Regn ut kvalitetsindikator for gjennomsnitt — aggreger_ki

Regner ut kvalitetsindikator med gjennomsnitt av kontinuerlige data, basert på et standard datasett for dette. Gir også ut konfidensintervall for gjenomsnittet.

Usage

aggreger_ki_snitt(d_ki_ind, konf_niva = 0.95, alfa = lifecycle::deprecated())

Arguments

d_ki_ind: Datasett som gitt ut av en standard KI-funksjon for numeriske/kontinuerlige data. Se detaljer nedenfor.
konf_niva: Konfidensnivå. Standardverdi er 0.95, som tilsvarer et 95 %-konfidensintervall.
alfa: Utdatert og erstatta av konf_niva (tilsvarande 1 - alfa). Vert fjerna i neste versjon av pakken.

Value

Ugruppert tibble eller data.frame (avhengig av inndataene) med følgende kolonner:

est: Kvalitetsindikatoren, dvs. gjennomsnittet av ki_x for radene som har sanne ki_aktuell-verdier (eventuelt per gruppe).
konfint_nedre: Nedre konfidensgrense for est.
konfint_ovre: Øvre konfidensgrense for est.
n_aktuell: Antall observasjoner som er inkludert i beregningen av est (antall sanne ki_aktuell).

I tillegg vil det være kolonner for alle grupperingsvariablene.

Details

Inndatasettet må inneholde minst de to variablene ki_x og ki_aktuell, der ki_x er den numeriske variabelen det skal beregnes gjennomsnitt for og ki_aktuell en logisk variabel som indikerer om observasjonen skal inkluderes i beregningen eller ikke. Se vignetten for kvalitetsindikatorar (vignette("ki-funksjonar", package = "rapwhale")) for mer detaljert informasjon, både om krav til gyldige inndata og om bruk.

Funksjonen gir ut aggregert datasett med estimert gjennomsnitt, konfidensintervall for estimatet, og antall observasjoner hvor ki_aktuell er sann. Dersom ingen ki_aktuell er sann eller konfidensintervallet ikke kan regnes ut (for eksempel fordi det bare finnes én observasjon i en gitt gruppe), vil konfidensgrensene være NA. Hvis inndataene er gruppert, blir resultatet regnet ut på gruppenivå, med én rad per gruppe.

Note

Konfidensintervallene blir regnet ut under forutsetning at dataene er normalfordelt. (De bruker den vanlege formelen basert på t-fordelingen.) Man bør altså være forsiktig med å stole mye på dem dersom de kommer fra andre fordelinger, spesielt usymmetriske fordelinger, med mindre antall observasjoner er så stort at sentralgrenseteoremet slår inn.

Examples

# Pakke for bruk av tibble-objekt og rør-operatoren
library(dplyr)

# Eksempeldata
d = tibble(
  pasid = 1:8,
  sykehus = rep(c("Haukeland", "Førde", "Voss"), times = c(3, 2, 3)),
  ki_x = c(6.23, 3.05, 12.2, 4.8, 1.2, NA_real_, 1.9, 7.4),
  ki_aktuell = c(TRUE, TRUE, TRUE, TRUE, FALSE, FALSE, TRUE, TRUE)
)

# Utregnet kvalitetsindikator for hele datasettet
aggreger_ki_snitt(d)
#> # A tibble: 1 × 4
#>     est konfint_nedre konfint_ovre n_aktuell
#>   <dbl>         <dbl>        <dbl>     <int>
#> 1  5.93          2.08         9.78         6

# Eventuelt med 90 %-konfidensintervall
aggreger_ki_snitt(d, konf_niva = 0.9)
#> # A tibble: 1 × 4
#>     est konfint_nedre konfint_ovre n_aktuell
#>   <dbl>         <dbl>        <dbl>     <int>
#> 1  5.93          2.91         8.95         6

# Gruppert på sykehusnivå
d |>
  group_by(sykehus) |>
  aggreger_ki_snitt()
#> # A tibble: 3 × 5
#>   sykehus     est konfint_nedre konfint_ovre n_aktuell
#>   <chr>     <dbl>         <dbl>        <dbl>     <int>
#> 1 Førde      4.8          NA            NA           1
#> 2 Haukeland  7.16         -4.38         18.7         3
#> 3 Voss       4.65        -30.3          39.6         2

# Merk at sykehusene ovenfor blir vist i alfabetisk rekkefølge,
# siden grupperingsvariabelen «sykehus» var en tekstvariabel.
# Hvis du vil ha en annen rekkefølge, gjør den om til faktor først.
d = mutate(d, sykehus = factor(sykehus,
  levels = c("Haukeland", "Førde", "Voss")
))
d |>
  group_by(sykehus) |>
  aggreger_ki_snitt()
#> # A tibble: 3 × 5
#>   sykehus     est konfint_nedre konfint_ovre n_aktuell
#>   <fct>     <dbl>         <dbl>        <dbl>     <int>
#> 1 Haukeland  7.16         -4.38         18.7         3
#> 2 Førde      4.8          NA            NA           1
#> 3 Voss       4.65        -30.3          39.6         2