There is a high potential of information available in Behaviour Risk Factor Surveillance (BRFS) data, and especially for studying trends, as these data collect information in an ongoing and almost continuous manner for long periods of time. In order to account for the complex and dynamic relationships between the variables and avoid the aggregation of measures so as not to lose information in variability, the use of varying coefficient models with non-parametric techniques have been studied. These models allow the study of the trends and inter-relationships in the effects of the variables on the outcome of interest either over time or space, therefore providing valuable information for health policy interventions. A comparison of the possible estimation techniques, using the Italian surveillance data, has resulted in the selection of P-splines for estimation due to the flexibility in their use and the faster computation times. This estimation method was applied for a time varying coefficient model for a smoking status outcome variable using Italian surveillance data, and a time varying coefficient model for an obesity status outcome variable using U.S.A. surveillance data. The results of these models provide coefficient plots in which one can observe which subgroups of the population have an effect on the outcome which is changing over time. A spatial varying coefficient model was also studied for one point in time using smoothing spline estimation with tensor product smooths, and the maps produced from this model were able to show how the probabilities of the outcome variable (obesity) are changing across the counties of a U.S. state within each population subgroup. The strengths and limitations of these methods are discussed, as well as recommendations for further research such as the study of a spatial-temporal model using health surveillance data. Notwithstanding few limitations, the varying coefficient model represents an effective approach proving to produce interesting results (not accessible with the usual standard epidemiological approach) in this particular field of application and with BRFS data.

C'è un alto potenziale di informazioni disponibili nei dati di sorveglianza sui fattori comportamentali di rischio, specialmente per lo studio di tendenze evolutive nella popolazione: questi dati vengono infatti raccolti in modo quasi continuo e per lunghi periodi temporali. Per spiegare le relazioni complesse e le dinamiche tra le variabili, evitando l'aggregazione di misure per non perdere l'informazione sulla variabilità, è stata studiata la possibilità di applicare a questi dati modelli a coefficienti variabili con tecniche non parametriche. Questi modelli permettono lo studio delle tendenze e delle interrelazioni negli effetti delle variabili sul risultato di interesse nel tempo o nello spazio, fornendo quindi informazioni preziose per gli interventi di politica sanitaria. Un confronto delle possibili tecniche di stima, utilizzando i dati di sorveglianza italiani, ha portato alla selezione delle P-spline perché più flessibili nel loro utilizzo e computazionalmente più veloci. Questo metodo di stima è stato applicato ad un modello a coefficienti variabili nel tempo per lo studio di una variabile risposta sulle abitudini al fumo utilizzando i dati di sorveglianza italiani. Inoltre, è stato studiato un modello a coefficienti variabili nel tempo per l'esito di una variabile risposta sullo stato di obesità utilizzando i dati di sorveglianza statunitensi. Dai risultati derivanti dall’applicazione di questi modelli vengono prodotti grafici (di coefficienti e OR) utili per osservare quali sottogruppi della popolazione presentano effetti che stanno evolvendo nel tempo. Anche un modello a coefficienti spazialmente variabili è stato studiato (in riferimento ad un determinato momento temporale) utilizzando stime spline con lisciature fornite dal prodotto tensoriale. Le mappe prodotte da questo modello sono state in grado di evidenziare come le probabilità della variabile risposta (obesità) stanno cambiando attraverso le contee di un stato negli USA all'interno di ogni sottogruppo della popolazione. I punti di forza e i limiti di questi metodi sono stati discussi, inoltre alcune raccomandazioni per ulteriori ricerche sono state proposte per lo studio di un modello spazio-temporale utilizzando i dati di sorveglianza sanitaria. Nonostante alcune limitazioni, il modello a coefficienti variabili rappresenta un approccio efficace dimostrando di produrre risultati interessanti (non accessibili con il consueto e tipico approccio epidemiologico) in questo particolare campo applicativo.

Behaviour Risk Factor Surveillance Data Analysis Using Varying Coefficient Models / Assaf, Shireen. - (2014 Jan 28).

Behaviour Risk Factor Surveillance Data Analysis Using Varying Coefficient Models

Assaf, Shireen
2014

Abstract

C'è un alto potenziale di informazioni disponibili nei dati di sorveglianza sui fattori comportamentali di rischio, specialmente per lo studio di tendenze evolutive nella popolazione: questi dati vengono infatti raccolti in modo quasi continuo e per lunghi periodi temporali. Per spiegare le relazioni complesse e le dinamiche tra le variabili, evitando l'aggregazione di misure per non perdere l'informazione sulla variabilità, è stata studiata la possibilità di applicare a questi dati modelli a coefficienti variabili con tecniche non parametriche. Questi modelli permettono lo studio delle tendenze e delle interrelazioni negli effetti delle variabili sul risultato di interesse nel tempo o nello spazio, fornendo quindi informazioni preziose per gli interventi di politica sanitaria. Un confronto delle possibili tecniche di stima, utilizzando i dati di sorveglianza italiani, ha portato alla selezione delle P-spline perché più flessibili nel loro utilizzo e computazionalmente più veloci. Questo metodo di stima è stato applicato ad un modello a coefficienti variabili nel tempo per lo studio di una variabile risposta sulle abitudini al fumo utilizzando i dati di sorveglianza italiani. Inoltre, è stato studiato un modello a coefficienti variabili nel tempo per l'esito di una variabile risposta sullo stato di obesità utilizzando i dati di sorveglianza statunitensi. Dai risultati derivanti dall’applicazione di questi modelli vengono prodotti grafici (di coefficienti e OR) utili per osservare quali sottogruppi della popolazione presentano effetti che stanno evolvendo nel tempo. Anche un modello a coefficienti spazialmente variabili è stato studiato (in riferimento ad un determinato momento temporale) utilizzando stime spline con lisciature fornite dal prodotto tensoriale. Le mappe prodotte da questo modello sono state in grado di evidenziare come le probabilità della variabile risposta (obesità) stanno cambiando attraverso le contee di un stato negli USA all'interno di ogni sottogruppo della popolazione. I punti di forza e i limiti di questi metodi sono stati discussi, inoltre alcune raccomandazioni per ulteriori ricerche sono state proposte per lo studio di un modello spazio-temporale utilizzando i dati di sorveglianza sanitaria. Nonostante alcune limitazioni, il modello a coefficienti variabili rappresenta un approccio efficace dimostrando di produrre risultati interessanti (non accessibili con il consueto e tipico approccio epidemiologico) in questo particolare campo applicativo.
28-gen-2014
There is a high potential of information available in Behaviour Risk Factor Surveillance (BRFS) data, and especially for studying trends, as these data collect information in an ongoing and almost continuous manner for long periods of time. In order to account for the complex and dynamic relationships between the variables and avoid the aggregation of measures so as not to lose information in variability, the use of varying coefficient models with non-parametric techniques have been studied. These models allow the study of the trends and inter-relationships in the effects of the variables on the outcome of interest either over time or space, therefore providing valuable information for health policy interventions. A comparison of the possible estimation techniques, using the Italian surveillance data, has resulted in the selection of P-splines for estimation due to the flexibility in their use and the faster computation times. This estimation method was applied for a time varying coefficient model for a smoking status outcome variable using Italian surveillance data, and a time varying coefficient model for an obesity status outcome variable using U.S.A. surveillance data. The results of these models provide coefficient plots in which one can observe which subgroups of the population have an effect on the outcome which is changing over time. A spatial varying coefficient model was also studied for one point in time using smoothing spline estimation with tensor product smooths, and the maps produced from this model were able to show how the probabilities of the outcome variable (obesity) are changing across the counties of a U.S. state within each population subgroup. The strengths and limitations of these methods are discussed, as well as recommendations for further research such as the study of a spatial-temporal model using health surveillance data. Notwithstanding few limitations, the varying coefficient model represents an effective approach proving to produce interesting results (not accessible with the usual standard epidemiological approach) in this particular field of application and with BRFS data.
varying coefficient model, health promotion policy and evaluation, BRFSS, PASSI, big data, odds ratio plots
Behaviour Risk Factor Surveillance Data Analysis Using Varying Coefficient Models / Assaf, Shireen. - (2014 Jan 28).
File in questo prodotto:
File Dimensione Formato  
Thesis.pdf

accesso aperto

Tipologia: Tesi di dottorato
Licenza: Non specificato
Dimensione 2.15 MB
Formato Adobe PDF
2.15 MB Adobe PDF Visualizza/Apri
Pubblicazioni consigliate

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11577/3423804
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact