Terveys 2000 koulutus KTL 3.6.2003.

Esitys aiheesta: "Terveys 2000 koulutus KTL 3.6.2003."— Esityksen transkriptio:

1 Terveys 2000 koulutus KTL

2 Sisältö Tutkimusasetelmat Otanta-asetelma Esimerkit
Ositus ja ryvästys Painokertoimet Esimerkit SAS/SUDAAN Stata R Kysymykset ja keskustelu

3 Tutkimusasetelmat Poikkileikkaustutkimus
Kahden riippumattoman otoksen vertailu Mini-Suomi –otoksen toistomittaustutkimus Kohortti- ja upotetut tapaus-verrokkitutkimukset

4 Ositus ja ryvästys Suomi jaettiin 20 ositteeseen
Suurimmat kaupungit muodostivat 15 ositetta Lopuista 5 ositteesta (miljoonapiiristä) poimittiin 65 terveyskeskuspiiriä (ryvästä) 234:stä 8028 havaintoyksilöä poimittiin yli 80-vuotiaita kaksinkertaisella todennäköisyydellä havaintojen lukumäärä ositetta kohden vastasi ositteen väkilukua

5 Kaksitasoisen otannan vaikutuksia
Kustannussäästöjä aineiston keräämisessä Samasta terveyskeskuspiiristä poimittujen henkilöiden välillä riippuvuuksia: Maantieteelliset etäisyydet pieniä Sukulaisuussuhteita enemmän Monet palvelut yhteisiä Riippuvuuksien huomioiminen analyyseissä välttämätöntä

6 Painokertoimien taustaa
Yksilöillä erilaiset poimintatodennäköisyydet Yli 80-vuotiailla kaksinkertainen poimintatodennäköisyys Esim. suora keskiarvo havainnoista tuottaa harhaisen arvion väestökeskiarvosta Ratkaisu: painotettu keskiarvo, jossa yli 80-vuotiailla painoiksi asetetaan 1/2

7 Painokertoimet ja kato
Yksilöiden osallistumisaktiivisuus vaihtelee Jos osallistuneet ja katotapaukset ovat… samanlaisia, erot voidaan korjata melko hyvin (esim. vain iästä ja sukupuolesta johtuva kato) oletus havaittujen ja katotapausten samankaltaisuudesta erilaisia, erojen huomioiminen on vaikeaa (usein esim. terveyteen ja toimintakykyyn liittyvät muuttujat) kadon luonteesta vahvoja oletuksia, joiden testaaminen vaikeaa

8 Osallistumisasteita (unioni) n=7112
Ikäryhmä Naiset Miehet 30-39 40-49 50-59 60-69 70-79 80+ 89.4 % 91.7 % 92.2 % 92.8 % 86.7 % 85.7 % 85.4 % 86.3 % 88.5 % 91.4 % 91.3 % Yhteensä 90.1 % 87.8 %

9 Osallistumisasteita alueittain (terveyshaastattelu)

10 Painokertoimien taustaa
Painokertoimilla voidaan korjata tunnetuista tekijöistä johtuvan kadon vaikutusta Terveys 2000 –painokertoimissa huomioitu - alkuperäinen poimintatodennäköisyys - terveyskeskuspiiri - miljoonapiiri - ikä - sukupuoli - äidinkieli

11 Erilaisia painokertoimia
Osallistuminen voidaan määritellä eri tavoilla Terveys 2000 –osallistuneiden määrät eri painoilla: Unionipaino: osallistunut vähintään yhteen tutkimuspisteeseen (n = 7112) Ravintokyselypaino: Osallistunut ravintokyselyyn (n = 6005) ”Kaikki”-paino: Osallistunut tutkimuspisteeseen tai vastannut karhu- tai puhelinhaastatteluun (n = 7415) Leikkauspaino: osallistunut kaikkiin tutkimuspisteisiin (n = 5482)

12 Väestöpainot vs. analyysipainot
Analyysipainoja käytetään erilaisten keskiarvojen, prevalenssien ja regressiomallien estimoinnissa Väestöpainoja käytetään vain estimoitaessa erilaisia totaaleja, kuten ominaisuuden X lukumääriä väestössä

13 Painomuuttujan valinta
Analyysimuuttujien puuttuvan tiedon profiilin pitäisi vastata painomuuttujan puuttuvia tietoja Leikkauspainojen käyttäminen saattaa karsia merkittävän osan havaintoyksilöistä Unionipainot sopivat useimpiin tilanteisiin Ravintokyselyssä osallistumisprofiili poikkeaa selvästi unionipainojen profiilista ”Kaikki”-painoissa mukana on yksilöitä, joista on vain vähän tietoja

14 Painotuksen ja osituksen vaikutuksia
Tarkastellaan esimerkkejä, joissa keskiarvoja estimoidaan … painotuksella tai ilman, ja … huomioimalla ositus/ryvästys tai ei Keskiarvoesimerkkien tuloksia voidaan havaita myös monimutkaisemmissa analyyseissä

15 Esimerkkimuuttujat Ikä Systolinen verenpaine SystBP Painoindeksi BMI
Kokonaiskolesteroli

16 Tunnusluvut Keskiarvo, joka kuvaa 30+ -vuotiaiden keskiarvoa
Estimoitu keskivirhe (s.e.) DEFT eli ”Design Factor” on suhteellinen ero keskivirheissä (ja luottamusvälin leveydessä), jos jätetään huomioimatta painot sekä ositus- ja ryvästystiedot DEFF ”Design Effect” on DEFT 2

17 Ikä Ei ositusta eikä ryvästystä Ositus ja ryvästys Ei painotusta
[DEFT = 1.00] 54.2 (s.e. = 0.21) [DEFT = 1.17] Painotus 52.96 (s.e. = 0.17) [DEFT = 0.96] 52.96 (s.e. = 0.20) [DEFT = 1.14]

18 Systolinen verenpaine
Ei ositusta eikä ryvästystä Ositus ja ryvästys Ei painotusta 133.7 (s.e. = 0.27) [DEFT = 1.00] (s.e. = 0.43) [DEFT = 1.61] Painotus 133.5 (s.e. = 0.44) [DEFT = 1.64]

19 Painoindeksi BMI Ei ositusta eikä ryvästystä Ositus ja ryvästys
Ei painotusta 26.6 (s.e. = 0.06) [DEFT = 1.00] [DEFT = 1.05] Painotus [DEFT = 1.02] [DEFT = 1.15]

20 Kokonaiskolesteroli Ei ositusta eikä ryvästystä Ositus ja ryvästys
Ei painotusta 5.93 (s.e. = 0.014) [DEFT = 1.00] (s.e. = 0.017) [DEFT = 1.23] Painotus 5.94 [DEFT = 1.01] [DEFT = 1.26]

21 Johtopäätöksiä otanta-asetelman huomioimisesta
Painokertoimien huomioiminen tuottaa oikean piste-estimaatin Rypäiden (erityisesti tk-piirien) sisäinen homogeenisuus ja erot verrattuna toisiin rypäisiin aiheuttavat sisäkorreloituneisuutta, mikä voi muuttaa huomattavasti estimoituja keskivirheitä verrattuna analyysiin yksinkertaisella satunnaisotannalla

22 Lukumäärien estimointi
Monellako 30+ -vuotiaalla on ominaisuus X? Terveys 2000 –tutkimuksen 30+ -vuotiaiden perusjoukossa on 3,254,681 ihmistä Käytetään väestöpainokertoimia, jotka kuvaavat kuinka montaa kohdeperusjoukon ihmistä kohdehenkilö kuvaa, ja painotettua summaa tutkimusmuuttujasta

23 Lukumääräestimointiesimerkki
Kuinka monella 30+ -vuotiaalla systolinen verenpaine on yli 140? Mikä on keskivirhe? Käytetään väestöpainoja ja ositus-ryvästystietoja Miehet Naiset 30-49 115515 (8579) 63208 (5815) 50-69 240253 (10587) 245780 (11683) 70+ 89125 (7085) 172362 (9337) Yhteensä 444893 (16595) 481350 (16462)

24 Esimerkkiaineisto Selittäjiä:
ikä (jatkuvana tai 6-luokkaisena) ika ja ika6 sukupuoli sp2 siviilisääty aa01 painoindeksi (body mass index) BMI kokonaiskolesteroli T114 HDL-kolesteroli T115 ja portaiden nouseminen PortaanNousu.

25 Vastemuuttuja Jatkuva: systolinen verenpaine SystBp2
Binäärinen SystBp2_01: arvo on 1, jos yli 140 muuten 0 Kolmiluokkainen SystBp2_123: arvo on 1, jos alle 120 arvo on 2, jos välillä 120, 160 muuten 3

26 Mallivakiointi Mikä on muuttujan Y keskiarvo (tai prevalenssi) eri determinanttimuuttujan arvoilla, jos sekoittavan tekijän jakauma olisi sama? Determinanttimuuttuja voi olla esim. sukupuoli Mallivakiointi predictive marginal: determinanttimuuttujan X havaittu arvo muutetaan arvoksi x kaikilla yksilöillä, lasketaan ennustearvo jokaiselle yksilölle ja lasketaan keskiarvo ennusteista Hyöty: vertailukelpoisuus hyvä, koska erilaisilla tekijän X arvoilla x muuttujan Y arvoon vaikuttavien muiden tekijöiden jakauma on sama

27 Mallivakiointi (jatkoa)
Miksi ei sijoiteta kaavoihin yksinkertaisesti kovariaattien keskiarvoja? Estimoitaessa prevalenssia mallivakioitu tulos voi erota merkittävästi havaitusta prevalenssista

28 Mallivakiointiesimerkki: jatkuva vaste
Vasteena systolinen verenpaine, lineaarinen regressiomalli Selittäjinä BMI, sukupuoli, 6-luokkainen ikä, kokonaiskolesteroli ja siviilisääty Mallivakioitu Sukupuolittaiset keskiarvot Suku-puoli Prediktiivinen marginaali Keski-virhe (s.e.) N Keski-arvo Mies 134.64 0.468 2899 134.42 0.485 Nainen 131.67 0.488 3502 132.63 0.516

29 Mallivakiointiesimerkki: binäärinen vaste
Vasteena systolinen verenpaine (”1” = yli 140, logit-malli) Selittäjinä BMI, sukupuoli, 6-luokkainen ikä, kokonaiskolesteroli ja siviilisääty Mallivakioitu Sukupuolittaiset keskiarvot Suku-puoli Prediktiivinen marginaali Keski-virhe (s.e.) N Keski-arvo Mies 32.4 % 0.96% 2899 31.3 % 0.98% Nainen 28.8 % 3502 30.8 % 0.95%

30 Esimerkit Perustunnusluvut (keskiarvot, taulukoinnit)
Lineaarinen regressiomalli Logistinen regressiomalli Moniluokkainen logistinen regressiomalli Järjestysasteikollinen vaste Luokiteltu vaste

31 Yhteenveto Ohjelma Painotus Ositus, ryvästys SUDAAN weight paino;
nest osite ryvas; Stata svyset [pweight=paino], strata(osite) psu(ryvas)