Seite 3 von 3

Re: Trenderkennung

Verfasst: Di Okt 10, 2017 5:25 pm
von consuli
So wie ich Deine Daten verstehe, sind Deine Prediktoren Alter und Geschlecht, sowie die Behandlungsjahre.

Möglicher Weise liegen Deine Daten in separaten Dateien vor. Z.B. für jedes Behandlungsjahr eine Datei. Dann musst Du die Dateien erstmal zu einer großen Datei zusammenfassen und das Jahr als neue Spalte (neuen Prediktor) kodieren.

Consuli

Re: Trenderkennung

Verfasst: Mi Okt 11, 2017 2:33 pm
von wkowalski
consuli hat geschrieben: Di Okt 10, 2017 5:25 pm So wie ich Deine Daten verstehe, sind Deine Prediktoren Alter und Geschlecht, sowie die Behandlungsjahre.
Möglicher Weise liegen Deine Daten in separaten Dateien vor. Z.B. für jedes Behandlungsjahr eine Datei. Dann musst Du die Dateien erstmal zu einer großen Datei zusammenfassen und das Jahr als neue Spalte (neuen Prediktor) kodieren.
Meine Daten sehen prinzipiell so aus, dass es für verschiedene Erkrankungen jeweils verschiedene Files für Männer und Frauen gibt.
Innerhalb des FIles sind dann die Behandlungsjahre von 1989-2015 und die einzelnen Altersgruppen von 0-95+ Jahre für das jeweilige Geschlecht (hoffe man versteht was ich meine :D)

Re: Trenderkennung

Verfasst: Do Okt 12, 2017 9:11 pm
von consuli
Ja, dann baust Du die einzelnen Tabellen zu einer großen Tabelle zusammen, sodass Du eine großen Dataframe namens "df "bekommst mit den Spalten

jahr, alter, geschlecht, erkrankungsrate.

Dann generierst Du Dir Altersklassen (dabei solltest Du Dich an dem orientieren was in der Medizin einschlägig ist)
Z.B. Pseudocode

Code: Alles auswählen

df$alterklasse= cut(df$alter, breaks= c(3, 10, 20, 30, 40, 50, 60, 70, 80)
Dann machst Du mixed effect model

Z.B. Pseudocode

Code: Alles auswählen

library(nlme)

mod= lme(erkrankungsrate ~ jahr + geschlecht, data= df,  random= NULL | altersklasse) 
coef(mod)
Mehr ist das doch nicht. ;) :D

Consuli

P.S.: Für das Zusammenbauen zu dem Dataframe sind jogo und EDI die Spezialisten. 8-)