Ein wichtiges Thema in der Umweltepidemiologie ist die Robustheit kausaler Angaben, die Expositionen mit negativen gesundheitlichen Folgen verknüpfen. Eine starke Unterstützung für Diekalität entsteht, wenn Dosis-Wirkungs-Beziehungen zwischen Expositionen und Ergebnis auf individueller Ebene nachgewiesen werden können. Die Expositionen (z. B. Luftverschmutzung, persistente Chemikalien) sind jedoch häufig räumlich korreliert und variieren innerhalb einzelner geografischer Regionen relativ wenig. Um eine ausreichende Varianz der Expositionskonzentrationen zu erhalten, rekrutieren Forscher häufig Personen aus verschiedenen geografischen Gebieten. Im Vergleich zur Messung der Exposition direkt auf individueller Ebene bietet eine solche Expositionsbeurteilung auf Flächenebene den Vorteil niedrigerer Kosten. Dieser Ansatz, der als ökologische Studien oder ökologische Schlussfolgerungbezeichneten bezeichnet wird, hat sich als eine Möglichkeit zur Untersuchung von Expositions-Gesundheitsverbänden auf Makroebene herausgestellt [1–4]. Wenn kausale Behauptungen jedoch ein Forschungsziel sind [5–8], müssen sich die Forscher auf die Analyse der Expositions-Ergebnis-Analyse auf individueller Ebene konzentrieren („biologische Schlussfolgerung“) [1]. In den meisten Fällen können Vereinigungen auf individueller Ebene nicht von Gruppengruppen abgezogen werden, ein Phänomen, das als ökologischer Trugschluss oder eine verzerrung auf seitender Ebenen bezeichnet wird. Die verzerrung auf ebener Ebene ergibt sich aus „Kontexteffekten“ (d. h. Auswirkungen von Nachbarschaften auf die Beziehungen zwischen Exposition und Ergebnis auf individueller Ebene) oder aus Verwechsreichen oder Verzerrungen, die auf Einzel- oder Gruppenebene unterschiedlich auftreten [9–11].

Die Ausgabe der Regressionsanalyse von Minitab ist unten angegeben. Um dies zu tun, müssen wir den Regressionsstandardfehler , abschätzen. Dies ist die Standardabweichung der Modellfehler. Es misst die Variation von y über die Regressionslinie der Bevölkerung. Wir verwenden die Residuen, um diesen Wert zu berechnen. Denken Sie daran, dass der vorhergesagte Wert von y (p) für ein bestimmtes x der Punkt auf der Regressionslinie ist. Es ist die unvoreingenommene Schätzung der mittleren Antwortvariablen für dieses x. Das Residuzistist: Verwandte Muster: Inhaltsfilter, Inhaltsanreicherung, Prozessmanager Das Modell mit den transformierten Werten von Volumen und dbh hat eine linearere Beziehung und einen positiveren Korrelationskoeffizienten. Die Steigung unterscheidet sich deutlich von Null und der R2 hat sich von 79,9% auf 91,1% erhöht. Das Restdiagramm zeigt ein zufälligeres Muster und das normalwahrscheinliche Diagramm zeigt eine gewisse Verbesserung. Austin PC, Goel V, van Walraven C. Eine Einführung in mehrstufige Regressionsmodelle.

Kann J öffentliche Gesundheit. 2001;92(2):150–4. Indem wir den Gruppendurchschnitt auf beiden Seiten der Gleichung (A3) nehmen, erhalten wir das Regressionsmodell zwischen den Gruppen, das wir WBGR als Ansatz für die statistische Analyse von gruppierten epidemiologischen Daten zur Verbesserung der Robustheit von Kausalangaben in der Querschnittsanalyse vorgestellt haben. Wir veranschaulichten die Anwendung des Ansatzes auf Daten aus einer großen Querschnittsstudie mit starker Clusterbildung individueller Expositionskonzentrationen (Serumkonzentrationen von PFOA) in Wasserbezirken, die durch die Emissionen einer chemischen Anlage kontaminiert worden waren. Durch die Entflechtung der Expositions-Ergebnis-Beziehungen, die innerhalb und zwischen Gruppen beobachtet werden, wie z. B. Personen, die in einem bestimmten geografischen Gebiet leben, kann der Ansatz Verzerrungen bei Schätzungen aufdecken und falsche nicht kausale Expositions-Ergebnis-Assoziationen anzeigen. Wir stellten die grundlegenden statistischen Konzepte vor, diskutierten die Ideen von Kontexteffekten und bereichsübergreifender Verzerrung und stellten eine zweistufige Modellierungsstrategie für die praktische Datenanalyse innerhalb des mehrstufigen Rahmens vor.

Aus der PFOA-Studie wählten wir zwei Biomarker (Lymphozytenzahl und CRP), um zu veranschaulichen, wie der Ansatz verwendet werden kann, um die Robustheit von kausalen Ansprüchen in der Querschnittsanalyse zu verbessern; weitere Anwendungsbeispiele in derselben Studie werden an anderer Stelle beschrieben [28–30]. Die Lymphozytenzahl zeigte eine starke Gruppenbeziehung mit PFOA, aber keine Beziehung zwischen den Gruppen. So interpretierten wir das beobachtete Innerhalb-Gruppen-Muster als Folge einzelner Störfaktoren, d. h. Trinkwasserverbrauch oder Absorption/Ausscheidung von PFOA (z. B. genetische Faktoren), und nicht als Folge einer kausalen Wirkung der PFOA-Exposition.