تجزیه و تحلیل زمان ، طرح های سری زمانی

طرح های روند زمانی نوعی مطالعه زیست محیطی طولی است و می تواند دید پویا از وضعیت سلامتی یک جمعیت را ارائه دهد. داده ها به مرور زمان از جمعیت جمع آوری می شوند تا به دنبال روند و تغییرات باشند. مانند سایر مطالعات زیست محیطی ، داده ها در سطح جمعیت جمع آوری می شوند و می توانند به جای نشان دادن علیت ، برای تولید فرضیه ها برای تحقیقات بیشتر استفاده شوند.

مطالعات زیست محیطی در جای دیگر این یادداشت ها شرح داده شده است ، اما چهار دلیل اصلی برای انجام مطالعات بین گروه وجود دارد: 1

• برای بررسی تفاوت بین جمعیت
• برای مطالعه اثرات خاص گروهی ، به عنوان مثال از مداخله بهداشت عمومی با هدف یک گروه
• جایی که فقط داده های سطح گروهی در دسترس هستند ، مانند استفاده از مراقبت های بهداشتی
• اگر داده های معمول در دسترس باشند ، آنها نسبتاً ارزان و سریع انجام می شوند

در یک تجزیه و تحلیل زمان زمان ، مقایسه بین گروه ها برای کمک به نتیجه گیری در مورد تأثیر قرار گرفتن در معرض جمعیت های مختلف انجام می شود. مشاهدات برای هر گروه در فواصل زمانی برابر ، به عنوان مثال ماهانه ثبت می شود. نمونه هایی از اندازه گیری ها ، که به طور معمول به عنوان تعداد ، نسبت ها یا نرخ ها بیان می شوند ، شامل شیوع بیماری ، میزان آلودگی یا میانگین دما در یک منطقه است.

استفاده از تجزیه و تحلیل زمان

روند عواملی مانند میزان بیماری و مرگ و همچنین رفتارهایی مانند استعمال دخانیات ، اغلب توسط متخصصان بهداشت عمومی برای کمک به ارزیابی نیازهای مراقبت های بهداشتی ، برنامه ریزی خدمات و توسعه سیاست استفاده می شود. بررسی داده ها به مرور زمان همچنین امکان پیش بینی فرکانس های آینده و نرخ وقوع را فراهم می کند.

مطالعات روند زمان ممکن است روی هر یک از موارد زیر متمرکز شود:

• الگوهای تغییر در یک شاخص به مرور زمان - به عنوان مثال آیا استفاده از یک سرویس با گذشت زمان افزایش یافته یا کاهش یافته است ، و در صورت وجود ، افزایش یا به آرامی افزایش یا کاهش رخ داده است
• مقایسه یک دوره زمانی با یک دوره زمانی دیگر - به عنوان مثال ، ارزیابی تأثیر برنامه ترک سیگار با مقایسه میزان سیگار کشیدن قبل و بعد از این رویداد. این به عنوان یک طراحی سری زمانی قطع شده شناخته می شود.
• مقایسه یک منطقه جغرافیایی یا جمعیت با منطقه دیگر - به عنوان مثال ، مقایسه تغییرات در میزان مرگ و میر قلبی عروقی بین انگلیس و هند.
• ایجاد پیش بینی های آینده - به عنوان مثال برای کمک به برنامه ریزی خدمات درمانی با برآورد نیازهای احتمالی منابع

تجزیه و تحلیل مطالعات روزمره

واضح ترین قدم اول در ارزیابی یک روند، ترسیم مشاهدات مورد علاقه بر اساس سال (یا دوره زمانی دیگری که مناسب تلقی می شود) است. مشاهدات را می توان به صورت جدولی نیز بررسی کرد. این مراحل اساس تجزیه و تحلیل بعدی را تشکیل می‌دهند و یک نمای کلی از شکل کلی روند ارائه می‌دهند، به شناسایی هر گونه نقاط پرت در داده‌ها کمک می‌کنند و به محقق اجازه می‌دهند با نرخ‌های مورد مطالعه آشنا شوند.

دانش دقیق از روش های آماری مورد استفاده در تجزیه و تحلیل فراتر از محدوده بررسی DFPH است، اما روش ها عبارتند از:

• تحلیل رگرسیون (اگر بتوان روند را خطی فرض کرد)
• آزمون من-کندال (روش غیر پارامتری که می تواند برای روندهای غیر خطی استفاده شود)

تحلیل سری های زمانی

تحلیل سری های زمانی به مجموعه خاصی از روش های رگرسیون تخصصی اشاره دارد که روندها را در داده ها نشان می دهد. این شامل یک فرآیند پیچیده است که اطلاعات حاصل از مشاهدات گذشته و خطاهای گذشته در آن مشاهدات را در تخمین مقادیر پیش بینی شده ترکیب می کند. به طور خلاصه، سه نوع مدل‌سازی برای تجزیه و تحلیل داده‌های سری زمانی مورد استفاده قرار می‌گیرد: مدل‌های خودرگرسیون (AR)، مدل‌های یکپارچه (I) و مدل‌های میانگین متحرک (MA).

خودرگرسیون بر این فرض استوار است که مشاهدات گذشته بر جریان فعلی تأثیر دارند و تعداد مشاهدات قبلی که به مشاهدات فعلی کمک می کنند می توانند در مدل متفاوت باشند. به عنوان مثال، در یک مدل خودرگرسیون مرتبه اول - AR(1) - مشاهدات فعلی فقط با مقدار بلافاصله قبل پیش‌بینی می‌شود و در یک مدل مرتبه دوم - AR(2) - مشاهده فعلی با دو مورد قبلی پیش‌بینی می‌شود. مشاهدات و غیره. مدل های میانگین متحرک کمی متفاوت هستند. در اینجا، به جای استفاده از مقادیر مشاهده شده گذشته به عنوان پیش بینی، از خطاهای پیش بینی های قبلی استفاده می کنیم. باز هم، تعداد پیش‌بینی‌های قبلی مورد استفاده در مدل را می‌توان تنظیم کرد، بنابراین یک مدل MA(1) فقط از خطای پیش‌بینی قبلی استفاده می‌کند. مدل‌های AR و MA می‌توانند برای تولید مدل‌های میانگین متحرک اتورگرسیو (ARMA) ترکیب شوند. یک فرض در مدل‌های ARMA این است که سری زمانی ثابت است (یعنی میانگین و واریانس در طول زمان ثابت است). با این حال، همیشه اینطور نیست، مانند دمای جهانی در طول زمان. اضافه کردن یک عبارت یکپارچه (I) به محاسبه هر گونه روند اساسی کمک می کند (یعنی داده های غیر ثابت را ثابت نشان می دهد) - چنین مدل هایی به عنوان مدل های میانگین متحرک یکپارچه اتورگرسیو (ARIMA) شناخته می شوند.

ارائه داده های روند

ارائه داده های مربوط به زمان معمولاً باید موارد زیر را شامل شود:

• توطئه های گرافیکی که داده های مشاهده شده را به مرور زمان نشان می دهند
• نظر در مورد هر روش آماری که برای تبدیل داده ها استفاده می شود
• گزارش میانگین درصد تغییر
• تفسیری از روندهای دیده شده

میانگین حرکت (یا میانگین نورد) یک روش مفید برای ارائه داده های سری زمانی ارائه می دهد.:برای تجزیه و تحلیل روند تجزیه و تحلیل مالی. به عنوان مثال ، اگر پنج سال داده هزینه دارید (مثلاً هزینه سالانه نسخه های استاتین در انگلستان [*داده های داستانی]) ، به شرح زیر: