Вторая тест полоска слабая: Слабая вторая полоска в тесте на беременность — возможные причины

Инструкции по тестированию на беременность | Early-Pregnancy-Tests.com

Пожалуйста, Закладка Инструкции для будущего использования

Для ознакомления с печатной версией инструкции по тестированию на беременность нажмите здесь.

ИНСТРУКЦИИ

1. Тест на беременность BFP можно проводить в любое время суток; однако, тестирование первой утренней мочи является предпочтительным.
2. Помочите в чистую, сухую чашку или контейнер.
3. Извлеките тестирующее устройство из пакета из фольги, надорвав его на выемке. Держите полоску за цветной конец. (Не прикасайтесь к концу стрелки; не прикасайтесь к контрольному окну / средней части полосы)
4. Удерживая полоску вертикально, погрузите конец полоски стрелками в образец. Не погружайтесь за линию MAX.
5. Извлеките полоску, когда образец переместится в тестовое окно (не менее 5 секунд). Положите полоску (МАКС. Стороной вверх) ровно на чистую, сухую, не впитывающую поверхность.

ЧТЕНИЕ ВАШИХ РЕЗУЛЬТАТОВ

Пока вы ждете своего результата, вы можете заметить, что по тест-полоске движется цветной раствор. Это нормально. Вам нужно подождать 10 минут, чтобы подтвердить результат. Тест не должен оцениваться через 30 минут. Точный цвет линии не важен.

1 линия = не беременна

Если в качестве контрольной линии отображается только 1 цветная линия, тест отрицательный, и вы можете предположить, что вы не беременны.

2 линии = беременна

Если появляются 2 цветные линии, 1 в качестве линии тестирования и 1 в качестве контрольной линии, тест положительный, и вы можете предположить, что вы беременны. Даже если линии очень светлые, можно предположить, что вы беременны.

Неверные результаты: Если контрольная линия не появляется, тест недействителен. Неправильные результаты могут указывать на то, что тест-полоска не была полностью насыщена мочой. В этом случае повторите тест не менее 5 секунд и подождите 10 минут, чтобы прочитать результаты.Если контрольной линии по-прежнему нет, тест недействителен, и вам следует провести повторную проверку на следующий день. Каждый тест предназначен для однократного использования и не должен использоваться повторно.

Что означают результаты

Положительный результат (2 строки) указывает на то, что ваша моча содержит ХГЧ (хорионический гонадотропин человека), и вы можете предположить, что вы беременны. Вам следует проконсультироваться с врачом, который лучше всех сможет проконсультировать вас по поводу правильного дородового ухода. Если вы принимаете лекарства, немедленно позвоните ему или ей и убедитесь, что это безопасно для вашего ребенка.

Отрицательный результат (1 строка в «Зоне контроля») означает, что ХГЧ не был обнаружен, и вы можете предположить, что вы не беременны. Если проходит неделя, а менструальный цикл все еще задерживается, вам следует пройти еще один тест на беременность BFP. Если результат в последующем тесте все еще отрицательный, маловероятно, что вы беременны. Тем не менее, поскольку могут быть связанные со здоровьем причины, по которым у вас нет менструации, вам следует немедленно обратиться к врачу.

Если у вас нерегулярный менструальный цикл, может быть трудно узнать день, когда вы пропустили месячные.Если ваш тест показал, что вы не беременны и у вас не начался менструальный цикл в течение нескольких дней, возможно, вы неправильно рассчитали свой цикл и должны использовать второй тест на беременность BFP.

ОГРАНИЧЕНИЯ ИСПЫТАНИЯ

Тест работает только при точном соблюдении инструкций. Несмотря на то, что тест является очень точным при выявлении беременности, может иметь место низкий уровень ложных результатов. Проконсультируйтесь с врачом, если вы получите неожиданные или противоречивые результаты теста. Определенные заболевания могут также привести к ложным или нерегулярным результатам теста.Следующие факторы не должны влиять на результаты теста: алкоголь, анальгетики (болеутоляющие), антибиотики и противозачаточные таблетки. Тест не должен использоваться после истечения срока годности, указанного на упаковке. Полоски для теста на беременность BFP точнее 99%.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

В. Как работает тест-полоска BFP на беременность?
A. Когда женщина беременна, ее организм вырабатывает специальный гормон беременности, известный как ХГЧ (хорионический гонадотропин человека).Этот гормон появляется в моче уже в первый день пропущенного менструального цикла. Положительный результат свидетельствует о том, что ваша моча содержит ХГЧ, и вы можете предположить, что вы беременны. Отрицательный результат означает, что ХГЧ не был обнаружен, и вы можете предположить, что вы не беременны.

В. Что если тестовая линия очень светлая, я беременна?
A. Да. Вы должны предположить, что вы беременны. Точный цвет линий не важен.

Q.Могут ли результаты измениться через определенное время?
A. Положительный результат теста может не измениться после его завершения и спустя несколько часов. Тем не менее, отрицательный результат теста не следует читать через 30 минут.

В. Что мне делать, если результат теста отрицательный и я все еще подозреваю, что я беременна?
A. Возможно, вы просчитались, когда у вас наступил срок. Если ваш период не начинается в течение недели, повторите тест.Если вы все еще получаете отрицательный результат, и ваш период еще не начался, вам следует обратиться к врачу.

В. Что если я не уверен насчет линии тестирования?
A. Если вы не уверены относительно линии тестирования, рекомендуется провести повторное тестирование через три дня с использованием другой тест-полоски.

В. Какие факторы могут дать ложноположительные результаты?
A. Положительный результат может наблюдаться, если у вас был выкидыш или вы родили в течение последних 8 недель (поскольку ХГЧ все еще может присутствовать в вашей системе).Некоторые лекарства, которые содержат ХГЧ или которые используются в комбинации с ХГЧ (такие как прегнил, Profasi, Pergonal, APL) и некоторые редкие медицинские состояния, такие как трофобластическая болезнь, опухоли островковых клеток и некоторые карциномы, также могут давать ложноположительные результаты. В этих случаях вам следует обратиться к врачу за помощью в интерпретации результатов теста.

Другие статьи теста на беременность

,

сильных и слабых тестов гипотез

Цель проверки гипотезы состоит в том, чтобы тщательно проверить, соответствуют ли предсказания, которые получены из научной теории, тщательному анализу. Не все прогнозы, которые мы можем проверить, одинаково интересны. Например, если исследователь просит две группы сообщить о своем настроении по шкале от 1 до 7, а затем прогнозирует, что разница между этими группами будет находиться в диапазоне от -6 до +6, мы заранее знаем, что это должно быть так , Никакой результат не может фальсифицировать прогноз, и поэтому поиск результата, который подтверждает прогноз, является тривиальным и пустой тратой времени.

Чтобы продемонстрировать, что наша теория имеет хорошее предсказательное обоснование, нам нужно разделить все возможные состояния мира на множество, которое предсказано нашей теорией, и множество, которое не предсказано нашей теорией. Затем мы можем собирать данные, и если результаты соответствуют нашему прогнозу (неоднократно, через исследования репликации), наша теория приобретает правдоподобие — похоже, она связана с истиной. Мы никогда не можем знать правду, но, подтверждая теоретические предсказания, мы можем надеяться приблизиться к ней.

Наиболее распространенным делением состояний мира, которое предсказывается, а не предсказывается теорией при проверке значимости нулевой гипотезы, является следующее: эффект точно равный нулю не предсказывается теорией, и все остальные эффекты принимаются для подтверждения теоретический прогноз. Здесь я хочу объяснить, почему это очень слабая проверка гипотез. В некоторых направлениях исследований это может быть довольно тривиальным прогнозом. К счастью, довольно легко выполнить гораздо более сильные проверки гипотез.Я также объясню, как это сделать на практике.

Рискованные прогнозы

Посмотрите на три круга ниже. Каждый круг представляет все возможные результаты эмпирического теста теории. Синяя линия иллюстрирует состояние мира, которое наблюдалось. Линия могла упасть в любом месте круга. Мы провели исследование и нашли один конкретный результат. Черная область в круге представляет состояния мира, которые будут интерпретироваться как фальсификация нашего прогноза, тогда как белая область интерпретируется как состояния в мире, которые будут интерпретироваться как подтверждение нашего прогноза.

На рисунке слева только крошечная доля государств мира подделает наше предсказание. Это представляет собой проверку гипотезы, в которой только бесконечно малая часть всех возможных состояний мира не соответствует прогнозу. Типичным примером является двусторонний тест значимости нулевой гипотезы, который запрещает (и пытается отклонить) только состояние мира, в котором истинный размер эффекта равен нулю.

В среднем круге 50% всех возможных результатов опровергают прогноз, а 50% подтверждают его.Типичным примером является односторонний тест с нулевой гипотезой. Если вы прогнозируете, что среднее больше нуля, это предсказание искажается всеми государствами мира, где истинный эффект либо равен нулю, либо меньше нуля. Это означает, что половина всех возможных состояний мира больше не может быть интерпретирована как подтверждение вашего прогноза. Синяя линия или наблюдаемое состояние мира в эксперименте попадает в белую область для среднего круга, поэтому мы все еще можем заключить, что прогноз поддерживается.Тем не менее, наш прогноз был уже немного более рискованным, чем в круге слева, представляющем двусторонний тест.

В сценарии в правильном круге почти все возможные результаты не соответствуют нашему прогнозу — только 5% круга — белые. Опять же, синяя линия, наш наблюдаемый результат, падает в эту белую область, и наш прогноз подтверждается. Однако теперь наш прогноз подтверждается в очень рискованном тесте. Было много способов ошибиться, но мы были правы, несмотря ни на что.

Хотя наше предсказание подтверждается во всех трех вышеописанных сценариях, философы науки, такие как Поппер и Лакатос, будут наиболее впечатлены после того, как ваше предсказание выдержит самый серьезный тест (то есть в сценарии, показанном правым кружком). Наш прогноз был наиболее конкретным: 95% возможных результатов были оценены как фальсифицирующие наш прогноз, и только 5% возможных результатов были бы интерпретированы как поддержка нашей теории. Несмотря на это большое препятствие, наш прогноз подтвердился.Сравните это со сценарием слева — почти любой результат поддержал бы нашу теорию. То, что наш прогноз подтвердился по сценарию в левом круге, вряд ли удивительно.

Систематический шум

Сценарий слева, где только очень малая часть всех возможных результатов рассматривается как фальсификация прогноза, очень похож на то, как люди обычно используют тесты значимости нулевой гипотезы. В тесте значимости нулевой гипотезы любой эффект, который не равен нулю, интерпретируется как поддержка теории.Это впечатляет? Это зависит от возможных состояний мира. Согласно Meehl, есть много ситуаций, когда тесты значимости нулевой гипотезы выполняются, но истинная разница вряд ли будет точно нулевой. Миль особенно обеспокоен исследованиями, где есть место для систематического шума или грубого фактора.

Систематический шум можно исключить только в идеальном эксперименте. В этом идеальном эксперименте существует идеальное случайное распределение условий, и только одна вещь может вызвать разницу, например, в рандомизированном контролируемом исследовании.Совершенство, как известно, трудно достичь на практике. В любом близком к идеальному эксперименту могут быть крошечные факторы, которые, хотя и не являются главной целью эксперимента, приводят к различиям между экспериментальным и контрольным состоянием. Участники в экспериментальном состоянии могут читать больше слов, отвечать на больше вопросов, нуждаться в большем количестве времени, должны думать глубже или обрабатывать более новую информацию. Любая из этих вещей может немного сместить истинный размер эффекта от нуля — без связи с независимой переменной, которой исследователи хотели манипулировать.Вот почему Meehl называет это систематическим шумом, а не случайным шумом: разница достоверна, но не из-за того, что вас теоретически интересует.

Многие эксперименты даже не близки к идеальным и, следовательно, имеют много места для систематического шума. , И затем есть много исследований, где нет даже случайного назначения условий, но где данные являются корреляционными. В качестве примера корреляционных данных подумайте об исследовании, изучающем различия между женщинами и мужчинами. Если мы рассмотрим различия между мужчинами и женщинами, предметы в нашем исследовании не могут быть случайным образом отнесены к условию.В таких неэкспериментальных исследованиях возможно, что «все связано со всем». Например, мужчины в среднем выше, чем женщины, и, как следствие, мужчины чаще просят выбрать предмет с высокой полкой в ​​супермаркете, чем наоборот. Если затем мы спросим мужчин и женщин, «как часто вы помогаете незнакомцам», эта средняя разница в росте оказывает на их реакцию незначительное, но систематическое влияние. В этом конкретном случае систематический шум перемещает среднюю разницу от нуля до немного более высокого значения для мужчин — но неизвестное число других источников систематического шума играет роль, и они взаимодействуют, что приводит к неизвестной окончательной истинной разнице в населении, которая очень вряд ли будет ровно ноль.

Я думаю, что есть эксперименты, которые для всех практических целей достаточно контролируются, чтобы сделать нулевую гипотезу действительной и реалистичной моделью для проверки. Тем не менее, я также думаю, что эти эксперименты намного более ограничены, чем нынешнее широкое использование тестирования нулевой гипотезы. Есть много экспериментов, в которых проводится проверка против нулевой гипотезы, в то время как нулевая гипотеза не является разумной для развлечения, и мы не можем ожидать, что разница будет точно нулевой.

В этих исследованиях (например,например, как в эксперименте, изучающем гендерные различия выше), гораздо более впечатляюще иметь теорию, которая способна предсказать, насколько велик эффект (приблизительно). Другими словами, мы должны стремиться к теориям, которые делают точечные прогнозы, или немного более разумно, учитывая, что большинству наук трудно предсказать единственное точное значение, предсказания диапазона.

Предсказания диапазона

Создание более рискованных прогнозов диапазона имеет некоторые важные преимущества по сравнению с широко распространенным использованием тестов с нулевой гипотезой.Эти преимущества означают, что даже если тест с нулевой гипотезой оправдан, было бы предпочтительным, если бы вы могли проверить прогнозирование диапазона.

Более рискованный прогноз делает вашу теорию более правдоподобной. Вы будете получать больше кредитов в дротиках, когда правильно прогнозируете, что попадете в яблочко, чем когда вы правильно прогнозируете, что попадете на доску. Точно так же вы получаете больше доверия к предсказательной силе вашей теории, когда вы правильно предсказываете, что эффект будет находиться в пределах от 0,5 до 8 баллов по 10-балльной шкале, чем когда вы прогнозируете, что эффект будет больше, чем средняя точка шкалы.Теория позволяет вам делать прогнозы, а хорошая теория позволяет вам делать точные прогнозы.

Прогнозы диапазона позволяют вам разработать исследование, которое может быть сфальсифицировано на основе четких критериев. Если вы укажете границы, в которые должен попадать эффект, любой эффект, меньший или больший, будет искажать прогноз. Для традиционного теста с нулевой гипотезой эффект 0,0000001 будет по-прежнему падать в возможных государствах мира, которые поддерживают теорию. Однако практически невозможно сфальсифицировать такие крошечные отличия от нуля, поскольку для этого потребуются огромные ресурсы.

Чтобы повысить фальсифицируемость психологических исследований, нижняя граница предсказания диапазона может использоваться как наименьший размер эффекта, представляющий интерес. Разработка исследования, обладающего высокой мощностью для этого наименьшего интересующего размера эффекта (например, d Коэна, равного 0,1), приведет к информативному результату. Если порог для наименьшего размера интересующего эффекта действительно настолько близок к нулю (например, 0,0000001), что у исследователя нет ресурсов для разработки мощного исследования, которое могло бы опровергнуть этот прогноз.Указание этого прогнозирования диапазона все еще полезно, потому что тогда всем ясно, что у нас нет ресурсов, чтобы фальсифицировать этот прогноз.

Многие критические замечания по p-значениям в тестах с нулевой гипотезой исчезают, когда p-значения рассчитываются для прогнозирования диапазона. В традиционном тесте гипотезы с хотя бы некоторым систематическим шумом (то есть истинный эффект немного отличается от нуля) все исследования, где нулевое значение не совсем верно, приведут к значительному эффекту при достаточно большом размере выборки.Это делает его скучным прогнозом, и мы в конечном итоге констатируем, что существует «значительная» разница для крошечных нерелевантных эффектов. Я ожидаю, что эта проблема станет более важной, поскольку теперь легче получить доступ к Большим данным.

Однако мы не хотим, чтобы какой-либо эффект стал статистически значимым — мы хотим, чтобы теоретически значимые эффекты были значительными, но не теоретически несущественными эффектами. Прогноз диапазона достигает этого. Если мы ожидаем эффекты от 0,1 до 0,3, эффект 0.05 может статистически отличаться от 0 в огромной выборке, но это не поддерживает наш прогноз. Чтобы обеспечить поддержку прогнозирования диапазона, ваш прогноз должен быть точным.

Предсказания диапазона испытаний на практике

В тесте нулевой гипотезы (представленном ниже) мы сравниваем данные с гипотезой о том, что разница равна 0 (обозначена пунктирной вертикальной линией в 0). Тест дает p = 0,047 — если мы используем уровень альфа 0.05, это чуть ниже альфа-порога. Наблюдаемая разница (обозначенная квадратом) имеет доверительный интервал, который колеблется от почти 0 до 1,69. Мы можем отвергнуть ноль, но кроме этого, мы многому не научились.

В приведенном выше примере мы тестировали против средней разницы 0. Но нет никаких причин, по которым тест гипотезы должен быть ограничен тестом против средней разницы 0. Meehl (1967 — да, это более 40 лет назад !) сравнил использование статистических тестов в психологии и физике и отмечает, что в физике исследователи делают точечные прогнозы.Например, скажем, теория предсказывает среднюю разницу в 0,35. Предположим, что эффекты меньше 0,1 считаются слишком малыми, а эффекты больше 0,6 считаются слишком большими. Обратите внимание, что границы оказываются симметричными относительно ожидаемого размера эффекта (0,35 ± 0,25), но вы можете устанавливать границы там, где вам нравится. Также вполне допустимо не указывать верхнюю границу (в этом случае вы выполняете тест минимальных эффектов, где вы стремитесь отклонить эффекты, меньшие, чем нижняя граница).

Если вы узнали о проверке эквивалентности (см. Lakens, Scheel, & Isager, 2018), вы можете распознать практику определения границ эквивалентности и проверки возможности отклонения эффектов за пределами этого диапазона эквивалентности. В большинстве тестов на эквивалентность границы устанавливаются так, чтобы они приходились на любой размер 0 (например, от -0,3 до 0,3), и цель состоит в том, чтобы отклонить эффект, который достаточно велик, чтобы иметь значение, чтобы мы могли заключить, что эффект практически эквивалентен нуль.

Но вы можете использовать тесты эквивалентности для проверки любого диапазона.Если вы задаете границы в диапазоне от 0,1 до 0,6, вы можете использовать, например, пакет TOSTER, чтобы проверить, эквивалентен ли наблюдаемый эффект диапазону значений, которые вы прогнозировали. Ниже вы видите гипотетический результат для эксперимента с n = 254 в двух условиях, где оценки по 7-балльной шкале были собраны из экспериментальной группы (M = 5,25, SD = 1,12) и контрольной группы (M = 4,87, SD = 0,98). Наблюдается средняя разница 0,38, что близко к нашему прогнозируемому значению 0,35. Мы можем настроить тест на эквивалентность, чтобы проверить, можем ли мы сделать статистический вывод о том, что мы можем отклонить размеры эффекта за пределами предсказанного нами диапазона.Мы можем использовать пакет TOSTER, чтобы проверить, можем ли мы отклонить наличие эффектов меньше 0,1 и больше 0,6. Приведенный ниже код выполняет тест для нашего прогнозирования диапазона: библиотека

(TOSTER)
TOSTtwo.raw (m1 = 5,25,
м2 = 4,87,
SD1 = 1,12,
SD2 = 0,98,
n1 = 254,
n2 = 254,
low_eqbound = 0,1,
high_eqbound = 0,6,
alpha = 0,05,
var.equal = FALSE)

Результаты показывают, что мы не можем просто отклонить среднюю разницу 0, мы также можем статистически отклонить значения меньше 0.1 и больше 0,6:

При использовании альфа = 0,05 критерий эквивалентности на основе t-критерия Уэлча был значимым, t (497,2383) = -2,355984, р = 0,009430463

Мы сделали более рискованный прогноз, чем традиционный двух- Проверка гипотезы, и наш прогноз подтвердился — впечатляет!

Обратите внимание, что хотя Мейл предпочитает точечные прогнозы, лежащие в пределах определенной границы, он не полностью отвергает использование проверки значимости нулевой гипотезы. Когда он спрашивает: «Правильно ли когда-либо использовать тесты значимости нулевой гипотезы?», Он отвечает «Конечно, это так» (Meehl, 1990).Бывают времена, например, на самых ранних этапах исследований, когда у исследователей нет достаточно хороших моделей или надежных существующих данных, чтобы делать точечные прогнозы. В других случаях две конкурирующие теории не являются более точными, чем одна предсказывает, что крысы в ​​лабиринте чему-то научатся, в то время как другая теория предсказывает, что крысы ничему не научатся. Как пишет Миль: «Когда я был психологом на крысах, я безоговорочно использовал тестирование значимости в экспериментах с латентным обучением; Оглядываясь назад, я не вижу причин обвинять себя в том, что я сделал это в свете моих нынешних методологических взглядов.”

Нет хороших или плохих статистических подходов — все статистические подходы — просто ответы на вопросы. Важно задать наилучший вопрос. Имеет смысл разрешить традиционные тесты с нулевой гипотезой на ранних этапах исследований, когда теории не делают более конкретных предсказаний, чем то, что произойдет «что-то». Но мы также должны подтолкнуть себя к разработке теорий, которые делают более точные предсказания дальности, а затем проверить эти более конкретные предсказания. Более зрелые теории должны быть в состоянии предсказать эффекты в некотором диапазоне — даже когда эти диапазоны относительно широки.

Чем уже прогнозируемый диапазон, тем меньше должен быть доверительный интервал, чтобы иметь высокую вероятность попадания в границы эквивалентности (или иметь большую мощность для теста эквивалентности). Сбор гораздо большего объема выборки с прямыми реальными затратами, связанными с реальным миром, может не сразу почувствовать себя стоящим, просто ради высокой награды более высокой правдоподобности (философы концепции даже не знают, как количественно оценить!).

Но думать о проверке гипотез как о предсказаниях дальности — полезный навык.Двусторонний тест с нулевой гипотезой устанавливает диапазон предсказаний в любом месте, кроме нуля. Односторонний тест делит пополам все возможные состояния мира, которые предсказаны. Это очень эффективный способ получения правдоподобия — действительно, потому что теперь вы можете делать ошибку Типа 1 только в одном направлении, вы даже получаете преимущество небольшого увеличения мощности при выполнении одностороннего теста. Вы могли бы даже пойти еще дальше, и вместо того, чтобы сравнивать со значением 0, признать, что может быть какой-то систематический шум, который вас не интересует, и протестировать против эффекта 0.05 (известный как тест минимальных эффектов). И, наконец, если у вас есть хорошая теория и вы видите ценность в подтверждении точечного прогнозирования, вы можете попытаться собрать достаточно данных для проверки прогнозирования диапазона (например, разница между 0,3 и 0,6). Все эти тесты используют одну и ту же философскую и статистическую структуру, но делают все более узкие прогнозы. Тщательное обдумывание диапазона эффектов, которые вы хотите подтвердить или фальсифицировать, и реже полагаться на двусторонние тесты с нулевой гипотезой сделают ваши тесты на гипотезы намного сильнее.

Рекомендации

Lakens, D., Scheel, A.M. & Isager, P.M. (2018). Тестирование эквивалентности для психологического исследования: учебное пособие. Достижения в области методов и практики в области психологии, 2515245918770963. https://doi.org/10/gdj7s9

Meehl, P. E. (1967). Тестирование теории в психологии и физике: методологический парадокс. Философия науки, 103–115.

Meehl, P.E. (1990). Оценка и внесение изменений в теории: стратегия защиты Лакатосиана и два принципа, которые ее оправдывают.Психологический запрос, 1 (2), 108–141.

,