Statistical analysisThe analytical

Statistical analysis
The analytical methods were developed and adopted by all four teams in a common protocol. The protocol includes the specifications for selection of monitoring stations, as well as quality assurance and quality control procedures for data collection and for health outcomes and air pollutants to be included in the analysis. Generalized linear modeling was used to model daily health outcomes, with natural spline smoothers (Burnett et al. 2004; Wood 2006) for filtering out seasonal patterns and long-term trends in daily mortality, as well as temperature and relative humidity. We also included an adjustment for the day of the week and dichotomous variables relevant to individual cities if available, such as public holidays (Hong Kong) and extreme weather conditions (Wuhan). In an attempt to minimize autocorrelation, which would bias the standard errors, the aim of the core model was for partial autocorrelation function plots to have coefficients in absolute values < 0.1 for the first 2 lag days. Randomness of residuals was also considered in selecting the most appropriate models. If these criteria were not met, other methods were used to reduce autocorrelation, such as the inclusion of explanatory variables to model influenza epidemics and the addition of autoregression terms. If there were special periods with extra variations for which the core model could not account, an additional spline smoother was included. Air pollutant concentrations were entered into the core model to assess the health effects of specific pollutants. Exposure at the current day (lag 0), a 2-day average of lag 0 and lag 1 days (lag 0–1), and a 5-day average of lag 0 to lag 4 days (lag 0–4) were examined. For each pollutant, the excess risk of mortality with the 95% confidence interval (CI) per 10-μg/m3 increase in average concentration at lag 0–1 was calculated. However, for brevity’s sake, point estimates with p-values could be used to describe sets of effects.

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ทางสถิติวิธีการวิเคราะห์ถูกพัฒนา และนำไปใช้ โดยทีมงานสี่ทั้งหมดในโพรโทคอทั่วไป โพรโทคอลข้อกำหนดสำหรับการเลือก สถานีตรวจสอบ รวมทั้งการประกันคุณภาพ และควบคุมคุณภาพขั้นตอน การเก็บรวบรวมข้อมูล และผลลัพธ์สุขภาพและสารมลพิษอากาศที่จะรวมในการวิเคราะห์ไว้ โมเดลเชิงเส้นเมจแบบทั่วไปใช้รุ่นผลลัพธ์สุขภาพประจำวัน มี smoothers เหมือนธรรมชาติ (Burnett et al. 2004 ไม้ 2006) สำหรับกรองรูปแบบตามฤดูกาลและแนวโน้มระยะยาวในการ ตายรายวัน รวมทั้งอุณหภูมิ และความชื้นสัมพัทธ์ นอกจากนี้เรายังรวมการปรับปรุงสำหรับวันของสัปดาห์และ dichotomous ตัวแปรที่เกี่ยวข้องกับแต่ละเมืองถ้ามี วันหยุดนักขัตฤกษ์ (Hong Kong) และสภาพอากาศมาก (ฮั่น) ในความพยายามที่จะลด autocorrelation ซึ่งจะ bias ข้อผิดพลาดมาตรฐาน จุดมุ่งหมายของแบบจำลองหลักคือสำหรับผืนฟังก์ชัน autocorrelation บางส่วน มีสัมประสิทธิ์ในค่า < 0.1 ความล่าช้าก่อน 2 วัน Randomness ค่าคงเหลือได้มีพิจารณาในการเลือกรูปแบบที่เหมาะสมที่สุด ถ้าไม่ตรงตามเงื่อนไขเหล่านี้ วิธีการอื่น ๆ ที่ใช้ในการลด autocorrelation การรวมตัวแปรอธิบายโรคระบาดไข้หวัดใหญ่รุ่นและการเพิ่มเงื่อนไข autoregression ถ้ามีรอบพิเศษ ด้วยรูปแบบพิเศษซึ่งการจำลองหลักไม่สามารถบัญชี เหมือนการเพิ่มเติมเรียบถูกรวม ความเข้มข้นของมลพิษอากาศถูกป้อนในแบบจำลองการประเมินผลกระทบสุขภาพของสารมลพิษเฉพาะหลัก แสงวันปัจจุบัน (ช่วงห่าง 0), 2 วันค่าเฉลี่ยของ 0 ความล่าช้า และความล่าช้า 1 วัน (ช่วงห่าง 0-1), และ 5 วันค่าเฉลี่ยของความล่าช้า 0 ล้า 4 วัน (ช่วงห่าง 0 – 4) ได้ตรวจสอบ มีคำนวณความเสี่ยงของการตายด้วยช่วงความเชื่อมั่น 95% (CI) ต่อการเพิ่มความเข้มข้นเฉลี่ยที่ 0 – 1 ช่วงห่าง 10-μg/m3 ส่วนเกินสำหรับแต่ละแนว อย่างไรก็ตาม สำหรับกระชับของสาเก ประเมินจุดที่ มีค่า p สามารถใช้เพื่ออธิบายชุดของลักษณะพิเศษนั้น

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ทางสถิติ
วิธีการวิเคราะห์ได้รับการพัฒนาและนำมาใช้โดยทั้งสี่ทีมในโปรโตคอลที่พบบ่อย โปรโตคอลรวมถึงข้อกำหนดสำหรับการเลือกสถานีตรวจสอบเช่นเดียวกับการประกันคุณภาพและวิธีการควบคุมคุณภาพการเก็บรวบรวมข้อมูลและผลลัพธ์ด้านสุขภาพและมลพิษทางอากาศที่จะถูกรวมในการวิเคราะห์ ทั่วไปการสร้างแบบจำลองเชิงเส้นถูกใช้ในการสร้างแบบจำลองผลลัพธ์ด้านสุขภาพในชีวิตประจำวันด้วย smoothers เส้นโค้งธรรมชาติ (Burnett et al, 2004;. ไม้ 2006) สำหรับการกรองออกรูปแบบตามฤดูกาลและแนวโน้มในระยะยาวในการตายในชีวิตประจำวันเช่นเดียวกับอุณหภูมิและความชื้นสัมพัทธ์ นอกจากนี้เรายังรวมถึงการปรับตัวสำหรับวันของสัปดาห์และตัวแปร dichotomous ที่เกี่ยวข้องกับแต่ละเมืองถ้ามีเช่นวันหยุดนักขัตฤกษ์ (ฮ่องกง) และสภาพอากาศที่รุนแรง (หวู่ฮั่น) ในความพยายามที่จะลดความผิดพลาดที่สัมพันธ์ซึ่งจะอคติข้อผิดพลาดมาตรฐานจุดมุ่งหมายของรูปแบบหลักคือฟังก์ชั่นสำหรับการแปลงอัตบางส่วนที่จะมีค่าสัมประสิทธิ์ในค่าสัมบูรณ์ <0.1 สำหรับ 2 วันแรกล่าช้า แบบแผนของเศษนอกจากนี้ยังได้รับการพิจารณาในการเลือกรูปแบบที่เหมาะสมที่สุด หากมีเงื่อนไขเหล่านี้ไม่ได้พบวิธีการอื่น ๆ ถูกนำมาใช้เพื่อลดความผิดพลาดที่สัมพันธ์เช่นการรวมของตัวแปรในการจำลองการระบาดไข้หวัดใหญ่และนอกเหนือจาก autoregression เงื่อนไข ถ้ามีช่วงเวลาพิเศษที่มีรูปแบบพิเศษซึ่งรูปแบบหลักไม่สามารถบัญชีเรียบเนียนเส้นโค้งเพิ่มเติมถูกรวม ความเข้มข้นของสารมลพิษทางอากาศได้รับการลงนามในรูปแบบหลักในการประเมินผลกระทบต่อสุขภาพของสารมลพิษที่เฉพาะเจาะจง การเปิดรับในวันที่ปัจจุบัน (ล่าช้า 0) เฉลี่ย 2 วันของความล่าช้า 0 และล่าช้า 1 วัน (ล่าช้า 0-1) และค่าเฉลี่ย 5 วันของความล่าช้า 0 ถึงล่าช้า 4 วัน (ล่าช้า 0-4) ได้รับการตรวจสอบ . สำหรับสารมลพิษแต่ละความเสี่ยงส่วนเกินของการตายที่มีช่วงความเชื่อมั่น 95% (CI) ต่อการเพิ่มขึ้น 10 g / m3 ความเข้มข้นเฉลี่ยอยู่ที่ 0-1 ความล่าช้าที่คำนวณได้ แต่เพื่อประโยชน์ของความกะทัดรัดชี้ประเมินด้วย P-ค่าสามารถนำมาใช้เพื่ออธิบายชุดของผลกระทบ