ОБҐРУНТУВАННЯ ТА ІДЕНТИФІКАЦІЯ МОДЕЛЕЙ ОЦІНКИ ЕФЕКТУ ПРОГРАМ ПРОФІЛАКТИКИ РОЗВИТКУ СПАЗМУ АКОМОДАЦІЇ
DOI:
https://doi.org/10.24144/2077-6594.3.2019.191646Анотація
Мета – обгрунтування та ідентифікація моделей оцінки ефекту програм профілактики розвитку спазму акомодації на базі сучасних аналітичних методів та дизайнів.
Матеріали і методи. Матеріалами стали розроблені нами програми дослідження, загальний обсяг вибірки склав 1115 школярів. Використаний панельний гніздований блоковий дизайн. Серійним методом вивчені первинні випадки виникнення порушень акомодації у школярів разом з медико-організаційними та популяційними обумовлюючими факторами протягом 2014–2018 років за участі в стандартній і розширеній програмах профілактики. Аналітичні методи охоплювали семи-параметричну модель Кокса, фрейлті модель, фрейлті модель з фракцією нечутливих.
Результати засвідчили про відсутність прошарку школярів, нечутливих до розвитку спазму акомодації (СА). Інша ідентифікація форми включала індивідуальний розподіл чутливості (фрейлті модель), що однозначно підтримано даними. Отже, підтримується гіпотеза щодо наявності індивідуальної чутливості до розвитку СА і наступної міопії.
Встановлено, що участь у програмі профілактики (ПП) суттєво зменшує ризик виникнення СА незалежно від присутності набутої чутливості (факторів ризику) та вродженої (фрейлті). Висновок робастний за трьома моделями. Тому ПП доцільна для призначення кожному школяреві беззастережно щодо індивідуальних ознак. Середнє річне зменшення ризиків СА внаслідок участі у ПП за різними моделями складало 3,75%, 2,50%, та 4,08%. Причому ефект відтворений незалежно від моменту початку участі у ПП.
Посилання
Bennett S (1983). Log-logistic regression models for survival data. Applied Statistics, 32, 165–71.
Br¨uderl J, Diekmann A (1995). The log-logistic rate model: Two generalizations with an application to demographic data. Sociological Methods & Research, 24, 158–86.
Chen M-H, Ibrahim J, Sinha D (2001). A new Bayesian model for survival data with a surviving fraction. Journal of the American Statistical Association, 94, 909–19.
Chen M-H, Ibrahim J, Sinha D (2002) Bayesian inference for multivariate survival data with a cure fraction. Journal of Multivariate Analysis, 80, 101–26.
Abbring J, van den Berg G (2003). The identifiability of the mixed proportional hazards competing risks model. Journal Royal Statistical Society: Series B, 65, 701–10.
Lancaster T (1990). The econometric analysis of transition data. Cambridge:Cambridge University Press.
Abbring J, van den Berg G (2007) The unobserved heterogeneity distribution in duration analysis. Biometrika, 94, 87–99.
Rozenbaum, P.R., and Rubin D.B. (1983). The Central Role of the Propensity Score in Observational Studies for Casual Effects. Biometrika, 70, 41-45.
Wooldridge, J.M. (2004), “Estimating average partial effects under conditional moment independence assumptions”, the Institute for fiscal studies, Department of economics, ucl cemmap working paper cwp 03/04, 38p.
