A piece-wise Poisson general linear

A piece-wise Poisson general linear model (GLM) was applied to empirical air
pollution measurements of CO, NO2, O3, and SO2 and daily all non-accidental, respiratory,
and cardiovascular mortality counts, assuming a linear association between
air pollutants and mortality on the logarithmic scale varying at random between
cities. Analysis was completed for full year and by season, stratified by weather type.
Each time-series model for each city included indicator variables for the day of week,
and was adjusted for temporal trends using natural spline functions for day of study,
with a knot for each of 30, 90, 180, 270, and 365 days of observation. The optimal
model was selected based on the number of knots that either minimized the
Akaike’s Information Criteria (AIC) (representing enhanced model strength), or
minimized evidence that the model residuals demonstrate departures from the
model assumptions, or structure that may not be accounted for in the model. The
latter was examined after fitting models with natural spline functions to test for
serial correlation in the residuals, which was completed using Bartlett’s test (see
Supplementary Figures for an example of a residual plot). The above steps were
implemented separately for each city.
Finally, each air pollutant was added to the model containing natural splines and
indicator variables. Lagging times of 0,1, 2, 3, 4, and 5 dayswere examined for the air
pollutants, selecting the lag that optimized the effect size. Once the final model was
selected, the confidence intervals (CI) for RR were generated across each weather
type for each city. The city-specific estimates were pooled using a random-effects
model to calculate the overall influence of air pollution on mortality. This
approach weights the effect estimates by the inverse sum of within- and betweencity
variance, thus accounting for any heterogeneity among the cities in the pooled
effect estimates. It also gives greater statistical power, and a final estimation of an
overall countrywide effect.
The model is summarized as follows:
LogEðYt=XtÞ ¼ bXtl þ DOWt þ ns ðtime; df Þ (1)
where Yt is the daily count of cause-specific mortality; b is the regression coefficient
linking pollution to daily mortality; Xt-l is the pollution level on day t with 0e5 days
of lag; DOWt indicates the day of the week on day t; ns(time, df) is the natural spline
of calendar time with degrees of freedom corresponding to a knot at 30, 90,180, 270,
and 365 days of observation. The effect estimates for each season and weather type
were obtained by pollutant  season/weather type interaction terms. For example,
season specific effect estimates can be found by replacing b by
bWIW þ bspIsp þ bauIau þ bsuIsu, where Iw, Isp, Iau, and Isu are indicators of winter,
spring, autumn and summer respectively. The model also allows for temporal trends
to be changed by season by replacing ns(time, df) by
nsðtime; dfÞ ¼ nsðtime; df ÞIW þ nsðtime; df ÞIsp þ &.g (2)
Pooled relative risk estimates were obtained for the concentration of air
pollutant equivalent to the population weighted mean (PWM) level for all cities in
each weather type, and their 95% confidence intervals (CI).
Details of the above statistical analyses are given in Cakmak et al. (2006). Significance
testing for models was completed using t-tests (p < 0.001). All statistical
analyses were completed using R 2.10.1 (The R Foundation for Statistical Computing,
2008).

ผลลัพธ์ (ไทย) 1:

ปลา piece-wise ใช้แบบจำลองเชิงเส้นทั่วไป (GLM) อากาศประจักษ์วัดมลพิษ CO, NO2, O3, SO2 และทุกวันทั้งหมดไม่ใช่โดยไม่ ตั้งใจ หายใจและการตรวจ นับการตายหัวใจและหลอดเลือด การสมมติว่าความสัมพันธ์เชิงเส้นระหว่างสารมลพิษอากาศและการตายบนมาตราส่วนลอการิทึมที่แตกต่างกันระหว่างสุ่มเมือง วิเคราะห์เสร็จสมบูรณ์ สำหรับทั้งปี และ ตามฤดู กาล stratified ชนิดอากาศแต่ละรูปแบบชุดข้อมูลเวลาสำหรับตัวแปรแต่ละตัวบ่งชี้รวมเมืองวันของสัปดาห์และถูกปรับปรุงสำหรับแนวโน้มขมับโดยใช้ฟังก์ชันเหมือนธรรมชาติในวันการศึกษาปมแต่ละ 30, 90, 180, 270 และ 365 วันของการสังเกต ดีที่สุดเลือกรูปแบบตามจำนวน knots ที่ทั้งด้านการของ Akaike ข้อมูลเงื่อนไข (AIC) (ตัวแทนรุ่นเพิ่มความแข็งแรง), หรือย่อพยานหลักฐานที่ค่าคงเหลือรุ่นออกจากการโมเดลสมมติฐาน หรือโครงสร้างที่อาจไม่สามารถนำมาพิจารณาในแบบจำลอง ที่หลังถูกตรวจสอบหลังจากรุ่นที่ มีฟังก์ชันธรรมชาติเหมือนการทดสอบที่เหมาะสมความสัมพันธ์ของอนุกรมในค่าคงเหลือ ซึ่งเสร็จสมบูรณ์โดยใช้การทดสอบของในบาร์ตเลต (ดูตัวเลขเสริมสำหรับตัวอย่างของแผนส่วนที่เหลือ) ขั้นตอนข้างต้นได้นำมาใช้แยกต่างหากสำหรับแต่ละเมืองสุดท้าย มีเพิ่มมลพิษอากาศแต่ละรุ่นที่ประกอบด้วย splines ธรรมชาติ และตัวบ่งชี้ตัวแปร เวลา lagging 0,1, 2, 3, 4 และ 5 dayswere ตรวจสอบสำหรับอากาศสารมลพิษ เลือกความล่าช้าที่สุดขนาดผล เมื่อเป็นรุ่นสุดท้ายเลือก ช่วงความเชื่อมั่น (CI) สำหรับ RR สร้างขึ้นในแต่ละสภาพอากาศชนิดสำหรับแต่ละเมือง ประเมินเฉพาะเมืองถูกทางถูกพูใช้การสุ่มผลแบบจำลองการคำนวณอิทธิพลโดยรวมของมลพิษทางอากาศในการตาย นี้วิธีประเมินผลน้ำหนัก ด้วยผกผันภายใน- และ betweencityผลต่าง การทำ บัญชีสำหรับ heterogeneity ใด ๆ ระหว่างเมืองในการรวมผลประเมิน ยังให้พลังงานมากกว่าสถิติ และประเมินขั้นสุดท้ายของการลักษณะโดยรวมทั่วประเทศพิเศษสรุปรูปแบบดังนี้:LogEðYt = XtÞ ¼ bXt l þ DOWt þ ns ðtime df Þ (1)จำนวนการตายเฉพาะสาเหตุ วัน Yt b คือ ค่าสัมประสิทธิ์การถดถอยมลภาวะที่เชื่อมโยงกับการตายรายวัน Xt l คือ ระดับมลพิษในวัน t กับ 0e5 วันของความล่าช้า DOWt บ่งชี้วันของสัปดาห์ในวัน t ns (เวลา df) เป็นเหมือนธรรมชาติเวลาปฏิทินองศาความเป็นอิสระที่สอดคล้องกับปมที่ 30, 90,180, 270และสังเกต 365 วัน ผลประเมินในแต่ละฤดูกาลและสภาพอากาศชนิดได้รับตามเงื่อนไขมลพิษอากาศ/ฤดูกาลชนิดโต้ตอบ ตัวอย่างฤดูกาลที่มีผลการประเมินสามารถพบได้ โดยแทน b ด้วยbWIW þ bspIsp þ bauIau þ bsuIsu, Iw, Isp, Iau และอินน์แอมส์ตัวบ่งชี้ของฤดูหนาวฤดูใบไม้ผลิ ฤดูใบไม้ร่วงและฤดูร้อนตามลำดับ แบบยังอนุญาตให้สำหรับแนวโน้มที่ขมับจะเปลี่ยนแปลงตามฤดูกาล โดยแทน ns (เวลา df) โดยnsðtime dfÞ ¼ nsðtime df ÞIW þ nsðtime df ÞIsp þและ.g (2)การประเมินความเสี่ยงสัมพัทธ์รวมได้รับสำหรับความเข้มข้นของอากาศมลพิษเทียบเท่ากับระดับเฉลี่ย (PWM) ถ่วงน้ำหนักประชากรเมืองทั้งหมดแต่ละชนิดในอากาศ และช่วงความเชื่อมั่น 95% ของพวกเขา (CI)รายละเอียดของการวิเคราะห์ทางสถิติข้างต้นจะได้รับใน Cakmak et al. (2006) ความสำคัญทดสอบแบบจำลองเสร็จสมบูรณ์โดยใช้ t-ทดสอบ (p < 0.001) สถิติทั้งหมดวิเคราะห์ได้เสร็จสมบูรณ์โดยใช้ R 2.10.1 (เดอะ R พื้นฐานสำหรับการคำนวณทางสถิติ2008)

ผลลัพธ์ (ไทย) 2:

ชิ้นส่วนที่ชาญฉลาด Poisson ทั่วไปแบบจำลองเชิงเส้น (GLM)
ถูกนำมาใช้กับอากาศเชิงประจักษ์วัดมลพิษของCO, NO2, O3 และ SO2 และรายวันทั้งหมดเป็นแบบไม่ตั้งใจระบบทางเดินหายใจและจำนวนการตายของโรคหัวใจและหลอดเลือดสมมติความสัมพันธ์เชิงเส้นตรงระหว่างมลพิษทางอากาศและการเสียชีวิตที่แตกต่างกันในมาตราส่วนลอการิทึมที่สุ่มระหว่างเมือง การวิเคราะห์เสร็จสมบูรณ์ในปีเต็มและตามฤดูกาล, แบ่งตามประเภทของสภาพอากาศ. แต่ละรูปแบบอนุกรมเวลาสำหรับแต่ละเมืองรวมตัวแปรตัวบ่งชี้สำหรับวันของสัปดาห์และได้รับการปรับแนวโน้มชั่วคราวโดยใช้ฟังก์ชั่นเส้นโค้งธรรมชาติสำหรับวันของการศึกษาที่มีปมสำหรับแต่ละวันที่ 30, 90, 180, 270, และ 365 วันของการสังเกต การเสนอรูปแบบการได้รับเลือกขึ้นอยู่กับจำนวนของนอตที่ทั้งลดเกณฑ์ข้อมูลAkaike ของ (AIC) (ที่เป็นตัวแทนของความแข็งแรงของรูปแบบที่เพิ่มขึ้น) หรือลดลงหลักฐานที่แสดงว่าเหลือรูปแบบการแสดงให้เห็นถึงการออกเดินทางจากสมมติฐานรูปแบบหรือโครงสร้างที่ไม่อาจนำมาใช้ในรูปแบบ หลังถูกตรวจสอบหลังจากการปรับรุ่นที่มีฟังก์ชั่นเส้นโค้งตามธรรมชาติเพื่อทดสอบความสัมพันธ์ต่อเนื่องในคลาดเคลื่อนเป็นที่เรียบร้อยแล้วโดยใช้การทดสอบของบาร์ตเลตต์(ดูรูปประกอบการตัวอย่างของพล็อตที่เหลือเป็นพิเศษ) ขั้นตอนข้างต้นถูกนำมาใช้แยกต่างหากสำหรับแต่ละเมือง. สุดท้ายมลพิษทางอากาศในแต่ละถูกบันทึกอยู่ในรูปแบบที่มีเส้นโค้งธรรมชาติและตัวแปรที่บ่งชี้ ล้าหลังเท่าของ 0.1, 2, 3, 4 และ 5 dayswere ตรวจอากาศมลพิษทางเลือกที่ดีที่สุดที่ล่าช้าขนาดผลที่ เมื่อรุ่นสุดท้ายได้รับการเลือกช่วงความเชื่อมั่น (CI) สำหรับ RR ถูกสร้างขึ้นทั่วทั้งสภาพอากาศในแต่ละประเภทแต่ละเมือง ประมาณการเมืองเฉพาะที่ได้รวบรวมการใช้ผลการสุ่มแบบจำลองในการคำนวณอิทธิพลโดยรวมของมลพิษทางอากาศต่อการตาย นี้น้ำหนักวิธีการประมาณการผลกระทบโดยผลผกผันของ within- และ betweencity แปรปรวนจึงบัญชีสำหรับความแตกต่างในเมืองใน pooled ใด ๆประมาณการผล นอกจากนี้ยังให้อำนาจทางสถิติที่มากขึ้นและการประเมินของสุดท้ายผลกระทบทั่วประเทศโดยรวม. รูปแบบที่มีการสรุปได้ดังนี้? LogEðYt = XtÞ¼ BXT ลิตรþ DOWt þ ns การðtime; DF Þ (1) ที่ Yt นับเป็นชีวิตประจำวันของการตายจากสาเหตุเฉพาะ; ขเป็นค่าสัมประสิทธิ์การถดถอยเชื่อมโยงมลพิษเพื่อการเสียชีวิตประจำวัน xt-L ระดับมลพิษบนเสื้อวันวัน 0e5 ของความล่าช้า; DOWt บ่งชี้วันของสัปดาห์บนเสื้อวัน; ns การ (เวลา DF) เป็นเส้นโค้งธรรมชาติของเวลาปฏิทินที่มีองศาอิสระที่สอดคล้องกับปมวันที่30, 90,180, 270, และ 365 วันของการสังเกต การประเมินผลในแต่ละฤดูกาลและประเภทของสภาพอากาศที่ได้รับจากสารมลพิษ? ฤดูกาล / สภาพอากาศแง่ปฏิสัมพันธ์ประเภท ยกตัวอย่างเช่นฤดูกาลที่เฉพาะเจาะจงประมาณการผลสามารถพบได้โดยการเปลี่ยนขโดยbWIW þ bspIsp þ bauIau þ bsuIsu ที่อิลลินอยส์, ISP ที่, IAU และ Isu เป็นตัวชี้วัดของฤดูหนาว, ฤดูใบไม้ผลิฤดูใบไม้ร่วงและฤดูร้อนตามลำดับ รูปแบบนี้ยังช่วยให้แนวโน้มชั่วขณะจะมีการเปลี่ยนแปลงตามฤดูกาลโดยการเปลี่ยน ns การ (เวลา DF) โดยnsðtime; dfÞ¼nsðtime; DF ÞIWþnsðtime; DF ÞIspþและ .g (2) Pooled ประมาณการความเสี่ยงที่ได้รับความเข้มข้นของอากาศเทียบเท่าสารมลพิษกับประชากรถ่วงน้ำหนักเฉลี่ย(PWM) ระดับเมืองทั้งหมดในแต่ละประเภทสภาพอากาศและช่วงความเชื่อมั่น95% ของพวกเขา (CI). รายละเอียด การวิเคราะห์ทางสถิติดังกล่าวข้างต้นจะได้รับใน Cakmak et al, (2006) ความสำคัญการทดสอบสำหรับรุ่นที่เป็นที่เรียบร้อยแล้วโดยใช้เสื้อทดสอบ (p <0.001) ทุกสถิติการวิเคราะห์เสร็จสมบูรณ์โดยใช้ R 2.10.1 (ในมูลนิธิเพื่อการวิจัยทางสถิติ Computing, 2008)

ผลลัพธ์ (ไทย) 3:

แบบจำลองเชิงเส้นทั่วไป ( 500 ชิ้นปัญญา glm ) ถูกนำมาใช้เพื่อการตรวจวัดมลพิษทางอากาศ
เชิงประจักษ์ของ CO และ NO2 O3 , SO2 และรายวันทั้งหมดที่ไม่ใช่อุบัติเหตุ ระบบหายใจ หัวใจและหลอดเลือด และอัตราการตาย
นับ สมมติว่าเส้นความสัมพันธ์ระหว่าง
มลพิษทางอากาศและการตายบนมาตราส่วนลอการิทึมค่าสุ่มระหว่าง
เมือง การวิเคราะห์เสร็จสมบูรณ์เต็มปีและฤดูกาลแบ่งตามประเภทสภาพอากาศ .
แต่ละรูปแบบอนุกรมเวลาแต่ละเมืองรวมบ่งชี้ตัวแปรสำหรับวันของสัปดาห์และปรับแนวโน้ม
ชั่วคราวโดยใช้ฟังก์ชันเส้นโค้งธรรมชาติสำหรับวันของการศึกษา ,
กับปมของแต่ละ 30 , 90 , 180 , 270 , และ 365 วันของการสังเกต แบบจำลองที่เหมาะสม
ถูกเลือกบนพื้นฐานของจำนวนที่ให้ลด
นอตเคราะห์ข้อมูลเกณฑ์ ( AIC ) ( คิดเพิ่มแบบแรง ) หรือย่อว่ารูปแบบซึ่งหลักฐาน

แสดงขาออกจากการสันนิษฐาน หรือโครงสร้างที่ไม่อาจจะคิดในแบบ
หลังถูกตรวจสอบหลังจากรุ่นเหมาะสมกับเส้นโค้งธรรมชาติการทำงานเพื่อทดสอบ
อนุกรมความสัมพันธ์ในความคลาดเคลื่อนซึ่งแล้วเสร็จโดยใช้ Bartlett ทดสอบ ( ดู
ตัวเลขเพิ่มเติมสำหรับตัวอย่างของพล็อตที่เหลือ ) ขั้นตอนข้างบน
ดำเนินการแยกต่างหากสำหรับแต่ละเมือง
ในที่สุดแต่ละสารมลพิษอากาศที่ถูกเพิ่มเข้าไปในแบบที่มีเส้นโค้งธรรมชาติ
ตัวแปรและตัวบ่งชี้ พิลล่าครั้งที่ 2 , 3 , 4 และ 5 dayswere ตรวจอากาศ
สารมลพิษ , การเลือกความล่าช้าที่ปรับผลขนาดเมื่อรุ่นสุดท้ายคือ
เลือก ช่วงความเชื่อมั่น ( CI ) สำหรับ RR ถูกสร้างขึ้นในแต่ละสภาพอากาศ
ประเภทสำหรับแต่ละเมือง เมืองที่เฉพาะเจาะจงประมาณการได้รวมผลกระทบ
สุ่มโดยใช้แบบจำลองคำนวณอิทธิพลโดยรวมของมลพิษอากาศกับการตาย น้ำหนักผลประมาณนี้
วิธีการผกผันโดยผลรวมของภายใน - และความแปรปรวน betweencity
,ดังนั้น บัญชีใด ๆที่สามารถระหว่างเมืองในด้านผลการประเมิน มันยังให้มากกว่าสถิติพลังงานและค่าสุดท้ายของ

ผลทั่วประเทศโดยรวม รูปแบบเป็นดังนี้
ห้องเล็ก ๆð YT = XT Þ¼ BXT  ผมþ dowt þ NS ðเวลา ; DF Þ ( 1 )
ที่ YT เป็นนับทุกวัน สาเหตุการตายที่เฉพาะเจาะจง ; B คือ สัมประสิทธิ์ถดถอย
เชื่อมโยงมลพิษที่จะตายทุกวันxt-l เป็นมลพิษระดับในวันที่ T กับ 0e5 วัน
ล่าช้า ; dowt แสดงวันของสัปดาห์ในวันที่ T ; ns ( df ครั้ง ) เป็นเส้นโค้งธรรมชาติ
เวลาปฏิทินกับองศาของเสรีภาพที่สอดคล้องกับปมที่ 30 , 90180 , 270 ,
และ 365 วันของการสังเกต ผลการประเมินในแต่ละฤดูกาลและสภาพอากาศชนิด
ได้รับจากมลพิษอากาศชนิด  ฤดูการเงื่อนไข ตัวอย่างเช่น
ฤดูกาลเฉพาะผลการประเมินสามารถพบได้โดยการแทน B ด้วย
bwiw þ bspisp þ bauiau þ bsuisu ที่ IW , ISP , สหพันธ์ดาราศาสตร์สากลและ ISU เป็นตัวชี้วัดของฤดูหนาว
ฤดูใบไม้ผลิฤดูใบไม้ร่วงและฤดูร้อนตามลำดับ รูปแบบจะช่วยให้แนวโน้ม
จะเปลี่ยนแปลงด้วยฤดูกาลโดยการเปลี่ยน NS ( df ครั้ง ) ð
2 ครั้ง คือ Þ¼ NS ðเวลา ; DF Þ IW þ NS ðเวลา ; DF Þ ISP þ& G ( 2 )
.ด้านการประเมินความเสี่ยงสัมพัทธ์ ส่วนความเข้มข้นของสารมลพิษอากาศ
เทียบเท่ากับประชากรหนักหมายถึง ( PWM ) ระดับเมืองทั้งหมดในแต่ละประเภทของสภาพอากาศ
, 95% ช่วงความเชื่อมั่น ( CI ) .
รายละเอียดข้างต้นการวิเคราะห์สถิติจะได้รับใน cakmak et al . ( 2006 ) ความสำคัญ
ทดสอบโมเดลโดยใช้ t-test ( p < 0.001 )
สถิติทั้งหมดวิเคราะห์ข้อมูลโดยใช้ 2.10.1 R ( R ) การคำนวณสถิติ
2008 )