R&R Gage para atributos: tutorial en Excel

Este tutorial le mostrará cómo configurar e interpretar un Análisis Gage R&R (Reproductibilidad & Repetibilidad) para atributos en Excel utilizando el software XLSTAT.

Datos para ejecutar un análisis de atributos Gage R&R en Excel usando XLSTAT

Los datos corresponden a la evaluación del estado de salud de la piel de 15 pacientes por 5 evaluadores en dos repeticiones. El estado de salud de la piel se evalúa en una escala ordinal de 5 puntos: excelente, bueno, medio, malo, muy malo. Además, también se evaluaron las condiciones de la piel biológicamente con el fin de disponer de valores de referencia.

Los datos se almacenan en una tabla con formato observaciones / variables que consiste en una columna con los nombres de los evaluadores, una columna con las identificaciones de los pacientes, una columna con las mediciones realizadas por los evaluadores y una columna con los valores de referencia. Únicamente a título de información adicional, hay una quinta columna con las repeticiones.

Objetivo de este tutorial

El objetivo de este tutorial es llevar a cabo un estudio Gage R&R para atributos para controlar y juzgar un proceso de medición. En nuestro ejemplo, se busca evaluar la capacidad de 5 evaluadores para evaluar la condición de la piel de 15 pacientes utilizando una evaluación visual. Los resultados se compararon con los valores de referencia de la condición de la piel obtenidos mediante análisis biológico.

Configuración de un análisis de atributos Gage R&R

Para llevar a cabo el estudio R&R por Atributos, seleccione el comando XLSTAT / Control estadístico de procesos / Gage RR Atributos.

Aparece el cuadro de diálogo Gage R&R / Atributos..

En la pestaña General, en el Formato de los datos, seleccione Tabla observaciones/variables (una columna para todas las medidas). A continuación, en el campo Medidas, seleccione la columna Estimated State, y Ordinales como tipo de datos. Seleccione la columna Appraiser en el campo Operadores, la columna Patient en Partes. Acvive la opción Referencia y seleccione la columna Effective State en el campo Referencia.

Active la opción Etiquetas de las columnas, dado que la primera fila de las selecciones contiene los nombres de las columnas.

En la pestaña Opciones, active todos los estadísticos e introduzca 95 para fijar el intervalo de confianza.

En la pestaña Resultados, active la opción Acuerdo para mostrar el acuerdo en la evaluación.

En la pestaña Gráficos, active la opción Gráficos de acuerdo, así como las dos sub-opciones Intra-calificador y Calificador versus referencia.

Los cálculos empiezan una vez haya hecho clic en OK. Se le pedirá que confirme el número de filas y columnas (este mensaje puede evitarse dejando sin seleccionar la opción de confirmación de las selecciones en el panel de opciones de XLSTAT).

Interpretación de los resultados de un análisis de atributos Gage R&R en XLSTAT

Los resultados se muestran en cuatro secciones: Intra-operador, Entre operadores, Operador frente a referencia y Todos frente a referencia.

En todas las secciones, aparece en primer lugar la tabla de acuerdo en la evaluación. En la tabla de acuerdo Intra-operador, vemos que se evaluaron (fueron inspeccionados) 15 pacientes. Utilizando un nivel de confianza del 95%, vemos que Lea estuvo de acuerdo con ella misma en el 100.00% de las ocasiones, con un intervalo de confianza del 81.90% al 100.00%, mientras que Luis estuvo de acuerdo con él mismo solo en 8 pacientes, es decir, el 53.33%, con un intervalo del 26.59% al 78.73%.

La tabla de acuerdo en la evaluación se ilustra mediante el gráfico siguiente, que muestra la proporción de acuerdo alcanzado por cada evaluador consigo mismo, junto con el correspondiente intervalo de confianza.

La segunda tabla contiene el coeficiente kappa de Fleiss para cada operador y cada respuesta en las secciones Intra-operador y Operador frente a la referencia, así como para cada respuesta en las secciones Entre operadores y Todos frente a referencia.

En la sección Intra-operador, vemos que Lea muestra un kappa de Fleiss de 1.00. De hecho, ha obtenido un acuerdo total consigo misma. Luis muestra un kappa de Fleiss global de 0.3878, significativamente diferente de 0 (p < 0.05). Sin embargo, ese valor tan bajo demuestra un acuerdo pobre. Como regla general, se admite que valores de kappa mayores de 0.75 indican un acuerdo entre bueno y excelente.

La tercera tabla contiene el coeficiente kappa de Cohen para cada operador y cada respuesta en las secciones Intra-operador y Operador frente a referencia, así como para cada respuesta en las secciones Entre operadores y Todos frente a referencia.

La kappa de Cohen Intra-operador solo puede calcularse para cada operador si hay exactamente dos repeticiones en cada parte, y la kappa de Cohen Entre operadores solo puede calcularse si hay dos operadores con una única repetición.

Las Kappas de Cohen están de acuerdo con las kappas de Fleiss.

La cuarta tabla contiene el coeficiente de concordancia de Kendall en las secciones Intra-operador y Entre operadores, así como los coeficientes de correlación de Kendall en las secciones Operador frente a referencia y Todos frente a referencia.

Lea, Tim y Zoe tienen coeficientes de concordancia de Kendall de 1.00, lo que muestra una fuerte asociación entre las dos repeticiones. Peter muestra un coeficiente de concordancia de Kendall de 0.9869, lo que también demuestra una fuerte asociación. Estos 4coeficientes están asociados al valor de p < 0.05 y, por tanto, se rechaza la hipótesis nula de que el coeficiente es igual a 0. Luis tiene un coeficiente de concordancia de 0.5865 con un valor p de 0.2882 y, en consecuencia, no podemos rechazar la hipótesis nula.

Ahora vamos a echar un vistazo al coeficiente de correlación de Kendall Operador frente a referencia. Los resultados indican que existe una fuerte asociación entre las evaluaciones de Lea, Tim y Zoe y la referencia (coeficiente cercano a 1). La asociación entre las evaluaciones de Luis y la referencia es menor (0.6074), pero sigue siendo significativamente diferente de cero. Únicamente Peter muestra un coeficiente muy bajo (0.1078) con un valor p de 0.4491. En su caso, no podemos rechazar la hipótesis nula.

Referencia

AIAG. (2010). Measurement Systems Analysis (MSA) Reference Manual. 4th Edition, Chrysler, Ford, GM.