vuoi
o PayPal
tutte le volte che vuoi
INDICE DI PRESSIONE ESTERNA – ATTIVITÀ AMBULATORIALE
Dato un report come quello seguente, riguardo alcune prestazioni ambulatoriali (visita cardiologica, visita dermatologica, visita oculistica), sapendo che i tempi di attesa standard per queste visite è di 30 giorni, sappiamo le: offerte settimanali di prestazioni o prima disponibilità o n° pazienti in lista 1- Per prima cosa dobbiamo valutare l'INDICE DI PRESSIONE ESTERNA: utenti in lista/ offerta settimanale prestazioni Ovvero calcoliamo in quante settimane possiamo pensare di smaltire la lista di attesa; in questo caso, lo standard è di 4 settimane, ovvero un mese In questo caso avremo: visita cardiologica: entro gli standard per quanto riguarda il tempo di attesa e l'indice di pressione esterna visita dermatologica: entro gli standard per quanto riguarda il tempo di attesa, ma non nello standard per l'indice di pressione esterna, ciò significa che probabilmente, nel tempo, haaccumulato pazienti nella lista d'attesa. Probabilmente basterebbe incrementare le prestazioni fino a tornare a regime lo standard di attesa.
Visita oculistica: né il tempo di attesa né l'indice di pressione esterna sono entro gli standard. In questo caso possiamo andare a aumentare l'offerta.
Ma come calcolare l'offerta ottimale?
Offerta attuale : tempo di attesa standard = offerta ottimale x : tempo di attesa attuale
120 : 30 = offerta ottimale x : 45 -> x= (120*45)/30 -> 180 (abbiamo necessità di 180 visite, anziché 120 visite attuali)
ANALISI DI CLUSTER – DISTRETTI CON UN INDICATORE
L'analisi cluster ci serve per segmentare e raggruppare variabili o casi e classificarli in gruppi omogenei.
Nel nostro caso, abbiamo 7 distretti, con l'indice di performance (espresso in percentuale, legato ai tempi di attesa) e l'indice di offerta (prestazioni settimanali / popolazione di riferimento)*100000 abitanti.
ANALIZZA ->
CLASSIFICA -> CLUSTER GERARCHICO -> VARIABILI: indice di offerta e ETICHETTA: distretto -> STATISTICHE... flag matrice di prossimità e pianificazione (va ad aggregare dal più vicino al più lontano i vari distretti) diagglomerazione -> GRAFICI... dendrogramma -> METODO... Metodo cluster: legame completo ovvero vicino più lontano; Misura: intervallo: distanza euclidea (perché abbiamo un solo indicatore, euclidea al quadrato se più complessa); Standardizzazione: nessuno (perché abbiamo un solo indicatore). Guardando il dendogramma, possiamo inserire una linea verticale di divisione, che per convenzione viene di solito messa tra 10 e 15. Notiamo che si vengono a creare 3 rami: il primo raggruppa i primi tre distretti, il secondo raggruppa il 4° e il 5° e il terzo ramo raggruppa gli ultimi due distretti.
ANALIZZA -> CLASSIFICA -> CLUSTER GERARCHICO -> SALVA... Soluzione unica i tre cluster (poiché
èquello che ho trovato)Ora compare nell’ultima colonna la classificazione incluster: il 3 saranno i distretti con bassa offerta, l’1saranno i distretti con media offerta e i 2 saranno quellicon alta offerta.TRASFORMA -> RICODIFICA NELLE STESSE VARIABILI… -> seleziono la variabileche mi interessa (quella dei cluster creati) -> Valore a sinistra (valore che vogliotrasformare) per es. 3 -> diventa -> Valore a sinistra 1
Poi posso su ETICHETTA rinominare l’item, e su VALORI 1= bassa offerta; 2= mediaofferta; 3= grande offerta (se abbiamo compiuto il passaggio descritto in precedenzariguardo la ricodifica delle stesse variabili)
VALUTAZIONE AFFIDABILITA’ANALIZZA -> SCALA -> ANALISI DELL’AFFIDABILITA’ -> ELEMENTI (seleziono tutti gli items della scala) -> MODELLO flag sull’ α diCronbach -> STATISTICA: scala se l’elemento è eliminatoalpha di Cronbach
Il coefficiente èl'indice statistico più utilizzato per valutare l'affidabilità delle dimensioni di un test o di un questionario. Questo indice è compreso tra 0 ed 1 e lo puoi interpretare come indicatore della qualità dei punteggi di una dimensione. Un valore elevato dell'alpha di Cronbach, quindi vicino ad 1, indica che è presente un'alta affidabilità. Questo perché più il valore di alpha aumenta, più la percentuale di errore diminuisce. Solitamente, il valore di soglia è 0,8. In questo caso, l'alfa di Cronbach è 0.5, quindi lo strumento non è affidabile. Importante è valutare anche la correlazione ELEMENTO - TOTALE CORRETTA, qui, non dovrebbero essere presenti elementi negativi, come al contrario qui compaiono, per es. item 7. Queste affermazioni vanno dunque rovesciate. Dobbiamo calcolare una nuova variabile: TRASFORMA -> CALCOLA VARIABILE -> su tipo etichetta do un nome (es. "variabile_rovesciata").
- item 7) -> espressione numerica metto (1 + massimale scala Likert) – item7.
- Alla fine, i nuovi item creati, possono essere rinominati in forma positiva (per es. NONsono in grado di cambiare, diventa SONO disponibile al cambiamento).
- Gli items che hanno UNA CORRELAZIONE ELEMENTO – TOTALE CORRETTA BASSA,sono items poco significativi, poiché magari mal posti o troppo generici, quindipossiamo re-valutare l’affidabilità.
- ANALIZZA -> SCALA -> ANALISI DELL’AFFIDABILITA’ -> ELEMENTI (seleziono tutti gli items della scala tranne gli elementi con punteggio basso) ->MODELLO flag sull’ α di Cronbach -> STATISTICA: scala se l’elemento è eliminato.
- ANALISI FATTORIALE
- Nell’analisi fattoriale ci interessa capire le sottoscale al di sotto del costrutto.
- Per esempio, di uno strumento che va ad indagare la motivazione delle persone, cipotrebbe interessare capire come i vari items si possono raggruppare tra loro. Inletteratura,
infatti, esistono diversi orientamenti: all'obbiettivo, all'innovazione, alla leadership, alla relazione.
ANALIZZA -> RIDUZIONE DELLE DIMENSIONI -> FATTORIALE -> inseriamo tutti gli item, tranne eventualmente gli item negativi o che non correlavano, che sono emersi dall'analisi di validità -> DESCRITTIVE... descrittiva univariata e soluzione iniziale -> ESTRAZIONE... aggiungiamo il flag GRAFICO SCREE e numero fisso di fattori (fattori da estrarre 4) -> ROTAZIONE... Varimax -> OPZIONI... Ordina per dimensione e sopprimi coefficienti piccoli con soglia sotto il 30 (per es.)
Dallo scree plot, posso capire quanti fattori si vengono a creare, essi corrispondono al punto in cui la curva prende la piega.
Mentre dovremo considerare la tabella "Matrice dei componenti rotati". Dalla tabella, riesco a comprendere in quanti fattori posso suddividere il questionario, e dunque attribuire a ciascuno un nome.
Questa scelta deve essere
arbitraria e deve essere creata da un team di esperti.
A questo punto riaprendo ANALIZZA -> RIDUZIONE DELLE DIMENSIONI -> FATTORIALE posso andare su PUNTEGGI… e flaggo salva come variabili -> regressione
Se vado sui dati, in fondo, verranno creati i quattro fattori salvati, con i dati standardizzati, quindi considerando la media pari a 0.
CALCOLARE LA CORRELAZIONE LINEARE (LA RELAZIONI TRA VARIABILI)
ANALIZZA -> CORRELAZIONE -> BIVARIATA -> selezioniamo le variabili che vogliamo mettere a confronto -> flag sul coefficiente di correlazione r di Pearson -> test di significatività a due code (quando non abbiamo una chiara conoscenza del tipo di relazione) o a una coda -> OPZIONI… media e deviazione standard -> OK
Otteniamo una matrice di correlazione, in cui ogni variabile viene messa in correlazione con le altre variabili.
Vediamo che l'adesione terapeutica ha una correlazione piuttosto alta (0.5) con la proattività.
Mentre tra stili di vita e...
Gli altri due aspetti non sembrerebbe esserci alcuna correlazione. Se ho due gruppi di pazienti, per esempio diabetici e ipertesi, e li voglio confrontare sulla base delle stesse variabili, ovvero stili di vita, proattività, adesione terapeutica farò:
DATI -> FILE DI SUDDIVISIONE -> flag CONFRONTA GRUPPI -> seleziono i due gruppi (diabetici, ipertesi)
Poi ritorno su ANALIZZA -> CORRELAZIONE -> BIVARIATA -> dovrebbero essere già state salvate le opzioni -> OK
Per esempio, possono notare che nei pazienti ipertesi, c'è una forte correlazione con la proattività e una correlazione negativa con gli stili di vita.
REGRESSIONE LINEARE
ANALIZZA -> REGRESSIONE -> LINEARE -> variabile indipendente (pressione arteriosa) e variabile dipendente (l'età) -> STATISTICHE... Intervallo di confidenza
R-QUADRATO è la percentuale di variabilità spiegata dal modello. Quanto l'età è in grado di prevedere.
i valori di PAS.ANOVA REGRESSIONE: tutta la variabilità spiegata all'interno del modello (linee tratteggiate verdi)
IL RESIDUO O ERRORE è la parte non spiegata dal modello (ovvero i tratteggi rossi)
TOTALE: rapporto tra la somma dei quadrati
Il rapporto tra la MEDIA QUADRATICA della regressione e del residuo, ci dà il valore di F, che ha una significatività di 0,01
Il COEFFICIENTE T, dice che c'è una costante ad età 0 di una pressione di 68,60 e questa cresce di 1,4 ad ogni anno di età (sono i coefficienti non standardizzati).
La costante è l'intercetta, l'età è il coefficiente angolare.
MEDIAZIONE STATISTICA
1° step: andare a vedere la regressione lineare semplice tra la variabile indipendente (Supporto) e la variabile dipendente (% ore lavorate)
ANALIZZA -> REGRESSIONE -> LINEARE -> supporto (variabile indipendente); ore lavorate (variabile dipendente) -> OK
R QUADRATO è 0,513 quindi abbastanza significativo.
ANOVA è significativo. Ma ciò che ci interessa è che la relazione tra supporto e ore lavorate al mese è supportata da un coefficiente B STANDARDIZZATO di 0,7162°.
STEP: andare a vedere la regressione lineare semplice tra la variabile indipendente (Supporto) e la variabile mediatore (soddisfazione).
ANALIZZA -> REGRESSIONE -> LINEARE -> supporto (variabile indipendente); soddisfazione (variabile mediatore) -> OK.
3° STEP: andare a vedere la regressione lineare semplice tra la variabile indipendente...
Accedi a tutti gli appunti
Tutor AI: studia meglio e in meno tempo
