Konstruktion av en risk-indexvariabel utifrån riskfaktorerriskfaktorer

För att kunna väga samman flera riskfaktorer i ett mått på risk krävs att man arbetar med en indexvariabel för risken. Jag har skapat ett additativt index för att mäta risken. Varje riskfaktor som är uppfylld ökar risk-indexvariabeln med 1 och om risk-indexvariabeln överstiger ett visst tröskelvärde så betyder det att modellen förutsäger att mannen kommer att använda fysiskt våld. Vilket tröskelvärde som man ska använda bestämmer man själv utifrån hur många felaktiga positiva respektive felaktiga negativa förutsägelser man kan acceptera.

3

För att på enkelt sätt kunna åskådliggöra vad som gör en risk-indexvariabel bättre än en annan förutsätter jag för tillfället att både risk-indexvariabeln (handlingar före separation) och utfallsvariabeln (fysisk våld efter separation) är dikotoma, det vill säga att de har enbart två möjliga värden, antingen är villkoren för dem uppfyllda, eller så är villkoren inte uppfyllda. Varje fall, varje mans handlingsmönster, kan då beskrivas med en ruta i en fyrfältstabell som tabell 8.2.

Tabell 8.2. Schema för bedömning av en risk-indexvariabel. Skuggade fält

represen-terar korrekta förutsägelser.

Mannen använde fysiskt våld efter separation

ja nej

Mannen utförde handlingarna i risk-indexvariabeln före separation

ja A B

nej C D

Varje man dyker upp i någon av cellerna A, B, C eller D (N = A + B + C + D). Fallen i A och fallen i D utgör de lyckade förutsägelserna. Männen i A-cellen uppfyllde kriterierna för risk-indexvariabeln och använde fysiskt våld efter separation. Männen i D-cellen uppfyllde inte kriterierna som ingår i risk-indexvariabeln och de använde inte heller fysiskt våld efter separation. Männen i B- och C-cellerna representerar misslyckade förutsägelser. I B-cellen återfinns män som man förväntade sig skulle använda fysiskt våld efter sepa-ration, men som inte gjorde det. I C-cellen samlas män som man trodde inte

skulle använda fysiskt våld efter separation men som gjorde det i alla fall.⁴

När man gör en riskbedömning och handlar utifrån den finns det två oli-ka sorters fel som riskbedömningen oli-kan leda till. Dessa fel motsvaras av B-respektive C-cellerna. B-cells felen innebär att man överskattar risken, man vidtar åtgärder för att höja sin säkerhet, eller, vilket kan vara ännu värre, oroar sig för våld, i onödan. C-cells felen innebär att man underskattar risken skyddar sig inte tillräckligt och blir mot sin förmodan utsatt för våld.

En perfekt risk-indexvariabel är sådan att B- och C-cellerna blir tomma, men för verkliga risk-indexvariabler är det ett orealistiskt mål, eftersom en faktor som gör en risk-indexvariabel bättre än en annan är att den baseras

4

Det finns förstås otaliga anledningar till varför den här enkla modellen misslyckas att förutsäga en del mäns beteende. Utan att försöka ringa in dem vill jag bara påpeka att en sådan anledning kan vara att enkättillfället för en del par låg alltför kort tid efter separationen och vissa män som här rapporteras som ”inget fysiskt våld efter separation” senare kan komma att använda fysiskt våld.

på ett litet antal frågor som den som är utsatt för risken själv ska kunna svara på. En kvinna som inte lever tillsammans med mannen torde veta lite om hans tankar, känslor, motiv, drömmar, möjligheter, relationer till andra människor, till platser, ja kort sagt sådant som avgöra om han vill och kan använda våld mot henne. Kvinnans kunskap om mannen och hans aktuella situation har lyfts fram som en anledning till att kvinnor inte separerar: så länge de lever ihop kan hon bedöma risken bättre (och eventuellt förbereda sig

på att skydda sig).⁵Även om kvinnans kontroll över mannen i detta avseende

delvis är illusorisk är avsaknaden av kunskap om mannen i samband med en separation högst reell.

Så, B- och C-cellerna kommer inte att vara tomma, men är någon av dem

viktigare att minimera än den andra?⁶ Ett svar på den frågan implicerar

en värdering av vilket som är värst: att utsättas för våld (C) eller oroa och skydda sig i onödan (B), och även om var och en kan hysa en viss värdering av hur illa det ena eller det andra är, vet vi ju inte hur mycket våld eller oro/skyddsåtgärder som det handlar om. Utfallsvariabeln, fysiskt våld i period 5, är uppfylld om mannen knuffat eller slagit kvinnan med öppen hand, men den kan också innebära att han skjutit kvinnan, eller försökt strypa henne. Eftersom detta är variabler som ingår i enkäten kan man förstås laborera med olika definitioner av utfallsvariabeln, till exempel att exkludera mildare fysiskt våld, men enkätmetoden utesluter att det grövsta våldet, det dödliga våldet inte kan ingå i modellen. Jag kommer att pröva att göra skillnad på grovt och milt våld längre fram, men till en början använder jag en dikotom utfallsvariabel.

Det finns två typer av mått på precision i det här sammanhanget den första typen av mått beskriver relationen mellan A och C samt mellan B och D, och den andra typen av mått beskriver relationen mellan A och B samt mellan C

och D.⁷Den första typen av mått kallas sensitivitet respektive specificitet, den

andra typen av mått kallas prediktiva värden (positiva respektiva negativa).

Sensitivitet definieras som _A+C^A , och anger hur stor andel av kvinnorna

5

Hydén, Kvinnomisshandel inom äktenskapet, s. 170

6Även om man inte vill prioritera någon av B eller C, finns det ändå två olika sätt att minimera dem: att minimera summan av dem, eller att minimera den av dem som blir högst.

7

Det är framför allt inom epidemologin som dessa mått används. Tillämpningen in-om epidemologin är test för sjukdin-omar. Testresultaten motsvarar i det här samman-hanget värdet på risk-indexvariabeln och sjukdomen motsvarar mannens våldsanvänd-ning. Anledningen till jag använder dem är för att kunna jämföra mina resultat med andra riskmodeller för våld, speciellt de som redovisas av Statens beredning för me-dicinsk bedömning (SBU), ”Riskbedömningar inom psykiatrin - kan våld i samhäl-let förutsägas?” http://www.sbu.se/Filer/Content0/Dokument/Riskbedomning_inom_ psykiatrin051006.pdf (2005).

som faktiskt blev utsatta för fysiskt våld efter separation som modellen hade placerat i riskgruppen. Hög sensitivitet innebär hög andel korrekta positiva förutsägelser och omvänt: om andelen falska negativa förutsägelser är stor blir sensitiviteten låg,

Specificitet anger hur stor andel av de kvinnor som inte blev utsatta för fysiskt våld efter separation som modellen hade placerat i gruppen utan risk. Hög specificitet betyder hög andel korrekta negativa förutsägelser. Om anta-let felaktiga negativa förutsägelser (B) är högt i förhållande till de korrekta negativa förutsägelserna (D) blir specificiteten låg, eftersom definitionen av

specificitet är: _D+B^D .

I en korstabell med samma struktur som tabell 8.2 på sidan 174 säger alltså begreppsparet sensitivitet/specificitet något om förhållanden inom

kolumner-na. För praktiska syften är dock förhållandena inom raderna av stort intresse

och när det gäller värderingar av riskmodeller anses dessa förhållanden vara

de viktigaste.⁸ Förhållandet inom raden som beskriver de positiva

förutsägel-serna kallas för det positivt prediktiva värdet (ppv) och defineras enligt _A+B^A .

Ju högre positivt prediktivt värde en modell har desto större chans att en positiv förutsägelse som modellen gör är korrekt. Om det positivt prediktiva värdet är lågt, är de flesta positiva förutsägelser falskt alarm. De negativt

pre-diktiva värdet (npv) definieras som _D+C^D . Ju högre npv, desto mindre risk att

en kvinna som enligt modellen inte löper risk för separationsvåld ändå utsätts för det.

Även om de prediktiva värdena är att föredra över sensitivitet/specificitet, i det att de säger något om chansen att en förutsägelse är korrekt, har de prediktiva värdena en negativ egenskap: de är känsliga för skillnader i bastalet, prevalensen, av utfallsvariabeln. I populationer där hälften av individerna har det ena värdet på utfallsvariabeln och den andra hälften har det andra värdet är det som lättast för en riskbedömningsmodell att uppnå höga prediktiva

värden (ppv samt npv).⁹ När det man mäter är mycket vanligt eller mycket

ovanligt blir ppv och npv lägre. Det innebär ett problem när man ska jämföra olika riskmodeller för våld, om de testas på populationer där våld inte är lika

vanligt blir jämförelserna osäkra.¹⁰

8

ibid., s. 15

9

ibid., s. 15

10

Vid jämförelser av olika studier används därför ofta, utöver ppv och npv, måttet Area Under the Curve (AUC). AUC varierar mellan 0,5 (ingen prediktionskraft) och 1 perfekt prediktionskraft. AUC värdet baseras på en ROC-analys, som går ut på att beskriva för olika tröskelvärden av testvariabeln (riskindexvariabeln) beskriva sensitiviteten och specificiteten i förutsägelserna. I en ROC-analys betraktas alltså sensitiviteten och spe-cificiteten som en funktion av tröskelvärdet, och ju bättre precision i förutsägelserna, desto större blir ytan under funktionens kurva.