역학의 기초

수면의 양과 이후의 평점 사이에는 연관성이 없습니다.

이것은 코호트 연구의 위험 비율이므로 시간 프레임을 포함해야합니다. 다만 혼동하기에 관해서는,우리는 이것을 조정되지 않는 조잡한 루트로 가리킨다.

그러나 학생들과 이야기하는 것에서 우리는 성별이 중요한 공변수인지 아닌지 궁금해합니다. 혼란과 마찬가지로,우리는 효과 수정을 확인하기 위해 계층화 된 분석을 수행 할 것입니다. 다시 말하지만,우리는 동일한 노출(수면)과 결과(평점)를 가진 2 개의 2 개의 테이블을 그리지 만 남성과 여성을위한 별도의 테이블을 그립니다(성별은 공변량 임). 우리는 원시 데이터를 되돌아보고 위의 세포에있는 25 명 중 얼마나 많은 사람들이 남성이고 얼마나 많은 사람들이 여성인지 파악하여이를 수행합니다. <8 시간을보고하고 평점<3 을 가진 25 명의 사람들 중 그것을 가정 해 봅시다.0 명,11 명은 남성,14 명은 여성이었다. 그런 다음 유사하게 참가자를 비,씨,및 디 세포,그리고 지층 별 2 엑스 2 테이블:

8 시간 미만의 수면을 취하는 것은—이 가상의 데이터에서—남학생 중 더 높은 평점과 관련이 있습니다(“결과”는 낮은 평점을 나타내므로 1 보다 적 으면 노출 된 개인이 낮은 평점을 가질 가능성이 적음을 나타냅니다).

이 경우 성별은 효과 수정 자 역할을합니다:수면과 평점 간의 연관성은 공변량의 지층에 따라 다릅니다. 다음 주어진 계층화 분석을 수행 할 때 효과 수정을 발견 할 수 있습니다:

• 연관의 지층별 측정값이 서로 다르다
• 그 사이에 있는 원유

효과 수정이 있는 경우 다음 단계는 지층별 측정값을 보고하는 것이다. 우리는 조정 된 측정 값을 계산하지 않습니다(그것은 원유와 비슷한 1.0 근처에있을 것입니다); 여기서 흥미로운 것은 남성과 여성이 다르게 잠에 반응한다는 것입니다. 효과 수정은 우리가 우리의 결과에서 강조하고 싶은 무언가이다,멀리 조정되지 뭔가.

기사를 읽을 때 효과 수정은 때때로 상호 작용이라고 부르거나 저자는 계층화 된 분석을보고하고 있다고 말할 수 있습니다. 이 3 개의 문구 중 하나는 효과 수정 자 역할을하는 변수가 있다는 단서입니다.

효과 수정 예 2

2008 년 주택 거품 중심의 경기 침체(이 노출이다)에 따라,미국 경제는 많은 일자리를 잃었다. 다음은 경기 침체 전,도중 및 후에 작업 한 사람 수(결과)를 보여주는 그래프입니다. 결과는 성별(공변수)에 의해 계층화되어 표시되므로 분석가는 성별이 효과 수정 자로 작용할 수 있다고 의심했습니다. 실제로 결과는 약간 다릅니다:남성(파란색)은 더 많은 일자리를 잃었고 2014 년 현재 아직 경기 침체 이전 수준으로 회복되지 않은 반면 여성(빨간색)은 더 적은 일자리를 잃었고 2014 년에는 완전히 회복되었습니다.

우리가 또한 나이에 따라 계층화한다면 어떨까요? 첫째,여기에 경기 침체 사람들이 55 세 이상에 대한 작업에 영향을 미치는 방법을 보여주는 그래프입니다:

경기 침체는 전혀 이전 작업 미국인에 영향을 미치지 않았다. 도 아니다 우리는 성별로 효과 수정을보고-2 라인은 거의 평행.

젊은 성인은 어떻습니까?

여기에서 우리는 성별로 주요 효과 수정이-젊은 남자는 가능한 작업의 거대한 비율을 잃고 완전히 회복되지 않았다 2014. 경기 침체가 주택 거품에 의해 크게 발생했기 때문에 이것은 놀라운 일이 아니다,건설 노동자는 대부분 젊은 남성이다. 대조적으로,젊은 여성들은 일자리의 작은 비율을 잃어 버렸고 빠르게 사전보다 더 나은 수준으로 회복되었습니다.

마지막으로,우리는 25~54 세의 일자리를 살펴 봅니다.:

여기서 우리는 매우 황량한 그림을 봅니다. 이 연령대에서 일자리는 여성보다 남성에게 더 많이 손실되었으며 2014 년 현재 전혀 회복되지 않았습니다.

따라서 2008 년 경기 침체에 대한 고용 시장의 반응을 조사 할 때,우리는 연령에 따른 실질적인 효과 수정(일자리 회복은 연령에 따라 크게 달라짐)과 일부 연령 범주 내에서 성별에 따른 효과 수정의 증거를 볼 수 있습니다. 일자리에 대한 경기 침체의 영향은 연령과 성별이 다른 사람들에게는 달랐습니다.

이것은 정책의 영향이 매우 다를 수 있기 때문에 중요합니다. 연방 정부의 일원으로 일하면서 경기 부양책이나 복구 패키지를 설계하려고한다고 상상해보십시오. 연령분석이 없는 첫 번째 그래프에서 가져온 데이터만 있는 경우 연령별 계층화 분석에 액세스할 수 있는 경우와 잠재적인 정책 솔루션이 매우 다를 수 있습니다.

혼동을 사용하면 혼동이 그룹 사이에 균등하게 분배되지 않기 때문에 처음에는 잘못된 대답을 얻습니다. 이것은 당신이 계산하는 협회의 측정을 왜곡(기억:더 큰 발을 갖는 것은 단지 때문에 학년 수준에 의해 혼란의 읽기 속도와 연결되어). 그래서 대신 당신은 협회의 측정을 다시 계산해야,이 시간은 혼자를 조정.

효과 수정을 통해 처음에는 잘못된 답을 얻었지만 이번에는 샘플에 노출/질병 연관성이 다른 2 개 이상의 하위 그룹이 포함되어 있기 때문입니다. 이 경우 각 계층에 대해 이러한 하위 그룹을 영구적으로 분리하고 결과(다른 공변량에 의해 혼동 될 수도 있고 혼동되지 않을 수도 있음)를 별도로 보고해야합니다: 이 경우,적은 수면을 취하는 남성은 더 많은 수면을 취하는 남성보다 더 높은 수면을 취하지 만,동시에 더 많은 수면을 취하는 여성은 적은 수면을 취하는 여성보다 더 높은 수면을 취합니다.

다음은 잠재적 혼란 자 및 효과 수정자를 다루는 프로세스를 나타내는 요약 표입니다. 이 과정의 대부분은 당신이 가지고있는 공변량의 유형에 관계없이 동일합니다(모든 경우에,당신은 당신의 연구 중에 공변량을 측정하고 잘 측정해야합니다!). 차이의 영역은 빨간색으로 표시됩니다.

결론

우리가 분석에서 없애고자 하는 혼란과 달리,효과 수정은 그 자체로 흥미로운 발견이며,우리는 그것을 보고한다. 효과 수정을 확인하려면 층화 분석을 수행하십시오. 지층별 연관 측정값이 서로 다르고 그 사이에 원유가 놓여 있다면 해당 변수가 효과 수정자 역할을 할 가능성이 높습니다. 공변량의 각 계층에 대해 결과를 따로보고하십시오.

하나의 최종,모두 함께 테이블: