Аналіз часових ліній

Я провожу дослідження взаємозв'язку між порядком народження людини та пізнішим ризиком ожиріння, використовуючи дані кількох однорічних народжень (наприклад, http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2908417/ ).

Ключовим завданням є те, що порядок народження пов'язаний з іншими ознаками, такими як вік матері, кількість молодших та / або старших братів та сестер та відстань від народження, які також можуть впливати на результат за допомогою різних механізмів. Крім того, будь-який вплив цих речей на більш пізній ризик ожиріння може бути змінений гендерним складом братів і сестер, включаючи "індексну дитину" (учасницю народжувальної когорти).

Для кожної дитини-індекса можна було скласти часовий графік, який відображав усі народження в сім'ї, з віком матері в часовій змінній.

Я намагаюся визначити методи аналізу подібних даних, де порядок, терміни та характер подій можуть бути важливими. Я задаю тут це питання через різноманітність програм, з якими працюють члени - я сподіваюся, що у когось є негайні пропозиції, які знадобляться мені набагато більше часу, щоб визначитись наодинці. Будемо дуже вдячні за будь-які поштовхи в правильному напрямку.

Супутні питання: Як я повинен аналізувати дані про інтервали народження жінок?

Ви можете розглянути можливість використання багаторівневих моделей (змішаної регресії) для оцінки ефектів між сімейними ефектами та в них. Однією з можливих стратегій є використання запланованого підходу до побудови ієрархічної моделі. Наприклад, протестуйте кожного потенційного прогноктора в універсальній моделі. Якщо між сімейними ефектами усунути ефект порядку народження, то настійно можна стверджувати, що порядок народження не важливий, а інший вплив. Приклад цитування цього ефекту порядку народження на IQ:

• Wichman, AL, Rodgers, J., & MacCallum, RC (2006). Багаторівневий підхід до зв'язку між порядком народження та інтелектом . Вісник особистості та соціальної психології , 32 (1), 117-127. doi: 10.1177 / 0146167205279581

Я сподіваюся, що це корисно.

Я підходжу до цього як до статистичного питання і не маю спеціальних знань з медичних питань.

Переглядаючи статтю, яку ви посилаєтесь, я бачу, що в одній когорті було 970 осіб. Якщо у вас є дані про декілька когорт приблизно такого розміру, то загальний розмір вашого набору даних пропонує можливість вибору досить великих підмножин, у яких часова шкала кожної людини відповідає конкретним умовам. Наприклад, підмножина може включати, скажімо, всіх особин чоловічої статі з віком матері 25-29 років. Регресія для такого підмножини відповідної міри пізнішого ожиріння проти порядку народження усунула б будь-який можливий вплив на пізніші ожиріння відмінностей у статі дитини, що індексує, та значною мірою усуне будь-який можливий ефект віку матері.

Розширити цей підхід не можна просто на стать братів і сестер, оскільки, якщо однією умовою для підмножини було, скажімо, що дитина-індекс має старшу жінку-сестру, це означає, що дитина-індекс не є самою старшою дитиною, звужуючи діапазон незалежної змінної в регресії. Однак способом навколо цього може бути визначення умов, використовуючи "якщо такі є". Наприклад, підмножина може бути визначена, щоб включати всіх особин чоловічої статі у віці матері 25-29 років та старших побратимів, якщо такі є, всіх жінок. Такий підмножина все ще включатиме осіб із будь-яким порядком народження.

Якби підмножина була визначена занадто складним набором умов, то кількість людей, які вона містила, може бути настільки малою, що отримані оцінки коефіцієнтів були б занадто неточними, щоб бути корисними. Якби цей підхід був прийнятий, напевно, була б потреба в компромісному компромісі при визначенні підмножин, між усуненням якомога більшої кількості можливих наслідків і включенням достатньої кількості людей, щоб отримати корисний результат.

Я б запропонував функціональний аналіз даних, але я підозрюю, що у вас може бути багато сімей з недостатньою кількістю дітей, щоб отримати обґрунтовані оцінки. Вперед і читайте, хоча це відповідає вашим потребам. Можливо, хтось уже користувався ним із подібними даними.

Якщо ви не хочете робити щось настільки не параметричне, як це, вам слід використовувати свою клінічну експертизу для зменшення розмірності даних. Наприклад, одна змінна у вашій моделі може бути кількістю дітей, інша може бути середньою кількістю років між дітьми тощо. Якщо в цих змінних є якийсь ефект, він може проявитися, навіть якщо ви не вказали правильно функціональну форму негайно. Подальша побудова моделей, орієнтованих на знання, може допомогти вам створити модель з прогнозуванням - просто переконайтеся, що ви зберігаєте набір перевірки!