روش برآوردگر ذاتي براي كنترل اثر سن، همگروه و دوره زماني و مقايسه آن با مدل كلاسيك توصيفي

The Intrinsic Estimator Method for Control of Age, Period, Cohort, and Its Comparison with the Descriptive Classic Model

مقدمه و اهداف: هدف از انجام اين مطالعه مقايسه روش برآوردگر ذاتي با روش توصيفي سن، دوره و هم گروه است كه براي تشخيص روندهاي سن، هم‌گروه و دوره زماني در ميزان‌هاي بروز، شيوع و ميرايي استفاده مي‌شود. روش كار: براي شرح روش كار از داده‌هاي مربوط به دو مطالعه بررسي روند مصرف مواد غيرقانوني و الكل و روند مصرف سيگار در دانشجويان دختر دانشگاه علوم پزشكي تهران از سال 85 تا 88 استفاده ‌شده است. ابتدا مدل توصيفي سن، همگروه و دوره و سپس مدل تحليلي برآوردگر ذاتي نشان داده‌ شده و مزايا و معايب آن‌ها ذكرشده و نتايج آن‌ها مقايسه شده است. يافته‌ها: براي شيوع مصرف سيگار، هر دو روش براي اثر سن، همگروه و دوره زماني يك روند افزايشي، كاهشي و افزايشي نشان دادند. روش برآوردگر ذاتي توانست اثر پيشگيري‌كننده عامل سنين پايين در مصرف سيگار را نيز نشان دهد. با مشاهده نمودارهاي روش توصيفي همگروه در مصرف الكل براي دختران دانشجو، تقريباً در همه گروه‌هاي سني، از هم‌گروه‌هاي قديمي‌تر به جديدتر يك روند كاهشي ديده شد. درحالي‌ كه در روش برآوردگر ذاتي، اثر هم گروهي براي مصرف الكل دختران دانشجو ديده نشد. نتيجه‌گيري: به نظر مي‌رسد در حال حاضر روش برآوردگر ذاتي بهترين انتخاب براي حل مشكل وابستگي خطي بين سه عامل سن، هم گروه تولد و دوره زماني در اين مطالعات است. ولي محققين بايستي با احتياط و آگاهي از مشكلات و تله‌هاي ايجادشده توسط اين نوع مطالعات از آن استفاده كنند.

accounting model used for identifying age, period, and cohort trends in incidence, prevalence, and mortality rates. Methods: The data of 2 studies " Age, Period, and Cohort Effects on Alcohol and Drug use Among Students of Tehran University of Medical Sciences from 2006 to 2009" and "The Role of Age, Period, and Cohort Effects on Smoking among the Students of Tehran University of Medical Science "were used. First the age, period and cohort accounting model and then The IE method are explained, their advantages and disadvantages are discussed, and their results are compared. Results: Both methods showed an increasing, decreasing, and increasing trend for age, cohort, and cohort effect for the prevalence of smoking. IE could predict a preventing effect for an early age factor for smoking. In the descriptive model, a decreasing trend was seen from old cohorts to younger cohorts in nearly all age groups. However, the IE method did not show any cohort effects for alcohol consumption in female studnets. Conclusion: Currently, the IE method is the best method for solving linear dependence between three variables of age, birth cohort, and period in this type of studies. However, researchers should use it with caution because it has many pitfalls.