İstatistik – Sosyal Bilimlerde İstatistik (58) – Mortalitede Siyah-Beyaz Farklılıklar – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

0 (312) 276 75 93 @ İletişim İçin Whatsapp Mesajı + 90 542 371 29 52 - Ödev Yaptırma, Proje Yaptırma, Tez Yaptırma, Makale Yaptırma, Essay Yaptırma, Literatür Taraması Yaptırma, Vaka İncelemesi Yaptırma, Research Paper Yaptırma, Akademik Makale Yaptırma, İntihal Oranı Düşürme, İstatistik Ödev Yaptırma, İstatistik Proje Yaptırma, İstatistik Tez Yaptırma, İstatistik Makale Yaptırma, İstatistik Essay Yaptırma, Edebiyat Ödev Yaptırma, Edebiyat Proje Yaptırma, Edebiyat Tez Yaptırma, İngilizce Ödev Yaptırma, İngilizce Proje Yaptırma, İngilizce Tez Yaptırma, İngilizce Makale Yaptırma, Her Dilde Ödev Yaptırma, Hukuk Ödev Yaptırma, Hukuk Proje Yaptırma, Hukuk Tez Yaptırma, Hukuk Makale Yaptırma, Hukuk Essay Yaptırma, Hukuk Soru Çözümü Yaptırma, Psikoloji Ödev Yaptırma, Psikoloji Proje Yaptırma, Psikoloji Tez Yaptırma, Psikoloji Makale Yaptırma, İnşaat Ödev Yaptırma, İnşaat Proje Yaptırma, İnşaat Tez Yaptırma, İnşaat Çizim Yaptırma, Matlab Yaptırma, Spss Yaptırma, Spss Analizi Yaptırmak İstiyorum, Ücretli Spss Analizi, İstatistik Ücretleri, Spss Nedir, Spss Danışmanlık, İstatistik Hizmeti, Spss Analizi ve Sonuçların Yorumlanması, Spss Ücretleri, Tez Yazdırma, Ödev Danışmanlığı, Ücretli Ödev Yaptırma, Endüstri Mühendisliği Ödev Yaptırma, Tez Yazdırma, Matlab Ödev Yaptırma, Tez Danışmanlığı, Makale Danışmanlığı

1 Star2 Stars3 Stars4 Stars5 Stars (Bu yazıya oy vermek ister misiniz?)
Loading...

İstatistik – Sosyal Bilimlerde İstatistik (58) – Mortalitede Siyah-Beyaz Farklılıklar – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

30 Eylül 2020 Analizlerde kullanılan öngörücü değişkenler Bayesci bir yaklaşımı benimsemenin üçüncü bir nedeni Bayesci yaklaşım Gibbs örnekleyici tarafından İkili Probit Modeli Örneği: Mortalitede Siyah-Beyaz Farklılıklar İstatistik – Sosyal Bilimlerde İstatistik (58) – Mortalitede Siyah-Beyaz Farklılıklar – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma makine öğrenimi yaklaşımı Ödevcim Akademik Ölüm oranındaki ırksal farklılıklar Standart bir maksimum olasılık yaklaşımı 0
İstatistik – Sosyal Bilimlerde İstatistik (58) – Mortalitede Siyah-Beyaz Farklılıklar – İstatistik Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

 

On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Sosyal Bilimlerde İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Analiz Yaptırma, Veri Analizi Yaptırma aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz ve projeleriniz ile ilgili destek alabilirsiniz.


İkili Probit Modeli Örneği: Mortalitede Siyah-Beyaz Farklılıklar

Ölüm oranındaki ırksal farklılıklar – özellikle siyah-beyaz farklılıklar – ölümlülük demografları ve sağlık araştırmacıları için önemli bir endişedir. Siyahların beyazlara göre daha yüksek ölüm oranlarına sahip olduğu iyi bilinmektedir. Literatürdeki ortak bir amaç, beyazlar için bu sağlık avantajının neden var olduğunu anlamaya çalışmak olmuştur.

Bununla birlikte, ilginç bir şekilde, bu beyaz avantaj tüm yaş aralığında mevcut değildir. Bunun yerine, ileri yaşlarda (genellikle 75 yaşın üzerinde), siyah ölüm oranlarının beyazların altına düştüğü gibi bir geçiş gözlemlenir.

Son birkaç on yılda, geçiş için olası açıklamalar öneren nispeten büyük bir demografik literatür ortaya çıkmış olsa da, çok az çalışma Büyük ölçüde geçiş yaşı, klasik yöntemler kullanılarak standart hatanın belirlenmesinin zor olduğu bir nicelik olduğundan, geçişin meydana geldiği yaştaki belirsizliği nicelleştirin. Burada kullandığım ikili probit modeli (ve ordinal probit modeli) örneği, bu belirsizliği ölçmeyi amaçlamaktadır.

Ölüm oranındaki ırksal farklılıkları modellemeye yönelik standart bir yaklaşım, bireysel düzeydeki boylamsal veriler kullanıldığında, genellikle ayrı bir zaman biçiminde, ikili probit veya lojistik regresyon modellerini kullanmaktır. Ayrı bir zaman spesifikasyonunda, her kişi son veri setine birden fazla gözlemle katkıda bulunur – gözlemlenen her yıl için bir kayıt (Allison 1984; Hosmer ve Lemeshow 1999; Yamaguchi 1991). Ulusal Sağlık ve Beslenme İnceleme Anketi’nden (NHANES) ve takipleri olan Ulusal Epidemiyolojik Takip Araştırmalarından (NHEFS) elde edilen verileri kullanarak burada böyle bir veri seti oluşturuyorum.

NHANES, 1971’den başlayarak yaşları 24-77 arasında olan yaklaşık 34.000 kişiden oluşan bir örneklem kullanarak ulusun sağlığını değerlendirmek için tasarlanmış kesitsel bir araştırmaydı. Bunlardan yaklaşık 7.000 örnek üyeye bir doktor tarafından fiziksel muayene ve sağlık kendi kendine derecelendirilmiş sağlığı ölçen tamamlayıcı bakım anketi ve ardından 1982, 1987 ve 1992’de en az üç durumda takip edildi:

(1) 1975’e kadar hayatta kalan bireylerin kullanılması (temel çalışmanın son yılı),

(2 ) 1975’te en az 40 yaşındaydı,

(3) analizlerde kullanılan değişkenler hakkında eksik veri yoktu ve

(4) beyaz veya siyahtı.

3.201 kişiden oluşan analitik bir örnek oluşturdum. 685’i gözlem süresindeydi. Ortaya çıkan kişi-yıl dosyası, 55.173 kayıttan oluşuyordu ve ölenlerin ortalama kişi-yıl katkısı 14.43 yıldı (1992’ye kadar hayatta kalanlar 18 kişi-yıl katkıda bulundu).

Analizlerde kullanılan öngörücü değişkenler arasında yaş, cinsiyet, ırk (siyah veya beyaz), başlangıçta güneyde ikamet, okullaşma yılları ve yaş ile ırk arasındaki etkileşim yer alır. Yaş, zamanla değişen tek ortak değişkendir: Sansür noktasına kadar (yanıtlayan gözlem döneminden sağ kaldıysa) veya bir bireyin katkıda bulunduğu her bir kişi-yıllık kayıt için ölüme kadar artırılır.

Sonuç değişkeni, bireyin belirli bir yılda ölüp ölmediğinin bir göstergesidir. Gözlem dönemini atlatan bireyler için bu değişken, bireyin katkıda bulunduğu her kişi-yıl kaydı için 0 alır (18 kayıt). Gözlem döneminde ölen bireyler için bu değişken, ölüm yılına kadar katkıda bulunan her kişi-yıl kaydı için 0 alır ve katılımcının öldüğü yıl için kişi-yıl kaydı için 1 alır. Dolayısıyla, 55.173 kişi kayıttan yalnızca 685 kaydın bu değişkende 1 değeri vardır ve bu tüm kayıtların% 1,2’sini temsil eder. Tablo 8.2, temel örneklemdeki orijinal 3201 birey için tanımlayıcı istatistikler sunmaktadır.

Standart bir maksimum olasılık yaklaşımı kullanabileceğimiz halde neden bu modele Bayesci bir yaklaşım kullanalım? Birkaç sebep var. İlk olarak, burada yapmamayı seçmiş olsam da, önceki bilgileri dahil edebiliriz. İkincisi, önceki bölümlerde tartıştığımız gibi, Bayesci yaklaşım, geleneksel tahmin yaklaşımlarından çok, özellikle GLM ortamında daha geniş bir model teşhis dizisi sunar. Geleneksel bir maksimum olasılık (ML) yaklaşımı altında, iki model uygunluk ölçüsü elde edebiliriz – bir sözde R2 ve bir model ki-kare – ve OLS regresyon rezidüel teşhis testlerinden türetilen rezidüel diagnostik testler vardır.

Bayesci yaklaşımı kullanarak burada aynı model uyumu ölçütlerini elde edebiliriz (aslında bunların dağılımları), ancak aynı zamanda ikili verilerin karşılayamayacağı varsayımlarına dayanmayan daha iyi artık tanısal testler de elde edebiliriz.

Model uyumunu değerlendirmek, ayrık bir zaman ortamında önemlidir. Kesikli zaman analizlerinde genellikle gözden kaçan bir şey, orijinal verilerin bir kişi-yıllık dosya oluşturularak seyreltilmesinin, sonuç değişkenindeki “başarı” oranını azaltmasıdır. Örneğin, burada, ankete katılanların% 21’i gözlem döneminde (685/3201) öldü, ancak ölümler kişi-yıl verilerindeki kayıtların yalnızca% 1,2’sini temsil ediyor. Logit ve probit modelleri, “başarı” oranı 0,5’e yakın olduğunda en iyi sonucu verme eğilimindedir ve bu nedenle, ayrık zaman modellerini kullanırken model uyumunu dikkatlice düşünmeliyiz.

Bayesci bir yaklaşımı benimsemenin üçüncü bir nedeni, siyah-beyaz geçişinin ırksal heterojenliği ve eşitsizliği anlamaya çalışan ölümlü demograflar için önemli bir fenomen olmasına rağmen, ML yaklaşımı bu konudaki hipotezleri test etmek için basit bir yaklaşım sunmamasıdır. Öte yandan, Bayesçi yaklaşım öyle. Geçiş yaşı, siyahlar ve beyazlar için regresyon denklemlerini eşitleyerek ve kesişme noktasını bulmak için yaşı çözerek hesaplanabilir. Modelde yalnızca yaş, ırk ve aralarındaki etkileşim ile model şu şekildedir:

  • y ∗ = b0 + b1Age + b2Siyah + b3Age × Siyah.

Siyahlar için, Siyah = 1 ve dolayısıyla sağ taraf (b0 + b2) + (b1 + b3) Yaş’a indirgenir. Beyazlar için, Siyah = 0 ve bu nedenle sağ taraf b0 + b1Age’a düşer. Bunları eşit ayarlarsak şunu buluruz:

  • b2 + b3Age = 0,

ve dolayısıyla, geçişin gerçekleştiği yaş −b2 / b3’tür. Bu tahmin, tahmin için makine öğrenimi yaklaşımıyla bulunabilir, ancak katkı parametrelerinin tahmini standart hatalarını kullanarak belirsizliğimizi ölçmenin basit bir yolu yoktur – normal dağılmış rastgele değişkenlerin ürününün bilinen bir dağılımı yoktur ve bu nedenle normal değişkenlerin bir ürününün standart hatası tanımlanmamıştır.

Ancak Bayes ayarında, Gibbs örnekleyici tarafından üretilen katkıda bulunan parametrelerin her örneklenmiş değeri için bu geçiş yaşını oluşturabilir ve böylece bu miktar için bir dağılım elde edebiliriz. Bunu yapmak, aşağıdaki gibi önemli soruları yanıtlamamıza olanak tanır: Geçiş yaşının, yaşam süresindeki makul sınırların dışında olma olasılığı nedir?


On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Sosyal Bilimlerde İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Analiz Yaptırma, Veri Analizi Yaptırma aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz ve projeleriniz ile ilgili destek alabilirsiniz.


 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir