D'accord, accueillir tout le monde à ce présentation dans lequel I volonté parler à propos Pearl's Grippe Études. Perle un biostatisticien, il vécu assez a alors que il y a pendant, spécifiquement, le Grippe espagnole, et il était le d'abord un à analyser le hebdomadaire données que était collecté par le NOUS Bureau de le Recensement à propos le Grippe espagnole, lequel s'est produit dans 1918, 1920, et ce pour le grand Américain villes.
Perle, il était le d'abord à faire donc à analyser le données concernant le Grippe espagnole, et il a écrit deux rapports à propos il, son grippe études un et deux, lequel nous volonté revisiter maintenant pendant ce présentation, et Bien voir comment nous volonté être capable à regarder dans le données, analyser le données en utilisant JMP. Ce est articulation travail avec Chris Gotwalt, OMS contribué à le méthodologique composant, et Guido Erreygers, OMS initié le idée de revisiter Pearl's grippe études.
Le aperçu de ce parler est comme suit. D'abord, Je vais discuter a petit peu le Grippe espagnole, quoi il était tous à propos de. Assez a mortel pandémie à que temps. Alors Je vais introduire Pearl's Grippe Études, et Je vais parler a petit peu à propos le données que Perle utilisé dans son analyse. Nous avoir ajouté quelques recensement données depuis 1910 sur haut de que pour notre analyse, lequel consiste de a variable sélection procédure avec a nul facteur, a aléatoire facteur, un indépendant normale facteur dans notre analyse, et bootstrap simulation depuis le données. Alors Bien être discuter notre résultats et comparer ceux résultats avec Pearl's résultats, et alors Bien conclure.
D'abord de tous, le grippe espagnole pandémie, à cadre que a petit peu, il était un de le le plus meurtrier pandémies dans histoire, comme témoin par ce liste ici montrant le du monde le plus meurtrier pandémies dans au fil du temps. Toi peut voir que le grippe espagnole ici rangs cinquième dans termes de le nombre de décès que il causé. T son liste est à tête par le Noir Décès, lequel tué à propos quatre fois plus personnes que le grippe espagnole a fait. Alors ci-dessous ce liste, toi voir COVID- 19 pandémie apparaissant, lequel nous a obtenu tous exposé à. Il aussi apparaît dans ce liste toujours.
Juste comme avec COVID- 19, rassemblements étaient plus encouragé à arriver dehors, et aussi à le fois déjà de le grippe espagnole pandémie là, que était le cas comme Bien, et même pour cours à arriver en plein air, comme toi peut voir sur ce photo.
Le grippe espagnole pandémie consistait de trois flots. Le d'abord un commencé dans Mars 1918 dans le NOUS et propagé à Europe et à le repos de le monde. Alors a plus grave vague, le le plus sévère un commencé dans Août 1918 dans France et propagé rapidement à le repos de le monde, comme Bien comme coïncidé avec le fin de le D'abord Monde Guerre. Alors a troisième un lequel 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 pays comme Australie et Super La Grande-Bretagne.
Ici toi voir le chronologie de le trois flots de le grippe espagnole pandémie se produisant dans le NOUS, plus spécifiquement parce que nous avoir Pearl's données depuis le NOUS lequel nous regarder dans. Le la mort sonner était gigantesque et la plupart décès s'est produit en fait dans Inde et Chine.
Quoi était spécifique à propos de le grippe espagnole pandémie était que beaucoup jeune en bonne santé adultes décédé comme montré par a W modèle de mortalité taux, lequel est ici montré par le complet noir doubler. Dans contraste à le U forme de le normale saisonnier grippe et pneumonie mortalité tarifs lequel étaient inscrit avant à le pandémie.
Pour saisonnier grippe et pneumonie, ce U forme spectacles que individus plus jeune que quatre années de âge et personnes plus vieux que 75 années, que ces étaient la plupart frapper par saisonnier grippe et pneumonie. Caractéristiques de le grippe espagnole pandémie était que en plus 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 menant en haut à a énorme la mort sonner.
Alors plus loin en avant tout au long de histoire, épidémiologistes et historiens de épidémiologie avoir appliqué statistique analyse à le grippe espagnole pandémie. Plus spécifiquement, personnes travaillé sur le NOUS comme Bien, à savoir, Markel et collègues, ils étudié le effet de non- pharmaceutique interventions dans Américain villes comme école fermeture, annulations de publique rassemblements.
Mamelund étudié le influence de géographique isolement de spécifique zones 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 seulement dans le NOUS mais aussi dans Europe, comme dans Norvège et Espagne. Données à propos le grippe espagnole pandémie étaient analysé ensemble avec recensement données et donc en avant. Le grippe espagnole pandémie gardé être intrigant pour beaucoup chercheurs sur temps.
À propos Pearl's 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 que le la mort sonner pour le Uni États était ensemble à à propos 550 000, lequel 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. Que était spécifiquement quoi Perle était intéressé dans examiner et relatif à autre variables.
Le deuxième de son grippe études apparence 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 problèmes avec quoi nous maintenant référer à comme construction validité. Quelques de le données étaient pas vraiment mesure quoi ils étaient censé à mesure, donc ils étaient pas donc précis et ils pourrait être défini plus approprié, plus précis dans commande que ils vraiment mesure quoi ils devrait mesure. Il a fait que. 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 apparence comme suit. Nous avoir données depuis Perle de 39 Américain villes. Le réponse variable il recherché à étude était le épidémiicité indice, lequel est donné par le symbole I 5 dans son études. Que était le d'abord réponse variable il recherché à étude et il recherché à aussi trouver autre variables comme démographie que pourrait être prédictif de ce réponse variable.
Maintenant, ce réponse variable était a mesure pour le explosivité de le épidémie dans termes 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 tarifs divisé par le culminer date. Dans ce chemin, il recherché à comparer villes avec un célibataire très pointu culminer à villes avec a long aplati courbe de excès mortalité taux. Il conçu ce épidémiicité indice se.
Il recherché à se rapporter ce épidémiicité indice à divers facteurs comme le démographie. D'abord de tous, le population densité pour 1916, et alors le géographique position, lequel est a droit doubler distance depuis Boston. Il aussi compris le âge distribution, dépenser- carré, lequel est un âge constitution indice montrant le déviation dans le âge distribution de le villes depuis a fixé standard âge distribution. Il aussi étudié le pourcentage population croissance dans le décennie 1900, 1910.
En plus le démographie, il aussi impliqué le la mort tarifs pour 1916, donc avant à le pandémie. D'abord de tous, a n agrégat la mort taux depuis tous causes et puis des maladies spécifiques, la mort tarifs pour spécifique maladies, à savoir pulmonaire tuberculose, organique cœur maladie, aigu néphrite et Bright's maladie, ou échec de le rognons, grippe, pneumonie, typhoïde fièvre, cancer, et rougeole. Là était assez quelques corrélation entre ces la mort taux.
Je l'ai déjà dit toi a petit peu à propos le réponse variable cette perle développé, à savoir le épidémiicité indice. Que a fait pas surgir dans juste a célibataire tentative, mais il commencé en fait depuis I 1. D'abord de un épidémiicité indice que il plus loin amélioré dans I 2, I 3, I 4, et alors il était heureux assez à se déplacer le long de et à travail avec le I 5 épidémie ce indice. À distinguer alors villes avec célibataire, très pointu pics à 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 que sens, il aussi mis à jour, il aussi modifié le épidémiicité indice et le nouveau épidémiicité indice. Il référé à que un comme I 6. Comme un autre variable de intérêt, il aussi défini à ce destructivité variable comme contenant excès mortalité taux. Alors il recherché à se rapporter ces deux réponses dans son deuxième étude avec le normale la mort taux, lequel étaient le signifier la mort tarifs sur le trois années, 1915 à 1917. Alors il aussi apporté dans le démographie. Encore, il modifié le âge constitution indice basé sur le 1910 recensement données, et il utilisé que.
Alors aussi il impliqué le sexe rapport de le population de hommes contre femelles. Le population densité de 1910 est utilisé dans le d'abord de son études, est resté dans le deuxième étude. Alors plutôt de a 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 Pearl's données à lequel nous ajouté quelques supplémentaire recensement données depuis 1910 lequel 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 heureux avec le chemin Perle défini le âge constitution indice. Il était vraiment assez complexe et pas clair assez donc que nous pensée à juste aller à propos et utiliser le 1910 partager âge plutôt de ce âge constitution indice développé par Perle.
En plus que, nous regardé dans le nombre de personnes à a logement, le pourcentage de maisons possédé, le école présence de population, 6 à 20 années de âge, et le analphabétisme dans le population, 10 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 Pearl's études.
Quoi était Pearl's analyse tous à propos de? Bien, il a obtenu dans multiple corrélation. Il étudié tous le données fabrication utiliser de partiel corrélation coefficients comme Bien comme le normale corrélation coefficients de zéro commande, mais il a fait que 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 constante. Pour le partiel corrélations et le autre corrélations, il aussi calculé probable erreurs à trouver dehors si ces corrélation coefficients étaient significatif ou pas, donc il a fait ce assez Bien.
Maintenant, le analyse que nous sont en utilisant est le un dans lequel nous sont en allant à en fait sélectionner variables avec a nul facteur et nous sont en allant à bootstrap notre données. Nous sont faire donc parce que notre P valeurs pour notre données, lequel 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 observationnel données que sans importance facteurs tous de a soudain devenir important et que le taper un erreur taux est pas sous contrôle.
À résoudre le fait que le P valeurs sont pas uniformément distribué plus dans le cas de un sans importance variable, à résoudre que problème, nous sont en allant à impliquer a aléatoire variable, a nul facteur, un indépendant normale variable dans le analyse et voir à quoi étendue il apparaît dans notre procédure de sélection variables. Ce idée est inspiré par ou originaire depuis le SERVICE papier par Wu, Huées, et Stefanski dans 2007.
Spécifiquement, quoi nous avoir fait est, Bien, nous compris a célibataire nul facteur dans le variable sélection procédure et effectué 2 500 bootstrap répliques pour variable sélection en utilisant JMP. Alors nous calculé le proportion de fois chaque variable entre le modèle. Variables que entrer comme souvent ou moins que le nul facteur sont ignorable, et variables que entrer plus souvent que le nul facteur, Bien, ces sont le ceux que nous sont en allant à 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 bootstrap fréquence colonne que toi voir ici. Le bootstrap fréquence colonne est basé sur notre nul facteur, lequel est un indépendant normale variable c'est réinitialisé chaque temps pendant le bootstrap simulation. Basé sur ce réinitialisation, le fréquence colonne obtient mis à jour donc que nous avoir a 100 % rééchantillonnage de notre taille de l'échantillon de nos données avec le fixé échantillon taille comme il est.
Alors pour le variable sélection, quoi sorte de régression aussi serait nous appliquer que nous pourrait trouver dehors dans le généralisé linéaire modèle plate-forme de JMP, parce que prise dans compte le fréquence colonne aussi, si nous faire variance sélection, nous aussi besoin à faire le distribution détermination à le même temps. Il a à 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 a petit peu trompeur parce que que graphique contient le original données, mais distribution détermination toi devrait en fait faire alors que faire le variable sélection elle-même.
Supposant a Poisson distribution, Bien, que hypothèse était pas rejeté, donc nous pourrait en fait se déplacer avant avec le hypothèse de a Poisson distribution, lequel est aussi maintenu dans le littérature tout au long de pour mortalité tarifs et donc en avant pour analyse. Il était pas vraiment rejeté et il était bien à supposer tel a Poisson régression pour le analyse.
Alors aussi nous appliqué Poisson régression dans combinaison avec variable sélection pour le épidémiicité indice Je6. Cependant, nous commuté à normale régression ou moins régression pour le troisième réponse variable, le destructivité variable.
Le chemin à appliquer ce régression dans JMP par moyens de variable sélection est par en utilisant le généralisé régression plate-forme où nous alors définir le réponse variable pour analyse et mettre le fréquence colonne dans le fréquence boîte. Alors comme modèle termes dans le construction modèle effets fenêtre, nous impliquer tous le variables, tous Peut être rl variables, ensemble aussi avec notre nul facteur ou indépendant normale variable que nous aussi compris.
Alors nous se déplacer avant avec le régression procédure par sélection avant sélection estimation méthode. Comme a critère, nous utilisé le Akaiké information critères avec le correction pour petit échantillon tailles à décider sur le final modèle à inclure le final modèle alors à sélectionner avec le sélection de le variables.
Le solution partie que toi voir ici est basé sur normalisé données à mettre eux sur le même des écailles, donc des écailles et centre données et aussi à diminuer 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 a modèle avec le le plus bas Akaiké information critères. Un après le autre, le variables à venir être choisi par attaquants variable sélection basé sur le Akaiké information critères. Comme toi peut voir dans ce sortir en fait ici, le nul facteur a obtenu dans le modèle. Le nul facteur complètement sans importance, peu informatif, donc a obtenu dans le modèle, lequel est pas bien, de cours.
Nous avait à 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 a colonne à changer dans et dehors entre le différent bootstrap répliques donc que initialisations de le nul facteur étaient toujours être garanti entre le différent bootstrap répliques. Alors enfin, alors nous a obtenu le 2 500 modèle sélections dehors de le bootstrap simulation.
Alors nous calculé le proportion que tous de ces variables a obtenu dans le modèle ou étaient donné comme non- zéro estimations. Nous étaient représenté par non- zéro estimations. En particulier, de cours, nous étaient intéressé dans comment beaucoup fois le nul facteur apparu dans le sélection de le modèles. Ce tours dehors à être 41 % de le fois, lequel est assez haut ce sont notre nouveau FAUX entrée taux, en fait. A très haut pourcentage dans lequel le nul facteur a obtenu choisi.
Nous comptabilisé pour quelques supérieur lié, un supérieur 99,9 % confiance limite aussi que nous a pris dans compte, et même a petit peu plus haut parfois. À être assuré que le facteurs que toi voir dans vert que ils apparu la plupart souvent alors dans le modèle sélection. Comme toi volonté 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 avoir pas a été choisi depuis leur occurrence est inférieur que le occurrence de le nul facteur sur le différent bootstrap simulations. Le variables de intérêt ici que a obtenu choisi et sont prédictif de le épidémiicité indice I5 sont le la mort tarifs de causes, la mort taux depuis organique cœur maladie, le la mort tarifs depuis pneumonie, la mort taux depuis cancer, la mort taux depuis rougeole, et le géographique position.
Maintenant, le la mort taux depuis tous causes, c'est un agrégat pour le la mort tarifs depuis le individuel- spécifique chronique maladies. Nous étaient aussi intéressé à voir quoi serait arriver si nous étaient à prendre ce dehors de le analyse. Ce est quoi nous a fait sur le suivant diapositives. Nous a pris il dehors, la mort taux tous causes, et alors nous avons eu a différent image. Le la mort taux depuis rougeole et le la mort taux depuis cancer tourné dehors à être sans importance maintenant, alors que la mort taux depuis pneumonie a obtenu dans le vert zone, comme Bien comme le la mort taux depuis pulmonaire tuberculose. Ces étaient aussi assez très corrélé avec le la mort taux de tous causes. La mort taux de tous causes masqué. Ces variables, bien que quelques de le la mort tarifs sont aussi corrélé parmi chaque autre, donc nous avoir à être prudent ici. Que était a nouveau résultat que nous scie.
Maintenant, finalement, nous répété ces variable sélections plus loin en avant avec seulement le variables dans vert que toi voir ici sur le écran, donc le ceux que a obtenu choisi à lequel nous ajouté notre nouveau 1910 recensement données, comme le actions de âge et le analphabétisme et le scolarité et donc en avant. Nous a fait ce avec et sans mort taux ou causes à enfin alors sélectionner le variables que étaient commun types de dans l'ensemble analyse. Tous le différent analyses choisi quelques autre variables toujours, mais toujours là étaient quelques variables lequel étaient présent tous le temps, et ces sont le ceux que nous enfin alors contenu dans le modèle, lequel est notre final Poisson régression modèle que nous obtenu dans le fin.
Lequel contient la mort tarifs depuis cœur maladie, organique cœur maladie, la mort tarifs depuis tous causes nous gardé révélateur, comme aussi Perle stressé que comme être assez important. Partager âge, 0 à 4. École présence de le population, 6 à 20 années de âge et le géographique position. Que était notre final régression modèle pour le d'abord réponse, le épidémiicité indice I5, et ci-dessous toi voir le résultats de Perle. Ayant fait a corrélation analyse, il était capable à identifier pulmonaire tuberculose, organique cœur maladie, et aigu néphrite et Bright's maladie. En plus le la mort taux de tous causes que il jugé assez important, lequel 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 à mettre ces sur haut. Nous a fait pas trouver eux à être de manière stable présent. Dans l'ensemble, notre analyse, donc nous a fait pas identifier eux. Aussi, Perle, en fait, après son d'abord étude, a obtenu critiqué parce que de pointant vers ces individuel maladies. Alors dans le deuxième de son étude, aussi, il était plus prudent, plus conservateur, et seulement pointu vers le la mort taux de tous causes et le organique maladies de le cœur comme le ceux que sont prédictif pour son modifié indice de le explosivité de le épidémie Je6.
Notre final analyse est le un que toi voir ici pointant vers aussi la mort tarifs depuis organique cœur maladie, la mort taux depuis tous causes, le partager de le âge entre zéro et quatre, et le population règle de densité. W avant toujours capable à voir le population densité à venir en haut haut dans le liste de variables que s'est produit presque en continu sur le bootstrap répliques. Que aussi tourné dehors à être un important variable depuis notre analyse.
Avec le destructivité variable, nous a fait pas trouver tous que beaucoup de variation. Le gamme en fait de valeurs était pas comme grand comme pour le autre deux réponses, le épidémiicité indice . Nous étaient seulement capable à identifier a peu variables et spécifiquement le la mort tarifs à venir depuis le organique cœur maladie. Alors nous identifié, en plus le partager de le le plus jeune personnes entre 0 et 4 ans, aussi le partager de personnes allant entre 20 et 40, donc 25 et 44 années de âge. Le en bonne santé personnes en fait avant à le pandémie, que était aussi indicatif de excès mortalité tarifs sur le différent villes dans le Uni États.
Pearl's données ensembles, comme nous pourrait voir aussi, nous seulement avait très petit données. Là étaient très minuscule 39 observations dans le d'abord étude et dans le deuxième étude seulement 34 observations parce que ils modifié quelques de le variables, quelques observations a obtenu perdu. Le données sont aussi observationnel avec assez quelques multicolinéarité impliqué. Le qualité de le données pourrait avoir a été mieux. Donc, notre analyse pour bien sûr sont utile, mais ils sont pas magique, comme Bien comme Pearl's corrélation analyse. Spécifiquement, son d'abord analyse, il était pas soutenu. Il savait après que personnes a fait pas vraiment soutien son d'abord analyse. De toute façon, comme George Boîte dit, "Tous modèles sont faux, quelques sont utile."
Nous étaient capable à sélectionner satisfaisant modèles dans a séquentiel manière. D'abord de tous, nous compris Pearl's variables et retenu le choisi variables, à lequel alors nous ajouté nouveau 1910 recensement variables à enfin sélectionner ceux variables que sont informatif et chaque temps avec et sans le la mort taux depuis tous causes. Alors nous retenu le variables que a éclaté en haut dans le vert zone à être assez prédictif de le réponse que a éclaté en haut tous le le temps, donc sur tous le analyse que nous a fait à alors avoir le modèles que I présenté. I espoir ce était informatif pour toi à écouter à et beaucoup merci.
