METHODSDaily mortality counts are t

METHODS
Daily mortality counts are the dependent variables in the
statistical analyses. A Poisson distribution was used, which
assumes that counts of independent, rare events follow a
Poisson distribution, conditional on the explanatory variables.
The dependent variable in the Poisson regression is
the natural logarithm of the expected mortality count,
while the regression coefficients are the natural logarithms
of the rate ratios. The associations between PM10 and six
different mortality end points were examined, including
natural mortality (all deaths net of homicides, suicides,
and accidents), cardiovascular mortality, respiratory mortality,
and natural mortality for several different age groups
including 50 and above, 6–49, and under 6.
To develop our regression model, we determined the
best fit of several covariates before entering PM10 into the
model. This was done to control for factors besides PM10
that vary on a daily basis and that might explain variations
in daily mortality. By entering the PM10 variable last,
we reduce the chance of inadvertently attributing an effect
to PM10 that might have been explained by other factors.
Same-day PM10 exposure and lags up to four days were examined,
along with moving averages of three and five days.
To model the seasonality, we considered several different
approaches, including (1) dummy variables for each

ผลลัพธ์ (ไทย) 1:

วิธีการการตรวจนับการตายรายวันจะขึ้นอยู่กับตัวแปรในการวิเคราะห์ทางสถิติ ใช้การแจกแจงปัวซอง ซึ่งสมมติว่า จำนวนของเหตุการณ์ที่หายาก อิสระตามแจกแจงปัวซอง เงื่อนไขเกี่ยวกับตัวแปรอธิบายขึ้นอยู่กับตัวแปรในการถดถอยปัวลอการิทึมธรรมชาติของจำนวนการตายที่คาดไว้ในขณะที่ค่าสัมประสิทธิ์ถดถอย ลอการิทึมธรรมชาติของอัตราส่วนอัตราการ ความสัมพันธ์ระหว่าง PM10 และ 6จุดตายต่าง ๆ ถูกตรวจสอบการ การรวมการตายตามธรรมชาติ (ทั้งหมดเสียชีวิตสุทธิ homicides อัตวินิบาตกรรมและการเกิดอุบัติเหตุ), หัวใจและหลอดเลือดการตาย การตายหายใจและการตายตามธรรมชาติสำหรับกลุ่มอายุต่าง ๆ หลายรวม 50 และ เหนือ 6 – 49 และ 6การพัฒนาแบบจำลองการถดถอยของเรา เรากำหนดเหมาะสมที่สุดของ covariates ต่าง ๆ ก่อนที่จะใส่ PM10 ในการแบบจำลอง นี้ถูกทำการควบคุมปัจจัยนอกจาก PM10ที่แตกต่างกันเป็นประจำ และที่อาจอธิบายความแตกต่างในตายทุกวัน โดยการป้อนตัวแปร PM10 ล่าสุดเราลดโอกาสของการตั้งใจ attributing ลักษณะพิเศษการ PM10 ที่อาจมีการอธิบายจากปัจจัยอื่นเปิดเผยวันเดียวกัน PM10 และ lags ถึงสี่วันได้ตรวจสอบพร้อมกับการย้ายค่าเฉลี่ยของสาม และห้าวันแบบที่ seasonality เราถือหลายแตกต่างกันยื่น รวมทั้งตัวแปรกันขโมย (1) สำหรับแต่ละ

ผลลัพธ์ (ไทย) 3:

วิธีการตาย
ทุกวันนับเป็นตัวแปรใน
การวิเคราะห์ทางสถิติ มีการแจกแจงปัวซงใช้ซึ่ง
ถือว่า นับจากอิสระ เหตุการณ์ที่หายากตาม
การแจกแจงปัวซงเงื่อนไขเกี่ยวกับตัวแปรอธิบาย .
ตัวแปรในปัวซงสมการคือ
ลอการิทึมธรรมชาติของเดือนกรกฎาคมนับ
ในขณะที่สัมประสิทธิ์ถดถอยเป็นลอการิทึมฐาน e
ของอัตราต่อ ความสัมพันธ์ระหว่างระดับ PM10 และหก
จุดตายจบอีก 1 ปี รวมทั้ง
ตายธรรมชาติ ( เสียชีวิตทั้งหมดสุทธิของแผนกฆาตกรรม ฆ่าตัวตาย
และอุบัติเหตุ ) , โรคหัวใจและหลอดเลือดจากทางเดินหายใจตาย
และอัตราการตายตามธรรมชาติหลายต่างกลุ่มอายุ
รวม 50 ขึ้นไป 6 – 49 ภายใต้
6เพื่อพัฒนารูปแบบการถดถอยของเรา เรากำหนดให้พอดีกับที่ดีที่สุดของหลายความรู้

ก่อนเข้าสำรวจในรูปแบบ นี้ทำเพื่อควบคุมปัจจัยที่นอกเหนือจาก PM10
ที่แตกต่างกันไปในแต่ละวัน และนั่นอาจจะอธิบายในรูปแบบ
ตายทุกวัน โดยการเข้าไปสำรวจตัวแปรสุดท้าย
เราลดโอกาสที่ไม่ได้ตั้งใจและผล
จะพบว่า อาจถูกอธิบายได้ด้วยปัจจัยอื่น ๆ .
วันเดียวกัน PM10 การล่าช้าถึงสี่วันตรวจ
พร้อมกับเคลื่อนที่ 3 และ 5 วัน
แบบฤดูกาล เราพิจารณาวิธีการที่แตกต่างกัน
หลายประการ ได้แก่ ( 1 ) หุ่นแต่ละตัวแปรสำหรับ