjj
A2 j=l
(5 = -'-------
p
Luego,
/R/ JI sjj
j=l
Esto, junto a que el determinante de una constante por una matriz es la constante elevada
a la dimensión de la matriz por el determinante de la matriz, en este caso /C5 2W/ = (C5 2)P/\[!/ ,
da como resultado que
A=
22
Bajo la hipótesis nula, -2log(A) tiene una distribución asintótica x2 con p grados de
libertad.
Finalmente, si
-2log(A) > x;,I-a
se rechaza H 0 : o- 11 = · · · = app y se concluye que los métodos de medición no tienen igual
varianza .
.·. Las medidas obtenidas por los métodos aproximados no tienen igual grado de acuerdo
con respecto a lo obtenido con el gold-standard.
23
3.2. Test de Wald, Score de Rao y C(a) de Neyman
(Ver apéndice: "Test Asintóticos", Test de Wald, Score de Rao y C(a) de Neyman)
Ha : AO" =O
donde O"= (0" 11 , 000 , O"pp)t , los elementos de la diagonal de 2:;, y A es la matriz de contraste
de (p - 1) x p dada por
-1 1 oo o
-1 o1 o o
A= -1 O O 1 O
-1 ooo o 1
Luego, Y' (O") = A y los elementos para construir los estadísticos son:
Entonces,
24
3.2.1. Estadísticos de los test
1
• W al d : n (A o-) t [AC \o-) A t] - A a-
l • A- 1
• Score: -U(G-o)ti (8-o)U(G-o)
n
25
Capítulo 4
Aplicaciones
Con el fin de observar el comportamiento de los test estudaremos su aplicación en cuatro
set de datos. Uno simulado para que la hipótesis nula no sea rechazada y otro para que sí lo
sea. Luego, el primer caso con datos reales, correspondiente al utilizado en la motivación, en
que se tiene tres analizadores portátiles y un laboratorio para medir el nivel de colesterol.
Para finalizar con los resultados de cinco exámenes matemáticos, donde uno de ellos será
tomado como gold-standard para medir el grado de acuerdo de los demás sobre él.
Se generó la X= (xl, .. ., Xsoo) donde Xi rv N(J-L =51, rPx = 7), luego se generaron n = 500
diferencias para cada una de las observaciones desde una Np= 4 (0 , :E) , con
j-ésimo método 1 2 3 4
P] 0.78 0.77 0.78 0.79
IC 95% ( 0.75 , 0.81 ) ( 0.74 , 0.80) ( 0.75 , 0.81 ) ( 0.76 , 0.82 )
Entonces, como individualmente ningún estadístico es mayor que x¡'.0 95 = 9.48, no existe
evidencia suficiente para rechazar H 0 y se concluye que todos los métodos tienen igual
grado de acuerdo con el gold-standard. Lo cual debe ser así, pues los datos fueron generados
con este fin .
27
4.2. Datos simulados II
Similar a lo anterior, se generó la X = (x 1 , ... , x 500 ) donde Xi "' N(¡..¿ = 51, c/Jx = 7) y se
generaron las n = 500 diferencias para cada una de las observaciones desde una Np= 4 (0, E),
con
1.50 1.10 0.55 1.03
1.10 1.75 0.37 0.87
E=
0.55 0.37 2.00 1.70
1.03 0.87 1.70 2.25
Es decir, O" = (1.5, l. 75, 2, 2.25)' entonces, t eóricamente p (0.82, 0.80, O.78, O. 76) ,
respectivamente.
En el caso de Í: 0 , tanto por Fisher Scoring como por Newton Raphson, el resultado fue
j-ésimo método 1 2 3 4
Pj 0.83 0.80 0.78 0.77
IC 95% ( 0.80 , 0.85) ( 0.77, 0.82) ( 0.75 , 0.81 ) ( 0.74, 0.80)
28
Los tests asintóticos de H 0 : p1 = · · · p4 , bajo el modelo gold-standard , entregan
Entonces, como cada uno de los estadístico es mayor que x~, 0 . 95 = 9.48, existe evidencia
suficiente para rechazar H 0 y se concluye que no todos los métodos tienen igual grado
de acuerdo con el gold-standard, es decir, al menos un método tiene su grado de acuerdo
diferente al de los demás.
29
4.3. Datos Reales I: Nivel de Colesterol (Bangdiwala y
Muñoz 1979)
TRV (p-valor)
11.61 (0.008)
30
Test de Wald, Score de Rao y C(a) de Neyman, según matriz de información
estimada.
Para probar que los grados de acuerdo de cuatro de las pruebas sobre la quinta son
iguales, se tomará el examen de mecánica como gold-standard y los demás como métodos
alternativos.
Los EMV para la media y . varianza del gold-standard y la matriz de covarianza para
las diferencias de los métodos, fueron
El EMV de :Ea por N ewton Raphson y Fisher Scoring fue
donde no se observa grandes diferencias entre los grados de acuerdo de los otros exámenes
sobre el gold-standard.
Entonces, al observar cada estadístico ninguno fue mayor que x¡,a.95 = 9.48, luego no existe
evidencia suficiente para rechazar Ha y se concluye que todos los exámenes tienen igual
grado de acuerdo con el de mecánica.
32
En estos datos se puede evidenciar el hecho que, aunque el grado de acuerdo es igual
entre todos los métodos alternativos y el gold-standard, esta concordancia no es alta.
Esto se puede apreciar en los gráficos de dispersión de cada uno de los exámenes con el de
mecánica. La linea trazada corresponde a la recta de los 45°.
Figura 2: Gráfico de dispersión de los resultados del examen de mecánica vs. los demás
exámenes.
-¡¡; o o
<D ro
.... <D
"§ .o
Q)
tí O)
Q)
.;;:¡:
> o
N
o
N
o o
o 20 40 60 80 o 20 40 60 80
Mecánica Mecánica
o ro
(.)
o
(/) <D <D
~ ~
""
e ~
<: o (¡) o
N w N
o o
o 20 40 60 80 o 20 40 60 80
Mecánica Mecánica
33
Apéndice
a. Densidad Zi
donde
A I; + q\JlpJI.t - rPxJl.p}f;YxJJ.t
I;+~-~
¿:;
Entonces
v-1=
34
a.2. Descomposición de la forma cuadrática (Ji)
1
!'(xi- J-L) 2 - (Yi- J-l1Lp)tE- 11Lp(xi- J-l)- (xi- J-L)1LtE- (Yi- J-l1Lp)
c/J; 1 (xi- J-L) 2 + (xi- J-L) 21L;E- 11Lp- 2(xi- J-L)1l;E- 1 (Yi- f-l1Lp)
+(Yi- f-l1LpyE- 1 (Yi- f-l1lp)
35
a.3. Función Score
• Para p,
az(e) _ ~ azi(e)
a¡;: - L.t ----¡¡¡;:
•=1
azi(B) xi- p,
--
8p, c/Jx
n
L(xi- p,)
u =-=--
i=--=.1_ __
J.L c/Jx
• Para c/Jx
• Para 'Pij
36
b. Test asintóticos
El test de razón de verosimilitud fue planteado por Jerzy Neyman y Egon Pearson en
1928. En general se describe:
máxL(rJ)
A = _n_o_--,-...,- L(f¡o)
máxL(rJ) L(f¡)
n
En la práctica, es más fácil usar el doble del negativo del logaritmo, -2log(A) que
distribuye asintóticamente x 2 cuyos grados de libertad corresponden al número de
restricciones que impone H 0 , denotado v .
37
b.2. Test de Wald, Score de Rao y C(a) de Neyman
Considerando la lag-verosimilitud,
n n
i=l i=l
donde w = (w 1 , ... , wn)t, 'Wi es un vector de p x 1, TJ = (TJ 1 , ... , TJnr¡)t y nr¡ es el número de
parámetros.
y la matriz de información es
38
Si ij es un estimador consistente de TJ, estos estimadores convergen a J(TJ).
Aunque algunos los tests, como el de \Nald y el de Rao, hayan sido definidos originalmente
en términos de Ío (ij), los otros dos estimadores son frecuentemente más fáciles de
implementar computacionalmente. En muchas situaciones, no es práctico usar l (ij),
0
porque la evaluación analítica del valor esperado I(TJ) = - E(H(TJ)) puede ser muy difícil.
Desde aquí, el término Í(ij), sin subíndice, se referirá a cualquiera de los tres estimadores
anteriores.
La hipótesis puede ser probada por el test de Wald (1943) , el test score de Rao (1948) y el
test C(a) de Neyman (1959) , entre otros. Los estadísticos de estos tests para la hipótesis
H0 : Y(B) =O son, respectivamente
• Score(Y) = ~U(~o)tÍ(~o)
n
- 1 U(~o)
~U (iio)tÍ(iio) -
1
1
• N eyman(Y) = y' (iio)t [Y' (iio)Í(iio) - 1 y' (iio)t] - Y' (iio)Í(iio) - 1 U (iio)
39
Se pueden obtener varias generalizaciones del test de Wald al reemplazar el estimador
máximo verosímil f¡ por otro estimador asintóticamente normal ij y Í(f¡)- 1 por un estimador
consistente de la matriz de covarianza asintótica de ij . El estadístico del test de C(a) de
Neyman tiene la importante propiedad de permitir usar cualquier estimador consistente
que cumpla la hipótesis nula, no solo el EMV restringido.
40
c. Newton Raphson
El método comienza con la elección de un valor inicial elegido por el usuario el cual
debe estar cerca de la raíz buscada.
g(xi) = f(xi) +f 1
(xi)(xi- x) + -f"(xi)
2
2
,-(xi- x) +
3
3
! (xi- x ) + · · ·
Queremos estimar el valor x* (la raíz buscada) mediante f(x*) =O, por lo que se necesita:
2
1 f" (Xi) (Xi+l - Xi)
g(xi+ 1) =O<=====? O= J(xi) +f (xi)(xi+l- xi) + 2
De modo que si Xi+l es muy cercano a Xi entonces (xi+ 1 + xi) 2
~ O y por lo tanto el
f'(xi)xi- f(xi)
! 1(xi)
h(x)
h(x)
{(x) =
41
Su derivada corresponde a la matriz Jacobiana
f(xi)
Xi+l = Xi- j'(xi)
En cada iteración se evalúa el criterio de parada que puede corresponder a /xi+l- xi/ < E
42
c. l. Método Iterativo de N ewton Raphson para EMV
~(n+l) _ ~ (n)
l' ( r¡~ (n))
r¡ - r¡ - l" (fj(n))
donde E es un valor definido por el usuario, al igual que el valor inicial fj(o) , este valor
puede que sea lejano al real y el mecanismo no converja, por eso dentro de lo posible se
debe evitar el ingreso manual de estos valores.
La norma corresponde a IIAIIoo = máx lail, muy similar al caso univariado, ya que la
2
máxima diferencia es menor que E, luego todas las demás también lo son y se puede
concluir que el algoritmo convergió.
43
c.2. Primera derivada con respecto a '1/Jij
2
olno(J-l, 0" , \!f) = _'!!_ olog [w[
o'l/Jij 2 o'l/Jij
- '!!.(0"2t1 tr (aw-
2 o'l/Jij
s)
1
otr(A)
aa
=
.
tr (aA)
oa
Aplicando las dos primeras propiedades, se tiene que
y
aw- 1 = - w-1 aw w-1
o'l/Jij o'l/Jij
Entonces, la log-verosimilitud derivada con respecto a cada elemento distinto de \!f es
Olno (¡.¡,, 0"2' \jJ) n tr (
-- w- 1-aw ) - -((]"
n 2)- 1tr ( -w- 1-w-
8\!f 1S)
o'l/Jij 2 o'l/Jij 2 o'l/Jij
o i<j
44
Como 1]! es simétrica, tr {A : : j } = 2aij y la ecuación anterior se simplifica a
1]!-1S1]!-1 - -1] -
n[ 1]! -O, i<j
(j 2 ..
t]
1 [ -1 -1 81]! ]
= - (()2 )2 n 1]! S1]! 81/Jij ij
82 Z(e)
8'ljJij81/Ja.{3
1 1
n _1 (81]1-
--S1]!-1 + 1]1-1 S81]1-
- - ) + 1]1-1 _
81]!
_ 1]1-1 ]
[ ()2 81/Ja.{J 81/Ja.{J 81/Ja.{J ij
45
Anexo
46
ii. Datos Bangdiwala y Muñoz 1979
No Laboratorio Ektachem Cholestech Reflotron
1 201 201 193 197
2 128 127 127 118
3 142 141 144 138
4 174 173 166 169
5 175 173 165 171
6 215 213 204 207
7 207 205 196 204
8 186 184 185 190
9 185 183 177 164
10 309 311 306 314
11 234 236 226 233
12 161 164 157 147
13 135 132 135 119
14 200 197 200 194
15 235 232 224 239
16 183 186 180 178
17 176 172 173 168
18 260 265 251 259
19 185 190 184 180
20 132 137 133 119
21 147 142 160 133
22 160 155 151 138
23 119 114 123 100
24 155 161 154 155
25 167 161 160 159
26 164 158 162 133
27 260 266 242 249
28 141 135 145 138
29 244 251 238 238
30 231 224 241 238
31 156 148 162 153
32 181 189 173 189
33 129 120 129 103
34 172 163 168 177
35 271 261 274 273
36 145 135 146 128
37 232 244 226 224
38 220 208 212 223
39 191 179 189 173
40 173 186 169 180
41 188 174 188 170
42 207 191 214 208
43 189 173 189 180
44 254 235 246 258
45 255 236 248 253
46 245 224 236 242
47 263 237 263 258
47
Referencias
5. FISHER, Ronald A. Statistical Methods for Research Workers. Oliver and Boyd,
Edinburgh, 1925.
6. GALEA, Manuel and VILCA, Filidor. Hypotheses testing for comparing means and
variances of correlated respondes in the symmetric non-normal case. Chilean Journal
of Statistics, 1(2): 113-123, 2010.
7. HARRIS, Jan R., BURCH, Brent D. and ST. LAURENT, Roy T. A Blended
Estimator for Measure of Agreement with a Gold Standard. Journal of Agricultura!,
Biological, and Environmental Statistics. 6(3): 326-339, 2001.
11. ST. LAURENT, Roy. Evaluating agreement with a gold standard m method
comparison studies. Biometrics, 54: 537-545, 1998.
48