Principal Otro Análisis de edad-período-cohorte

Análisis de edad-período-cohorte

Descripción general

Software

Descripción

Sitios web

Lecturas

Cursos

Descripción general

Esta página describe brevemente el análisis de cohortes de período de edad y proporciona una lista de recursos anotada.

Descripción

Efecto de cohorte de período de edad

tipo de lesiones espinales

El análisis de cohortes de períodos de edad (APC) juega un papel importante en la comprensión de los elementos que varían en el tiempo en la epidemiología. En particular, el análisis de APC distingue tres tipos de fenómenos que varían en el tiempo: efectos de edad, efectos de período y efectos de cohorte. (1)
Efectos de la edad son variaciones vinculadas a procesos biológicos y sociales de envejecimiento específicos de los individuos. (2) Incluyen cambios fisiológicos y acumulación de experiencias sociales vinculadas al envejecimiento, pero no relacionadas con el período de tiempo o cohorte de nacimiento a la que pertenece un individuo. En los estudios epidemiológicos, los efectos de la edad generalmente se denotan mediante tasas variables de enfermedades entre grupos de edad.
Efectos de período son el resultado de factores externos que afectan por igual a todos los grupos de edad en un calendario determinado. Podría surgir de una variedad de factores ambientales, sociales y económicos, p. Ej. guerra, hambruna, crisis económica. Los cambios metodológicos en las definiciones de los resultados, las clasificaciones o el método de recopilación de datos también podrían dar lugar a efectos de período en los datos. (3)
Efectos de cohorte son variaciones que resultan de la experiencia / exposición única de un grupo de sujetos (cohorte) a medida que avanzan en el tiempo. El grupo más comúnmente definido en epidemiología es la cohorte de nacimiento basada en el año de nacimiento y se describe como la diferencia en el riesgo de un resultado de salud basado en el año de nacimiento. Por lo tanto, se produce un efecto de cohorte cuando las distribuciones de la enfermedad surgen de una exposición que afectan a los grupos de edad de manera diferente. En epidemiología, un efecto de cohorte se conceptualiza como una interacción o modificación del efecto debido a un efecto de período que se experimenta de manera diferente a través de la exposición o susceptibilidad específica por edad a ese evento o causa. (4)
En contraste con esta conceptualización del efecto de cohorte como una modificación del efecto en epidemiología, la literatura sociológica considera el efecto de cohorte como un factor estructural que representa la suma de todas las exposiciones únicas experimentadas por la cohorte desde el nacimiento. En este caso, el efecto de la edad y el período se concibe como factores de confusión del efecto de cohorte y el análisis de APC tiene como objetivo desentrañar el efecto independiente de la edad, el período y la cohorte. conceptualizar el efecto independiente de la edad, el período y el efecto de cohorte.
Problema de identificación en APC : El análisis de APC tiene como objetivo describir y estimar el efecto independiente de la edad, el período y la cohorte sobre el resultado de salud en estudio. Las diferentes estrategias utilizadas tienen como objetivo dividir la varianza en los componentes únicos atribuibles a los efectos de edad, período y cohorte (4). Sin embargo, existe un impedimento importante para estimar de forma independiente los efectos de la edad, el período y la cohorte mediante el modelado de los datos, lo que se conoce como el problema de identificación en APC. Esto se debe a la dependencia lineal exacta entre edad, período y cohorte: período - edad = cohorte; es decir, dado el año calendario y la edad, se puede determinar la cohorte (año de nacimiento) (5). La presencia de predictores perfectamente colineales (edad, período y cohorte) en un modelo de regresión producirá una matriz de diseño singular no identificable, a partir de la cual es estadísticamente imposible estimar estimaciones únicas para los tres efectos. (5)

Soluciones convencionales al problema de identificación de APC

Estimador GLIM de coeficientes restringidos (CGLIM)
Un enfoque popular para resolver el problema de identificación fue el uso de análisis de regresión basado en restricciones (estimador GLIM de coeficientes restringidos (CGLIM)). En esta estrategia, se imponen restricciones adicionales en una de las categorías de al menos un predictor para estimar simultáneamente el período de edad y el efecto de cohorte. Por lo tanto, suponiendo que algunas categorías de grupos de edad, cohortes o períodos de tiempo tienen efectos idénticos sobre la variable dependiente, es posible estimar el efecto independiente del período de edad y la cohorte (6). Sin embargo, los resultados de este análisis dependerán de las limitaciones elegidas por el investigador en función de la información externa. La validez de las restricciones elegidas dependerá de la preconcepción teórica sobre las categorías de parámetros que son idénticas, es a menudo subjetiva y no existe una forma empírica de confirmar la validez de las restricciones elegidas (4).
Enfoque de variables proxy
Utilice una o más variables proxy como sustitutos de los coeficientes de edad, período o cohorte (7)
Enfoque de transformación paramétrica (algebraica) no lineal
Defina una función paramétrica no lineal de una de las variables de edad, período o cohorte para que su relación con otras sea no lineal.
Método de estimador intrínseco
Es una nueva técnica desarrollada en los últimos 10 años y está relacionada con el análisis de componentes principales que aborda el problema de identificación cuando las variables explicativas están altamente correlacionadas. Aunque IE también impone restricciones sobre parámetros similares a CGLM, las restricciones son menos subjetivas y no afectan la estimación de los parámetros de regresión por edad, período o cohorte (4,5). Los estudios de validación de modelos han confirmado la solidez de las propiedades estadísticas de IE al comparar los hallazgos de un análisis de IE de datos empíricos con los resultados de un análisis de los mismos datos mediante una familia diferente de modelos que no utilizan la misma restricción de identificación (5).
Análisis de la mediana del polaco
La definición epidemiológica de un efecto de cohorte como una interacción de edad por período es la base para el análisis de la mediana del pulido. Extrae la no linealidad en los efectos de edad y período y divide la varianza no lineal en efecto de cohorte y error aleatorio (4). En otras palabras, este enfoque evalúa la interacción de la edad y el período que está más allá de lo que se esperaría de sus influencias aditivas.

Directriz para estimar modelos APC (Basado en Yang y Land) (5):

  1. El análisis de datos descriptivos mediante la representación gráfica de los datos es el primer paso en un análisis APC. Esto ayuda en la evaluación cualitativa de patrones de variaciones basadas en el tiempo.

  2. Descarte que los datos pueden explicarse por cualquier modelo de factor único o de dos factores de edad, período de tiempo y cohorte. Las estadísticas de bondad de ajuste se utilizan a menudo para comparar entre modelos lineales logarítmicos reducidos: tres modelos separados para efectos de edad, período y cohorte; y tres modelos de dos factores, uno para cada uno de los tres posibles pares de efectos, a saber, modelos de efectos AP, AC y PC. Luego, todos estos modelos se comparan con un modelo APC completo donde los tres factores se controlan simultáneamente.Se utilizan los dos criterios de selección del modelo de probabilidad penalizada más comúnmente utilizados, a saber, el criterio de información de Akaike (AIC) y el criterio de información bayesiano (BIC). para evaluar el modelo, ya que las pruebas de razón de verosimilitud tienden a favorecer modelos con un mayor número de parámetros. BIC y AIC ajustan el impacto de las dimensiones del modelo en las desviaciones del modelo.

  3. Si los análisis descriptivos indican que las tres dimensiones A, P y C no están operativas, entonces el análisis se puede completar con un modelo reducido que omite la dimensión no operativa y no hay problema de identificación.

  4. Sin embargo, si estos análisis sugieren que las tres dimensiones están en funcionamiento, utilice uno de los métodos específicos de análisis APC.

Ejemplo práctico de análisis polaco medio (3)

La tabla (3) muestra el problema de identificación, donde los tres componentes (edad, período y cohorte) están perfectamente correlacionados. Para identificar las cohortes, necesitamos conocer solo el período y el grupo de edad: restamos el grupo de edad temprana del límite superior e inferior del período (por ejemplo, las personas que tenían entre 10 y 14 años en 1950-1954, restamos 10 de 1950 y 1954 para etiquetar el intervalo de cohorte como 1940-1944). (9) Los campos diagonales resaltados en color indican la tasa de cada cohorte a medida que envejecen. Las tablas de contingencia no pueden estimar el riesgo de cohortes mutuamente excluyentes debido a la superposición de cohortes. Esta convención puede introducir una clasificación errónea de algunos individuos, pero el propósito principal de un análisis de cohorte de período de edad es estimar las tendencias generales en una cohorte específica en lugar de una cuantificación precisa de un riesgo causal real. La cohorte superpuesta nos recuerda en contra de una interpretación excesiva de las estimaciones. También estamos limitados por la falta de datos. Por ejemplo, solo tenemos un punto de datos para el grupo de población más joven (los de 10 a 14 años en 2000-2004). Usando esta tabla, podemos realizar una representación gráfica inicial con un gráfico de líneas en Microsoft Excel.

Los dos gráficos se crearon utilizando los gráficos de líneas en Microsoft Excel. Para trazar ambos gráficos, simplemente reorganizamos los datos con la función Cambiar fila / columna. Estas dos representaciones gráficas nos permiten evaluar cualquier patrón en los datos. La limitación es que cualquier hallazgo podría representar una combinación de dos o más efectos.

El pulido mediano elimina los efectos aditivos de la edad y el período restando iterativamente el valor mediano de cada fila y columna. (6) El primer paso en el pulido de la mediana es calcular las medianas para cada fila, consulte la tabla 2:

El siguiente paso es restar la mediana de la fila de cada valor en la fila, por ejemplo, en la fila uno restaremos 0.610 menos 0.790 = -0.18. En la segunda fila (15-19 años) usamos el mismo procedimiento 6.330 - 5.770 = 0.56, y luego para cada celda de la tabla. Esto creó una tabla con nuevos valores, consulte la tabla 3:

El siguiente paso es calcular la mediana de la columna para los nuevos valores y luego restar la mediana de la columna de cada celda de la columna, por ejemplo, -0,18 - 19,08 = -19,26. Después de crear la nueva tabla con los valores de restar cada columna mediana para cada celda, procedemos a calcular la mediana de la fila (tercera iteración). Estas iteraciones eventualmente producirán medianas de filas y columnas iguales a cero. Para este ejemplo, fueron necesarias 6 iteraciones para producir medianas de filas y columnas iguales a cero, consulte la tabla 4:

endémica vs epidemia vs pandemia

La Tabla 4 tiene los valores de los residuos después de 5 iteraciones. Estos residuos representan los coeficientes libres del efecto aditivo de los efectos de la edad y el período. Observe que los datos de los grupos de edad 75-79 y 80-84 años entre 1910 y 1939 son valores perdidos. Si reemplazamos los valores faltantes por tasas cero, los residuos de cálculo estarán sesgados. El procedimiento completo se realizó en Microsoft Excel. Para comprobar si estos residuales eran correctos, creamos una nueva tabla con el producto de restar el valor residual del original el conjunto de valores en la tabla 1. El producto de las restas se utiliza para crear un gráfico de líneas. Este gráfico de líneas nos permite comprobar la validez de los residuales y esperamos líneas perfectamente paralelas. Dado que estamos restando los residuos que representan los efectos de cohorte de los valores originales, estamos evaluando cualquier efecto de edad o período libre de efectos de cohorte. Ver gráficos 3 y 4:


El procedimiento de pulido medio está disponible en R, que es un software gratuito disponible (8). Vea la siguiente sintaxis:

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

Los resultados del pulido medio se pueden obtener sin ninguna transformación de tasas, pero el uso de la transformación logarítmica de las tasas antes del procedimiento de pulido medio producirá una evaluación de la interacción en la escala multiplicativa (o efecto logarítmico-aditivo). Repetimos nuestro procedimiento de pulido medio utilizando la transformación logarítmica de las tasas de suicidio. Para producir residuos transformados logarítmicamente de la tabla original usando el software R, creamos una nueva función que reemplaza las tasas de tasas transformadas logarítmicamente (notó la fuente en negrita en la sintaxis):

medpolish2<- function (x, eps = 0.01, maxiter = 10L, trace.iter = TRUE, na.rm = FALSE)
{
con<- as.matrix( registro (x) )
No<- nrow(z)
Carolina del Norte<- ncol(z)
t<- 0
r<- numeric(nr)
c<- numeric(nc)
oldsum<- 0
para (iter en 1L: maxiter) abs (newsum - oldsum)si (convergido)
rotura
oldsum<- newsum
si (trace.iter)
gato (iter,:, newsum, n, sep =)

if (convergido) {
si (trace.iter)
gato (Final:, newsum, n, sep =)
}
else advertencia (sprintf (ngettext (maxiter, medpolish () no convergió en% d iteración, medpolish () no convergió en% d iteraciones), maxiter), dominio = NA)
nombres (r)<- rownames(z)
nombres (c)<- colnames(z)
años<- list(overall = t, row = r, col = c, residuals = z, name = deparse(substitute(x)))
clase (años)<- medpolish
años
}

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

Los datos se guardan como un archivo delimitado por comas (.csv), un formato fácil de leer en R. Observe el comando para el pulido medio, la opción de datos faltantes está habilitada, de lo contrario el procedimiento reportará un error. Ambos conjuntos de residuos creados con Excel y R son iguales.
Reformamos los datos por cohorte y realizamos un gráfico de los residuos frente a la categoría de cohorte. Ver siguiente tabla:

Calculamos la media para cada cohorte y luego estos residuos transformados logarítmicamente se utilizan para crear una gráfica por cohorte. Esta gráfica ayuda a evaluar la distribución de los residuos, donde cualquier desviación significativa de cero sugerirá un fuerte efecto de cohorte para esa cohorte, vea la siguiente gráfica:

Código STATA para graficar los residuos:

Gráfico de la mediana de la tasa de residuos de pulido, EJEMPLO DE LIBRO (escala logarítmica)
use C: Users mydocs suicide_data.dta, borre
cambiar el nombre de var2 var1
……
cambiar el nombre de var16 var15
media propia = media de la fila (var *)
remodelar var larga, i (cohorte) j (recuento)
descartar si var ==.
etiqueta definir cohorte 1 1830-1834 2 1835-1839… 32 1985-1989 33 1990-1994
valores de etiqueta cohorte cohorte
rename var Residual
twoway (cohorte residual de dispersión, tamaño ms (vsmall)) (cohorte media conectada, tamaño ms (vsmall) msymbol (triángulo) lwidth (thin) lpattern (solid)), ytitle (Median Polish Residuals) yscale (range (-2 2)) ylabel (# 7) xtitle (Cohorte) xlabel (# 33, tags labsize (small) angle (vertical) labgap (minuscule) valuelabel) title (, size (medsmall) ring (0)) legend (tamaño (pequeño))

Estos residuos nos ayudan a evaluar la magnitud del efecto de cohorte mediante una regresión lineal de los valores de los residuos por cohorte. Aquí elegimos el 1910-1914 como cohorte de referencia. Al igual que en el gráfico 6, parece que las cohortes nacidas después de 1950 tenían un riesgo estadísticamente más alto de suicidio en comparación con la cohorte de 1910-1014. Los coeficientes calculados con la regresión lineal están en escala logarítmica, para estimar las razones de tasas usamos la función exponente para cada coeficiente [exp (x)].

Código STATA para la regresión de los residuos de la tasa de suicidio.

cohorte de caracteres [omitir] 17
xi: retroceso Residual i.cohort

  1. Yang Y, Schulhofer ‐ Wohl S, Fu WJ, Land KC. El estimador intrínseco para el análisis de cohortes de período de edad: qué es y cómo usarlo 1. American Journal of Sociology 2008; 113 (6): 1697-736.

  2. Reither EN, Hauser RM, Yang Y. ¿Importan las cohortes de nacimiento? Análisis de cohortes de períodos de edad de la epidemia de obesidad en los Estados Unidos. Ciencias sociales y medicina 2009; 69 (10): 1439-48.

  3. Keyes KM, Li G. Modelado por edad-período-cohorte. Investigación de lesiones: Springer, 2012: 409-26.

  4. Keyes KM, Utz RL, Robinson W, Li G. ¿Qué es un efecto de cohorte? Comparación de tres métodos estadísticos para modelar los efectos de la cohorte en la prevalencia de la obesidad en los Estados Unidos, 1971-2006. Soc Sci Med 2010; 70 (7): 1100-8

    diferencia entre epidemia y pandemia
  5. Yang, Yang y Kenneth C. Land. Análisis de cohortes de períodos de edad: nuevos modelos, métodos y aplicaciones empíricas. Prensa CRC, 2013

  6. Mason, Karen Oppenheim y col. Algunas cuestiones metodológicas en el análisis de cohortes de datos de archivo. Revista sociológica estadounidense (1973): 242-258

  7. O'Brien, R.M. 2000. Modelos característicos de cohortes de períodos de edad. Investigación en ciencias sociales 29: 123-139

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

  9. Keyes KM, Li G. Un método multifásico para estimar efectos de cohorte en datos de tablas de contingencia de períodos de edad. Ann Epidemiol 2010; 20: 779-785.

Lecturas


Libros de texto y capítulos

  • Yang, Yang y Kenneth C. Land. Análisis de cohortes de períodos de edad: nuevos modelos, métodos y aplicaciones empíricas. Prensa CRC, 2013.

  • Keyes, Katherine M. y Guohua Li. Modelado de edad-período-cohorte. Investigación de lesiones. Springer Estados Unidos, 2012. 409-426.

  • Glenn, Norval D., ed. Análisis de cohortes. Vol. 5. Sage, 2005

  • Hobcraft, John, Jane Menken y Samuel Preston. Efectos de la edad, el período y la cohorte en la demografía: una revisión. Springer Nueva York, 1985.

Artículos metodológicos

  • Ryder, Norman B. La cohorte como concepto en el estudio del cambio social, American sociological review (1965): 843-861

  • Mason, Karen Oppenheim y col. Algunas cuestiones metodológicas en el análisis de cohortes de datos de archivo. Revista sociológica estadounidense (1973): 242-258

    darkwater: voces desde dentro del velo
  • Mason, William M. y Stephen E. Fienberg. Análisis de cohortes en la investigación social: más allá del problema de identificación. (1985)

  • Yang, Yang y col. El estimador intrínseco para el análisis de cohortes de período de edad: qué es y cómo usarlo 1. Revista Estadounidense de Sociología 113.6 (2008): 1697-1736.

  • Keyes, Katherine M. y col. ¿Qué es un efecto de cohorte? Comparación de tres métodos estadísticos para modelar los efectos de la cohorte en la prevalencia de la obesidad en los Estados Unidos, 1971–2006. Ciencias sociales y medicina 70.7 (2010): 1100-1108.

  • Keyes, K. y Li, G., Modelado de cohortes de período de edad. En Li, G. y Baker, S. (eds.), Investigación de lesiones: teorías, métodos y enfoques. Springer, Capítulo 22, páginas 409-426. Nueva York, 2012

Artículos de aplicación

  • Keyes, Katherine M. y col. Efectos de la edad, el período y la cohorte en la angustia psicológica en los Estados Unidos y Canadá. Revista estadounidense de epidemiología (2014): kwu029.

Sitios web

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

Artículos De Interés

La Elección Del Editor

GOOGLE LANZA ACTUALIZACIONES DE SEGURIDAD PARA CROMO EL 31 DE MARZO DE 2021
GOOGLE LANZA ACTUALIZACIONES DE SEGURIDAD PARA CROMO EL 31 DE MARZO DE 2021
Teachers College, de la Universidad de Columbia, es la primera y más grande escuela de posgrado de educación en los Estados Unidos, y también está constantemente clasificada entre las mejores del país.
Buckley v. Valeo
Buckley v. Valeo
Columbia Global Freedom of Expression busca promover la comprensión de las normas e instituciones nacionales e internacionales que mejor protegen el libre flujo de información y expresión en una comunidad global interconectada con importantes desafíos comunes que abordar. Para lograr su misión, Global Freedom of Expression emprende y encarga proyectos de investigación y políticas, organiza eventos y conferencias, y participa y contribuye a los debates globales sobre la protección de la libertad de expresión e información en el siglo XXI.
Llegar más allá de la universidad: redactar el artículo de opinión
Llegar más allá de la universidad: redactar el artículo de opinión
Programas internacionales semestrales y de doble titulación
Programas internacionales semestrales y de doble titulación
Inscríbase en uno de los más de dos docenas de programas académicos en el extranjero y enriquezca su comprensión de las leyes, el idioma, la cultura y la gobernanza en un contexto global.
Transmisión en memoria de Nikolaus Harnoncourt
Transmisión en memoria de Nikolaus Harnoncourt
Eugene Ramos '07 Escritor asociado de 'El príncipe dragón
Eugene Ramos '07 Escritor asociado de 'El príncipe dragón'
The Dragon Prince es una serie de fantasía en streaming animada por computadora creada por Aaron Ehasz y Justin Richmond. Es la historia de dos civilizaciones, una que tiene el poder de la magia y los humanos, que no tienen acceso a la magia de forma natural.
La investigación apoya la prohibición de los cigarrillos mentolados
La investigación apoya la prohibición de los cigarrillos mentolados
Los cigarrillos aromatizados han estado prohibidos en los Estados Unidos durante más de una década, con una flagrante excepción: los cigarrillos mentolados, que se consumen en tasas sustancialmente más altas entre los afroamericanos. A pesar de la abrumadora investigación sobre los riesgos para la salud del mentol, la Administración de Drogas y Alimentos de los EE. UU. (FDA) y muchos gobiernos estatales y locales no han logrado eliminar este sabor de