Analisi della linea temporale

Sto conducendo ricerche sulla relazione tra l'ordine di nascita di una persona e il successivo rischio di obesità utilizzando i dati di diverse coorti di nascita di 1 anno (ad es. Http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2908417/ ).

Una sfida chiave è che l'ordine di nascita è collegato ad altre caratteristiche come l'età materna, il numero di fratelli più piccoli e / o anziani e la distanza di nascita, che possono anche influenzare il risultato attraverso meccanismi diversi. Inoltre, qualsiasi influenza di queste cose sul successivo rischio di obesità potrebbe essere modificata dalla composizione di genere dei fratelli, incluso il "bambino indice" (il partecipante alla coorte di nascita).

Per ogni bambino indice, si potrebbe tracciare una linea temporale che mostra tutte le nascite in famiglia, con l'età materna alla variabile temporale.

Sto cercando di identificare metodi per analizzare questo tipo di dati, in cui l'ordine, i tempi e la natura degli eventi potrebbero essere tutti importanti. Sto ponendo questa domanda qui a causa della diversità delle applicazioni con cui i membri lavorano - mi aspetto che qualcuno abbia alcuni suggerimenti immediati che mi impiegheranno molto più tempo per identificarmi da solo. Qualunque spinta nella giusta direzione (e) sarebbe molto apprezzata.

Domande correlate: come devo analizzare i dati sugli intervalli di nascita delle donne?

Si potrebbe prendere in considerazione l'utilizzo di modelli multilivello (regressione mista) per stimare gli effetti tra e all'interno della famiglia. Una possibile strategia è quella di utilizzare un approccio gerarchico pianificato alla costruzione di modelli. Ad esempio, testare ogni potenziale predittore in un modello univariato. Se gli effetti tra famiglie rimuovono l'effetto dell'ordine di nascita, suggerirebbe fortemente che l'ordine di nascita non è importante, ma che lo sono altre influenze. Un esempio di citazione per questo per gli effetti dell'ordine di nascita sul QI:

• Wichman, AL, Rodgers, J. e MacCallum, RC (2006). Un approccio multilivello alla relazione tra ordine di nascita e intelligenza . Bollettino di psicologia della personalità e della società , 32 (1), 117-127. DOI: 10,1177 / 0146167205279581

Spero che questo sia utile.

Mi sto avvicinando a questo come una domanda statistica e non ho una conoscenza specifica delle questioni mediche.

Guardando l'articolo a cui ti riferisci, vedo che una coorte conteneva 970 individui. Se si dispone di dati su più coorti di circa tale dimensione, la dimensione complessiva del set di dati offre l'opportunità di selezionare sottoinsiemi ragionevolmente grandi in cui la sequenza temporale di ciascun individuo soddisfa condizioni specifiche. Ad esempio, un sottoinsieme potrebbe includere, per esempio, tutti i soggetti maschi con età materna di 25-29 anni. Una regressione, per un tale sottoinsieme, di una misura adeguata dell'obesità successiva contro l'ordine di nascita eliminerebbe qualsiasi possibile effetto sulla successiva obesità delle differenze di genere del bambino indice e in gran parte eliminerebbe qualsiasi possibile effetto dell'età materna.

Non è semplice estendere questo approccio al genere dei fratelli poiché se una condizione per un sottoinsieme fosse, diciamo, che il figlio indice abbia una sorella femmina più anziana, ciò implica che il figlio indice non è esso stesso un figlio maggiore, restringendo l'intervallo della variabile indipendente nella regressione. Tuttavia, un modo per aggirare questo potrebbe essere quello di definire le condizioni usando "eventuali". Ad esempio, un sottoinsieme potrebbe essere definito per includere tutti gli individui di sesso maschile con età compresa tra 25 e 29 anni e con eventuali fratelli maggiori, tutte femmine. Tale sottoinsieme includerebbe comunque individui con qualsiasi ordine di nascita.

Se un sottoinsieme fosse definito da un insieme di condizioni troppo complesso, il numero di individui in esso contenuti potrebbe essere così piccolo che le risultanti stime dei coefficienti sarebbero troppo imprecise per essere utili. Se questo approccio venisse adottato, sarebbe probabilmente necessario un compromesso decisionale, nel definire i sottoinsiemi, tra l'eliminazione del maggior numero possibile di effetti e l'inclusione di un numero sufficiente di individui per ottenere un risultato utile.

Suggerirei l'analisi dei dati funzionali, ma sospetto che potresti avere molte famiglie con troppi bambini per ottenere stime ragionevoli. Vai avanti e leggi anche se, poiché soddisfa le tue esigenze. Forse qualcuno lo ha già usato con dati simili.

Se non si desidera fare qualcosa di così enormemente non parametrico, è necessario utilizzare la propria esperienza clinica per ridurre la dimensionalità dei dati. Ad esempio, una variabile nel modello potrebbe essere il numero di bambini, un altro potrebbe essere il numero medio di anni tra i bambini e così via. Se c'è qualche effetto in queste variabili, può apparire anche se non hai specificato correttamente il modulo funzionale immediatamente. L'ulteriore costruzione di modelli basati sulla conoscenza può consentire di creare un modello altamente predittivo: assicurati di mantenere un set di validazione!