Análise da linha do tempo

Estou realizando pesquisas sobre a relação entre a ordem de nascimento de uma pessoa e o risco posterior de obesidade usando dados de várias coortes de um ano (por exemplo, http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2908417/ ).

Um dos principais desafios é que a ordem de nascimento está vinculada a outros recursos, como idade materna, número de irmãos mais novos e / ou mais velhos e espaçamento de nascimentos, que também podem influenciar o resultado por meio de diferentes mecanismos. Além disso, qualquer influência dessas coisas no risco de obesidade posterior pode ser modificada pela composição de gênero dos irmãos, incluindo a "criança indexada" (a participante da coorte de nascimentos).

Para cada criança indexada, era possível traçar uma linha do tempo que mostrasse todos os nascimentos na família, com a idade materna na variável tempo.

Estou tentando identificar métodos para analisar esses tipos de dados, onde a ordem, o tempo e a natureza dos eventos podem ser importantes. Estou fazendo essa pergunta aqui por causa da diversidade de aplicativos com os quais os membros trabalham - espero que alguém tenha algumas sugestões imediatas que levem muito mais tempo para me identificar sozinhas. Qualquer cutucada na (s) direção (ões) correta (s) seria muito apreciada.

Pergunta (s) relacionada (s): Como devo analisar os dados sobre os intervalos de nascimento das mulheres?

Você pode considerar o uso de modelos multiníveis (regressão mista) para estimar os efeitos entre e dentro da família. Uma estratégia possível é usar uma abordagem de construção de modelo hierárquica planejada. Por exemplo, teste cada preditor em potencial em um modelo univariado. Se os efeitos entre famílias removerem o efeito da ordem de nascimento, isso sugere fortemente que a ordem de nascimento não é importante, mas que outras influências são. Um exemplo de citação para isso para efeitos de ordem de nascimento no QI:

• Wichman, AL, Rodgers, J. & MacCallum, RC (2006). Uma abordagem multinível para a relação entre ordem de nascimento e inteligência . Boletim de Personalidade e Psicologia Social , 32 (1), 117-127. doi: 10.1177 / 0146167205279581

Espero que isso seja útil.

Estou abordando isso como uma questão estatística e não tenho conhecimento especial dos problemas médicos.

Observando o artigo a que você se refere, vejo que uma coorte continha 970 indivíduos. Se você tiver dados sobre várias coortes aproximadamente desse tamanho, o tamanho geral do seu conjunto de dados oferece a oportunidade de selecionar subconjuntos razoavelmente grandes nos quais a linha do tempo de cada indivíduo atende a condições específicas. Por exemplo, um subconjunto pode incluir, por exemplo, todos os indivíduos do sexo masculino com idade materna 25-29. Uma regressão, para esse subconjunto, de uma medida adequada da obesidade posterior contra a ordem de nascimento, eliminaria qualquer efeito possível na obesidade posterior das diferenças de gênero da criança-índice e eliminaria amplamente qualquer efeito possível da idade materna.

Não é fácil estender essa abordagem ao gênero dos irmãos, pois se uma condição para um subconjunto for, digamos, que o filho indexador tenha um irmão mais velho, isso implica que o filho indexador não é ele próprio filho mais velho, estreitando o intervalo da variável independente na regressão. No entanto, uma maneira de contornar isso pode ser definir condições usando "se houver". Por exemplo, um subconjunto pode ser definido para incluir todos os indivíduos do sexo masculino com idade materna de 25 a 29 anos e os irmãos mais velhos, se houver, todos do sexo feminino. Esse subconjunto ainda incluiria indivíduos com qualquer ordem de nascimento.

Se um subconjunto for definido por um conjunto de condições muito complexo, o número de indivíduos que ele contém pode ser tão pequeno que as estimativas resultantes dos coeficientes seriam imprecisas demais para serem úteis. Se essa abordagem fosse adotada, provavelmente haveria uma troca de julgamento, na definição de subconjuntos, entre a eliminação do maior número possível de efeitos possível e a inclusão de indivíduos suficientes para produzir um resultado útil.

Eu sugeriria a análise funcional dos dados, mas suspeito que você possa ter muitas famílias com muito poucos filhos para obter estimativas razoáveis. Vá em frente e leia-o, pois ele atende às suas necessidades. Talvez alguém já tenha usado com dados semelhantes.

Se você não quiser fazer algo tão paramétrico em massa, use sua experiência clínica para reduzir a dimensionalidade dos dados. Por exemplo, uma variável em seu modelo pode ser o número de filhos, outra pode ser o número médio de anos entre os filhos e assim por diante. Se houver algum efeito nessas variáveis, ele poderá aparecer mesmo que você não tenha especificado corretamente o formulário funcional imediatamente. Uma construção de modelo mais orientada ao conhecimento pode permitir que você crie um modelo altamente preditivo - apenas certifique-se de manter um conjunto de validação!