Principal Altres Anàlisi edat-període-cohort

Anàlisi edat-període-cohort

Visió general

Programari

Descripció

Llocs web

Lectures

Cursos

Visió general

Aquesta pàgina descriu breument l’anàlisi del període d’edat i la cohort i proporciona una llista de recursos anotats.

Descripció

Efecte de la cohort del període d’edat

L'anàlisi de la cohort del període d'edat (APC) té un paper important en la comprensió dels elements que varien en el temps en epidemiologia. En particular, l’anàlisi APC distingeix tres tipus de fenòmens que varien en el temps: efectes d’edat, efectes de període i efectes de cohort. (1)
Efectes d’edat són variacions relacionades amb processos biològics i socials d’envelliment específics per als individus. (2) Inclouen canvis fisiològics i acumulació d’experiències socials relacionades amb l’envelliment, però no relacionades amb el període de temps o la cohort de naixement a la qual pertany un individu. En els estudis epidemiològics, els efectes sobre l'edat solen denotar-se per taxes variables de malalties entre els grups d'edat.
Efectes de període resulten de factors externs que afecten per igual tots els grups d’edat en un moment del calendari concret. Podria sorgir d'una sèrie de factors ambientals, socials i econòmics, per exemple guerra, fam, crisi econòmica. Els canvis metodològics en les definicions de resultats, les classificacions o el mètode de recopilació de dades també poden provocar efectes de període en les dades. (3)
Efectes de cohort són variacions resultants de l’experiència / exposició única d’un grup de subjectes (cohort) a mesura que es mouen a través del temps. El grup més definit en epidemiologia és la cohort de naixement basada en l'any de naixement i es descriu com a diferència en el risc d'un resultat sanitari en funció de l'any de naixement. Per tant, es produeix un efecte de cohort quan la distribució de malalties sorgeix d'una exposició que afecta els grups d'edat de manera diferent. En epidemiologia, un efecte de cohort es conceptualitza com una interacció o modificació de l'efecte a causa d'un efecte de període experimentat diferencialment a través de l'exposició específica per edat o la susceptibilitat a aquest esdeveniment o causa. (4)
En contrast amb aquesta conceptualització de l’efecte de cohort com a modificació de l’efecte en epidemiologia, la literatura sociològica considera l’efecte de cohort com un factor estructural que representa la suma de totes les exposicions úniques experimentades per la cohort des del naixement. En aquest cas, l’efecte edat i període es conceben com a factors de confusió de l’efecte de cohort i l’anàlisi APC té com a objectiu desfer l’efecte independent de l’edat, el període i la cohort. conceptualitzar l’efecte independent d’edat, període i efecte de cohort.
Problema d'identificació a APC : L'anàlisi APC té com a objectiu descriure i estimar l'efecte independent de l'edat, el període i la cohort en el resultat de la salut en estudi. Les diferents estratègies utilitzades tenen com a objectiu dividir la variància en els components únics atribuïbles a l’edat, el període i els efectes de cohort (4). Tanmateix, hi ha un gran impediment per estimar de manera independent l'edat, el període i els efectes de la cohort modelant les dades que es coneix com el problema d'identificació en APC. Això es deu a la dependència lineal exacta entre edat, període i cohort: Període - Edat = Cohort; és a dir, tenint en compte l'any natural i l'edat, es pot determinar la cohort (any de naixement) (5). La presència de predictors perfectament colineals (edat, període i cohort) en un model de regressió produirà una matriu de disseny singular no identificable, a partir de la qual és estadísticament impossible estimar estimacions úniques dels tres efectes. (5)

Solucions convencionals al problema d’identificació APC

Estimador GLIM de coeficients restringits (CGLIM)
Un enfocament popular per resoldre el problema d’identificació va ser l’ús d’anàlisis de regressió basades en restriccions (estimador GLIM de coeficients restringits (CGLIM)). En aquesta estratègia es col·loquen restriccions addicionals a una de les categories d'almenys un predictor per estimar simultàniament el període d'edat i l'efecte de cohort. Així, suposant que algunes categories de grups d’edat, cohorts o períodes de temps tenen efectes idèntics sobre la variable dependent, es pot estimar l’efecte independent del període d’edat i de la cohort (6). No obstant això, els resultats d'aquesta anàlisi dependran de les restriccions escollides per l'investigador sobre la base d'informació externa. La validesa de les restriccions escollides dependrà de la preconcepció teòrica sobre les categories de paràmetres idèntiques, sovint és subjectiva i no hi ha cap manera empírica de confirmar la validesa de les restriccions escollides (4).
Enfocament de les variables proxy
Utilitzeu una o més variables proxy com a substituts de l'edat, el període o els coeficients de cohort (7)
Enfocament de transformació paramètrica (algebraica) no lineal
Definiu una funció paramètrica no lineal d'una de les variables d'edat, període o cohort de manera que la seva relació amb els altres sigui no lineal.
Mètode estimador intrínsec
És una nova tècnica desenvolupada durant els darrers 10 anys i està relacionada amb l’anàlisi de components principals que tracta el problema d’identificació quan les variables explicatives estan altament correlacionades. Tot i que l’IE també imposa restriccions a paràmetres similars a CGLM, les restriccions són menys subjectives i no afecten l’estimació dels paràmetres de regressió per edat, període o cohort (4,5). Els estudis de validació de models han confirmat la robustesa de les propietats estadístiques d’IE comparant els resultats d’una anàlisi IE de dades empíriques amb els resultats d’una anàlisi de les mateixes dades per una família diferent de models que no utilitzen la mateixa restricció identificativa (5).
Anàlisi polonès mitjà
La definició epidemiològica d’un efecte de cohort com a interacció entre edats i períodes és la base de l’anàlisi mediana del poliment. Extreu la no linealitat en els efectes de l'edat i el període i divideix la variància no lineal en efecte de cohort i error aleatori (4). En altres paraules, aquest enfocament avalua la interacció per edats i períodes que està més enllà del que s'esperaria de les seves influències additives.

Pauta per estimar els models APC (Basat en Yang i Land) (5):

  1. L’anàlisi descriptiva de dades mitjançant representació gràfica de dades és el primer pas d’una anàlisi APC. Això ajuda a l'avaluació qualitativa dels patrons de variacions basades en el temps

  2. Descarteu que les dades es puguin explicar per qualsevol model de factor o dos factors d’edat, període de temps i cohort. Sovint s’utilitzen estadístiques de la bondat d’ajust per comparar entre models lineals de registre reduïts: tres models separats per a efectes d’edat, període i cohort; i tres models de dos factors, un per a cadascun dels tres possibles parells d'efectes, és a dir, els models d'efectes AP, AC i PC. Tots aquests models es comparen amb un model APC complet on es controlen simultàniament els tres factors. S'utilitzen dos criteris de selecció de models de probabilitat penalitzada més utilitzats, a saber, el criteri d'informació Akaike (AIC) i el criteri d'informació bayesiana (BIC). per avaluar el model ja que les proves de ràtio de probabilitat tendeixen a afavorir els models amb un nombre més gran de paràmetres. BIC i AIC ajusten l’impacte de les dimensions del model sobre les desviacions del model.

  3. Si les anàlisis descriptives indiquen que les tres dimensions A, P i C no són operatives, l’anàlisi es pot completar amb un model reduït que omet la dimensió no operativa i no hi ha cap problema d’identificació.

  4. Tanmateix, si aquestes anàlisis suggereixen que les tres dimensions funcionen, utilitzeu un dels mètodes específics d’anàlisi APC

Anàlisi polonès mitjà: exemple pràctic (3)

La taula (3) mostra el problema d’identificació, on els tres components (edat, període i cohort) estan perfectament correlacionats. Per identificar les cohorts només hem de conèixer el període i el grup d’edat: restem el grup d’edat primerenca del límit del període superior i inferior (per exemple, les persones que tenien entre 10 i 14 anys el 1950-1954 en restem 10 del 1950 i el 1954 a etiqueta l’interval de cohort com a 1940-1944). (9) Els camps diagonals ressaltats en color indiquen la velocitat de cada cohort a mesura que envelleixen. Les taules de contingència no poden estimar el risc de cohort mútuament excloent a causa de la superposició de cohorts. Aquesta convenció pot introduir una classificació errònia d’alguns individus, però el propòsit principal d’una anàlisi d’edat-període de cohort és estimar les tendències generals de la cohort específica en lloc d’una quantificació precisa d’un veritable risc causal. La cohort superposada ens recorda a la interpretació excessiva de les estimacions. També ens limiten les dades que falten. Per exemple, només tenim un punt de dades per a la població del grup més jove (aquells de 10 a 14 anys el 2000-2004). Mitjançant aquesta taula, podem realitzar una representació gràfica inicial amb un gràfic lineal a Microsoft Excel.

Els dos gràfics es van crear mitjançant els gràfics de línies de Microsoft Excel. Per representar els dos gràfics, només hem reordenat les dades amb la funció Canvia fila / columna. Aquestes dues representacions gràfiques ens permeten avaluar per a qualsevol patró de les dades. La limitació és que qualsevol troballa podria representar una barreja de dos o més efectes.

El poliment mitjà elimina els efectes additius de l'edat i del període restant iterativament el valor mitjà de cada fila i columna. (6) El primer pas del poliment mitjà és calcular medianes per a cada fila, vegeu la taula 2:

El següent pas és restar la mediana de fila de cada valor de la fila, per exemple, a la primera fila restarem 0,610 menys 0,790 = -0,18. A la segona fila (15-19 anys) hem utilitzat el mateix procediment 6.330 - 5.770 = 0,56, i després per a cada cel·la de la taula. Això va crear una taula amb valors nous; vegeu la taula 3:

El següent pas és calcular la mediana de la columna per als nous valors i restar la mediana de la columna de cada cel·la de la columna, per exemple -0,18 - 19,08 = -19,26. Després de crear la nova taula amb els valors de restar cada columna mediana per a cada cel·la, procedim a calcular la mediana de fila (tercera iteració). Aquestes iteracions acabaran produint medianes de files i columnes iguals a zero. Per a aquest exemple, eren necessàries 6 iteracions per produir medianes de files i columnes iguals a zero, vegeu la taula 4:

La taula 4 conté els valors de residus després de 5 iteracions, que representen els coeficients lliures de l’efecte additiu dels efectes de l’edat i del període. Fixeu-vos que les dades dels grups d’edat de 75-79 i 80-84 anys entre 1910 i 1939 falten valors. Si substituïm els valors que falten per taxes zero, els càlculs residuals seran esbiaixats. El procediment complet es va realitzar a Microsoft Excel. Per comprovar si aquests residus eren correctes, hem creat una nova taula amb el producte de restar el valor residual de l'original el conjunt de valors de la taula 1. El producte de les restes s'utilitza per crear un gràfic de línies. Aquest gràfic de línies ens permet comprovar la validesa dels residus i esperem línies perfectament paral·leles. Com que restem els residus que representen efectes de cohort dels valors originals, estem avaluant per a qualsevol efecte d'edat o període lliure d'efectes de cohort. Vegeu els gràfics 3 i 4:


El procediment de poliment mitjà està disponible en R, que és un programari gratuït disponible (8). Vegeu la següent sintaxi:

mpdata<- read.csv(C:/Users/mydocs/suicidemp.csv, header=FALSE, stringsAsFactors=FALSE)
mpdata
noms de pila (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

Es poden obtenir resultats de poliment mitjà sense cap transformació de les taxes, però si s’utilitza la transformació de registre de les taxes abans del procediment de poliment mitjà es produirà una avaluació de la interacció a l’escala multiplicativa (o efecte log-additiu). Hem repetit el nostre procediment de poliment mitjà mitjançant la transformació de registres de les taxes de suïcidi. Per produir residus transformats en registres de la taula original mitjançant el programari R, hem creat una nova funció que reemplaça les taxes per a les taxes de transformació de registres (s'ha observat la font en negreta a la sintaxi):

noies americanes: xarxes socials i la vida secreta dels adolescents

medpolish2<- function (x, eps = 0.01, maxiter = 10L, trace.iter = TRUE, na.rm = FALSE)
{
amb<- as.matrix( registre (x) )
no<- nrow(z)
nc<- ncol(z)
t<- 0
r<- numeric(nr)
c<- numeric(nc)
oldsum<- 0
per a (iter en 1L: maxiter) abs (newsum - oldsum)si (convergent)
trencar
oldsum<- newsum
if (trace.iter)
cat (iter,:, newsum, n, sep =)

si (convergent) {
if (trace.iter)
cat (Final:, newsum, n, sep =)
}
else advertiment (sprintf (ngettext (maxiter, medpolish () no convergeix en% d iteració, medpolish () no convergeix en% d iteracions), maxiter), domini = NA)
noms (r)<- rownames(z)
noms (c)<- colnames(z)
anys<- list(overall = t, row = r, col = c, residuals = z, name = deparse(substitute(x)))
classe (anys)<- medpolish
anys
}

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

Les dades es guarden com a fitxer delimitat per comes (.csv), un format fàcil de llegir a R. Tingueu en compte l'ordre del poliment mitjà, l'opció de dades que falten està activada, en cas contrari el procediment informarà d'un error. Els dos conjunts de residus creats amb Excel i R són iguals.
Hem reformat les dades per cohort i hem realitzat un gràfic de la categoria de residus contra la cohort. Vegeu la taula següent:

Hem calculat la mitjana de cada cohort i, a continuació, s’utilitzen aquests residus transformats en registres per crear una trama per cohort. Aquest gràfic ajuda a avaluar la distribució dels residus, on qualsevol desviació significativa de zero suggerirà un fort efecte de cohort per a aquesta cohort, vegeu el gràfic següent:

Codi STATA per a traçar els residus:

Gràfic de la taxa mitjana de residus de poliment, EXEMPLE DE LLIBRE (escala de registre)
utilitzeu C: Users mydocs suicide_data.dta, clar
canvieu el nom de var2 var1
......
canvieu el nom de var16 var15
eigen mean = fila (var *)
remodelar var llarg, i (cohort) j (recompte)
deixa anar si var ==.
etiqueta defineix la cohort 1 1830-1834 2 1835-1839 ... 32 1985-1989 33 1990-1994
etiqueta valors cohort cohort
rename var Residual
twoway (dispersa Residual cohort, msize (vsmall)) (cohort mitjana connectada, msize (vsmall) msymbol (triangle) lwidth (thin) lpattern (solid)), ytitle (Median Polish Residuals) yscale (range (-2 2)) ylabel (# 7) xtitle (Cohort) xlabel (# 33, etiquetes labsize (small) angle (vertical) labgap (minuscule) valuelabel) title (, size (medsmall) ring (0)) legend (size (small))

Aquests residus ens ajuden a avaluar la magnitud de l’efecte de la cohort mitjançant una regressió lineal dels valors dels residus per cohort. Aquí escollim el 1910-1914 com a cohort de referència. De manera similar al gràfic 6, sembla que les cohorts nascudes després de 1950 presentaven un risc estadístic significativament superior de suïcidi en comparació amb la cohort de 1910-1014. Els coeficients calculats amb la regressió lineal es troben en escala logarítmica, per estimar les relacions de velocitat hem utilitzat la funció exponent per a cada coeficient [exp (x)].

Codi STATA per a la regressió de la taxa de suïcidi residual.

char cohort [ometre] 17
xi: regressió i.cohort residual

  1. Yang Y, Schulhofer ‐ Wohl S, Fu WJ, Land KC. L’Estimador intrínsec per a l’anàlisi d’edats-períodes-cohorts: què és i com fer-lo servir1. American Journal of Sociology 2008; 113 (6): 1697-736.

  2. Ni EN, Hauser RM, Yang Y. Les cohorts de naixement són importants? Anàlisis de cohorts per període d’edat de l’epidèmia d’obesitat als Estats Units. Ciències socials i medicina 2009; 69 (10): 1439-48.

  3. Keyes KM, Li G. Modelització d'edats-períodes i cohorts. Investigació de lesions: Springer, 2012: 409-26.

  4. Keyes KM, Utz RL, Robinson W, Li G. Què és un efecte de cohort? Comparació de tres mètodes estadístics per modelar els efectes de la cohort en la prevalença de l’obesitat als Estats Units, 1971-2006. Soc Sci Med 2010; 70 (7): 1100-8

  5. Yang, Yang i Kenneth C. Land. Anàlisi de cohorts període-edat: nous models, mètodes i aplicacions empíriques. CRC Press, 2013

  6. Mason, Karen Oppenheim, et al. Alguns problemes metodològics en l'anàlisi de cohorts de dades d'arxiu. American sociological review (1973): 242-258

  7. O'Brien, R.M. 2000. Models característics de la cohort del període d’edat. Investigació en ciències socials 29: 123-139

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

  9. Keyes KM, Li G. Un mètode multifase per estimar els efectes de la cohort en les dades de la taula de contingència del període d’edat. Ann Epidemiol 2010; 20: 779-785.

Lectures


Llibres de text i capítols

  • Yang, Yang i Kenneth C. Land. Anàlisi de cohorts període-edat: nous models, mètodes i aplicacions empíriques. CRC Press, 2013.

  • Keyes, Katherine M. i Guohua Li. Modelització Edat – Període – Cohort. Investigació de lesions. Springer EUA, 2012. 409-426.

  • Glenn, Norval D., ed. Anàlisi de cohorts. Vol. 5. Sage, 2005

  • Hobcraft, John, Jane Menken i Samuel Preston. Edat, període i efectes de cohort en demografia: una revisió. Springer Nova York, 1985.

Articles metodològics

  • Ryder, Norman B. The cohort as a concept in the study of social change. Revista sociològica americana (1965): 843-861.

  • Mason, Karen Oppenheim, et al. Alguns problemes metodològics en l'anàlisi de cohorts de dades d'arxiu. American sociological review (1973): 242-258

  • Mason, William M. i Stephen E. Fienberg. Anàlisi de cohorts en investigació social: més enllà del problema d’identificació. (1985)

  • Yang, Yang, et al. L’Estimador intrínsec per a l’anàlisi d’edats-períodes-cohorts: què és i com fer-lo servir1. American Journal of Sociology 113,6 (2008): 1697-1736.

  • Keyes, Katherine M., et al. Què és un efecte de cohort? Comparació de tres mètodes estadístics per modelar els efectes de la cohort en la prevalença de l’obesitat als Estats Units, 1971-2006. Ciències socials i medicina 70,7 (2010): 1100-1108.

  • Keyes, K. i Li, G., Modelització de cohorts per edats. A Li, G. i Baker, S. (eds.), Investigació de lesions: teories, mètodes i enfocaments. Springer, capítol 22, pàgines 409-426. Nova York, 2012

Articles d'aplicació

  • Keyes, Katherine M., et al. Edat, període i efectes de cohort en angoixa psicològica als Estats Units i al Canadà. Revista nord-americana d’epidemiologia (2014): kwu029.

Llocs web

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

Articles D'Interès

L'Elecció De L'Editor

Gairebé la meitat dels nens americans que viuen a prop de la línia de pobresa
Gairebé la meitat dels nens americans que viuen a prop de la línia de pobresa
Gairebé la meitat dels nens als Estats Units viuen perillosament a prop del llindar de pobresa, segons una nova investigació del Centre Nacional per a Infants en Pobresa (NCCP) de la Mailman School of Public Health de la Universitat de Columbia. Fets bàsics sobre els nens amb ingressos baixos, la sèrie anual de perfils del centre sobre la pobresa infantil a Amèrica, il·lustra la gravetat de l’economia
Departament de Rehabilitació i Medicina Regenerativa
Departament de Rehabilitació i Medicina Regenerativa
El Departament de Medicina de la Rehabilitació ofereix serveis de medicina de rehabilitació per a pacients de rehabilitació subaguda conjuntament amb la casa hebrea de Riverdale de RiverSpring Health. Això permet als pacients dels hospitals presbiterians de Nova York continuar el nivell d’atenció a què estan acostumats mentre reben els serveis de teràpia fora de l’hospital. La rehabilitació subaguda és un programa d’atenció a curt termini, que normalment inclou d’una a tres hores diàries de rehabilitació, com a mínim cinc dies a la setmana, segons la vostra condició mèdica.
Tir llarg
Tir llarg
Facultat de la Universitat de Columbia - Premis Nobel de Ciències Econòmiques
Facultat de la Universitat de Columbia - Premis Nobel de Ciències Econòmiques
Les dones embarassades amb depressió tenen més probabilitats d’utilitzar cànnabis
Les dones embarassades amb depressió tenen més probabilitats d’utilitzar cànnabis
El consum de cànnabis és molt més freqüent entre les dones embarassades amb depressió i les dones embarassades amb depressió tenen més de tres vegades més probabilitats d’utilitzar cànnabis que les que no tenen depressió, segons investigadors de la Columbia University Mailman School of Public Health. Tot i les dades que relacionen el cànnabis i la depressió en moltes poblacions, l’estudi és el primer que ho examina
Associació de proveïdors de contingut hongarès i Index.hu Zrt v. Hongria
Associació de proveïdors de contingut hongarès i Index.hu Zrt v. Hongria
Columbia Global Freedom of Expression intenta avançar en la comprensió de les normes i institucions nacionals i internacionals que millor protegeixen el lliure flux d’informació i expressió en una comunitat global interconnectada amb grans reptes comuns a abordar. Per assolir la seva missió, Global Freedom of Expression realitza i encarrega projectes de recerca i polítiques, organitza esdeveniments i conferències, participa i contribueix a debats globals sobre la protecció de la llibertat d’expressió i informació al segle XXI.
L’Institut de l’Orient Mitjà
L’Institut de l’Orient Mitjà
Patrocinat per la Lebanese American University i el SUNY Global Engagement Program