1 / 31

Terveys 2000 koulutus

Terveys 2000 koulutus. KTL 3.6.2003. Sisältö. Tutkimusasetelmat Otanta-asetelma Ositus ja ryvästys Painokertoimet Esimerkit SAS/SUDAAN Stata R Kysymykset ja keskustelu. Tutkimusasetelmat. Poikkileikkaustutkimus Kahden riippumattoman otoksen vertailu

ada
Download Presentation

Terveys 2000 koulutus

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Terveys 2000 koulutus KTL 3.6.2003

  2. Sisältö • Tutkimusasetelmat • Otanta-asetelma • Ositus ja ryvästys • Painokertoimet • Esimerkit • SAS/SUDAAN • Stata • R • Kysymykset ja keskustelu

  3. Tutkimusasetelmat • Poikkileikkaustutkimus • Kahden riippumattoman otoksen vertailu • Mini-Suomi –otoksen toistomittaustutkimus • Kohortti- ja upotetut tapaus-verrokkitutkimukset

  4. Ositus ja ryvästys • Suomi jaettiin 20 ositteeseen • Suurimmat kaupungit muodostivat 15 ositetta • Lopuista 5 ositteesta (miljoonapiiristä)poimittiin 65 terveyskeskuspiiriä (ryvästä) 234:stä • 8028 havaintoyksilöä poimittiin • yli 80-vuotiaita kaksinkertaisella todennäköisyydellä • havaintojen lukumäärä ositetta kohden vastasi ositteen väkilukua

  5. Kaksitasoisen otannan vaikutuksia • Kustannussäästöjä aineiston keräämisessä • Samasta terveyskeskuspiiristä poimittujen henkilöiden välillä riippuvuuksia: • Maantieteelliset etäisyydet pieniä • Sukulaisuussuhteita enemmän • Monet palvelut yhteisiä • Riippuvuuksien huomioiminen analyyseissä välttämätöntä

  6. Painokertoimien taustaa • Yksilöillä erilaiset poimintatodennäköisyydet • Yli 80-vuotiailla kaksinkertainen poimintatodennäköisyys • Esim. suora keskiarvo havainnoista tuottaa harhaisen arvion väestökeskiarvosta • Ratkaisu: painotettu keskiarvo, jossa yli 80-vuotiailla painoiksi asetetaan 1/2

  7. Painokertoimet ja kato • Yksilöiden osallistumisaktiivisuus vaihtelee • Jos osallistuneetja katotapaukset ovat… • samanlaisia, erot voidaan korjata melko hyvin (esim. vain iästä ja sukupuolesta johtuva kato) • oletus havaittujen ja katotapausten samankaltaisuudesta • erilaisia, erojen huomioiminen on vaikeaa (usein esim. terveyteen ja toimintakykyyn liittyvät muuttujat) • kadon luonteesta vahvoja oletuksia, joiden testaaminen vaikeaa

  8. Osallistumisasteita (unioni) n=7112

  9. Osallistumisasteita alueittain (terveyshaastattelu)

  10. Painokertoimien taustaa • Painokertoimilla voidaan korjata tunnetuista tekijöistä johtuvan kadon vaikutusta • Terveys 2000 –painokertoimissa huomioitu

  11. Erilaisia painokertoimia • Osallistuminen voidaan määritellä eri tavoilla • Terveys 2000 –osallistuneiden määrät eri painoilla: • Unionipaino: osallistunut vähintään yhteen tutkimuspisteeseen (n = 7112) • Ravintokyselypaino: Osallistunut ravintokyselyyn(n = 6005) • ”Kaikki”-paino: Osallistunut tutkimuspisteeseen tai vastannut karhu- tai puhelinhaastatteluun (n = 7415) • Leikkauspaino: osallistunut kaikkiin tutkimuspisteisiin (n = 5482)

  12. Väestöpainot vs. analyysipainot • Analyysipainoja käytetään erilaisten keskiarvojen, prevalenssien ja regressiomallien estimoinnissa • Väestöpainoja käytetään vain estimoitaessa erilaisia totaaleja, kuten ominaisuuden X lukumääriä väestössä

  13. Painomuuttujan valinta • Analyysimuuttujien puuttuvan tiedon profiilin pitäisi vastata painomuuttujan puuttuvia tietoja • Leikkauspainojen käyttäminen saattaa karsia merkittävän osan havaintoyksilöistä • Unionipainot sopivat useimpiin tilanteisiin • Ravintokyselyssä osallistumisprofiili poikkeaa selvästi unionipainojen profiilista • ”Kaikki”-painoissa mukana on yksilöitä, joista on vain vähän tietoja

  14. Painotuksen ja osituksen vaikutuksia • Tarkastellaan esimerkkejä, joissa keskiarvoja estimoidaan • … painotuksella tai ilman, ja • … huomioimalla ositus/ryvästys tai ei • Keskiarvoesimerkkien tuloksia voidaan havaita myös monimutkaisemmissa analyyseissä

  15. Esimerkkimuuttujat • Ikä • Systolinen verenpaine SystBP • Painoindeksi BMI • Kokonaiskolesteroli

  16. Tunnusluvut • Keskiarvo, joka kuvaa 30+ -vuotiaiden keskiarvoa • Estimoitu keskivirhe (s.e.) • DEFT eli ”Design Factor” on suhteellinen ero keskivirheissä (ja luottamusvälin leveydessä), jos jätetään huomioimatta painot sekä ositus- ja ryvästystiedot • DEFF ”Design Effect” on DEFT 2

  17. Ikä

  18. Systolinen verenpaine

  19. Painoindeksi BMI

  20. Kokonaiskolesteroli

  21. Johtopäätöksiä otanta-asetelman huomioimisesta • Painokertoimien huomioiminen tuottaa oikean piste-estimaatin • Rypäiden (erityisesti tk-piirien) sisäinen homogeenisuus ja erot verrattuna toisiin rypäisiin aiheuttavat sisäkorreloituneisuutta, mikä voi muuttaa huomattavasti estimoituja keskivirheitä verrattuna analyysiin yksinkertaisella satunnaisotannalla

  22. Lukumäärien estimointi • Monellako 30+ -vuotiaalla on ominaisuus X? • Terveys 2000 –tutkimuksen 30+ -vuotiaiden perusjoukossa on 3,254,681 ihmistä • Käytetään väestöpainokertoimia, jotka kuvaavat kuinka montaa kohdeperusjoukon ihmistä kohdehenkilö kuvaa, ja painotettua summaa tutkimusmuuttujasta

  23. Lukumääräestimointiesimerkki • Kuinka monella 30+ -vuotiaalla systolinen verenpaine on yli 140? Mikä on keskivirhe? • Käytetään väestöpainoja ja ositus-ryvästystietoja

  24. Esimerkkiaineisto Selittäjiä: • ikä (jatkuvana tai 6-luokkaisena) ikaja ika6 • sukupuoli sp2 • siviilisääty aa01 • painoindeksi (body mass index) BMI • kokonaiskolesteroli T114 • HDL-kolesteroli T115 ja • portaiden nouseminen PortaanNousu.

  25. Vastemuuttuja • Jatkuva: systolinen verenpaine SystBp2 • Binäärinen SystBp2_01: • arvo on 1, jos yli 140 • muuten 0 • Kolmiluokkainen SystBp2_123: • arvo on 1, jos alle 120 • arvo on 2, jos välillä 120, 160 • muuten 3

  26. Mallivakiointi • Mikä on muuttujan Y keskiarvo (tai prevalenssi) eri determinanttimuuttujan arvoilla, jos sekoittavan tekijän jakauma olisi sama? • Determinanttimuuttuja voi olla esim. sukupuoli • Mallivakiointi predictive marginal: • determinanttimuuttujan X havaittu arvo muutetaan arvoksi x kaikilla yksilöillä, • lasketaan ennustearvo jokaiselle yksilölle ja • lasketaan keskiarvo ennusteista • Hyöty: vertailukelpoisuus hyvä, koska erilaisilla tekijän X arvoilla x muuttujan Y arvoon vaikuttavien muiden tekijöiden jakauma on sama

  27. Mallivakiointi (jatkoa) • Miksi ei sijoiteta kaavoihin yksinkertaisesti kovariaattien keskiarvoja? • Estimoitaessa prevalenssia mallivakioitu tulos voi erota merkittävästi havaitusta prevalenssista

  28. Mallivakiointiesimerkki: jatkuva vaste • Vasteena systolinen verenpaine, lineaarinen regressiomalli • Selittäjinä BMI, sukupuoli, 6-luokkainen ikä, kokonaiskolesteroli ja siviilisääty

  29. Mallivakiointiesimerkki: binäärinen vaste • Vasteena systolinen verenpaine (”1” = yli 140, logit-malli) • Selittäjinä BMI, sukupuoli, 6-luokkainen ikä, kokonaiskolesteroli ja siviilisääty

  30. Esimerkit • Perustunnusluvut (keskiarvot, taulukoinnit) • Lineaarinen regressiomalli • Logistinen regressiomalli • Moniluokkainen logistinen regressiomalli • Järjestysasteikollinen vaste • Luokiteltu vaste

  31. Yhteenveto

More Related