Vigtigste Andet Aldersperiode-kohortanalyse

Aldersperiode-kohortanalyse

Oversigt

Software

Beskrivelse

Hjemmesider

Aflæsninger

et eller andet sted over regnbuefilmene

Kurser

Oversigt

Denne side beskriver kort aldersperiode-kohortanalyse og giver en kommenteret ressourceliste.

Beskrivelse

Aldersperiode kohorteffekt

Age period cohort (APC) analyse spiller en vigtig rolle i forståelsen af ​​tidsvarierende elementer i epidemiologi. Navnlig skelner APC-analyse tre typer tidsvarierende fænomener: Alderseffekter, periodeeffekter og kohorteeffekter. (1)
Alderseffekter er variationer knyttet til biologiske og sociale aldringsprocesser, der er specifikke for enkeltpersoner. (2) De inkluderer fysiologiske ændringer og ophobning af sociale oplevelser forbundet med aldring, men ikke relateret til den tidsperiode eller fødselskohort, som et individ tilhører. I epidemiologiske studier er alderseffekter normalt betegnet med forskellige sygdomsfrekvenser på tværs af aldersgrupper.
Periodevirkninger resultatet af eksterne faktorer, der ligeledes påvirker alle aldersgrupper på en bestemt kalendertid. Det kan opstå fra en række miljømæssige, sociale og økonomiske faktorer, f.eks. krig, hungersnød, økonomisk krise. Metodiske ændringer i resultatdefinitioner, klassifikationer eller metode til dataindsamling kan også føre til periodevirkninger i data. (3)
Kohorteeffekter er variationer, der skyldes den unikke oplevelse / eksponering af en gruppe fag (kohorte), når de bevæger sig over tid. Den mest definerede gruppe inden for epidemiologi er fødselskohorten baseret på fødselsår, og den beskrives som forskel i risikoen for et sundhedsresultat baseret på fødselsåret. En kohorteffekt opstår således, når sygdomsfordelinger opstår ved en eksponering, påvirker aldersgrupper forskelligt. I epidemiologi er en kohorteeffekt begrebet som en interaktion eller effektændring på grund af en periodeeffekt, der opleves differentielt gennem aldersspecifik eksponering eller modtagelighed for den begivenhed eller årsag. (4)
I modsætning til denne konceptualisering af kohorteffekt som en effektændring i epidemiologi betragter sociologisk litteratur kohorteeffekt som en strukturel faktor, der repræsenterer summen af ​​alle unikke eksponeringer, som kohorten oplever fra fødslen. I dette tilfælde opfattes alder og periodeeffekt som sammenblandere af kohorteffekt, og APC-analyse sigter mod at adskille den uafhængige effekt af alder, periode og kohorte. (4) De fleste APC-analysestrategier er baseret på den sociologiske model for kohorteffekt, konceptualisere uafhængig effekt af alder, periode og kohorteeffekt.
Identifikationsproblem i APC : APC-analyse sigter mod at beskrive og estimere den uafhængige effekt af alder, periode og kohorte på det undersøgte helbredsresultat. De forskellige anvendte strategier sigter mod at opdele varians i de unikke komponenter, der kan tilskrives alder, periode og kohorteeffekter (4). Der er dog en stor hindring for uafhængigt at estimere alder, periode og kohorteeffekter ved at modellere de data, der er kendt som identifikationsproblemet i APC. Dette skyldes den nøjagtige lineære afhængighed blandt alder, periode og kohorte: Periode - Alder = Kohort; det vil sige i betragtning af kalenderåret og alderen kan man bestemme kohorten (fødselsår) (5). Tilstedeværelsen af ​​perfekt kollinære forudsigere (alder, periode og kohorte) i en regressionsmodel vil producere en ental ikke-identificerbar designmatrix, hvorfra det er statistisk umuligt at estimere unikke estimater for de tre effekter. (5)

Konventionelle løsninger på identifikationsproblemer med APC

Begrænsede koefficienter GLIM estimator (CGLIM)
En populær tilgang til løsning af identifikationsproblemet var ved hjælp af begrænsningsbaseret regressionsanalyse (Constrained Coefficients GLIM estimator (CGLIM)). I denne strategi placeres yderligere begrænsninger for en af ​​kategorierne af mindst en forudsigelse for samtidig at estimere aldersperioden og kohorteeffekten. Hvis man antager, at nogle kategorier af aldersgrupper, kohorter eller tidsperioder har identiske virkninger på den afhængige variabel, bliver det muligt at estimere uafhængig effekt af aldersperiode og kohorte (6). Resultaterne fra denne analyse afhænger dog af begrænsninger, som efterforskeren vælger på baggrund af ekstern information. Gyldigheden af ​​de valgte begrænsninger vil afhænge af den teoretiske forestilling om de kategorier af parametre, der er identiske, er ofte subjektive, og der er ingen empirisk måde at bekræfte gyldigheden af ​​de valgte begrænsninger (4).
Proxy variabler tilgang
Brug en eller flere proxyvariabler som surrogater for alder, periode eller kohortekoefficienter (7)
Ikke-lineær parametrisk (algebraisk) transformationstilgang
Definer en ikke-lineær parametrisk funktion af en af ​​alders-, periode- eller kohortvariablerne, så dens forhold til andre er ikke-lineært.
Intrinsic estimator-metode
Er en ny teknik udviklet i løbet af de sidste 10 år, og den er relateret til hovedkomponentanalyse, der adresserer identifikationsproblemer, når forklarende variabler er stærkt korreleret. Selvom IE også pålægger begrænsninger for parametre, der ligner CGLM, er begrænsningen mindre subjektiv og påvirker ikke estimeringen af ​​regressionsparametre for alder, periode eller kohorte (4,5). Modelvalideringsundersøgelser har bekræftet robustheden af ​​de statistiske egenskaber ved IE ved at sammenligne resultater fra en IE-analyse af empiriske data med resultater fra en analyse af de samme data af en anden familie af modeller, der ikke bruger den samme identificerende begrænsning (5).
Median polsk analyse
Den epidemiologiske definition af en kohorteffekt som en alder efter periode-interaktion er basis for median polsk analyse. Det ekstraherer den ikke-linearitet i alders- og periodeeffekter og opdeler den ikke-lineære varians i kohorteffekt og tilfældig fejl (4). Med andre ord vurderer denne fremgangsmåde interaktionen mellem alder og periode, der ligger ud over, hvad der kunne forventes af deres additive påvirkninger.

Retningslinje til estimering af APC-modeller (Baseret på Yang og Land) (5):

  1. Beskrivende dataanalyse ved grafisk repræsentation af data er det første trin i en APC-analyse. Dette hjælper med kvalitativ vurdering af mønstre af tidsbaserede variationer

  2. Udelukk, at data kan forklares med en hvilken som helst enkelt faktor eller to-faktor model af alder, tidsperiode og kohorte. En Goodness of-fit-statistik bruges ofte til at sammenligne mellem reducerede log-lineære modeller: tre separate modeller for alder, periode og kohorteeffekter; og tre tofaktormodeller, en for hver af tre mulige par af effekter, nemlig AP-, AC- og PC-effektmodeller. Alle disse modeller sammenlignes derefter med en fuld APC-model, hvor alle tre faktorer kontrolleres samtidigt. To mest almindeligt anvendte kriterier for udvalgt sandsynlighed for modeludvalg, nemlig Akaike informationskriterium (AIC) og Bayesian informationskriterium (BIC), anvendes at evaluere modellen, da sandsynlighedsforholdstest har tendens til at favorisere modeller med et større antal parametre. BIC og AIC justerer begge virkningen af ​​modeldimensioner på modelafvigelser.

  3. Hvis de beskrivende analyser indikerer, at alle tre af A-, P- og C-dimensionerne ikke er operationelle, kan analysen afsluttes med en reduceret model, der udelader den ikke-operative dimension, og der er ikke noget identifikationsproblem.

    hvad er se en uni sende en uni
  4. Hvis disse analyser imidlertid antyder, at alle tre dimensioner er på arbejde, skal du bruge en af ​​de specifikke metoder til APC-analyse

Median polsk analyse-praktisk eksempel (3)

Tabel (3) viser identifikationsproblemet, hvor de tre komponenter (alder, periode og kohorte) er perfekt korreleret. For at identificere kohorterne behøver vi kun at kende perioden og aldersgruppen: Vi trækker den tidlige aldersgruppe fra den øvre og nedre periode (f.eks. Mennesker, der var 10-14 år gamle i 1950-1954, trækker vi 10 fra 1950 og 1954 til mærke kohortintervallet som 1940-1944). (9) De farvemarkerede diagonale felter angiver hastigheden for hver kohorte, når de bliver ældre. Beredskabstabeller kan ikke estimere gensidig eksklusiv kohorterisiko på grund af overlappende kohorter. Denne konvention kan indføre forklassificering af nogle individer, men det primære formål med en aldersperiode-kohortanalyse er at estimere generelle tendenser i kohortspecifik snarere end en præcis kvantificering af en reel årsagsrisiko. Den overlappende kohorte minder os om for fortolkning af estimater. Vi er også begrænset af manglende data. For eksempel har vi kun et datapunkt for den yngste gruppepopulation (dem i alderen 10-14 år i 2000-2004). Ved hjælp af denne tabel kan vi udføre en indledende grafisk repræsentation med en linjegraf i Microsoft Excel.

De to grafer blev oprettet ved hjælp af linjediagrammerne i Microsoft Excel. For at plotte begge grafer omarrangerede vi bare dataene med funktionen Switch Row / Column. Disse to grafiske repræsentationer giver os mulighed for at vurdere for ethvert mønster i dataene. Begrænsningen er, at ethvert fund kan repræsentere en blanding af to eller flere effekter.

Medianpolish fjerner additivvirkningerne af alder og periode ved iterativt at trække medianværdien af ​​hver række og kolonne. (6) Det første trin i medianpolishet er at beregne medianer for hver række, se tabel 2:

Det næste trin er at trække rækkemedianen fra hver værdi i rækken, for eksempel trækker vi række 0,610 minus 0,790 = -0,18. I anden række (15-19 år gammel) brugte vi den samme procedure 6.330 - 5.770 = 0.56, og derefter for hver celle i tabellen. Dette skabte en tabel med nye værdier, se tabel 3:

Det næste trin er at beregne kolonnemedianen for de nye værdier og derefter trække kolonnemedianen fra hver celle i kolonnen, for eksempel -0,18 - 19,08 = -19,26. Efter at have oprettet den nye tabel med værdierne fra at trække hver median kolonne for hver celle, fortsætter vi med at beregne række medianen (tredje iteration). Disse gentagelser vil til sidst producere række- og kolonnemedianer lig med nul. For dette eksempel var 6 iterationer nødvendige for at producere række- og kolonnemedianer lig med nul, se tabel 4:

Tabel 4 har restværdierne efter 5 iterationer. Disse residualer repræsenterer koefficienterne fri for additiv effekt af alder og periodevirkninger. Bemærk dataene for aldersgrupper 75-79 og 80-84 år gamle mellem 1910 og 1939 mangler værdier. Hvis vi erstatter de manglende værdier for nulrater, vil de beregnede rester være forudindtaget. Den fulde procedure blev udført i Microsoft Excel. For at kontrollere, om disse rester var korrekte, oprettede vi en ny tabel med produktet af at trække restværdien fra originalen værdisættet i tabel 1. Produktet fra subtraktionerne bruges til at oprette et linjediagram. Dette linjediagram giver os mulighed for at kontrollere gyldigheden af ​​restprodukterne, og vi forventer linjer helt parallelle. Da vi trækker de rester, der repræsenterer kohorteeffekter fra de oprindelige værdier, vurderer vi for enhver alders- eller tidseffekt uden kohorteeffekter. Se graf 3 og 4:


Den mediane polske procedure er tilgængelig i R, som er en gratis tilgængelig software (8). Se den næste syntaks:

mpdata<- read.csv(C:/Users/mydocs/suicidemp.csv, header=FALSE, stringsAsFactors=FALSE)
mpdata
kaldenavne (mpdata)<- c(10-14, 15-19, 20-24, 25-29, 30-34, 35-39, 40-44, 45-49, 50-54, 55-59, 60-64, 65-69, 70-74, 75-79, 80-84)
colnames (mpdata)<- c(1910-1914, 1915-1919, 1920-1924, 1925-1929, 1930-1934, 1935-1939, 1940-1944, 1945-1949, 1950-1954, 1955-1959, 1960-1964, 1965-1969, 1970-1974, 1975-1979, 1980-1984, 1985-1989, 1990-1994, 1995-1999, 2000-2004)
mpdata
med.p<- medpolish(mpdata, na.rm = TRUE)
med.p

Median-polske resultater kan opnås uden nogen transformation af hastigheder, men ved hjælp af logtransformationen af ​​hastighederne før median-poleringsproceduren vil der blive givet en vurdering af interaktion på multiplikativ skala (eller log-additiv effekt). Vi gentog vores median polske procedure ved hjælp af logtransformation af selvmordsraten. For at producere logtransformerede rester af den oprindelige tabel ved hjælp af R-software oprettede vi en ny funktion, der erstatter hastighederne for logtransformerede hastigheder (bemærkede den fed skrift i syntaksen):

medpolish2<- function (x, eps = 0.01, maxiter = 10L, trace.iter = TRUE, na.rm = FALSE)
{
med<- as.matrix( log (x) )
ingen<- nrow(z)
nc<- ncol(z)
t<- 0
r<- numeric(nr)
c<- numeric(nc)
oldsum<- 0
til (iter i 1L: maxiter) abs (newsum - oldsum)hvis (konvergeret)
pause
oldsum<- newsum
hvis (trace.iter)
kat (iter,:, newsum, n, sep =)

hvis (konvergeret) {
hvis (trace.iter)
cat (Final:, newsum, n, sep =)
}
ellers advarsel (sprintf (ngettext (maxiter, medpolish () konvergerede ikke i% d iteration, medpolish () konvergerede ikke i% d iterationer), maxiter), domæne = NA)
navne (r)<- rownames(z)
navne (c)<- colnames(z)
flere år<- list(overall = t, row = r, col = c, residuals = z, name = deparse(substitute(x)))
klasse (år)<- medpolish
flere år
}

med.p2<- medpolish2(mpdata, na.rm = TRUE)

Dataene gemmes som en kommasepareret fil (.csv), et let format at læse i R. Bemærk kommandoen til medianpolering, muligheden for manglende data er aktiveret, ellers rapporterer proceduren en fejl. Begge sæt rester oprettet med Excel og R er ens.
Vi omformede dataene efter kohorte og udførte et plot af restkoncentrationer mod kohortekategori. Se næste tabel:

Vi beregnede gennemsnittet for hver kohorte, og derefter bruges disse logtransformerede rester til at skabe et plot efter kohorte. Dette plot hjælper med at vurdere fordelingen af ​​resterne, hvor enhver signifikant afvigelse fra nul vil antyde en stærk kohorteeffekt for den kohorte, se næste graf:

STATA-kode til afbildning af restprodukter:

typer rygmarvsskader

Plot med median polske rester, BOOK EKSEMPEL (log skala)
brug C: Brugere mydocs suicide_data.dta, klart
omdøbe var2 var1
……
omdøbe var16 var15
egen middelværdi = rowmean (var *)
omform lang var, i (kohorte) j (antal)
slip hvis var ==.
etiket definer kohorte 1 1830-1834 2 1835-1839… 32 1985-1989 33 1990-1994
etiketværdier kohortkohorte
omdøbe var Rest
twoway (scatter Residual cohort, msize (vsmall)) (forbundet middelkohorte, msize (vsmall) msymbol (trekant) lwidth (tynd) l mønster (solid)), ytitle (Median Polish Residuals) yskala (interval (-2 2)) ylabel (# 7) xtitle (Cohort) xlabel (# 33, labels labsize (small) angle (vertical) labgap (minuscule) valuelabel) title (, size (medsmall) ring (0)) legend (størrelse (small))

Disse rester hjælper os med at vurdere størrelsen af ​​kohorteeffekten ved hjælp af en lineær regression af restværdierne efter kohorte. Her vælger vi 1910 - 1914 som referencekohort. I lighed med graf 6 ser det ud til, at kohorterne født efter 1950 havde en statistisk signifikant højere risiko for selvmord sammenlignet med kohorten fra 1910-1014. Koefficienterne beregnet med den lineære regression er i logskala for at estimere de hastighedsforhold, vi brugte eksponentfunktionen for hver koefficient [exp (x)].

STATA-kode til regression af rester af selvmordsfrekvens.

char kohorte [udelad] 17
xi: regress Rest i.cohort

  1. Yang Y, Schulhofer-Wohl S, Fu WJ, Land KC. Intrinsic Estimator for Age-Period-Cohort Analysis: Hvad det er, og hvordan man bruger det 1. American Journal of Sociology 2008; 113 (6): 1697-736.

  2. Reither EN, Hauser RM, Yang Y. Har fødselsgrupper betydning? Aldersperiode-kohorte analyser af fedmeepidemien i USA. Samfundsvidenskab og medicin 2009; 69 (10): 1439-48.

  3. Keyes KM, Li G. Alder – periode – kohortmodellering. Skadesforskning: Springer, 2012: 409-26.

  4. Keyes KM, Utz RL, Robinson W, Li G. Hvad er en kohorteeffekt? Sammenligning af tre statistiske metoder til modellering af kohorteffekter i fedmeprævalens i USA, 1971-2006. Soc Sci Med 2010; 70 (7): 1100-8

  5. Yang, Yang og Kenneth C. Land. Aldersperiode-kohorte analyse: nye modeller, metoder og empiriske anvendelser. CRC Press, 2013

    hvad er forskellen mellem en epidemi og en pandemi
  6. Mason, Karen Oppenheim, et al. Nogle metodologiske problemer i kohortanalyse af arkivdata. Amerikansk sociologisk gennemgang (1973): 242-258

  7. O'Brien, R.M. 2000. Aldersperiode Kohorte Karakteristiske modeller. Samfundsvidenskabelig forskning 29: 123-139

  8. http://www.r-project.org/

  9. Keyes KM, Li G. En flerfasemetode til estimering af kohorteeffekter i aldersperiodens beredskabstabeldata. Ann Epidemiol 2010; 20: 779-785.

Aflæsninger


Lærebøger og kapitler

  • Yang, Yang og Kenneth C. Land. Aldersperiode-kohorte analyse: nye modeller, metoder og empiriske anvendelser. CRC Press, 2013.

  • Keyes, Katherine M. og Guohua Li. Alder – periode – kohortmodellering. Skadesforskning. Springer US, 2012. 409-426.

  • Glenn, Norval D., red. Kohortanalyse. Vol. 5. Sage, 2005

  • Hobcraft, John, Jane Menken og Samuel Preston. Alder, periode og kohorteeffekter i demografi: en gennemgang. Springer New York, 1985.

Metodiske artikler

  • Ryder, Norman B.Kohorten som et begreb i studiet af social forandring.Amerikansk sociologisk gennemgang (1965): 843-861

  • Mason, Karen Oppenheim, et al. Nogle metodologiske spørgsmål i kohortanalyse af arkivdata. Amerikansk sociologisk gennemgang (1973): 242-258

  • Mason, William M. og Stephen E. Fienberg. Kohorteanalyse inden for social forskning: ud over identifikationsproblemet. (1985)

  • Yang, Yang, et al. Intrinsic Estimator for Age-Period-Cohort Analysis: Hvad det er, og hvordan man bruger det 1. American Journal of Sociology 113.6 (2008): 1697-1736.

  • Keyes, Katherine M., et al. Hvad er en kohorteeffekt? Sammenligning af tre statistiske metoder til modellering af kohorteeffekter i fedme-prævalens i USA, 1971-2006. Samfundsvidenskab og medicin 70.7 (2010): 1100-1108.

    internethastighed til zoom
  • Keyes, K. & Li, G., modellering af aldersperiode-kohorte. I Li, G. & Baker, S. (red.), Injury Research: Theories, Methods and Approaches. Springer, kapitel 22, side 409-426. New York, 2012

Ansøgningsartikler

  • Keyes, Katherine M., et al. Alder, periode og kohorteeffekter i psykologisk nød i USA og Canada. Amerikansk tidsskrift for epidemiologi (2014): kwu029.

Hjemmesider

http://yangclaireyang.web.unc.edu/research/age-period-cohort-analysis-new-models-methods-and-empirical-applications/

Interessante Artikler

Redaktørens Valg

Institut for Rehabilitering og Regenerativ Medicin
Institut for Rehabilitering og Regenerativ Medicin
Hvad er whiplash? Piskesmæld er en skade i nakken forårsaget af, at nakken bøjes med magt fremad og derefter bagud, eller omvendt. Skaden, som er dårligt forstået, involverer normalt muskler, skiver, nerver og sener i nakken. Hvad forårsager whiplash? De fleste piskesmældskader er resultatet af en kollision, der inkluderer pludselig acceleration eller deceleration. Mange whiplash-skader opstår, når en person er involveret i en bageste bilkollision eller som et resultat af en sportsskade, især under kontaktsport.
Fra Hannover v. Tyskland (nr. 2)
Fra Hannover v. Tyskland (nr. 2)
Columbia Global Expression Freedom søger at fremme forståelsen af ​​de internationale og nationale normer og institutioner, der bedst beskytter den frie strøm af information og udtryk i et sammenkoblet globalt samfund med store fælles udfordringer at tackle. For at nå sin mission påtager Global Freedom of Expression forsknings- og politikprojekter, organiserer begivenheder og konferencer og deltager i og bidrager til globale debatter om beskyttelse af ytringsfrihed og information i det 21. århundrede.
Monsunen over Himalaya
Monsunen over Himalaya
Nedbør over Hindustan-sletten og langs den sydlige flanke af Himalaya er stærkt påvirket af monsuntruget, hvor monsunens lave og fordybninger bevæger sig vestpå over Himalaya. Nedbøren observeret over Nepal betragtes som fest på grund af disse forstyrrelser (Kraus, 1966; Nakajima et al., 1974). Det har imidlertid vist sig, at den sydvestlige monsuncirkulation over Indien igennem til det tibetanske plateau er tæt beslægtet med den kvasi-stabile termiske anticyklon over Tibet kaldet den tibetanske høje (Hasten
Epidemi, endemisk, pandemi: Hvad er forskellene?
Epidemi, endemisk, pandemi: Hvad er forskellene?
Den nye koronaviruspandemi er den perfekte model til forståelse af, hvad en pandemi er, og hvordan den påvirker livet globalt. Siden fremkomsten af ​​COVID-19 i 2020 er offentligheden blevet bombarderet med nyt sprog for at forstå virussen og den efterfølgende globale folkesundhedsreaktion. Denne artikel afdækker de faktorer, der udgør en pandemi, og hvordan den
Britisk romantisk poesi
Britisk romantisk poesi
Qin Gao
Qin Gao
Qin Gao er en førende autoritet inden for Kinas sociale velfærdssystem og den grundlæggende direktør for Columbia Universitys China Center for Social Policy,
Hvordan en børnepsykolog mentorerede Mr. Rogers
Hvordan en børnepsykolog mentorerede Mr. Rogers
New York Times kører en oversat retrospektiv på børnepsykolog og TC-alumna Margaret McFarland