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

Siekiant padėti ligoninei valdyti savo išteklius ir pacientus, labai svarbu modeliuoti buvimo trukmę. Naujausia sveikatos stipendija ir praktika iš esmės išliko empirinė, pagrįsta pirminiais duomenimis. Tai labai svarbu, pirma, nes sveikatos planuotojai paprastai remiasi duomenimis, kad nustatytų ligų naštos tendencijas ir modelius nacionaliniu ar regioniniu lygiu. Antra, epidemiologai, norėdami ištirti galimus ligos rizikos veiksnius, remiasi duomenimis. Tačiau įprastų arba antrinių duomenų naudojimas pastaraisiais metais tapo vis svarbesnis tokiose pastangose. Įvairūs sveikatos sistemų padaliniai tokius duomenis rinko pirmiausia kaip priežiūros, stebėjimo ir vertinimo proceso dalį. Tokie duomenys kartais periodiškai papildomi gyventojų imčių tyrimo duomenų rinkiniais. Trečia, kartu su statistinėmis priemonėmis visuomenės sveikatos specialistai gali analizuoti sveikatos duomenis ir įkvėpti gyvybės tiems duomenims, kurie gali pasirodyti beprasmiai. Šioje knygoje pagrindinis dėmesys skiriamas pažangiam įprastinių ar antrinių tyrimų duomenų modeliavimui ir pristatymui. Tyrimai rodo, kad norint suprasti sveikatos tyrimų rezultatus reikia statistinio raštingumo ir žinių. Dėl patogių statistikos paketų atsiradimo kartu su skaičiavimo galia ir plačiai paplitusiu visuomenės sveikatos duomenų prieinamumu literatūroje buvo daugiau pranešimų apie epidemiologinius tyrimus. Tačiau antrinių duomenų analizė turi tam tikrų unikalių iššūkių. Tai yra plačiausiai aprašyta sveikatos literatūra, kuri iki šiol nebuvo pripažinta, todėl buvo atlikta netinkama analizė ir padarytos klaidingos išvados. Šioje knygoje pristatomas pažangių statistikos metodų taikymas realiems pavyzdžiams, gaunamiems iš įprastinių ar antrinių tyrimų duomenų. Iš esmės tai yra duomenų rinkiniai, kuriuose dalyvavo du redaktoriai, rodantys, kaip spręsti šiuos iššūkius. Kai kurie iš šių iššūkių yra šie: sudėtingas tyrimų atrankos planas, duomenų hierarchinis pobūdis, duomenų priklausomybė atrinktame klasteryje ir trūkstamų duomenų tarp daugelio kitų iššūkių. Naudodami duomenis iš Sveikatos valdymo informacinės sistemos (HMIS) ir Demografijos ir sveikatos tyrimo (DHS), siūlome įvairius metodus ir metodus, kaip tvarkyti duomenų sudėtingumą, kaip tvarkyti koreliuojamus ar sugrupuotus duomenis. Kiekviename skyriuje pateikiamas pavyzdinis kodas, kurį galima naudoti analizuojant panašius duomenis R, Stata ar SPSS. Kad knyga būtų glaustesnė, knygos svetainėje pateikėme kodus. Knygoje nagrinėjamos keturios pagrindinės temos sveikatos mokslų tyrimų srityje: (i) struktūrinių lygčių modeliavimas, (ii) erdvinis ir erdvėlaikis modeliavimas, (iii) koreliacinis arba klasterinis kopulių modeliavimas ir (iv) išgyvenamumo analizė. Knyga gali turėti įtakos metodininkams, įskaitant magistrantūros ar doktorantūros studijų programas studijuojančius studentus, taip pat kitus mokslininkus, ieškančius kokios nors susijusios nuorodos į kiekybinę visuomenės sveikatos ar sveikatos mokslų ar kitų sričių, kuriose būtų taikomi panašaus pobūdžio duomenys, analizę. Be to, knyga gali būti šaltinis visuomenės sveikatos specialistams, besidomintiems kiekybiniais metodais atsakant į epidemiologinio pobūdžio klausimus. Kiekvienas skyrius pradedamas motyvuojančiu pagrindu, statistinių metodų, analizės ir rezultatų apžvalga, baigiant diskusija ir galimomis rekomendacijomis.