Skala Tinetti – analiza wyników i przewidywanie upadków

Autor: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 26 października 2026

Czym jest skala Tinetti

Skala Tinetti, w literaturze najczęściej Performance-Oriented Mobility Assessment (POMA), to test, w którym osoba badająca ocenia równowagę i chód osoby starszej podczas prostych zadań. Wywodzi się z pracy Mary Tinetti z 1986 roku o ocenie problemów z poruszaniem się u starszych pacjentów (Tinetti, 1986). Według karty w bazie Rehabilitation Measures Tinetti chciała, by test nie wymagał sprzętu ani długiego szkolenia, był rzetelny i odzwierciedlał codzienne zmiany pozycji i sposób chodzenia (Shirley Ryan AbilityLab, 2014).

Ten wpis nie uczy przeprowadzania badania. Pokazuje, co zrobić z wynikami w pracy dyplomowej, gdy pytanie dotyczy ryzyka upadku: jak opisać wynik ogólny i podskale, sprawdzić trafność zbieżną, policzyć krzywą ROC i dlaczego „optymalny” próg z własnych danych wychodzi zbyt dobrze. Rozkład z efektem sufitu, rzetelność i analizę przed i po omówiliśmy już na przykładzie Skali Równowagi Berga i testu Timed Up and Go, więc tutaj tylko do nich odsyłamy.

Wersje i punktacja: najpierw ustal, której używasz

Najważniejsza uwaga metodologiczna dotyczy wersji. Köpke i Meyer (2006) przejrzeli 37 publikacji o teście Tinetti i upadkach. Znaleźli duże różnice w nazwie narzędzia, liczbie i treści pozycji, sposobie punktacji i punktach odcięcia, a tytuł ich pracy porównuje tę sytuację do wieży Babel. Wynik „24 pkt w skali Tinetti” nic nie znaczy, dopóki nie wiadomo, o którą wersję chodzi.

Najczęściej opisywana jest wersja 16-pozycyjna z maksimum 28 pkt. Karta narzędzia podaje dla niej następujące parametry (Shirley Ryan AbilityLab, 2014):

Karta opisuje ocenę pozycji jako skalę 0–2. Maksima podskal (16 i 12 pkt) są jednak mniejsze niż dwukrotność liczby pozycji, więc część pozycji ma węższy zakres. Kryteria punktacji każdej pozycji weź z oryginalnego formularza, a nie z pamięci. W pracy podaj nazwę wersji, liczbę pozycji, maksimum i źródło formularza. Jeśli korzystasz z polskiego tłumaczenia, sprawdź, kto je przygotował i której wersji dotyczy. Wynik ogólny i dwie podskale raportuj razem, bo opisują różne aspekty sprawności.

Badanie przykładowe

Liczby pochodzą z symulowanych danych. U 180 mieszkańców domów pomocy społecznej w wieku 65+ wykonano POMA (wersja 16-pozycyjna) i test TUG. Przez kolejne 12 miesięcy personel rejestrował upadki. Zmienna wynikowa to co najmniej jeden upadek (tak/nie). Dane możesz pobrać jako plik skala-tinetti-dane-przyklad.csv (kolumny poma_b, poma_g, poma_t, tug, upadek). Kod jest w sekcji Przykład w R.

Krok 1. Opisz wynik ogólny i podskale

Wszystkie trzy rozkłady są lewoskośne, więc obok średniej podaj medianę i IQR. Maksymalny wynik w podskali chodu miała prawie co piąta osoba (19.44%). Karta narzędzia przytacza podobną obserwację: efekt sufitu POMA-G na poziomie 21.2% w badaniu Fabera i in. (2006). Podskala chodu słabo więc różnicuje osoby sprawniejsze. Skutki sufitu dla analizy zmiany pokazujemy we wpisie o skali Berga.

Krok 2. Trafność zbieżna z innym testem

Jeśli masz drugi pomiar sprawności, sprawdź, czy wyniki idą w oczekiwanym kierunku. Wyniki są porządkowe i skośne, więc użyj korelacji Spearmana z przedziałem bootstrapowym. Podskale równowagi i chodu korelowały ze sobą, ρ = .68, 95% CI [.59, .76]. Wynik ogólny korelował z czasem TUG ujemnie, ρ = −.66, 95% CI [−.74, −.54]: lepsza ocena w POMA szła w parze z krótszym czasem. Taki wynik to argument za trafnością zbieżną. Faber i in. (2006) podają dla wyniku ogólnego i podskali równowagi zadowalającą trafność zbieżną z innymi testami sprawności, a dla podskali chodu słabszą.

Krok 3. Porównaj osoby z upadkiem i bez upadku

Upadek w ciągu roku miało 77 osób, a 103 nie upadły. Mediana POMA-T wyniosła 18 pkt [12, 23] w pierwszej grupie i 23 pkt [19, 25] w drugiej. Test Manna–Whitneya wskazał istotną różnicę, W = 5402, Z = −4.16, p < .001, r = .31. Rysunek 1 pokazuje jednak, że rozkłady w dużej części się pokrywają. Wiele osób z dobrym wynikiem upadło, a wiele osób ze słabym nie upadło. Różnica średnich nie mówi jeszcze, czy test dobrze przewiduje upadek u konkretnej osoby. Więcej o samym teście piszemy we wpisie testy nieparametryczne krok po kroku.

Krok 4. Regresja logistyczna: wynik jako zmienna ciągła

Zamiast dzielić osoby na grupy „ryzyka”, możesz modelować prawdopodobieństwo upadku jako funkcję całego wyniku. W regresji logistycznej wygodnie jest wyrazić efekt na 5 pkt POMA-T. Każde 5 pkt więcej wiązało się z niższą szansą upadku, OR = 0.55, 95% CI [0.41, 0.71], p < .001. W drugą stronę: 5 pkt mniej to szansa wyższa 1.83 raza, 95% CI [1.40, 2.43]. Interpretację współczynników i założenia modelu opisuje poradnik regresja logistyczna krok po kroku. Przy innych predyktorach, np. wieku, lekach czy przebytych upadkach, dodaj je do modelu zamiast analizować POMA w izolacji.

Krok 5. Krzywa ROC i pole pod krzywą

Krzywa ROC pokazuje, jak zmieniają się czułość i odsetek fałszywych alarmów przy wszystkich możliwych progach (rysunek 2). Pole pod krzywą (AUC) to prawdopodobieństwo, że losowo wybrana osoba, która upadła, ma gorszy wynik niż losowo wybrana osoba bez upadku (Hanley i McNeil, 1982). W przykładzie AUC wyniosło .68, 95% CI [.60, .76], dla wyniku ogólnego, .67 [.58, .75] dla równowagi i .67 [.60, .75] dla chodu. To trafność umiarkowana, zgodna z literaturą. Faber i in. (2006) uznali dokładność POMA-T w przewidywaniu upadków za słabą. W metaanalizie Parka (2018) żadne z ocenianych narzędzi, w tym skala równowagi Tinetti, nie miało wystarczająco wysokiej trafności prognostycznej, a autor zaleca łączenie dwóch narzędzi.

Krok 6. Progi z literatury i ich czułość

Karta narzędzia przytacza dla wyniku ogólnego m.in. próg 19 pkt z badania Fabera i in. (2006) i 21 pkt z pracy zespołu Sterke (Shirley Ryan AbilityLab, 2014). Raîche i in. (2000) opisali próg 36 pkt, ale w innej wersji punktacji skali równowagi. Przy nim czułość wyniosła 70%, a swoistość 52%. Próg można stosować tylko w tej wersji narzędzia, dla której go wyznaczono. Sprawdź też w źródle, czy sama wartość progowa należy do grupy ryzyka. Tabela pokazuje, jak w przykładzie zmieniają się czułość i swoistość dla reguły „wynik ≤ k”.

Podniesienie progu zwiększa czułość kosztem swoistości. Przy regule ≤ 21 wykrytych zostało 70.1% osób, które upadły, ale swoistość spadła do .602, więc wynik dodatni miała też spora część osób bez upadku. Wartości predykcyjne zależą od tego, jak często upadki zdarzają się w badanej grupie, więc nie przenoś ich do populacji o innej częstości upadków. Próg przesiewowy nie jest rozpoznaniem ani prognozą dla konkretnej osoby. Daje tylko sygnał do pełniejszej oceny.

Krok 7. Próg „optymalny” z własnych danych jest zbyt optymistyczny

W pracach często wybiera się próg maksymalizujący indeks Youdena (czułość + swoistość − 1). W przykładzie był to wynik ≤ 18 pkt, J = .312. Ten sam zbiór danych posłużył jednak do wyboru progu i do jego oceny, więc wynik jest zawyżony. Leeflang i in. (2008) pokazali, że taki wybór daje zbyt optymistyczne czułość i swoistość, zwłaszcza w małych próbach. Optymizm można oszacować bootstrapem: w każdej z 1000 prób wybieramy próg na nowo i sprawdzamy go na danych oryginalnych. Optymizm wyniósł .041, więc skorygowany J to .272.

Jeszcze ważniejsza jest niestabilność samego progu. W próbach bootstrapowych 18 pkt wybrano w 36.8% przypadków, 21 pkt w 26.6%, 22 pkt w 11.3%, 17 pkt w 10.1%, a 14 pkt w 7.6%. Przy 180 osobach „optymalny” próg mógłby więc równie dobrze wynosić 14 albo 22. Nie ogłaszaj go jako nowego punktu odcięcia. Podaj AUC z przedziałem ufności, a próg traktuj jako opis własnej próby. Altman i Royston (2006) przypominają też, że zamiana wyniku ciągłego na dwie kategorie powoduje utratę informacji i mocy. Jeśli możesz, analizuj więc POMA jako zmienną ciągłą, tak jak w kroku 4. Ogólne zasady opisuje hasło punkt odcięcia.

A co z rzetelnością i zmianą?

Gdy POMA mierzysz dwa razy, np. przed programem ćwiczeń i po nim, potrzebujesz rzetelności i błędu pomiaru. Faber i in. (2006) uznali rzetelność międzyoceniającą i test–retest wyniku ogólnego i podskali równowagi za dobrą (R = .74–.93), a podskali chodu – za nieco niższą. Według ich analizy zmiana u pojedynczej osoby powinna wynieść co najmniej 5 pkt, aby uznać ją za rzetelną (MDC). Na poziomie grupy 30 osób wystarczy co najmniej 0.8 pkt. Własne MDC policzysz w kalkulatorze RCI i MDC, plan badania rzetelności opisuje poradnik badanie rzetelności pomiaru klinicznego, a różnicę między MDC i MCID – wpis RCI, MDC i MCID. Lęk przed upadkiem, który często mierzy się obok testów sprawności, omawia wpis o FES-I.

Wzór opisu w pracy

Liczby pochodzą z przykładu na danych symulowanych. W nawiasach kwadratowych uzupełnij informacje o swojej wersji.

Jeśli analiza testów funkcjonalnych sprawia Ci trudność, możemy sprawdzić Twoje obliczenia i wyjaśnić je tak, żebyś mógł lub mogła je samodzielnie obronić – zobacz analizy statystyczne dla studentów. Szerszy kontekst badań klinicznych znajdziesz w przewodniku badania kliniczne i pomiar przed i po.

# B134 – Skala Tinetti (POMA, wersja 16 pozycji, 0–28 pkt): opis wyników, trafność zbieżna, przewidywanie upadków
# (dane symulowane, set.seed(13402)). 180 mieszkańców domów pomocy społecznej w wieku 65+; POMA-B (równowaga, 0–16),
# POMA-G (chód, 0–12), POMA-T = suma (0–28); TUG w sekundach; upadek w ciągu 12 miesięcy (0/1).
suppressPackageStartupMessages(library(pROC))
set.seed(13402)
n <- 180
z <- rnorm(n)                                                          # ukryta sprawność ruchowa
poma_b <- rbinom(n, 16, plogis(1.05 + 1.15 * z + rnorm(n, 0, .35)))
poma_g <- rbinom(n, 12, plogis(1.35 + 1.00 * z + rnorm(n, 0, .45)))
tug <- round(exp(log(15) - .30 * z + rnorm(n, 0, .22)), 1)
poma_t <- poma_b + poma_g
upadek <- rbinom(n, 1, plogis(-0.45 - 0.11 * (poma_t - 20)))
dane <- data.frame(id = 1:n, poma_b, poma_g, poma_t, tug, upadek)
write.csv(dane, "../skala-tinetti-dane-przyklad.csv", row.names = FALSE)   # plik do pobrania

# Krok 1. Kontrola zakresów i opis trzech wyników
c(B_ok = all(dane$poma_b %in% 0:16), G_ok = all(dane$poma_g %in% 0:12), T_ok = all(dane$poma_t == dane$poma_b + dane$poma_g))
opis <- function(x, maks) round(c(M = mean(x), SD = sd(x), Me = median(x), Q1 = unname(quantile(x, .25)), Q3 = unname(quantile(x, .75)),
  min = min(x), max = max(x), skosnosc = psych::skew(x), proc_maks = 100 * mean(x == maks)), 2)
rbind(POMA_B = opis(dane$poma_b, 16), POMA_G = opis(dane$poma_g, 12), POMA_T = opis(dane$poma_t, 28))

# Krok 2. Trafność zbieżna: korelacje Spearmana z 95% CI (bootstrap percentylowy, 2000 prób)
ci_s <- function(x, y) { r <- cor(x, y, method = "spearman")
  b <- replicate(2000, { i <- sample(n, replace = TRUE); cor(x[i], y[i], method = "spearman") })
  round(c(rho = r, lo = unname(quantile(b, .025)), hi = unname(quantile(b, .975))), 2) }
rbind(B_G = ci_s(dane$poma_b, dane$poma_g), T_TUG = ci_s(dane$poma_t, dane$tug))

# Krok 3. Osoby z upadkiem i bez: liczebności, mediany, test Manna–Whitneya z r = Z / sqrt(N)
table(upadek = dane$upadek)
aggregate(poma_t ~ upadek, dane, function(x) c(Me = median(x), Q1 = unname(quantile(x, .25)), Q3 = unname(quantile(x, .75)), M = round(mean(x), 2)))
mw <- wilcox.test(poma_t ~ upadek, dane, exact = FALSE)
zst <- qnorm(mw$p.value / 2)
data.frame(W = unname(mw$statistic), Z = round(zst, 2), p = signif(mw$p.value, 3), r = round(abs(zst) / sqrt(n), 3))

# Krok 4. Regresja logistyczna: szansa upadku na każde 5 pkt POMA-T więcej
m <- glm(upadek ~ I(poma_t / 5), family = binomial, data = dane)
ci <- exp(suppressMessages(confint(m)))[2, ]
data.frame(OR_5pkt = round(exp(coef(m))[[2]], 3), lo = round(ci[[1]], 3), hi = round(ci[[2]], 3), p = signif(summary(m)$coefficients[2, 4], 3))
round(c(OR_5pkt_mniej = 1 / exp(coef(m))[[2]], lo = 1 / ci[[2]], hi = 1 / ci[[1]]), 2)   # to samo w drugą stronę

# Krok 5. Krzywa ROC: AUC z 95% CI DeLonga dla wyniku ogólnego i podskal (niższy wynik = większe ryzyko)
r_t <- roc(dane$upadek, dane$poma_t, direction = ">", levels = c(0, 1), quiet = TRUE)
r_b <- roc(dane$upadek, dane$poma_b, direction = ">", levels = c(0, 1), quiet = TRUE)
r_g <- roc(dane$upadek, dane$poma_g, direction = ">", levels = c(0, 1), quiet = TRUE)
auc <- round(rbind(POMA_T = as.numeric(ci.auc(r_t)), POMA_B = as.numeric(ci.auc(r_b)), POMA_G = as.numeric(ci.auc(r_g))), 3)[, c(2, 1, 3)]
colnames(auc) <- c("AUC", "lo", "hi"); auc

# Krok 6. Czułość i swoistość dla reguły „wynik ≤ k” przy kilku progach
tab <- t(sapply(17:23, function(k) { poz <- dane$poma_t <= k
  c(prog = k, dodatnich = sum(poz), czulosc = mean(poz[dane$upadek == 1]), swoistosc = mean(!poz[dane$upadek == 0]),
    PPV = mean(dane$upadek[poz]), NPV = mean(1 - dane$upadek[!poz])) }))
round(tab, 3)

# Krok 7. Próg „optymalny” z tych samych danych (indeks Youdena) i jego optymizm (bootstrap, 1000 prób)
youden <- function(x, y) { ks <- sort(unique(x)); J <- sapply(ks, function(k) mean(x[y == 1] <= k) + mean(x[y == 0] > k) - 1)
  c(k = ks[which.max(J)], J = max(J)) }
yo <- youden(dane$poma_t, dane$upadek); round(yo, 3)
opt <- replicate(1000, { i <- sample(n, replace = TRUE); yb <- youden(dane$poma_t[i], dane$upadek[i])
  Jor <- mean(dane$poma_t[dane$upadek == 1] <= yb[["k"]]) + mean(dane$poma_t[dane$upadek == 0] > yb[["k"]]) - 1
  c(yb[["k"]], yb[["J"]] - Jor) })
round(c(J_pozorny = yo[["J"]], optymizm = mean(opt[2, ]), J_skorygowany = yo[["J"]] - mean(opt[2, ])), 3)
round(100 * prop.table(table(factor(opt[1, ], levels = 14:26))), 1)

B_ok G_ok T_ok 
TRUE TRUE TRUE 
           M   SD Me Q1 Q3 min max skosnosc proc_maks
POMA_B 10.87 4.02 12  8 14   0  16    -0.77      5.56
POMA_G  8.93 2.62  9  7 11   1  12    -0.75     19.44
POMA_T 19.80 6.10 21 16 25   4  28    -0.69      3.33
        rho    lo    hi
B_G    0.68  0.59  0.76
T_TUG -0.66 -0.74 -0.54
upadek
  0   1 
103  77 
  upadek poma_t.Me poma_t.Q1 poma_t.Q3 poma_t.M
1      0     23.00     19.00     25.00    21.58
2      1     18.00     12.00     23.00    17.42
     W     Z        p    r
1 5402 -4.16 3.18e-05 0.31
  OR_5pkt    lo    hi        p
1   0.547 0.411 0.712 1.58e-05
OR_5pkt_mniej            lo            hi 
         1.83          1.40          2.43 
         AUC    lo    hi
POMA_T 0.681 0.600 0.762
POMA_B 0.665 0.584 0.747
POMA_G 0.674 0.595 0.754
     prog dodatnich czulosc swoistosc   PPV   NPV
[1,]   17        59   0.494     0.796 0.644 0.678
[2,]   18        66   0.545     0.767 0.636 0.693
[3,]   19        75   0.571     0.699 0.587 0.686
[4,]   20        82   0.597     0.650 0.561 0.684
[5,]   21        95   0.701     0.602 0.568 0.729
[6,]   22       104   0.740     0.544 0.548 0.737
[7,]   23       117   0.779     0.447 0.513 0.730
     k      J 
18.000  0.312 
    J_pozorny      optymizm J_skorygowany 
        0.312         0.041         0.272 

  14   15   16   17   18   19   20   21   22   23   24   25   26 
 7.6  3.2  0.3 10.1 36.8  2.0  0.4 26.6 11.3  1.2  0.3  0.0  0.0 

Najczęstsze błędy

• Brak nazwy wersji. Bez liczby pozycji i maksimum nie da się porównać wyniku ani zastosować progu.
• Próg z innej wersji. Próg 36 pkt i próg 19 pkt dotyczą różnych sposobów punktacji.
• Tylko test różnicy grup. Istotna różnica median nie oznacza dobrej predykcji; podaj AUC z CI.
• „Optymalny” próg jako odkrycie. Próg z tych samych danych jest zawyżony i niestabilny.
• Dychotomizacja przed analizą. Podział na „ryzyko/brak ryzyka” traci informację; analizuj wynik ciągły.
• Pominięcie podskal. Sufit w POMA-G może ukryć różnice, które widać w POMA-B.
• Wynik POMA jako diagnoza. To narzędzie przesiewowe o umiarkowanej trafności, a nie prognoza dla konkretnej osoby.

Najczęstsze pytania

Ile punktów ma skala Tinetti?

Zależy od wersji. W najczęściej opisywanej wersji 16-pozycyjnej podskala równowagi daje 0–16 pkt, podskala chodu 0–12 pkt, a wynik ogólny 0–28 pkt. Inne wersje mają inną liczbę pozycji i inne maksimum, dlatego w pracy zawsze podaj wersję i źródło formularza.

Jaki wynik w skali Tinetti oznacza ryzyko upadku?

Opublikowane progi różnią się między badaniami i wersjami, np. 19 lub 21 pkt dla wersji 28-punktowej. Ich czułość i swoistość są umiarkowane, a Faber i in. (2006) ocenili dokładność przewidywania upadków jako słabą. Próg traktuj jako sygnał do dalszej oceny, nie jako rozpoznanie.

Czym się różni POMA od skali Tinetti?

To zwykle ta sama metoda pod różnymi nazwami: Performance-Oriented Mobility Assessment, test Tinetti albo Tinetti Mobility Test. Köpke i Meyer (2006) pokazali jednak, że pod tymi nazwami kryją się różne zestawy pozycji i sposoby punktacji, więc liczy się konkretna wersja.

Jak policzyć AUC dla skali Tinetti w R?

Użyj pakietu pROC: roc(upadek, poma_t, direction = ">"), bo niższy wynik oznacza większe ryzyko, a przedział ufności da ci.auc(). Podaj AUC z 95% CI dla wyniku ogólnego i obu podskal.

Czy można wyznaczyć własny punkt odcięcia skali Tinetti?

Można go policzyć, np. indeksem Youdena, ale próg wybrany i oceniony na tych samych danych jest zbyt optymistyczny (Leeflang i in., 2008) i niestabilny w małych próbach. Podaj go jako opis próby, skoryguj bootstrapem i nie przedstawiaj jako nowego kryterium.

Powiązane hasła

Przeczytaj też

@article{altman2006cost, author={Altman, Douglas G. and Royston, Patrick}, title={{The cost of dichotomising continuous variables}}, journal={BMJ}, year={2006}, volume={332}, number={7549}, pages={1080}, doi={10.1136/bmj.332.7549.1080}}

@article{faber2006clinimetric, author={Faber, Marjan J. and Bosscher, Ruud J. and van Wieringen, Piet C. W.}, title={{Clinimetric properties of the Performance-Oriented Mobility Assessment}}, journal={Physical Therapy}, year={2006}, volume={86}, number={7}, pages={944--954}, doi={10.1093/ptj/86.7.944}}

@article{hanley1982meaning, author={Hanley, James A. and McNeil, Barbara J.}, title={{The meaning and use of the area under a receiver operating characteristic (ROC) curve}}, journal={Radiology}, year={1982}, volume={143}, number={1}, pages={29--36}, doi={10.1148/radiology.143.1.7063747}}

@article{kopke2006tinetti, author={Köpke, Sascha and Meyer, Gabriele}, title={{The Tinetti test: Babylon in geriatric assessment}}, journal={Zeitschrift für Gerontologie und Geriatrie}, year={2006}, volume={39}, number={4}, pages={288--291}, doi={10.1007/s00391-006-0398-y}}

@article{leeflang2008bias, author={Leeflang, Mariska M. G. and Moons, Karel G. M. and Reitsma, Johannes B. and Zwinderman, Aeilko H.}, title={{Bias in sensitivity and specificity caused by data-driven selection of optimal cutoff values: Mechanisms, magnitude, and solutions}}, journal={Clinical Chemistry}, year={2008}, volume={54}, number={4}, pages={729--737}, doi={10.1373/clinchem.2007.096032}}

@article{park2018tools, author={Park, Seong-Hi}, title={{Tools for assessing fall risk in the elderly: A systematic review and meta-analysis}}, journal={Aging Clinical and Experimental Research}, year={2018}, volume={30}, number={1}, pages={1--16}, doi={10.1007/s40520-017-0749-0}}

@article{raiche2000screening, author={Raîche, Michel and Hébert, Réjean and Prince, François and Corriveau, Hélène}, title={{Screening older adults at risk of falling with the Tinetti balance scale}}, journal={The Lancet}, year={2000}, volume={356}, number={9234}, pages={1001--1002}, doi={10.1016/s0140-6736(00)02695-7}}

@misc{sralabpoma, author={{Shirley Ryan AbilityLab}}, title={{Tinetti Performance Oriented Mobility Assessment}}, howpublished={Rehabilitation Measures Database}, year={2014}, publisher={Shirley Ryan AbilityLab}, url={https://www.sralab.org/rehabilitation-measures/tinetti-performance-oriented-mobility-assessment}}

@article{tinetti1986performance, author={Tinetti, Mary E.}, title={{Performance-oriented assessment of mobility problems in elderly patients}}, journal={Journal of the American Geriatrics Society}, year={1986}, volume={34}, number={2}, pages={119--126}, doi={10.1111/j.1532-5415.1986.tb05480.x}}