Как построить график леви дженнингса в excel

Обновлено: 02.07.2024

Лабораторный контроль качества предназначен для выявления, уменьшения и исправления недостатков во внутреннем аналитическом процессе лаборатории до публикации результатов пациента, чтобы улучшить качество результатов, сообщаемых лабораторией. Контроль качества - это мера точности или того, насколько хорошо система измерения воспроизводит один и тот же результат с течением времени и в различных рабочих условиях. Материал для лабораторного контроля качества обычно запускается в начале каждой смены, после обслуживания прибора, при смене партий реагентов , после калибровки оборудования и всякий раз, когда результаты пациента кажутся неподходящими. Материал для контроля качества должен соответствовать той же матрице, что и образцы от пациентов, с учетом таких свойств, как вязкость , мутность , состав и цвет. Он должен быть простым в использовании с минимальной изменчивостью от флакона к флакону, поскольку изменчивость может быть неверно интерпретирована как систематическая ошибка в методе или приборе. Он должен быть стабильным в течение длительного времени и быть доступным в достаточно больших количествах, чтобы одной партии хватило как минимум на один год. Жидкие контроли более удобны, чем лиофилизированные (лиофилизированные) контроли, поскольку их не нужно восстанавливать, что сводит к минимуму ошибки пипетирования .

Содержание

Интерпретация

Интерпретация данных контроля качества включает как графические, так и статистические методы. Данные контроля качества легче всего визуализировать с помощью диаграммы Леви – Дженнингса . Даты анализов нанесены по оси x, а контрольные значения отложены по оси y. Шаблон нанесенных на график точек обеспечивает простой способ обнаружения повышенной случайной ошибки и сдвигов или тенденций в калибровке.

Контрольные карты

Контрольные карты - это статистический подход к изучению изменений производственного процесса с целью повышения экономической эффективности процесса. Эти методы основаны на постоянном мониторинге изменений процесса. Контрольная диаграмма, также известная как диаграмма Шухарта или диаграмма поведения процесса , представляет собой статистический инструмент, предназначенный для оценки характера вариаций в процессе и облегчения прогнозирования и управления. Контрольная диаграмма - это более конкретный вид диаграммы бега. Контрольная диаграмма - это один из семи основных инструментов контроля качества , который также включает гистограмму , диаграмму Парето , контрольный лист , диаграмму причин и следствий, блок-схему и диаграмму разброса . Контрольные карты предотвращают ненужную настройку процесса, предоставляют информацию о возможностях процесса, предоставляют диагностическую информацию и являются проверенным методом повышения производительности.

Диаграмма Леви – Дженнингса

Пример диаграммы Леви – Дженнингса с верхним и нижним пределами, равным одному и двум стандартным отклонениям.

Диаграмма Леви-Дженнингса - это график, на котором нанесены данные контроля качества, чтобы наглядно показать, хорошо ли работает лабораторный тест. Расстояние от среднего значения измеряется в стандартных отклонениях. Он назван в честь Стэнли Леви и Э. Р. Дженнингса, патологов, которые в 1950 году предположили, что контрольная диаграмма Шухарта может использоваться в клинической лаборатории. Дата и время, а чаще номер контрольного прогона откладываются по оси абсцисс. Делается отметка, показывающая, насколько далеко фактический результат был от среднего, которое является ожидаемым значением для контроля. Линии проходят по графику в среднем, а также с одним, двумя и тремя стандартными отклонениями по обе стороны от среднего. Это позволяет легко увидеть, насколько далек был результат.

Можно применить такие правила, как правила Вестгарда, чтобы увидеть, можно ли опубликовать результаты, полученные в образцах, когда был проведен контроль, или их нужно повторно запустить. Формулировка правил Вестгарда была основана на статистических методах. Правила Вестгарда обычно используются для анализа данных в контрольных диаграммах Шухарта. Правила Вестгарда используются для определения конкретных пределов производительности для конкретного анализа (теста) и могут использоваться для обнаружения как случайных, так и систематических ошибок . Правила Westgard запрограммированы в автоматических анализаторах, чтобы определить, когда аналитический прогон следует отклонить. Эти правила необходимо применять осторожно, чтобы обнаруживать истинные ошибки и сводить к минимуму ложные отклонения (допустимых результатов, выходящих за пределы диапазона). Правила, применяемые к большим объемам инструментов для химии и гематологии, должны обеспечивать низкий уровень ложных отказов.

Диаграмма Леви-Дженнингса отличается от диаграммы индивидуального контроля Шухарта тем, что оценивается стандартное отклонение (σ, «сигма»). Диаграмма Леви-Дженнингса использует долгосрочную (т. Е. Популяционную ) оценку сигмы, тогда как диаграмма Шухарта использует краткосрочную (т. Е. В пределах рациональной подгруппы) оценку.

Линейная регрессия - это статистический метод / метод, используемый для изучения взаимосвязи между двумя непрерывными количественными переменными. В этом методе независимые переменные используются для прогнозирования значения зависимой переменной. Если существует только одна независимая переменная, то это простая линейная регрессия, а если число независимых переменных больше, чем одна, то это множественная линейная регрессия. Модели линейной регрессии имеют связь между зависимыми и независимыми переменными путем подгонки линейного уравнения к наблюдаемым данным. Линейный относится к тому факту, что мы используем линию, чтобы соответствовать нашим данным. Зависимые переменные, используемые в регрессионном анализе, также называют ответными или прогнозными переменными, а независимые переменные также называют объясняющими переменными или предикторами.

Линия линейной регрессии имеет уравнение вида: Y = a + bX;

X - объясняющая переменная,
Y является зависимой переменной,
б - наклон линии,
a является y-перехватом (то есть значением y, когда x = 0).

Метод наименьших квадратов обычно используется в линейной регрессии, которая рассчитывает линию наилучшего соответствия для наблюдаемых данных путем минимизации суммы квадратов отклонения точек данных от линии.

Методы использования линейной регрессии в Excel

В этом примере показано, как выполнить анализ линейной регрессии в Excel. Давайте посмотрим на несколько методов.

Вы можете скачать этот шаблон Excel с линейной регрессией здесь - Шаблон Excel с линейной регрессией

Метод № 1 - Точечная диаграмма с линией тренда

Допустим, у нас есть набор данных о некоторых людях с их возрастом, индексом биомассы (ИМТ) и суммой, потраченной ими на медицинские расходы за месяц. Теперь, имея представление о характеристиках людей, таких как возраст и ИМТ, мы хотим выяснить, как эти переменные влияют на медицинские расходы, и, следовательно, использовать их для проведения регрессии и оценки / прогнозирования средних медицинских расходов для некоторых конкретных людей. Давайте сначала посмотрим, как только возраст влияет на медицинские расходы. Давайте посмотрим на набор данных:

Сумма на медицинские расходы = б * возраст + а

Выберите два столбца набора данных (x и y), включая заголовки.

Нажмите «Вставить» и разверните раскрывающийся список «Диаграмма разброса» и выберите эскиз «Разброс» (первый)

Теперь появится график рассеяния, и мы нарисуем на этом линию регрессии. Для этого щелкните правой кнопкой мыши любую точку данных и выберите «Добавить линию тренда».

Теперь на панели «Format Trendline» справа выберите «Linear Trendline» и «Показать уравнение на графике».

Мы можем импровизировать диаграмму в соответствии с нашими требованиями, такими как добавление названий осей, изменение масштаба, цвета и типа линии.

После Импровизации диаграммы мы получаем вывод.

Примечание. В этом типе графика регрессии зависимая переменная всегда должна быть на оси y и не зависеть от оси x. Если график отображается в обратном порядке, либо переключите оси в диаграмме, либо поменяйте местами столбцы в наборе данных.

Метод № 2 - Анализ надстройки ToolPak Метод

Пакет инструментов анализа иногда не включен по умолчанию, и нам нужно сделать это вручную. Для этого:

После этого нажмите «Опции».

Выберите «Надстройки Excel» в поле «Управление» и нажмите «Перейти»

Это добавит инструменты «Анализ данных» на вкладку «Данные». Теперь запустим регрессионный анализ:

Откроется диалоговое окно регрессии. Выберите диапазон ввода Y и диапазон ввода X (медицинские расходы и возраст соответственно). В случае множественной линейной регрессии мы можем выбрать больше столбцов независимых переменных (например, если мы хотим увидеть влияние ИМТ также на медицинские расходы).
Установите флажок «Метки», чтобы включить заголовки.
Выберите желаемый вариант вывода.
Установите флажок «Остатки» и нажмите «ОК».

Теперь результаты нашего регрессионного анализа будут созданы в новом рабочем листе с указанием статистики регрессии, ANOVA, остатков и коэффициентов.

Выходная интерпретация:

Статистика регрессии показывает, насколько хорошо уравнение регрессии соответствует данным:

Множество R - это коэффициент корреляции, который измеряет силу линейных отношений между двумя переменными. Он лежит в диапазоне от -1 до 1, и его абсолютное значение показывает силу отношения с большим значением, указывающим на более сильное отношение, низким значением, указывающим на отрицательное значение, и нулевым значением, указывающим на отсутствие отношения.
Квадрат R - это коэффициент определения, используемый в качестве показателя качества соответствия. Он находится в диапазоне от 0 до 1, а значение, близкое к 1, указывает на то, что модель хорошо подходит. В этом случае 0, 57 = 57% значений y объясняются значениями x.
Скорректированный квадрат R - это квадрат R, скорректированный на количество предикторов в случае множественной линейной регрессии.
Стандартная ошибка отображает точность регрессионного анализа.
Наблюдения отображают количество модельных наблюдений.
Anova рассказывает об уровне изменчивости в рамках регрессионной модели.

Обычно это не используется для простой линейной регрессии. Однако «Значения F значимости» указывают на то, насколько надежны наши результаты, при этом значение больше 0, 05 предлагает выбрать другого предиктора.

Коэффициенты являются наиболее важной частью, используемой для построения уравнения регрессии.

Итак, наше уравнение регрессии будет: у = 16, 891 х - 355, 32. Это то же самое, что сделано методом 1 (точечная диаграмма с линией тренда).

Теперь, если мы хотим предсказать средние медицинские расходы в возрасте 72 лет:

Итак, у = 16, 891 * 72 -355, 32 = 860, 832

Таким образом, мы можем предсказать значения y для любых других значений x.

Остатки указывают на разницу между фактическими и прогнозируемыми значениями.

Последний метод регрессии используется не так часто и требует статистических функций, таких как slope (), intercept (), correl () и т. Д. Для проведения регрессионного анализа.

Что нужно помнить о линейной регрессии в Excel

Регрессионный анализ обычно используется для определения статистически значимой взаимосвязи между двумя наборами переменных.
Он используется для прогнозирования значения зависимой переменной на основе значений одной или нескольких независимых переменных.
Всякий раз, когда мы хотим приспособить модель линейной регрессии к группе данных, следует тщательно соблюдать диапазон данных, как если бы мы использовали уравнение регрессии для прогнозирования любого значения за пределами этого диапазона (экстраполяция), тогда это может привести к неверным результатам.