XLSTAT: Régression de Passing et Bablok

 

Comparaison de la performance des méthodes avec la régression de Passing et Bablok

Lors de la mise au point d'une nouvelle méthode pour mesurer la concentration ou la quantité d'un élément (molécule, micro-organisme, etc.), vous pouvez vouloir vérifier si elle donne des résultats similaires à une méthode de référence ou à méthode comparable.

Si une nouvelle méthode de mesure est moins chère qu’une méthode standard, il peut être intéressant de pouvoir comparer les résultats de ces deux méthodes. XLSTAT offre un outil pour évaluer la performance d’une méthode par rapport à une autre, c'est la régression de Passing et Bablok.

Passing et Bablok (1983) ont mis au point une méthode de régression qui permet de comparer deux méthodes de mesure qui s'affranchit des hypothèses lourdes et ici inappropriées de la régression linéaire simple classique.

Jeu de données pour la comparaison

Les données correspondent à une expérience médicale au cours de laquelle la concentration d'un anticorps est mesurée sur 8 souris soumises à 8 différentes doses d'une nouvelle molécule à l'essai. Pour chaque souris, un échantillon de sang a été prélevé et divisé en quatre sous-échantillons homogènes.

Deux méthodes sont chacune testées sur 2 des 4 sous-échantillons. La première méthode est actuellement considérée comme la référence, mais elle est beaucoup plus chère que la méthode testée. Notre objectif est de vérifier s'il est possible d'utiliser la nouvelle méthode au lieu de l’actuelle.

Paramétrer une comparaison

• Ouvrez XLSTAT

• Dans le ruban, cliquez sur Validation de méthodes > Régression de Passing et Bablok .

• Une fois le bouton cliqué, la boîte de dialogue apparaît.

• Dans l'onglet Général , vous pouvez alors sélectionner les données correspondant à la première puis à la seconde méthode.

• Dans l'onglet Options , choisissez la méthode Part I . Cette méthode d'estimation est la première méthode développée par Passing et Bablok (1983). Elle doit être utilisée lorsque les deux méthodes sont sur une échelle identique et qu'elles évoluent dans le même sens (corrélation positive entre X et Y).

• Lorsque vous cliquez sur OK , les calculs sont effectués et les résultats sont affichés.

Interprétation des résultats

Le premier tableau donne les statistiques descriptives pour les deux méthodes. La nouvelle méthode a une moyenne et une variance plus importante que la méthode de référence.

Ensuite, le tableau des coefficients du modèle est affiché.

 
La valeur de la constante est de -1,970 avec un intervalle de confiance comprenant le 0. Cette valeur mesure la différence systématique entre les méthodes. Comme l'intervalle de confiance comprend le 0, on ne peut pas rejeter l’hypothèse de différence systématique nulle.

Le coefficient de pente est égal à 1,214 avec un intervalle de confiance incluant la valeur 1. Cette valeur mesure la différence proportionnelle entre les deux méthodes. Comme l'intervalle de confiance comprend le 1, on ne peut pas rejeter l'hypothèse de différence proportionnelle nulle.

Il n'y a donc ni différence systématique, ni différence proportionnelle entre les deux méthodes. Le graphique de régression confirme cette interprétation.

Avant de pouvoir conclure que les deux méthodes ne sont pas différentes, il faut tester la linéarité de la relation. Pour cela on utilise un test de linéarité.

Ainsi, on ne rejette pas l'hypothèse de relation linéaire. On peut donc dire que les deux méthodes ne sont pas différentes et qu'on pourra privilégier l'application de la nouvelle méthode moins onéreuse.