Bueno, bienvenido todos a este presentación en cual I voluntad hablar acerca de De perla Influenza Estudios. Perla un bioestadístico, él vivido bastante a mientras atrás durante, específicamente, el Gripe española, y él era el primero uno a analizar el semanalmente datos eso era coleccionado por el A NOSOTROS Oficina de el Censo acerca de el Gripe española, cual ocurrió en 1918, 1920, y este para el grande Americano ciudades.
Perla, él era el primero a hacer entonces a analizar el datos acerca de el Gripe española, y él escribió dos informes acerca de él, su influenza estudios uno y dos, cual nosotros voluntad volver a visitar ahora durante este presentación, y Bueno ver cómo nosotros voluntad ser capaz a mirar en el datos, analizar el datos usando JMP. Este es articulación trabajar con Chris Gotwalt, OMS contribuido a el metodológico componente, y Guido Erreygers, OMS iniciado el idea de revisando De perla influenza estudios.
El descripción general de este hablar es como Sigue. Primero, Enfermo conversar a pequeño poco el Gripe española, qué él era todo acerca de. Bastante a mortal pandemia en eso tiempo. Entonces Enfermo introducir De perla Influenza Estudios, y Enfermo hablar a pequeño poco acerca de el datos eso Perla usado en su análisis. Nosotros tener agregado alguno censo datos de 1910 en arriba de eso para nuestro análisis, cual consiste de a variable selección procedimiento con a nulo factor, a aleatorio factor, un independiente normal factor en nuestro análisis, y oreja simulación de el datos. Entonces Bueno ser que se discute nuestro resultados y comparar aquellos resultados con De perla resultados, y entonces Bueno concluir.
Primero de todo, el Gripe española pandemia, a marco eso a pequeño poco, él era uno de el más mortal pandemias en historia, como presenciado por este lista aquí demostración el del mundo más mortal pandemias en con el tiempo. Tú poder ver eso el Gripe española aquí rangos quinto en términos de el número de fallecidos eso él causado. T su lista es con membrete por el Negro Fallecidos, cual delicado acerca de cuatro veces más gente que el Gripe española hizo. Entonces abajo este lista, tú ver COVID-19- 19 pandemia apareciendo, cual nosotros consiguió todo expuesto a. Él también aparece en este lista aún.
Justo como con COVID-19- 19, reuniones eran más motivado a suceder afuera, y también en el veces ya de el Gripe española pandemia allá, eso era el caso como Bueno, y incluso para clases a suceder al aire libre, como tú poder ver en este foto.
El Gripe española pandemia consistía de tres ondas. El primero uno comenzó en Marzo 1918 en el A NOSOTROS y desparramar a Europa y a el descansar de el mundo. Entonces a más severo ola, el más severo uno comenzó en Agosto 1918 en Francia y desparramar rápidamente a el descansar de el mundo, como Bueno como coincidió con el fin de el Primero Mundo Guerra. Entonces a tercero uno cual era menos severo que el segundo uno, pero más severo que el inicial ola, comenzó en el temprano comienzo de 1919 y golpear alguno específico países como Australia y Excelente Gran Bretaña.
Aquí tú ver el línea de tiempo de el tres ondas de el Gripe española pandemia ocurriendo en el A NOSOTROS, más específicamente porque nosotros tener De perla datos de el A NOSOTROS cual nosotros mirar en. El muerte peaje era enorme y mayoría fallecidos ocurrió de hecho en India y Porcelana.
Qué era específico sobre el Gripe española pandemia era eso muchos joven saludable adultos fallecido como mostrado por a W patrón de mortalidad tarifas, cual es aquí mostrado por el lleno negro línea. En contraste a el U forma de el normal estacional influenza y neumonía mortalidad tarifas cual eran registrado previo a el pandemia.
Para estacional influenza y neumonía, este U forma espectáculos eso individuos más joven que cuatro años de edad y gente más viejo que 75 años, eso estos eran mayoría golpear por estacional influenza y neumonía. Característica de el Gripe española pandemia era eso además aquellos dos edad grupos, también el joven adultos en el rango entre 20 y 40 años de edad consiguió específicamente golpear por este pandemia, eventualmente principal arriba a a enorme muerte peaje.
Entonces más adelante a lo largo de historia, epidemiólogos y historiadores de epidemiología tener aplicado estadístico análisis a el Gripe española pandemia. Más específicamente, gente trabajó en el A NOSOTROS como Bueno, a saber, Markel y colegas, ellos estudió el efecto de no- farmacéutico intervenciones en Americano ciudades como escuela cierre, cancelaciones de público reuniones.
Mamelund estudió el influencia de geográfico aislamiento de específico áreas y específico regiones en el A NOSOTROS. Arcilla, Ametralladora, y Severnini estudió cruz- ciudad variación de 438 A NOSOTROS ciudades, pero también en otra parte alrededor el mundo, entonces no solo en el A NOSOTROS pero también en Europa, como en Noruega y España. Datos acerca de el Gripe española pandemia fueron analizado juntos con censo datos y entonces adelante. El Gripe española pandemia se mantuvo intrigante para muchos investigadores encima tiempo.
Acerca de De perla influenza estudios ahora, aquí tú ver el primero de su influenza estudiar, el comienzo de él. Primero, él negociaciones acerca de el gravedad de el brote y de hecho eso el muerte peaje para el Unido Estados era colocar en acerca de 550.000, cual es acerca de cinco veces más que el número de gente OMS de hecho fallecido durante el Primero Mundo Guerra. Por eso, demostración el gravedad de este pandemia y de hecho cómo mortal él era, cómo explosivo él era. Eso era específicamente qué Perla era interesado en examinando y relativo a otro variables.
El segundo de su influenza estudios aspecto como sigue, entonces el comienzo en el menos. Eso es un actualizar de el primero de su estudios porque él consiguió alguno crítica después primero estudiar por alguno colegas OMS criticado a él para no ser preciso con cierto variables. Él tenía asuntos con qué nosotros ahora referirse a como construir validez. Alguno de el datos eran no en realidad medición qué ellos eran supuesto a medida, entonces ellos eran no entonces preciso y ellos podría ser definido más adecuado, más preciso en orden eso ellos en realidad medida qué ellos debería medida. Él hizo eso. Él abordado el datos de nuevo, el variables. Colocar arriba nuevo definiciones de el variables y emocionado adelante.
El datos para el primero de su estudios aspecto como Sigue. Nosotros tener datos de Perla de 39 Americano ciudades. El respuesta variable él buscado a estudiar era el epidemia índice, cual es dado por el símbolo I 5 en su estudios. Eso era el primero respuesta variable él buscado a estudiar y él buscado a también encontrar otro variables como demografía eso podría ser profético de este respuesta variable.
Ahora, este respuesta variable era a medida para el explosividad de el brote en términos de epidemia mortalidad, entonces cómo explosivo el brote era y golpeando el varios ciudades en el A NOSOTROS. Él definido el cima tiempo relación, entonces el cima de el exceso mortalidad tarifas dividido por el cima fecha. En este forma, él buscado a comparar ciudades con uno soltero muy afilado cima a ciudades con a largo aplanado curva de exceso mortalidad tarifas. Él ideado este epidemia índice sí mismo.
Él buscado a relatar este epidemia índice a varios factores como el demografía. Primero de todo, el población densidad para 1916, y entonces el geográfico posición, cual es a derecho línea distancia de Bostón. Él también incluido el edad distribución, gastar- cuadrado, cual es un edad constitución índice demostración el desviación en el edad distribución de el ciudades de a fijado estándar edad distribución. Él también estudió el porcentaje población crecimiento en el década 1900, 1910.
Además el demografía, él también involucrado el muerte tarifas para 1916, entonces previo a el pandemia. Primero de todo, a n agregar muerte tasa de todo causas y luego enfermedades específicas, muerte tarifas para específico enfermedades, a saber pulmonar tuberculosis, orgánico corazón enfermedad, agudo nefritis y De Bright enfermedad, o falla de el riñones, influenza, neumonía, tifoidea fiebre, cáncer, y sarampión. Allá era bastante alguno correlación entre estos muerte tarifas.
yo ya dijo tú a pequeño poco acerca de el respuesta variable Esa perla desarrollado, a saber el epidemia índice. Eso hizo no surgir en justo a soltero intentar, pero él comenzó de hecho de I 1. Primero de un epidemia índice eso él más mejorado en I 2, I 3, I 4, y entonces él era feliz suficiente a mover a lo largo de y a trabajar con el I 5 epidemia este índice. A distinguir entonces ciudades con soltero, muy afilado picos a aquellos con largo, bajo departamento curvas de epidemia mortalidad.
Él actualizado el variables de su primero estudiar y el segundo estudiar, y en eso sentido, él también actualizado, él también modificado el epidemia índice y el nuevo epidemia índice. Él referido a eso uno como I 6. Como otro variable de interés, él también definido a este destructividad variable como que contiene exceso mortalidad tarifas. Entonces él buscado a relatar estos dos respuestas en su segundo estudiar con el normal muerte tarifas, cual eran el significar muerte tarifas encima el tres años, 1915 a 1917. Entonces él también trajo en el demografía. De nuevo, él modificado el edad constitución índice basado en el 1910 censo datos, y él usado eso.
Entonces también él involucrado el sexo relación de el población de hombres versus hembras. El población densidad de 1910 es usado en el primero de su estudios, permaneció en el segundo estudiar. Entonces en cambio de a geográfico posición, él usado latitud y longitud en su segundo estudiar. Entonces por último, él usado el porcentaje población crecimiento en el década 1900, 1910, de nuevo.
Estos eran De perla datos a cual nosotros agregado alguno adicional censo datos de 1910 cual son dado encima aquí. En cambio de el edad constitución índice, nosotros usado el compartir de el diferente edad grupos, y el puro números de hecho, porque nosotros eran no en realidad feliz con el forma Perla definido el edad constitución índice. Él era en realidad bastante complejo y no claro suficiente entonces eso nosotros pensamiento a justo ir acerca de y usar el 1910 compartir siglos en cambio de este edad constitución índice desarrollado por Perla.
Además eso, nosotros miró en el número de personas a a vivienda, el porcentaje de casas propiedad, el escuela asistencia de población, 6 a 20 años de edad, y el analfabetismo en el población, 10 años de edad y encima, y ver si uno de estos factores o alguno de estos factores podría ser profético del árbol respuesta variables en De perla estudios.
Qué era De perla análisis todo ¿acerca de? Bien, él consiguió en múltiple correlación. Él estudió todo el datos haciendo usar de parcial correlación coeficientes como Bueno como el normal correlación coeficientes de cero orden, pero él hizo eso muy rigurosamente. Él tenía calculado este todo por mano y hizo este bastante Bueno de hecho y tomó en cuenta varios otro factores en estos parcial correlaciones por teniendo aquellos otro variables ser constante. Para el parcial correlaciones y el otro correlaciones, él también calculado probable errores a encontrar afuera si estos correlación coeficientes eran significativo o no, entonces él hizo este bastante Bueno.
Ahora, el análisis eso nosotros son usando es el uno en cual nosotros son yendo a de hecho seleccionar variables con a nulo factor y nosotros son yendo a oreja nuestro datos. Nosotros son haciendo entonces porque nuestro P valores para nuestro datos, cual son desafortunadamente no ortogonal, ellos poder convertirse fuertemente sesgado. Desde nosotros son no en realidad usando bien ortogonal datos, el P valores poder convertirse bastante sesgado hacia cero. Es siempre el peligro con P valores para de observación datos eso sin importancia factores todo de a repentino convertirse importante y eso el tipo uno error tasa es no bajo control.
A resolver el hecho eso el P valores son no uniformemente repartido ya no en el caso de un sin importancia variable, a resolver eso asunto, nosotros son yendo a involucrar a aleatorio variable, a nulo factor, un independiente normal variable en el análisis y ver a qué medida él aparece en nuestro procedimiento de seleccionando variables. Este idea es inspirado por o se originó de el SERVICIO papel por Wu, Abucheos, y Stefanski en 2007.
Específicamente, qué nosotros tener hecho es, Bueno, nosotros incluido a soltero nulo factor en el variable selección procedimiento y realizado 2.500 oreja se replica para variable selección usando JMP. Entonces nosotros calculado el proporción de veces cada variable entra el modelo. Variables eso ingresar como a menudo o menos que el nulo factor son ignorable, y variables eso ingresar más a menudo que el nulo factor, Bueno, estos son el unos eso nosotros son yendo a seleccionar como ser profético de el respuesta variable.
En JMP, nosotros especificado dos nuevo columnas, y de hecho, uno fórmula es necesario. Eso es el fórmula para el oreja frecuencia columna eso tú ver aquí. El oreja frecuencia columna es basado en nuestro nulo factor, cual es un independiente normal variable eso es reinicializado cada tiempo durante el oreja simulación. Basado en este reinicialización, el frecuencia columna obtiene actualizado entonces eso nosotros tener a 100 % remuestreo de nuestro tamaño de la muestra de nuestros datos con el fijado muestra tamaño como él es.
Entonces para el variable selección, qué tipo de regresión también quería nosotros aplicar eso nosotros podría encontrar afuera en el generalizado lineal modelo plataforma de JMP, porque tomando en cuenta el frecuencia columna también, si nosotros hacer diferencia selección, nosotros también necesidad a hacer el distribución determinación en el mismo tiempo. Él tiene a suceder simultáneamente. Tú no poder hacer él aparte basado en el original datos. De hecho, el gráfico en el izquierda- mano lado es a pequeño poco engañoso porque eso gráfico contiene el original datos, pero distribución determinación tú debería de hecho hacer mientras haciendo el variable selección sí mismo.
Arrogante a Pescado distribución, Bueno, eso suposición era no rechazado, entonces nosotros podría de hecho mover adelante con el suposición de a Pescado distribución, cual es también mantenido en el literatura a lo largo de para mortalidad tarifas y entonces adelante para análisis. Él era no en realidad rechazado y él era bien a asumir semejante a Pescado regresión para el análisis.
Entonces también nosotros aplicado Pescado regresión en combinación con variable selección para el epidemia índice Yo 6. Sin embargo, nosotros cambiado a normal regresión o menos regresión para el tercero respuesta variable, el destructividad variable.
El forma a aplicar este regresión en JMP por medio de variable selección es por usando el generalizado regresión plataforma dónde nosotros entonces definir el respuesta variable para análisis y poner el frecuencia columna en el frecuencia caja. Entonces como modelo términos en el construir modelo efectos ventana, nosotros involucrar todo el variables, todo Tal vez de rl variables, juntos también con nuestro nulo factor o independiente normal variable eso nosotros también incluido.
Entonces nosotros mover adelante con el regresión procedimiento por seleccionando adelante selección estimación método. Como a criterio, nosotros usado el akaike información criterios con el corrección para pequeño muestra tamaños a decidir al el final modelo a incluir el final modelo entonces a seleccionar con el selección de el variables.
El solución parte eso tú ver aquí es basado en normalizado datos a poner a ellos en el mismo escalas, entonces escalas y centro datos y también a disminuir el efecto de multicolinealidad en el datos porque Hay bastante alguno. Entonces tú ver de nuevo, el original predictores haciendo estallar arriba en el más bajo producción. Entonces nosotros seleccionar a modelo con el más bajo akaike información criterios. Uno después el otro, el variables próximo ser seleccionado por hacia adelante variable selección basado en el akaike información criterios. Como tú poder ver en este producción de hecho aquí, el nulo factor consiguió en el modelo. El nulo factor completamente sin importancia, poco informativo, entonces consiguió en el modelo, cual es no bien, de curso.
Nosotros tenía a hacer este estimación método, este variable selección procedimiento 2.500 veces, y nosotros hizo este en JMP por bien haciendo clic en el estimar columna y entonces golpeando simular y entonces seleccionando el frecuencia columna como a columna a cambiar en y afuera entre el diferente oreja se replica entonces eso inicializaciones de el nulo factor eran siempre ser garantizado entre el diferente oreja se replica. Entonces finalmente, Así que nosotros consiguió el 2.500 modelo trozos escogidos afuera de el oreja simulación.
Entonces nosotros calculado el proporción eso todo de estos variables consiguió en el modelo o eran dado como no- cero Estimaciones. Nosotros eran representado por no- cero Estimaciones. Especialmente, de curso, nosotros eran interesado en cómo muchos veces el nulo factor apareció en el selección de el modelos. Este vueltas afuera a ser 41 % de el veces, cual es bastante alto. T Estos son nuestro nuevo FALSO entrada tarifas, de hecho. A muy alto porcentaje en cual el nulo factor consiguió seleccionado.
Nosotros contabilizado para alguno superior atado, un superior 99.9 % confianza límite también eso nosotros tomó en cuenta, y incluso a pequeño poco más alto a veces. A ser seguro eso el factores eso tú ver en verde eso ellos apareció mayoría a menudo entonces en el modelo selección. Como tú voluntad ver también otro ejemplo ahora también, dónde nosotros consiguió atado con el nulo factor como Bueno. El factores o el variables en rojos, ellos tener no estado seleccionado desde su aparición es más bajo que el aparición de el nulo factor encima el diferente oreja simulaciones. El variables de interés aquí eso consiguió seleccionado y son profético de el epidemia índice I5 son el muerte tarifas de causas, muerte tasa de orgánico corazón enfermedad, el muerte tarifas de neumonía, muerte tasa de cáncer, muerte tasa de sarampión, y el geográfico posición.
Ahora, el muerte tasa de todo causas, eso es un agregar para el muerte tarifas de el individual- específico crónico enfermedades. Nosotros eran también interesado a ver qué quería suceder si nosotros eran a llevar este afuera de el análisis. Este es qué nosotros hizo en el siguiente diapositivas. Nosotros tomó él afuera, muerte tasa todo causas, y entonces lo conseguimos a diferente imagen. El muerte tasa de sarampión y el muerte tasa de cáncer transformado afuera a ser sin importancia ahora, mientras muerte tasa de neumonía consiguió en el verde zona, como Bueno como el muerte tasa de pulmonar tuberculosis. Estos eran también bastante muy correlacionado con el muerte tasa de todo causas. Muerte tasa de todo causas enmascarado. Estos variables, a pesar de alguno de el muerte tarifas son también correlacionado entre cada otro, entonces nosotros tener a ser cuidadoso aquí. Eso era a nuevo resultado eso nosotros sierra.
Ahora, eventualmente, nosotros repetido estos variable trozos escogidos más adelante con solo el variables en verde eso tú ver aquí en el pantalla, entonces el unos eso consiguió seleccionado a cual nosotros agregado nuestro nuevo 1910 censo datos, como el acciones de siglos y el analfabetismo y el enseñanza y entonces adelante. Nosotros hizo este con y sin muerto tasa o causas a finalmente entonces seleccionar el variables eso eran común tipos de en general análisis. Todo el diferente análisis seleccionado alguno otro variables aún, pero aún allá eran alguno variables cual eran presente todo el tiempo, y estos son el unos eso nosotros finalmente entonces contenido en el modelo, cual es nuestro final Pescado regresión modelo eso nosotros obtenido en el fin.
Cual contiene muerte tarifas de corazón enfermedad, orgánico corazón enfermedad, muerte tarifas de todo causas nosotros conservó narración, como también Perla estresado eso como ser bastante importante. Compartir siglos, 0 a 4. Escuela asistencia de el población, 6 a 20 años de edad y el geográfico posición. Eso era nuestro final regresión modelo para el primero respuesta, el epidemia índice I5, y abajo tú ver el resultados de Perla. Teniendo hecho a correlación análisis, él era capaz a identificar pulmonar tuberculosis, orgánico corazón enfermedad, y agudo nefritis y De Bright enfermedad. Además el muerte tasa de todo causas eso él considerado bastante importante, cual era de hecho también siempre el caso para nuestro análisis. Él siempre vino en arriba de nuestro análisis. Nosotros conservó él en.
Ahora, Perla también puntiagudo hacia alguno específico crónico enfermedades, pero nosotros eran no capaz a poner estos en arriba. Nosotros hizo no encontrar a ellos a ser establemente presente. En general, nuestro análisis, entonces nosotros hizo no identificar a ellos. También, Perla, de hecho, después su primero estudiar, consiguió criticado porque de señalando hacia estos individual enfermedades. Entonces en el segundo de su estudiar, también, él era más prudente, más conservador, y solo puntiagudo hacia el muerte tasa de todo causas y el orgánico enfermedades de el corazón como el unos eso son profético para su modificado índice de el explosividad de el brote Yo 6.
Nuestro final análisis es el uno eso tú ver aquí señalando hacia también muerte tarifas de orgánico corazón enfermedad, muerte tasa de todo causas, el compartir de el siglos entre cero y cuatro, y el población regla de densidad. W antes de siempre capaz a ver el población densidad próximo arriba alto en el lista de variables eso ocurrió casi continuamente encima el oreja se replica. Eso también transformado afuera a ser un importante variable de nuestro análisis.
Con el destructividad variable, nosotros hizo no encontrar todo eso mucho de variación. El rango de hecho de valores era no como grande como para el otro dos respuestas, el epidemia índice . Nosotros eran solo capaz a identificar a pocos variables y específicamente el muerte tarifas próximo de el orgánico corazón enfermedad. Entonces nosotros identificado, además el compartir de el el más joven gente entre 0 y 4 años, también el compartir de gente que van entre 20 y 40, entonces 25 y 44 años de edad. El saludable gente de hecho previo a el pandemia, eso era también indicativo de exceso mortalidad tarifas encima el diferente ciudades en el Unido Estados.
De perla datos conjuntos, como nosotros podría ver también, nosotros solo tenía muy pequeño datos. Allá eran muy diminuto 39 observaciones en el primero estudiar y en el segundo estudiar solo 34 observaciones porque ellos modificado alguno de el variables, alguno observaciones consiguió perdido. El datos son también de observación con bastante alguno multicolinealidad involucrado. El calidad de el datos podría tener estado mejor. Por lo tanto, nuestro análisis para seguro son útil, pero ellos son no mágico, como Bueno como De perla correlación análisis. Específicamente, su primero análisis, él era no apoyado. Él sabía después eso gente hizo no en realidad apoyo su primero análisis. De todos modos, como Jorge Caja dicho, "Todo modelos son equivocado, alguno son útil."
Nosotros eran capaz a seleccionar satisfactorio modelos en a secuencial manera. Primero de todo, nosotros incluido De perla variables y retenido el seleccionado variables, a cual entonces nosotros agregado nuevo 1910 censo variables a finalmente seleccionar aquellos variables eso son informativo y cada tiempo con y sin el muerte tasa de todo causas. Entonces nosotros retenido el variables eso estalló arriba en el verde zona a ser bastante profético de el respuesta eso estalló arriba todo el tiempo, entonces encima todo el análisis eso nosotros hizo a entonces tener el modelos eso I presentado. I esperanza este era informativo para tú a escuchar a y muchos gracias.
