mortalidad materna brasi estimación mortalidad ii _gakidou_120310_ihme
Post on 11-Jun-2015
591 Views
Preview:
TRANSCRIPT
Estimación de la Mortalidad Materna II
2-3 Diciembre 2010
São Paulo, Brasil
Guión
• Detección de valores extremos
• Regresión espacio-temporal
2
Valores extremos: causas
• La mortalidad materna es muy poco frecuente, incluso cuando son muy altas las tasas de mortalidad materna
• Esto puede resultar en un error sustancial de muestreo y variación estocástica
• El error de medición siempre existe
• En conjunto, estos factores pueden dar lugar a la presencia de valores extremos
3
Valores extremos: problemas
• ¿Qué es un valor extremo?
o Un valor extremo se entiende como una observación atípica que parece proceder de alguna distribución diferente a la de interés
o Un valor extremo es una observación que es numéricamente distante del resto de los datos, o parece que se aparta notablemente de los demás miembros de la muestra en donde se ubica
• Una interpretación ingenua de las estadísticas derivadas de los conjuntos de datos que incluyen valores extremos puede inducir a error
• Valores extremos pueden:
• Causar distorsión de los cálculos
• Aumentar los errores estándar
• Reducir la precisión del ajuste
4
Valores extremos: identificación
• Los valores extremos en relación con otras medidas en el mismo país
• Los valores extremos con respecto a lo que se esperaría de las predicciones del modelo lineal
• Los valores extremos con respecto a RMM observada en países con niveles similares de desarrollo y acceso al sistema de salud
5
Valores extremos: identificación II
• Numerosos métodos han sido propuestos para identificar valores extremos
• Sin embargo, existe un acuerdo en que la eliminación de valores extremos no debe ser una solución general
• Para decidir cómo tratar los valores extremos es recomendable consultar expertos
6
Detección de valores extremos
• Existen tres maneras de identificar y eliminar los valores extremos:
o Examinar la relación de los residuales de la primera regresión con las covariables
o Examinar la relación de TMM con las covariables, resaltando las observaciones de las fuentes diferentes a las EV
o Graficar la RMM
7
8
Planteamiento sobre la detección de valores extremos• Existen tres maneras de identificar y eliminar los valores
extremos:
o Examinar la relación de los residuales de la primera regresión con las covariables
o Examinar la relación de TMM con las covariables, resaltando las observaciones de las fuentes diferentes a las EV
o Graficar la RMM
9
10
Planteamiento sobre la detección de valores extremos• Existen tres maneras de identificar y eliminar los valores
extremos:
o Examinar la relación de los residuales de la primera regresión con las covariables
o Examinar la relación de TMM con las covariables, resaltando las observaciones de las fuentes diferentes a las EV
o Graficar la RMM
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Guión
• Detección de valores extremos
• Regresión espacio-temporal
27
Recuerde los pasos de la primera etapa:
28
Modelo regresión lineal primera etapa
29
Regresión robusta Coeficiente Error estándar
Intercepto 4.715 0.100ln(TFR) 1.903 0.022
ln(PIB por capita) -0.511 0.010Mortalidad neonatal 13.662 0.721
Educación -0.086 0.003VIH 0.108 0.005VIH² -0.001 0.000
Edades 15-19 -1.176 0.021Edades 20-24 -0.374 0.020Edades 25-29 -0.077 0.020Edades 35-39 -0.165 0.020Edades 40-44 -0.633 0.021Edades 45-49 -1.390 0.025
Sin embargo, las predicciones lineales no siguen los datos muy bien
30
La regresión lineal no es suficiente
• Las covariables disponibles (TGF, el PIB, la mortalidad neonatal, la prevalencia del VIH, educación) no pueden explicar toda la variación en la variable dependiente
• Pueden haber otros factores determinantes de la mortalidad materna no incluidos en el modelo que varían de forma sistemática a través del espacio y el tiempo
• Entonces, parte de la variación de los residuales en términos del error, puede variar de forma sistemática a través del espacio y el tiempo
• ¿Cómo podemos aprovechar la variación sistemática de los residuales para mejorar las predicciones?
31
32
Estadísticas vitalesEncuestaCensoInformes
Estadísticas vitalesEncuestaCensoInformes
MORTALIDAD FEMININA TODAS-CAUSAS (15-49)
MORTALIDAD MATERNA
EN
TR
AD
A D
E D
AT
OS
Fracción de defunciones en mujeres en edad reproductiva por causas maternas (PMDF)
Número total de muertes por todas las causas en las mujeres en edad reproductiva (15-49 años)
Número total de muertes maternas en mujeres en edad reproductiva
Variable dependiente: tasas de mortalidad materna específicas por
edad
MUERTES MATERNAS
Etapa 1: Modelo Lineal
Etapa 2: modelo espacio-temporal
RMM
Cálculos de población
MODELO
Las covariables: tasa de fecundidad total, el PIB per cápita, la educación femenina, la mortalidad neonatal, la
prevalencia del VIH
1. Integridad del ajuste2. Sintesis GPR 3. Sistema de tabla de
mortalidad
Corrección de errores de clasificación, sesgo de supervivencia
Estrategia General de Modelo (Dos Etapas)
Estimación del model
lineal
Regresión local espacial-temporal
Regresión espacio-temporal
• Los métodos de regresión espacio-temporal se utilizan en el análisis geo-espacial, la meteorología, la química del suelo, y otros campos ajenos a la salud publica
• Se utilizan los residuales de la primera etapa de regresión para:
o Aprovechar a los patrones espacio-temporales
o Ejecutar una regresión con ponderadores en para cada observación (año-país)
• Se suavizan las diferencias de los residuales con respecto a cada país en el tiempo
• Estas diferencias suavizadas se añaden a las predicciones del primer paso
34
Ponderadores de la regresión espacio-temporal • Ponderador del espacio
o Los países de la misma región de la CME están más relacionados
o Según la epidemiología, se definen 21 regiones CME
• Ponderador del tiempo
o Considera que los puntos de tiempo más próximos están más relacionados
o Utiliza la función de ponderación tricubica
• Ponderador de la edad
o Considera que las edades más próximas están más relacionadas
o Utiliza como función de ponderación una disminución exponencial
• Los ponderadores finales son productos de los ponderadores del espacio, tiempo y edad
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
top related