کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5756428 1622549 2017 4 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Time series models of environmental exposures: Good predictions or good understanding
ترجمه فارسی عنوان
مدل های سری زمانی از مواجهه با محیط زیست: پیش بینی های خوب یا درک خوب
ترجمه چکیده
داده های سری زمانی در اپیدمیولوژی زیست محیطی محبوب هستند زیرا آنها از آزمایش طبیعی این است که چگونه تغییرات در مواجهه با زمان ممکن بر روی بیماری تاثیر می گذارد. بسیاری از مقالات منتشر شده از سری زمانی استفاده از مدل های سنگین پارامترهای است که به طور کامل الگوهای نظم مرتبه دوم در بیماری را برای دادن به باقی مانده هایی که هیچ وابستگی خودکار یا فصلی کوتاه مدت ندارند، به طور کامل توضیح دادند. این اغلب به وسیله پیش بینی کننده هایی از شمارۀ بیماری های گذشته (خودکارآمدی) یا اسپلین های فصلی با درجه های مختلف آزادی به دست می آید. این رویکردها باقیمانده های زیادی را به ارمغان می آورند، اما به درک ما از علت و معلول کمی کمک می کنند. ما استدلال می کنیم که رویکردهای مدل سازی باید بیشتر بر اپیدمیولوژی خوب و کمتر در آزمون های آماری تکیه کنند. این شامل تفکر در مورد مسیرهای علی است، ایجاد اختلال بالقوه صریح، تعدیل تعداد محدودی از مدل ها، و نه بیش از حد مناسب با هزینه پایین برآورد ارتباط واقعی بین قرار گرفتن در معرض و بیماری.
موضوعات مرتبط
علوم زیستی و بیوفناوری علوم محیط زیست بهداشت، سم شناسی و جهش زایی
چکیده انگلیسی
Time series data are popular in environmental epidemiology as they make use of the natural experiment of how changes in exposure over time might impact on disease. Many published time series papers have used parameter-heavy models that fully explained the second order patterns in disease to give residuals that have no short-term autocorrelation or seasonality. This is often achieved by including predictors of past disease counts (autoregression) or seasonal splines with many degrees of freedom. These approaches give great residuals, but add little to our understanding of cause and effect. We argue that modelling approaches should rely more on good epidemiology and less on statistical tests. This includes thinking about causal pathways, making potential confounders explicit, fitting a limited number of models, and not over-fitting at the cost of under-estimating the true association between exposure and disease.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Environmental Research - Volume 154, April 2017, Pages 222-225
نویسندگان
, , , ,