Метод тригонометрических моделирования сезонных изменений Доказанная с рассеянным склерозом Relapse данных

Общая цель данной статистической тригонометрической регрессии состоит в том, чтобы смоделировать время рецидивов, которые обычно характеризуют течение болезни пациента при рассеянном склерозе, и использовать эти модели для изучения сезонных и широтных коррелятов возникновения рецидива. Этот метод может помочь в изучении ключевых вопросов естественной истории в эпидемиологии рассеянного склероза, включая независимые влияния времени года и широты, а также время рецидива, что является большим потенциалом для руководства последующими исследованиями биологических механизмов рецидива. Основное преимущество этого метода заключается в том, что он предоставляет гибкий инструмент на основе регрессии для изучения и исследования периодических и циклических явлений.

Это позволяет изолировать влияние широты и времени года от ряда других коррелятов рецидива, включая факторы пациента и лечения. Описанный здесь анализ выполнен с помощью программного обеспечения для управления состоянием, управляемого командной строкой. Начните с открытия файла do.

Нажмите на новую кнопку редактора файлов do. Далее с помощью команды generate вычислите количество рецидивов, датированных каждым из 12 календарных месяцев. Сделайте это для моделируемого географического уровня, которым в данном случае является полушарие.

Выполните команду generate так же, как и все команды, нажав кнопку действия выполнить do do file в нужном файле. Затем выполните команду S WIL или команду SK test, чтобы проверить базовое распределение числа рецидивов для нормальности. Эти варианты применяют либо тест Шапиро Вилка, либо модифицированный тест Харки Бара соответственно.

Сделайте правильный выбор, если данные о количестве рецидивов значительно искажены. Затем примените логарифмическое преобразование. Если данные пройдут.

Проверка нормальности выполняется с помощью команды generate для создания новой переменной northco month для Южного полушария. Календарные месяцы смещены на шесть единиц. Теперь используйте переменную north month для создания точечной диаграммы всех данных.

Поместите календарь, месяцы и времена года на ось X, а наблюдаемые ежемесячные рецидивы с частотой рецидивов — на ось Y. Наблюдайте за закономерностями возникновения рецидивов в течение календарного года, просматривая каждый график в средстве просмотра графиков. Далее выполните команду радара для построения радиолокационных графиков распределения частоты рецидивов по календарным месяцам.

При этом каждая ось радара захватывает один месяц, упорядоченный по часовой стрелке. Чтобы завершить этот анализ, выполните команду CT, чтобы применить тест Эдвардса на сезонность к наблюдаемым данным о рецидивах. Повторите этот тест на каждом географическом уровне, продолжая работу с программным обеспечением.

Постройте модель данных. Во-первых, укажите знак годового цикла и тригонометрические функции, которые будут использоваться в регрессии данных. Затем используйте команду regress, чтобы указать форму базовой модели с числом рецидивов в качестве зависимого результата.

Эта команда вводит только что вычисленные члены знака и сознака в качестве основных независимых переменных. Затем добавляется специфичный для местоположения UVR в качестве дополнительной корректирующей ковариаты и применяется опция аналитического веса для взвешивания модели для количества пациентов, внесенных каждым местоположением. Теперь сохраните прогнозируемый в модели ежемесячный рецидив журнала с помощью команды predict для каждого сайта.

Преобразуйте количество повторений журнала обратно в целочисленное число повторений. Экспоненциально увеличьте значение термина повторения журнала с помощью команды generate для каждого сайта. Затем наложите прогноз оценок месячных рецидивов расхода с помощью команды двустороннего рассеяния.

Теперь расширьте модель, добавив дополнительную пару гармонических знаков с помощью команды regress. Проделайте это еще два раза, чтобы добавить три пары знаковых соподписей. Каждая пара будет использоваться для создания отдельной модели данных для оценки вероятности рецидива пика.

Начните с использования nl com для вычисления точки, оценки и 95% доверительного интервала для фазового сдвига. Для наиболее подходящей модели преобразуйте выходные оценки точек и связанные с ними доверительные интервалы в данные, пронумерованные для каждого дня года. Сообщайте о пиковой частоте рецидивов или tmax и частоте рецидивов минимума или T in.

Затем сопоставьте tmax и T в данных с календарной датой с помощью файла поиска Excel. В этом разделе описывается, как моделировать данные ультрафиолетового излучения или данные UVR. Для начала выполните команду use для загрузки данных UVR.

Затем с помощью команды egen рассчитайте среднее значение UVR за месяц для каждого местоположения. Для каждого местоположения используйте функцию двустороннего рассеяния, чтобы построить диаграмму рассеяния месячного UVR по оси Y относительно календарного месяца по оси X. Затем проверьте нормальность данных с помощью теста s wilk или SK, как и раньше.

Затем с помощью команды regress укажите базовую модель годового тренда UVR на уровне местоположения. Укажите месячные UVR в качестве зависимых переменных результата, а затем сделайте независимые переменные ранее сгенерированными метрическими функциями знака и сосигнающего тригоно. Затем постройте график результатов и наложите прогнозируемые значения.

Для этого необходимо повторно запустить команду двустороннего рассеяния для наложения прогнозируемых и наблюдаемых данных и использовать команду регресса для запуска расширенных альтернативных гармонических моделей. Теперь, когда у вас есть модель наилучшего соответствия, используйте команду generate для вычисления оценки точки фазового сдвига и соответствующего 95%-го доверительного интервала для UVR. Применив формулы двойного угла, снова рассчитайте команду для каждого местоположения, как было рассчитано ранее.

Продолжите анализ данных сезонного UVR с помощью команды объединения, чтобы добавить ранее рассчитанную впадину и заменить даты пиков для каждого местоположения. Затем используйте команду generate для вычисления времени, прошедшего в месяцах между датой минимума UVR и датой последующего пика рецидива. Прежде чем продолжить, выполните тест на нормальность данных задержки uuv с помощью команды SK test.

После слияния преобразуйте относительную широту в абсолютную с помощью функции ABS X. Продолжайте использовать регрессию для указания модели регрессии линейного среднего с минимумом UVR для рецидива, пиковым лагом в качестве зависимой переменной результата и абсолютной широтой в единицах 10 градусов в качестве переменной-предиктора. Обязательно дождитесь модели для количества пациентов, внесенных каждым местоположением, с помощью опции регрессии весов A.

Наконец, используйте команду двустороннего рассеяния, чтобы построить график абсолютной широты по оси Y относительно впадины UVR, чтобы компенсировать отставание по оси X, отображаемое в месяцах из опций графика. Наложите линию наилучшего соответствия с помощью параметра графика L и используйте параметр весов для визуализации относительного веса пациента в каждом местоположении. Тригонометрический регрессионный анализ проводился с использованием набора данных из 32 762 рецидивов.

Базовое построение данных позволило предположить годовой цикл с весенним пиком и осенней впадиной на всех географических уровнях. Рецидивы достигли пика мирового уровня в мае. По данным по Северному полушарию, соответствующий пик в ноябре наблюдался по данным по Южному полушарию.

Эти результаты показали периодические временные вариации на всех трех уровнях географии, которые лучше всего описываются годовым циклом с одним пиком и одной впадиной на шестимесячном интервале. Таким образом, это было установлено в качестве базовой модели для обоих полушарий. Далее были подготовлены графики регрессии UVR для определения пика рецидива впадины UVR.

Метрика пика рецидива впадины UVR показала влияние широты на вероятность рецидива при увеличении широты от экватора. Отмечается коррелятивное уменьшение лага между впадиной UVR и последующим пиком рецидива после его развития. Этот метод проложил путь, позволяющий исследователям математически исследовать эпидемиологические явления, которые периодически меняются и психически.

После просмотра этого видео у вас должно быть хорошее представление о том, как изучать и критиковать периодические циклические явления с помощью инструмента тригонометрической регрессии. При применении этого метода важно убедиться в чистоте набора данных и отладке кода. Также важно накладывать и применять клинический и биологический контекст, особенно с точки зрения интерпретации результатов и данных.