D'accord, accueillir tout le monde pour ce présentation dans qui je sera parler à propos Perles Grippe Études. perle un biostatisticien, il vivait assez un alors que il y a pendant, spécifiquement, le grippe espagnole, et il était le d'abord un pour analyser le hebdomadaire données ce était collecté par le NOUS bureau de le Recensement à propos le grippe espagnole, qui s'est produit dans 1918, 1920, et ce pour le grand Américain villes.
Perle, il était le d'abord pour faire donc pour analyser le données concernant le grippe espagnole, et il écrit deux rapports à propos il, son grippe études un et deux, qui nous sera revisiter maintenant pendant ce présentation, et Bien voir comment nous sera être capable pour regarder dans le données, analyser le données en utilisant JMP. Ce est articulation travail avec Chris Gotwal, OMS contribué pour le méthodologique composant, et Guide Erreygers, OMS initié le idée de revisiter Perles grippe études.
Le aperçu de ce parler est comme suit. D'abord, Je vais discuter un petit bit le grippe espagnole, quoi il était tous à propos de. Assez un mortel pandémie à ce temps. Alors Je vais introduire Perles Grippe Études, et Je vais parler un petit bit à propos le données ce perle utilisé dans son analyse. Nous ont ajoutée quelques recensement données depuis 1910 sur haut de ce pour notre analyse, qui consiste de un variable sélection procédure avec un nul facteur, un aléatoire facteur, un indépendant normal facteur dans notre analyse, et amorcer simulation depuis le données.Alors Bien être discuter notre résultats et comparer ceux résultats avec Perles résultats, et alors Bien conclure.
D'abord de tous, le Grippe espagnole pandémie, pour cadre ce un petit bit, il était un de le le plus meurtrier pandémies dans histoire, comme été témoin par ce liste ici montrant le du monde le plus meurtrier pandémies dans au fil du temps. Toi peut voir ce le Grippe espagnole ici rangs cinquième dans conditions de le nombre de décès ce il causé. J son liste est à tête par le Noir Décès, qui tué à propos quatre fois plus personnes que le Grippe espagnole a fait. Alors dessous ce liste, toi voir COVID- 19 pandémie apparaissant, qui nous a obtenu tous exposé pour. Il aussi apparaît dans ce liste toujours.
Juste comme avec COVID- 19, rassemblements étaient plus encouragé pour arriver dehors, et aussi à le fois déjà de le Grippe espagnole pandémie là, ce était le cas comme Bien, et même pour Des classes pour arriver en plein air, comme toi peut voir sur ce photo.
Le Grippe espagnole pandémie consistait de trois vagues. Le d'abord un commencé dans Mars 1918 dans le NOUS et diffuser pour L'Europe et à le repos de le monde. Alors un plus grave vague, le le plus sévère un commencé dans Août 1918 dans France et diffuser rapidement pour le repos de le monde, comme Bien comme a coïncidé avec le fin de le D'abord Monde Guerre.Alors un troisième un qui était moins grave que le deuxième un, mais plus grave que le initial vague, commencé à le tôt début de 1919 et frapper quelques spécifique des pays comme Australie et Super Bretagne.
Ici toi voir le calendrier de le trois vagues de le Grippe espagnole pandémie survenant dans le NOUS, plus spécifiquement parce que nous ont Perles données depuis le NOUS qui nous regarder dans.Le décès sonner était énorme et la plupart décès s'est produit en fait dans Inde et Chine.
Quoi était spécifique sur le Grippe espagnole pandémie était ce beaucoup jeune en bonne santé adultes décédé comme montré par un O modèle de mortalité les taux, qui est ici montré par le complet noir doubler. Dans contraste pour le tu forme de le normal saisonnier grippe et pneumonie mortalité les taux qui étaient inscrit avant pour le pandémie.
Pour saisonnier grippe et pneumonie, ce tu forme montre ce personnes plus jeune que quatre années de âge et personnes plus ancien que 75 années, ce ces étaient la plupart frapper par saisonnier grippe et pneumonie. Caractéristique de le Grippe espagnole pandémie était ce outre ceux deux âge groupes, aussi le jeune adultes dans le gamme entre 20 et 40 années de âge a obtenu spécifiquement frapper par ce pandémie, finalement premier en haut pour un énorme décès sonner.
Alors plus loin À partir de tout au long de histoire, épidémiologistes et historiens de épidémiologie ont appliqué statistique analyse pour le Grippe espagnole pandémie. Plus spécifiquement, personnes travaillé sur le NOUS comme Bien, à savoir, Marcel et collègues, ils étudié le effet de non- pharmaceutique interventions dans Américain villes comme école fermeture, annulations de public rassemblements.
Mamelund étudié le influence de géographique isolement de spécifique domaines et spécifique Régions dans le NOUS. Argile, Lewis, et Severnini étudié croix- ville variation de 438 NOUS villes, mais aussi autre part autour le monde, donc pas seul dans le NOUS mais aussi dans L'Europe , comme dans Norvège et Espagne.Données à propos le Grippe espagnole pandémie étaient analysé ensemble avec recensement données et donc de suite. Le Grippe espagnole pandémie gardé être intrigant pour beaucoup des chercheurs sur temps.
À propos Perles grippe études maintenant, ici toi voir le d'abord de son grippe étude, le début de il. D'abord, il pourparlers à propos le gravité de le épidémie et en fait ce le décès sonner pour le Uni États était ensemble à à propos 550 000, qui est à propos cinq fois plus que le nombre de personnes OMS en fait décédé pendant le D'abord Monde Guerre. Ainsi, montrant le gravité de ce pandémie et en fait comment mortel il était, comment explosif il était.Ce était spécifiquement quoi perle était intéressé dans examinant et concernant pour autre variables.
Le deuxième de son grippe études regards comme suit, donc le début à moins. C'est un mise à jour de le d'abord de son études parce que il a obtenu quelques critique après d'abord étude par quelques pairs OMS critiqué lui pour pas être précis avec certain variables. Il avait questions avec quoi nous maintenant se référer à pour comme construction validité. Quelques de le données étaient pas vraiment mesure quoi ils étaient censé pour mesure, donc ils étaient pas donc précis et ils pourrait être défini plus approprié, plus précis dans commande ce ils vraiment mesure quoi ils devrait mesure. Il a fait ce. Il abordé le données encore, le variables. Ensemble en haut nouveau définitions de le variables et déplacé avant.
Le données pour le d'abord de son études regards comme suit. Nous ont données depuis perle de 39 Américain villes. Le réponse variable il recherché pour étude était le épidémiologie indice, qui est donné par le symbole je 5 dans son études. Ce était le d'abord réponse variable il recherché pour étude et il recherché pour aussi trouver autre variables comme démographie ce pourrait être prédictif de ce réponse variable.
Maintenant, ce réponse variable était un mesure pour le explosivité de le épidémie dans conditions de épidémie mortalité, donc comment explosif le épidémie était et frappe le divers villes dans le NOUS. Il défini le culminer temps rapport, donc le culminer de le excès mortalité les taux divisé par le culminer date. Dans ce chemin, il recherché pour comparer villes avec un seul très pointu culminer pour villes avec un long aplati courbe de excès mortalité les taux. Il conçu ce épidémiologie indice lui-même.
Il recherché pour relater ce épidémiologie indice pour divers facteurs comme le démographie.D'abord de tous, le population densité pour 1916, et alors le géographique position, qui est un droit doubler distance depuis Boston. Il aussi inclus le âge distribution, chi- carré, qui est un âge Constitution indice montrant le déviation dans le âge distribution de le villes depuis un fixé standard âge distribution. Il aussi étudié le pourcentage population croissance dans le décennie 1900, 1910.
Outre le la démographie, il aussi impliqué le décès les taux pour 1916, donc avant pour le pandémie. D'abord de tous, un n agrégat décès taux depuis tous causes et puis des maladies spécifiques, décès les taux pour spécifique maladies, à savoir pulmonaire tuberculose, BIO cœur maladie, aigu néphrite et de Bright maladie, ou échec de le reins, grippe, pneumonie, typhoïde fièvre, cancer, et rougeole.Là était assez quelques corrélation entre ces décès les taux.
J'ai déjà dit toi un petit bit à propos le réponse variable cette perle développé, à savoir le épidémiologie indice. Ce a fait pas surgir dans juste un seul tentative, mais il commencé en fait depuis je 1. D'abord de un épidémiologie indice ce il plus loin amélioré dans je 2, je 3, je 4, et alors il était content assez pour déplacer le long de et pour travail avec le je 5 épidémie ité indice. Pour distinguer alors villes avec seul, très pointu pics pour ceux avec long, faible plat courbes de épidémie mortalité.
Il mis à jour le variables depuis son d'abord étude et le deuxième étude, et dans ce sens, il aussi mis à jour, il aussi modifié le épidémiologie indice et le nouveau épidémiologie indice. Il référé pour ce un comme je 6. Comme un autre variable de intérêt, il aussi défini pour ce destructivité variable comme contenant excès mortalité les taux. Alors il recherché pour relater ces deux réponses dans son deuxième étude avec le normal décès les taux, qui étaient le moyenne décès les taux sur le trois années, 1915 pour 1917. Alors il aussi apporté dans le démographie. Encore, il modifié le âge Constitution indice basé sur le 1910 recensement données, et il utilisé ce.
Alors aussi il impliqué le sexe rapport de le population de mâles contre femelles. Le population densité de 1910 est utilisé dans le d'abord de son études, resté dans le deuxième étude. Alors plutôt de un géographique position, il utilisé latitude et longitude dans son deuxième étude. Alors dernièrement, il utilisé le pourcentage population croissance dans le décennie 1900, 1910, encore.
Ces étaient Perles données pour qui nous ajoutée quelques supplémentaire recensement données depuis 1910 qui sont donné sur ici. Plutôt de le âge Constitution indice, nous utilisé le partager de le différent âge groupes, et le pur Nombres en fait, parce que nous étaient pas vraiment content avec le chemin perle défini le âge Constitution indice. Il était vraiment assez complexe et pas clair assez donc ce nous pensée pour juste aller à propos et utiliser le 1910 partager âge plutôt de ce âge Constitution indice développé par Perle.
Outre ce, nous regardé dans le nombre de personnes pour un logement, le pourcentage de maisons possédé, le école présence de population, 6 pour 20 années de âge, et le analphabétisme dans le population, dix années de âge et sur, et voir si un de ces facteurs ou quelques de ces facteurs pourrait être prédictif de la arbre réponse variables dans Perles études.
Quoi était Perles analyse tous à propos de? Bien, il a obtenu dans plusieurs corrélation. Il étudié tous le données fabrication utiliser de partiel corrélation coefficients comme Bien comme le normal corrélation coefficients de zéro commande, mais il a fait ce très rigoureusement. Il avait calculé ce tous par main et a fait ce assez Bien en fait et a pris dans compte divers autre facteurs dans ces partiel corrélations par ayant ceux autre variables être constant. Pour le partiel corrélations et le autre corrélations, il aussi calculé probable les erreurs pour trouver dehors si ces corrélation coefficients étaient important ou pas, donc il a fait ce assez Bien.
Maintenant, le analyse ce nous sont en utilisant est le un dans qui nous sont en allant pour en fait sélectionner variables avec un nul facteur et nous sont en allant pour amorcer notre données. Nous sont action donc parce que notre P valeurs pour notre données, qui sont malheureusement pas orthogonal, ils peut devenir fortement biaisé. Depuis nous sont pas vraiment en utilisant bien orthogonal données, le P valeurs peut devenir assez biaisé vers zéro. C'est toujours le danger avec P valeurs pour d'observation données ce sans importance facteurs tous de un soudain devenir important et ce le taper un erreur taux est pas sous contrôle.
Pour résoudre le fait ce le P valeurs sont pas uniformément distribué plus dans le cas de un sans importance variable, pour résoudre ce problème, nous sont en allant pour impliquer un aléatoire variable, un nul facteur, un indépendant normal variable dans le analyse et voir pour quoi étendue il apparaît dans notre procédure de sélection variables.Ce idée est inspiré par ou originaire depuis le JAS papier par Wu, Boos, et Stefanski dans 2007.
Spécifiquement, quoi nous ont fait est, Bien, nous inclus un seul nul facteur dans le variable sélection procédure et effectué 2 500 amorcer répliques pour variable sélection en utilisant JMP. Alors nous calculé le proportion de fois chaque variable entre dans le modèle. variables ce entrer comme souvent ou moins que le nul facteur sont ignorable, et variables ce entrer plus souvent que le nul facteur, Bien, ces sont le ceux ce nous sont en allant pour sélectionner comme être prédictif de le réponse variable.
Dans JMP, nous spécifié deux nouveau Colonnes, et en fait, un formule est nécessaire. C'est le formule pour le amorcer fréquence colonne ce toi voir ici. Le amorcer fréquence colonne est basé sur notre nul facteur, qui est un indépendant normal variable c'est réinitialisé chaque temps pendant le amorcer simulation. Basé sur ce réinitialisation, le fréquence colonne obtient mis à jour donc ce nous ont un 100 % rééchantillonnage de notre taille de l'échantillon de nos données avec le fixé goûter taille comme il est.
Alors pour le variable sélection, quoi sorte de régression aussi serait nous appliquer ce nous pourrait trouver dehors dans le généralisé linéaire modèle plateforme de JMP, parce que prise dans compte le fréquence colonne aussi, si nous faire variance sélection, nous aussi besoin pour faire le distribution détermination à le même temps.Il a pour arriver simultanément. Toi ne peut pas faire il à part basé sur le original données. En fait, le graphique sur le gauche- main côté est un petit bit trompeur parce que ce graphique contient le original données, mais distribution détermination toi devrait en fait faire alors que action le variable sélection lui-même.
En supposant un Poisson distribution, Bien, ce hypothèse était pas rejeté, donc nous pourrait en fait déplacer avant avec le hypothèse de un Poisson distribution, qui est aussi entretenu dans le littérature tout au long de pour mortalité les taux et donc en avant pour analyse. Il était pas vraiment rejeté et il était bien pour supposer tel un Poisson régression pour le analyse.
Alors aussi nous appliqué Poisson régression dans combinaison avec variable sélection pour le épidémiologie indice I6. Cependant, nous commuté pour normal régression ou moins régression pour le troisième réponse variable, le destructivité variable.
Le chemin pour appliquer ce régression dans JMP par moyens de variable sélection est par en utilisant le généralisé régression plateforme où nous alors définir le réponse variable pour analyse et mettre le fréquence colonne dans le fréquence boîte. Alors comme modèle conditions dans le construction modèle effets fenêtre, nous impliquer tous le variables, tous Pois rl variables, ensemble aussi avec notre nul facteur ou indépendant normal variable ce nous aussi inclus.
Alors nous déplacer avant avec le régression procédure par sélection avant sélection estimation méthode. Comme un critère, nous utilisé le Akaike information critère avec le correction pour petit goûter tailles pour décider sur le final modèle pour inclure le final modèle alors pour sélectionner avec le sélection de le variables.
Le solution partie ce toi voir ici est basé sur normalisé données pour mettre eux sur le même des échelles, donc des échelles et centre données et aussi pour talon le effet de multicolinéarité dans le données parce que il y a assez quelques. Alors toi voir encore, le original prédicteurs éclater en haut dans le inférieur sortir. Alors nous sélectionner un modèle avec le le plus bas Akaike information critère.Un après le autre, le variables à venir être choisi par vers l'avant variable sélection basé sur le Akaike information critère. Comme toi peut voir dans ce sortir en fait ici, le nul facteur a obtenu dans le modèle. Le nul facteur complètement sans importance, non informatif, donc a obtenu dans le modèle, qui est pas bien, de cours.
Nous avait pour faire ce estimation méthode, ce variable sélection procédure 2 500 fois, et nous a fait ce dans JMP par droite en cliquant sur le estimation colonne et alors frappe simuler et alors sélection le fréquence colonne comme un colonne pour changer dans et dehors entre le différent amorcer répliques donc ce initialisations de le nul facteur étaient toujours être garanti entre le différent amorcer répliques.Alors enfin, alors on a obtenu le 2 500 modèle sélections dehors de le amorcer simulation.
Alors nous calculé le proportion ce tous de ces variables a obtenu dans le modèle ou étaient donné comme non- zéro estimations. Nous étaient représentée par non- zéro estimations. En particulier, de cours, nous étaient intéressé dans comment beaucoup fois le nul facteur apparu dans le sélection de le des modèles. Ce se tourne dehors pour être 41 % de le fois, qui est assez haut.J ce sont notre nouveau FAUX entrée les taux, en fait. UN très haut pourcentage dans qui le nul facteur a obtenu choisi.
Nous comptabilisé pour quelques supérieur bondir, un supérieur 99,9 % confiance limite aussi ce nous a pris dans compte, et même un petit bit plus haut parfois. Pour être assuré ce le facteurs ce toi voir dans vert ce ils apparu la plupart souvent alors dans le modèle sélection. Comme toi sera voir aussi un autre exemple maintenant aussi, où nous a obtenu lié avec le nul facteur comme Bien. Le facteurs ou le variables dans rouges, ils ont pas a été choisi depuis leur occurrence est inférieur que le occurrence de le nul facteur sur le différent amorcer simulations. Le variables de intérêt ici ce a obtenu choisi et sont prédictif de le épidémiologie indice I5 sont le décès les taux de causes, décès taux depuis BIO cœur maladie, le décès les taux depuis pneumonie, décès taux depuis cancer, décès taux depuis rougeole, et le géographique position.
Maintenant, le décès taux depuis tous causes, c'est un agrégat pour le décès les taux depuis le individuel- spécifique chronique maladies. Nous étaient aussi intéressé pour voir quoi serait arriver si nous étaient pour prendre ce dehors de le analyse. Ce est quoi nous a fait sur le suivant diapositives. Nous a pris il dehors, décès taux tous causes, et alors nous avons un différent image. Le décès taux depuis rougeole et le décès taux depuis cancer tourné dehors pour être sans importance maintenant, alors que décès taux depuis pneumonie a obtenu dans le vert zone, comme Bien comme le décès taux depuis pulmonaire tuberculose. Ces étaient aussi assez très corrélé avec le décès taux de tous causes.Décès taux de tous causes masqué. Ces variables, bien que quelques de le décès les taux sont aussi corrélé parmi chaque autre, donc nous ont pour être minutieux ici. Ce était un nouveau résultat ce nous scie.
Maintenant, finalement, nous répété ces variable sélections plus loin À partir de avec seul le variables dans vert ce toi voir ici sur le filtrer, donc le ceux ce a obtenu choisi pour qui nous ajoutée notre nouveau 1910 recensement données, comme le actions de âge et le analphabétisme et le scolarité et donc de suite.Nous a fait ce avec et sans mort taux ou causes pour enfin alors sélectionner le variables ce étaient commun sortes de global analyse. Tous le différent analyses choisi quelques autre variables toujours, mais toujours là étaient quelques variables qui étaient cadeau tous le temps, et ces sont le ceux ce nous enfin alors contenu dans le modèle, qui est notre final Poisson régression modèle ce nous obtenu dans le fin.
Qui contient décès les taux depuis cœur maladie, BIO cœur maladie, décès les taux depuis tous causes nous gardé récit, comme aussi perle stressé ce comme être assez important. Partager âge, 0 pour 4. École présence de le population, 6 pour 20 années de âge et le géographique position. Ce était notre final régression modèle pour le d'abord réponse, le épidémiologie indice I5, et dessous toi voir le résultats de Perle. Ayant fait un corrélation analyse, il était capable pour identité pulmonaire tuberculose, BIO cœur maladie, et aigu néphrite et de Bright maladie. Outre le décès taux de tous causes ce il jugé assez important, qui était en fait aussi toujours le cas pour notre analyse. Il toujours est venu sur haut de notre analyse. Nous gardé il dans.
Maintenant, perle aussi pointu vers quelques spécifique chronique maladies, mais nous étaient pas capable pour mettre ces sur haut.Nous a fait pas trouver eux pour être de manière stable cadeau. Global, notre analyse, donc nous a fait pas identité eux. Aussi, Perle, en fait, après son d'abord étude, a obtenu critiqué parce que de montrer du doigt vers ces individuel maladies. Alors dans le deuxième de son étude, aussi, il était plus prudent, plus conservateur, et seul pointu vers le décès taux de tous causes et le BIO maladies de le cœur comme le ceux ce sont prédictif pour son modifié indice de le explosivité de le épidémie I6.
Notre final analyse est le un ce toi voir ici montrer du doigt vers aussi décès les taux depuis BIO cœur maladie, décès taux depuis tous causes, le partager de le âge entre zéro et quatre, et le population règle de densité. O avant toujours capable pour voir le population densité à venir en haut haut dans le liste de variables ce s'est produit presque en continu sur le amorcer répliques. Ce aussi tourné dehors pour être un important variable depuis notre analyse.
Avec le destructivité variable, nous a fait pas trouver tous ce beaucoup de variation. Le gamme en fait de valeurs était pas comme grand comme pour le autre deux réponses, le épidémiologie indice . Nous étaient seul capable pour identité un peu variables et spécifiquement le décès les taux à venir depuis le BIO cœur maladie.Alors nous identifié, outre le partager de le le plus jeune personnes entre 0 et 4 années, aussi le partager de personnes variant entre 20 et 40, donc 25 et 44 années de âge. Le en bonne santé personnes en fait avant pour le pandémie, ce était aussi indicatif de excès mortalité les taux sur le différent villes dans le Uni États.
Perles données ensembles, comme nous pourrait voir aussi, nous seul avait très petit données. Là étaient très minuscule 39 observations dans le d'abord étude et dans le deuxième étude seul 34 observations parce que ils modifié quelques de le variables, quelques observations a obtenu perdu. Le données sont aussi d'observation avec assez quelques multicolinéarité impliqué. Le qualité de le données pourrait ont a été mieux. Donc, notre analyse pour bien sûr sont utile, mais ils sont pas magique, comme Bien comme Perles corrélation analyse. Spécifiquement, son d'abord analyse, il était pas prise en charge. Il connaissait après ce personnes a fait pas vraiment soutien son d'abord analyse. De toute façon, comme George Boîte a dit, "Tous des modèles sont faux, quelques sont utile."
Nous étaient capable pour sélectionner satisfaisant des modèles dans un séquentiel manière. D'abord de tous, nous inclus Perles variables et retenu le choisi variables, pour qui alors nous ajoutée nouveau 1910 recensement variables pour enfin sélectionner ceux variables ce sont informatif et chaque temps avec et sans le décès taux depuis tous causes.Alors nous retenu le variables ce sauté en haut dans le vert zone pour être assez prédictif de le réponse ce sauté en haut tous le temps, donc sur tous le analyse ce nous a fait pour alors ont le des modèles ce je présenté. je espoir ce était informatif pour toi pour écouter pour et beaucoup merci.
