针对计算后数据做一致性检验可以用Bland Altman法吗

Question

我的目标值是某个测量值的占比，即先测量两个值，在计算两者的ratio，请问这种计算后的数据该如何评价一致性呢 （连续变量）

Answer 1

🕒下午好，题主！目前：🟢[在线]
📢参考通义千问、由郭老师整理提供！
📣今日诗号：古来云海茫茫，八表神游，顶峰何在？行尽九洲四海，人间自有，谪仙风采。

Bland-Altman 分析法通常用于比较两种测量同一事物的方法，并检查它们之间的一致性。它关注的是两种方法之间测量结果的差异，而不是比率。

在你的情况下，由于你的目标值是两个测量值计算得到的比率，而不是直接测量得到的，因此直接使用 Bland-Altman 分析法并不合适。

以下是一些你可以考虑的替代方案以及代码示例：

1. 对数转换后进行 Bland-Altman 分析

• 你可以尝试对比率进行对数转换，使其更接近正态分布，然后对转换后的数据进行 Bland-Altman 分析。但需要注意的是，这种方法的解释需要谨慎，因为你是在分析对数转换后的比率的一致性，而不是原始比率的一致性。

import numpy as np
import pandas as pd
from statsmodels.formula.api import ols
import matplotlib.pyplot as plt

# 生成模拟数据
np.random.seed(123)
measurement1 = np.random.uniform(5, 15, 100)
measurement2 = measurement1 + np.random.normal(0, 1, 100)
ratio = measurement1 / measurement2

# 对比率进行对数转换
log_ratio = np.log(ratio)

# 计算平均值和差异
average = (log_ratio + log_ratio) / 2
difference = log_ratio - log_ratio

# 使用 Bland-Altman 图进行可视化
plt.figure(figsize=(8, 6))
plt.scatter(average, difference)
plt.axhline(y=np.mean(difference), color='r', linestyle='--', label='Mean difference')
plt.axhline(y=np.mean(difference) + 1.96 * np.std(difference), color='g', linestyle='--', label='95% Limits of Agreement')
plt.axhline(y=np.mean(difference) - 1.96 * np.std(difference), color='g', linestyle='--')
plt.xlabel('Average of log(Ratio)')
plt.ylabel('Difference of log(Ratio)')
plt.title('Bland-Altman Plot for log(Ratio)')
plt.legend()
plt.show()

# 使用回归分析评估一致性
data = pd.DataFrame({'average': average, 'difference': difference})
model = ols('difference ~ average', data=data).fit()
print(model.summary())

2. 使用其他一致性分析方法

• 组内相关系数 (ICC): ICC 可以评估两种测量方法之间的一致性程度，适用于你的目标值是计算得到的比率的情况。
• Lin's 一致性相关系数 (CCC): CCC 类似于 ICC，但它同时考虑了测量方法之间的一致性和偏差。

from statsmodels.stats.inter_rater import fleiss_kappa

# 使用示例数据（假设你已经有了两个测量值）
measurements = pd.DataFrame({
    'method1': [10, 12, 14, 16, 18],
    'method2': [11, 13, 15, 17, 19]
})

# 计算比率
measurements['ratio'] = measurements['method1'] / measurements['method2']

# 使用 Fleiss' kappa 计算一致性（示例，你也可以使用其他 ICC 或 CCC 函数）
kappa = fleiss_kappa(measurements[['method1', 'method2']].values)
print(f"Fleiss' kappa: {kappa}")

3. 直接分析两个测量值的一致性

• 与其分析比率，不如直接分析两个原始测量值之间的一致性。这可以通过 Bland-Altman 分析，ICC 或 CCC 来完成，具体取决于你的研究问题和数据特征。

# 使用示例数据
measurements = pd.DataFrame({
    'method1': [10, 12, 14, 16, 18],
    'method2': [11, 13, 15, 17, 19]
})

# 使用 Bland-Altman 分析
# ... （参考上面 Bland-Altman 代码示例）

# 使用 ICC 或 CCC
# ... （参考上面 ICC/CCC 代码示例）

请根据你的具体情况选择合适的分析方法。在进行任何分析之前，请确保你的数据满足所选方法的假设条件。