Ortak Değişkenler – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri
PRATİK UYGULAMALAR
Önceki bölümde açıklanan yöntemler, 1978’den 1998’e kadar Galiçya’da (İspanya) erkeklerde akciğer kanseri mortalitesindeki coğrafi varyasyon çalışmasına uygulandı.
Veri
Galiçya, İspanya’nın kuzeybatısında yer alan ve 315 belediye alanına bölünmüş bir bölgedir. 1978-1998 çalışma dönemi, her biri yedi yıllık üç alt döneme ayrılmıştır: 1978-1984, 1985-1991 ve 1992-1998.
Yaşlar 15 yaş altı, 15-24, 25-34, 35-44, 45-54, 55-64, 65-74 ve 74 yaş üstü olarak kategorize edildi. 44 yaşın altında akciğer kanserinden çok az ölüm meydana geldiğinden, ilk dört kategoriyi birleştirdik.
j zaman periyodu (i=1, …, 315 ve j=1,2,3) için i belediyesinde akciğer kanseri ölümlerinin sayısından oluşan erkeklerde akciğer kanseri ölüm verileri İspanya Ulusal İstatistik Enstitüsü’nden elde edilmiştir. 1978-1986 dönemi için ve Galiçya Ölüm Kayıt Defterinden 1987-1998 dönemi için. Galiçyaca yaşa özel erkek nüfus rakamları, 1981 ve 1991 Nüfus Sayımlarından ve 1986 ve 1996 Nüfus Kayıtlarından elde edildi.
Ortak Değişkenlerin Açıklaması
Göz önünde bulundurduğumuz ortak değişkenler, kentsel yaşam için bir vekil olarak kilometrekareye düşen toplam yerleşik nüfus (DEN) ve hem belediye düzeyinde hem de 1991’e atıfta bulunulan sosyo-ekonomik puandır (SES).
Silva-Ayçaguer’de (1997) önerilen metodoloji kullanılarak elde edilen SES, aşağıdaki değişkenlerin bir özetidir: bebek ölüm hızı, nüfus yoğunluğu, 1.000’den fazla nüfusa sahip nüfus merkezlerinde yaşayan insanların oranı, yüksek nüfuslu erkeklerin oranı. çalışmalar, endüstriyel faaliyetlerde aktif insanların oranı ve akan suyu veya elektriği olmayan evlerde yaşayan insanların oranı.
Sonuçlar
Herhangi bir sonucu tahmin etmeden ve yorumlamadan önce, sonuçların Bayes modeli spesifikasyonlarındaki değişikliklere duyarlılığı DIC kullanılarak araştırıldı. DIC açısından en iyi model, heterojenlik terimi olmadan uzay-zaman etkileşimi etkilerini içeren modeldi:
- log ξij = α + φi + (β+δi)tj
Dolayısıyla bu model, ortak değişkenlerin tanıtılması gibi sonraki analizler için kullanıldı.
Klasik yaklaşım ve Bayes tahmini ile elde edilen akciğer kanseri için tahmini RR’leri gösterir. RR’ler Şekil 1(b)’de Şekil 1(a)’dakinden daha az değişkendir, düzleştirmenin etkisi kanıtlanmıştır (SMR’ler 0,094 ile 1,871 arasında değişir; RR’nin Bayesian tahminleri bu dağılımı düzeltir, çünkü çekilen tahminler şu şekildedir: 0,382 ila 1,756). SMR’lerin değişkenliği, farklı popülasyon büyüklüğü ve buna karşılık gelen küçük sayılar nedeniyle rastgele dalgalanmaları yansıtır.
Haritalar, riskin coğrafi dağılımındaki zıtlıkları vurgular; Galiçya’nın kuzeybatı ve güneybatı kısımları daha yüksek risk altında görünmektedir. Bu model her iki haritada da kararlıdır, ancak beklendiği gibi Bayes modeli altında elde edilen haritada daha net ortaya çıkmaktadır.
Kontrol değişken örnekleri
Bağımlı Bağımsız değişken araştırma Yöntemleri
Bağımlı bağımsız değişken örnek cümleler
Ortak değişken Nedir
Bağımlı Bağımsız değişken nedir
Kesikli değişken
Karıştırıcı değişken nedir
Kontrol değişkeni
Galiçya belediyelerinde akciğer kanseri için zamansal eğilimi sunar ve ölüm oranının daha düşük olduğu bölgelerde son birkaç yılda yükselen bir eğilimin kanıtlandığını gösterir. Modeli her iki ortak değişkenle ayarlayarak elde edilen tahminleri gösterir.
RR’ler daha da küçülmüştür, yani daha küçük bir varyasyon aralığına sahiptirler (SMR’ler 0,403 ila 1,702 arasındadır). Bu sonuç (RR’lerin değişkenliğini azaltmaya yardımcı olan bilgileri sağlayan ortak değişkenler), ortak değişkenleri içeren model için DIC değerinin, bunlar olmadan modele göre daha küçük olması gerçeğiyle birlikte, ortak değişkenler ve hastalık arasındaki ilişkiyi doğrular.
GELECEK TRENDLER VE SONUÇLAR
Bu çalışma, hastalık haritalamasında çeşitli konuları ele almıştır: Bayes modellerine karşı klasik yöntemlerin kullanımı, önceki dağılımların seçimi veya uzamsal-zamansal yapıların dahil edilmesi. Teorik karşılaştırmalar yapmaktan çok bu yöntemleri verilerle karşılaştırmaya ağırlık verdi. Yöntemlerin karşılaştırılmasıyla ilgili sonuçların geçerliliği sınırlıdır.
SMR’yi hesaplamak için olağan prosedürler yerine Bayes modellerinin kullanılması önerilir. Küçük popülasyonlara dayalı olarak yüksek veya düşük SMR’lere sahip bölgelere dikkat çekildiğinden, gözlemlenen SMR’lerin haritaları kararsız olabilir ve yanlış yorumlamaya eğilimlidir. Düzgünleştirme, aşırı yayılma sorununun üstesinden gelir ve belediyeler arasındaki farklılıkları vurgulamamızı sağlar.
Hiyerarşik modelin parametrelerinin tahmini, son birkaç yılda gelişen ve RR’lerin dağılımı için özet istatistikleri hesaplamamıza izin veren MCMC yöntemleri sınıfına ait algoritmalar ile gerçekleştirilebilir.
Bayes yöntemleri kullanılarak elde edilen sonuçlar, öncelik seçimine duyarlı olabilir. Bununla birlikte, Mollié (2000), bu yöntemlerin öncelik seçimine karşı duyarsızlığını tartışır, ancak verilerin az olduğu ve coğrafi değişkenliğe ilişkin yaygın bir kanaatin olduğu durumlarda, bu bağımsızlığın dikkatle araştırılması gerekir.
Bu analizden, göreceli risklerin değişkenliği hakkında ilginç sonuçlar ortaya çıkmıştır. Değişkenliğin ana bölümünün yerel bir kümeleme yapısı tarafından açıklandığına dair göstergeler vardır. Bu nedenle, çevresel ve sosyo-demografik yerel özelliklerin karmaşık bir kombinasyonuna tekabül edebilen, zaman içinde nispeten istikrarlı olan yerel risk faktörlerinin akciğer kanseri mortalitesinin mekansal yapısını etkilediğine dair bazı kanıtlar vardır.
Bireylerden ziyade bölgelerde ölçülen ortak değişken değerlerini dahil eden bu analiz, bir “ekolojik modelleme” örneğidir.
Herhangi bir ekolojik çalışmada olduğu gibi ve “ekolojik yanılgı” (etkilerin toplu olarak bireylere atfedilmesi) nedeniyle, ilgili ortak değişkenler dahil edildiğinde bile sonuçlar dikkatle yorumlanmalıdır, çünkü yanlılığa neden olabilecek birçok potansiyel faktör vardır. Verileri toplu düzeyde analiz eden bir çalışmanın sonuçları ile bunu bireysel düzeyde yapanların sonuçları arasındaki tutarsızlıklar.
Ayrıca, kanser ölüm oranları yaşla birlikte artar ve buna eşlik eden daha kötü tanı kalitesi sorunu ve ardından ölüm sertifikasyonu gelir, bu da tahminde yanlılığa yol açabilir.
Bu çalışmada, ortak değişken ölçümlerinin hatasız olduğunu varsaydık. Ancak, bu oldukça gerçekçi değil. Gerçekten de, Bernardinelli, Pascutto, Montomoli ve Komakec (1999) ve Xia ve Carlin (1998), standart hiyerarşik Bayes modeline hatasız olmayan ortak değişken ölçümleri dahil eder ve altta yatan hata dikkate alındığında, tahminler daha doğru çıkıyor.
Daha sonraki araştırmalar, çalışma yılları boyunca ölüm davranışı yaş gruplarında farklı olduğundan, yaş faktörünün tanıtılmasıyla ve hatta zamanla etkileşimiyle modelin genişlemesini değerlendirmemize yol açmıştır. Bu, zorunlu olarak daha fazla sayıda gözlemi gerektirir ve yeterince doğru sonsal tahminlerin üretilmesinde sorunlara yol açar.
Bir başka gelişme de komşu seçimini içeriyor. Yakın zamanda yapılan bir çalışma, bu yazıda kullanılan seçeneğin daha iyi sonuçlar verdiğini gösteriyor, ancak yine de, belirli bir kilometre yarıçapında bulunan tüm belediyeleri komşu olarak almak veya en yakın k komşuyu almak gibi diğer alternatifleri denemek ilginç olurdu.
Bağımlı Bağımsız değişken araştırma Yöntemleri Bağımlı Bağımsız değişken nedir Bağımlı bağımsız değişken örnek cümleler Karıştırıcı değişken nedir Kesikli değişken Kontrol değişken örnekleri Kontrol değişkeni Ortak değişken Nedir