Statistical Modelling of Complex Correlated and Clustered Dat... - 9781536159813

Lai palīdzētu slimnīcai pārvaldīt savus resursus un pacientus, ļoti svarīga ir uzturēšanās ilguma modelēšana. Nesenā veselības stipendija un prakse lielākoties ir palikusi empīriska, balstoties uz primārajiem datiem. Tas ir ļoti svarīgi, pirmkārt, tāpēc, ka veselības plānotāji parasti paļaujas uz datiem, lai noteiktu slimības sloga tendences un modeļus valsts vai reģionālā līmenī. Otrkārt, epidemiologi ir atkarīgi no datiem, lai izpētītu iespējamos slimības riska faktorus. Tomēr rutīnas vai sekundāro datu izmantošana pēdējos gados ir izrādījusies arvien nozīmīgāka šādos centienos. Dažādas nodaļas veselības sistēmās vāca šādus datus galvenokārt kā daļu no uzraudzības, uzraudzības un novērtēšanas procesa. Šādus datus dažkārt periodiski papildina iedzīvotāju izlases apsekojumu datu kopas. Treškārt, kopā ar statistikas rīkiem sabiedrības veselības speciālisti spēj analizēt veselības datus un iedvest dzīvību tajos datos, kas var izrādīties bezjēdzīgi. Šīs grāmatas galvenais mērķis ir prezentēt un demonstrēt rutīnas vai sekundārās aptaujas datu progresīvu modelēšanu. Pētījumi liecina, ka, lai izprastu veselības pētījumu rezultātus, ir nepieciešama statistikas pratība un zināšanas. Lietotājam draudzīgu statistikas pakešu parādīšanās apvienojumā ar skaitļošanas jaudu un plašu sabiedrības veselības datu pieejamību radīja vairāk ziņoto epidemioloģisko pētījumu literatūrā. Tomēr sekundāro datu analīzei ir dažas unikālas problēmas. Šīs ir visplašāk ziņots par veselības literatūru, kas līdz šim nav atpazīta, kā rezultātā ir veikta neatbilstoša analīze un kļūdaini secinājumi. Šī grāmata piedāvā progresīvu statistikas metožu pielietojumu reāliem piemēriem, kas izriet no ikdienas vai sekundāriem apsekojuma datiem. Tās būtībā ir datu kopas, kurās ir bijuši iesaistīti abi redaktori, parādot, kā risināt šīs problēmas. Dažas no šīm problēmām ir: sarežģītais aptauju izlases dizains, datu hierarhiskais raksturs, datu atkarība atlasītajā klasterī un trūkstošo datu starp daudzām citām problēmām. Izmantojot datus no Veselības pārvaldības informācijas sistēmas (HMIS) un Demogrāfijas un veselības apsekojuma (DHS), mēs piedāvājam dažādas pieejas un paņēmienus, kā rīkoties ar datu sarežģītību, kā apstrādāt korelētus vai grupētus datus. Katrā nodaļā ir parādīts koda piemērs, ko var izmantot līdzīgu datu analīzei R, Stata vai SPSS. Lai grāmata būtu kodolīgāka, esam nodrošinājuši kodus grāmatas vietnē. Grāmatā aplūkotas četras galvenās tēmas veselības zinātņu pētniecības jomā: (i) strukturālo vienādojumu modelēšana, (ii) telpiskā un telpiskā modelēšana, (iii) korelētā vai klasterizētā kopulas modelēšana un (iv) izdzīvošanas analīze. Grāmatai ir potenciāls ietekmēt metodiķus, tostarp studentus, kas apgūst maģistra vai doktora līmeņa programmas, kā arī citus pētniekus, kuri meklē saistītu atsauci uz kvantitatīvo analīzi sabiedrības veselības vai veselības zinātņu jomā vai citās jomās, kurās būtu izmantojami līdzīga rakstura dati. Turklāt grāmata var būt resurss sabiedrības veselības speciālistiem, kurus interesē kvantitatīvās pieejas, lai atbildētu uz epidemioloģiska rakstura jautājumiem. Katra nodaļa sākas ar motivējošu fonu, statistikas metožu apskatu, analīzi un rezultātiem, beidzot diskusiju un iespējamiem ieteikumiem.