Phân tích dòng thời gian

Tôi đang tiến hành nghiên cứu về mối quan hệ giữa thứ tự sinh của một người và sau này có nguy cơ béo phì bằng cách sử dụng dữ liệu từ một số đoàn hệ sinh 1 năm (ví dụ: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2908417/ ).

Một thách thức chính là thứ tự sinh được liên kết với các đặc điểm khác như tuổi mẹ, số anh chị em trẻ và / hoặc lớn tuổi và khoảng cách sinh, cũng có thể ảnh hưởng đến kết quả thông qua các cơ chế khác nhau. Hơn nữa, bất kỳ ảnh hưởng nào của những điều này đối với nguy cơ béo phì sau này có thể được sửa đổi bởi thành phần giới tính của anh chị em, bao gồm cả "đứa trẻ chỉ số" (người tham gia đoàn hệ sinh).

Đối với mỗi đứa trẻ chỉ số, người ta có thể vẽ một mốc thời gian cho thấy tất cả các lần sinh trong gia đình, với tuổi của mẹ ở biến thời gian.

Tôi đang cố gắng xác định các phương pháp để phân tích các loại dữ liệu này, trong đó thứ tự, thời gian và bản chất của các sự kiện đều có thể quan trọng. Tôi đang đặt câu hỏi này ở đây vì tính đa dạng của các ứng dụng mà các thành viên làm việc với - tôi hy vọng ai đó có một số gợi ý ngay lập tức sẽ khiến tôi mất nhiều thời gian hơn để nhận dạng một mình. Bất kỳ ảnh khỏa thân đúng hướng (s) sẽ được đánh giá rất cao.

Câu hỏi liên quan: Tôi nên phân tích dữ liệu về khoảng thời gian sinh của phụ nữ như thế nào?

Bạn có thể cân nhắc sử dụng các mô hình đa cấp (hồi quy hỗn hợp) để ước tính giữa và trong các hiệu ứng gia đình. Một chiến lược có thể là sử dụng phương pháp xây dựng mô hình phân cấp có kế hoạch. Ví dụ: kiểm tra từng yếu tố dự đoán tiềm năng trong một mô hình đơn biến. Nếu các hiệu ứng giữa các gia đình loại bỏ hiệu ứng thứ tự sinh, thì nó sẽ gợi ý mạnh mẽ thứ tự sinh không quan trọng nhưng những ảnh hưởng khác là. Một ví dụ về trích dẫn này cho hiệu ứng thứ tự sinh trên IQ:

• Doesman, AL, Rodgers, J., & MacCallum, RC (2006). Một cách tiếp cận đa cấp đối với mối quan hệ giữa thứ tự sinh và trí thông minh . Bản tin tâm lý xã hội và nhân cách , 32 (1), 117-127. doi: 10.1177 / 0146167205279581

Tôi hy vọng rằng điều này hữu ích.

Tôi đang tiếp cận điều này như một câu hỏi thống kê và không có kiến ​​thức đặc biệt về các vấn đề y tế.

Nhìn vào bài báo bạn đề cập đến tôi thấy rằng một đoàn hệ có 970 cá nhân. Nếu bạn có dữ liệu về một số nhóm có kích thước gần như vậy, thì kích thước tổng thể của tập dữ liệu của bạn cung cấp cơ hội để chọn các tập hợp con lớn hợp lý trong đó dòng thời gian của mỗi cá nhân đáp ứng các điều kiện cụ thể. Ví dụ, một tập hợp con có thể bao gồm, tất cả các cá nhân nam có tuổi mẹ từ 25-29. Hồi quy, đối với một tập hợp con như vậy, một biện pháp phù hợp về béo phì sau sinh đối với trật tự sinh sẽ loại bỏ mọi ảnh hưởng có thể có đối với sự béo phì về sự khác biệt về giới tính của trẻ chỉ số và loại bỏ phần lớn mọi ảnh hưởng có thể có của tuổi mẹ.

Không đơn giản để mở rộng cách tiếp cận này đối với giới tính của anh chị em vì nếu một điều kiện cho một tập hợp con là, thì đứa trẻ có chỉ số có anh chị em lớn tuổi hơn, ngụ ý rằng đứa trẻ chỉ số không phải là đứa trẻ lớn nhất, thu hẹp phạm vi của biến độc lập trong hồi quy. Tuy nhiên, cách này có thể là xác định các điều kiện bằng cách sử dụng "nếu có". Ví dụ, một tập hợp con có thể được xác định bao gồm tất cả các cá nhân nam có tuổi mẹ từ 25-29 và với anh chị lớn hơn, nếu có, tất cả là nữ. Một tập hợp con như vậy vẫn sẽ bao gồm các cá nhân với bất kỳ thứ tự sinh.

Nếu một tập hợp con được xác định bởi một tập hợp các điều kiện quá phức tạp, thì số lượng cá thể mà nó chứa có thể quá nhỏ đến mức các ước tính kết quả của các hệ số sẽ quá thiếu chính xác. Nếu phương pháp này được áp dụng, có lẽ sẽ cần phải đánh đổi bằng phán đoán, trong việc xác định các tập hợp con, giữa việc loại bỏ càng nhiều hiệu ứng càng tốt và bao gồm đủ các cá nhân để mang lại kết quả hữu ích.

Tôi sẽ đề nghị phân tích dữ liệu chức năng nhưng tôi nghi ngờ bạn có thể có rất nhiều gia đình có quá ít con để có được ước tính hợp lý. Đi trước và đọc vào nó mặc dù, vì nó giải quyết nhu cầu của bạn. Có lẽ ai đó đã sử dụng nó với dữ liệu tương tự rồi.

Nếu bạn không muốn làm một cái gì đó ồ ạt không tham số như vậy, bạn nên sử dụng chuyên môn lâm sàng của mình để giảm tính chiều của dữ liệu. Ví dụ: một biến trong mô hình của bạn có thể là số trẻ em, một biến khác có thể là số năm trung bình giữa các trẻ, v.v. Nếu có bất kỳ ảnh hưởng nào trong các biến này, nó có thể xuất hiện ngay cả khi bạn chưa chỉ định chính xác biểu mẫu chức năng ngay lập tức. Xây dựng mô hình theo định hướng tri thức có thể cho phép bạn xây dựng một mô hình có tính dự đoán cao - chỉ cần đảm bảo bạn giữ một bộ xác thực!