论文部分内容阅读
【摘 要】通过描述的一个压缩数据（从5月到10月的数据），对墨西哥城市三个不同年龄段（儿童、成年和老人）哮喘发病所受主要环境因素的分析。使用的数据组来自一组对于环境因素和墨西哥城哮喘恶化之间关系的研究[1]。结果显示不同的年龄组和环境因素的关系均不一致。草花粉和最高温度、粒子、雨和树木花粉对儿童哮喘病有影响。成人组则是臭氧扮演着重要角色。最低温度和子囊菌孢子有轻微的负面影响，而最高温度却有积极正面的关系。老人组研究显示，二氧化硫对哮喘病发作有很强积极效应，粒子和哮喘发病率也有关系。随着年龄增长，季节的影响会随之下降，表明对超过59岁的老人，季节性的影响可以忽略。
【关键词】墨西哥城市； 哮喘； 模型结果比较；季节性
引言
20世纪九十年代以来，与哮喘相关的环境因素越来越受到热议。研究发现环境因素，如空气污染、空气致敏原均可引发哮喘，但事实证明要提供一致的研究结果很难，特别是户外空气致敏原。各种因素都可能使它激活或者恶化。人们认为哮喘发作和情绪有一定的关系，如焦虑或抑郁[2]。雷明顿（L D Rimington）等的研究同时揭示哮喘病紧急住院（EA）的季节波动和年龄之间的密切关系：儿童和成人在十月达到顶峰，随着年龄组年龄的增加，季节性波动开始减少[3]。伊格（Galán I）、托拜厄斯（Tobías A）等[4]充分证明了空气污染对于日常哮喘病紧急住院的短期影响，且臭氧滞后一天则会产生最强的影响。20年代前很少发表分析空气过敏源对于哮喘发病率影响的相关研究。最初的报告[1]重点调查空气污染并考虑到空气过敏源的问题，也关注气候方面的因素。结果表明：比起空气污染物，空气过敏源可能在统计学上和哮喘病紧急住院有更强的联系，特别和空气花粉有着显著的关系。
世界哮喘盛行存在巨大差异，并趋向拥有更高哮喘患病率的较发达国家以及西方国家[5]。由于墨西哥城在20世纪90年代初的经济衰退，公共部门领域的投资被大幅削减，特别是污染治理设备的投资被削减。同时，人口的持续增长和城乡迁移意味着基本的基础设施如污水处理及固体废物回收的供应愈加供不应求。另一方面，墨西哥城大都会区（MAMC） 的地理和气象条件也加剧了空气污染问题。结果表明在MAMC每年80%的时间空气质量都达不到标准。因此，墨西哥城由于它特殊的环境，可被认为是一个拥有相对高的哮喘发病率的特定区域[6]。正因此，墨西哥城象征了一个独特的研究对象。
1.数据描述
通过确立一个适合数据中反应变量哮喘发病的统计模式，以便确认哮喘发病和环境因素的关系。如空气污染物（臭氧、二氧化氮、二氧化硫和颗粒物）、每日平均花粉空气浓度、真菌孢子以及天气因素等。此外，发病前一周对于哮喘的影响也会被考虑进去。研究方法主要采用广义线性回归分析。将数据样本分成三个不同年龄组（15岁以下的儿童、成年和老人（即超过59岁的成人）），用模型总的全局检验（Forward Stepwise）的统计方法导出最终的模型。在模型建构过程中，对每个模式适合程度进行评估，探寻环境因素和不同年龄群体之间可能存在的某些差异性相互关系。
本研究以一个压缩数据（从5月到10月的数据）为基础，该数据组来自一组对于环境因素和墨西哥城哮喘恶化之间关系的研究[1]。通过省略 “旱季”的月份，即11月到4月，数据已经减少。儿童、成人及老人哮喘紧急住院的日常数量在1991年已由墨西哥国家呼吸道疾病研究所（INER）记录下来。具体来说，数据组包括以下数据子集（见293页表1）。
2.影响儿童、成年和老年的环境因子的统计模型分析
2.1 转换模型
每天患哮喘的儿童、成人、老人的计数遵循泊松分布，伴随包括各种解释变量的线性方程所描述的对数平均值。每一组有明显不同的平均值，也就意味所有的数据分为三个模型会更合适。由于散点图没有体现出解释变量和响应变量之间有线性关系，因此，为了恒定方差和正态分布，转换相关的解释变量来实现一个简单的线性结构。在几次尝试之后，最后选择的转换数据如下：
响应变量 转换
Child “ASC” transform to “log（ASC）”
“Basidiom” transform to “log（Basidiom）”
“Deuterom” transform to “log（Deuterom）”
Adult “ASC” transform to “log（ASC）”
“Basidiom” transform to “log（Basidiom）”
“Deuterom” transform to “log（Deuterom）”
Senior “maxtemp” transformation to “（maxtemp）2”
“mimtemp” transformation to “（mimtemp） 2”
通过数据转换，使用完整的新数据得到三个不同年龄段的模型如下：
“儿童“、“成人”和“老人”组的模型 均方差
Ln（Child） = Month + Weekday + Deuterom + log（Deuterom） + ASC + log（ASC） + Basidiom + log（Basidiom） + Tree + Weed+ Grass + TPollen + MaxTemp + MinTemp + EM （RH） + EM （O3） + EM （NO2） + EM （SO2） + EM （Particle） + EM （Tpart） 2.004
Ln（Adult） = Month + Weekday + Deuterom + log（Deuterom） + ASC + log（ASC） + Basidiom + log（Basidiom） + Tree + Weed+ Grass + TPollen + MaxTemp + MinTemp + EM （RH） + EM （O3） + EM （NO2） + EM （SO2） + EM （Particle） + EM （Tpart） 1.604 Ln（Senior） = Month + Weekday + Deuterom + ASC + Basidiom + Tree + Weed+ Grass + TPollen + MaxTemp + （maxtemp）2 + MinTemp + （mimtemp） 2 + EM （RH） + EM （O3） + EM （NO2） + EM （SO2） + EM （Particle） + EM （Tpart） 1.183
通过分析三个不同年龄段模型的残差图分析，显示拟和的回归方程不满足正态性性质，这意味着转换数据后得出的模型存着不足或者需要改进。然而，通过Forward Stepwish方法，比较每个模型df差异和均方差差异，一步步用Forward Stepwish方法对应卡方P值，并找出更少差异的那一个加入下一组，最后得到儿童、成人和老人组的最终下模型如：
儿童、成人和老人组的模型 均方差
Ln（Child） = Constant + Grass + EMTpart + Rain + Tree + EMParticle 2.199
Ln（Adult） = Constant + Grass + LnBasidiom + EMO3 1.759
Ln （Senior） = Constant + Tree + EM （Particle） 1.133
2.2 移动平均模型
如前所述，哮喘发病前一周对当前哮喘病发作也有影响；因此，选用了7天移动平均转换模型。但由于在第一天之前首批7个数据没有任何信息，因此，为了简化，这些数据在未来的分析中不会加以考虑。剩下的133组数据会通过应用移动平均模型进行转换。转换之后的新数据用“a *”标示。通过Forward Stepwish的统计方法，得到儿童、成人和老人组的最终模型分别是：
儿童、成人和老人组的模型 均方差
Ln（Child） = Grass* + MaxTemp* + Rain* + TPart* + O3* + Tree* 2.004
Ln（Adult） = Grass* + MaxTemp* + MinTemp* + O3* + ASC* 1.602
Ln（Senior） = Tree* + Particle* + SO2* 1.09
2.3 比较转换模型与移动平均模型
图3： 儿童的转换模型
图4：儿童的移动平均转换模型
数据转换后，儿童、成人和老人组分别有两个最终模型：一个来自数据转换，另一个来自移动平均转换。分别比较每个年龄段的两个最终模型。比较儿童组两个模型的均方差可以得出移动平均转换模型比数据转换的模型更好。因为移动平均模型平均偏差等于2.004低于数据转换模型平均方差2.199。同理，通过比较成人组和老人组模型的均方差也表明移动平均转换模型比数据转换模型更好。因为移动平均模型的均方差等于1.602低于数据转换值1.759。同样，老人组移动平均模型的均方差是1.094，也小于数据转换模型的均方差1.133。通过比较这两种模型的残差图，可以看出移动平均模型的残差图更接近正态和线性。以有最大改进的儿童组为例。 很明显，下图3和图4是有区别的。
因为整个模型是选自移动平均，所以我们可以得出移动平均转换是最好的方法。
3. 结语
研究发现不同的年龄组和环境因素的关系都不一样。有很明显的季节性和离散趋势，正如西尔弗曼（Silverman）和史蒂文森（Stevenson）等 [3]所述，年龄小于30岁的个体，特别是学龄儿童，显得最容易受到季节变化的影响。随着年龄增长，季节的影响会随之下降，这也表明了对于超过59岁的人，季节的影响可以忽略。但找不到这些季节性波动的原因。
和原哮喘住院项目[1]相比，研究的结果不一样。对于成人组臭氧至关重要而草花粉成了次要因素，最低温度和子囊菌孢子有轻微的负面影响，而最高温度却有积极正面的关系。结果也表明这些因素之间可能有相互作用，比如温度对于子囊菌孢子和臭氧的浓度有一定的影响。另一方面，和原研究相比，对于儿童最合适的模型出现了更大的差别，草花粉与哮喘病发作存在消极关系。其他因素也观察到类似的关系：最高温度、粒子、雨和树木花粉对哮喘病住院都有轻微的消极影响。而在原研究中对最高温度和降雨量也表明了类似的结果。 但本研究中发现臭氧还是扮演着很重要的角色。老人组在数据中包含最少观察值，残差图表明选择的模型不是很适合，而比较儿童和成人，最适合的模型却有最小的平均残差。结果也普遍支持之前的研究，证据显示树花粉也是一个次要的负因数，而二氧化硫对哮喘病发作有很强积极效应。此外，粒子和哮喘发病率也有关系。总之，空气污染的反应比起其他的环境因素更大。特别是臭氧，对于成人和儿童都是主要因素。相比之下，很少证据表明空气过敏源和哮喘发病率有显著联系。同时，也很少发现和气候有联系的证据。
参考文献：
[1] Rosas， I， McCartney， H.A.， Payne， R.W.， Calderon， C， Chapela， R. & Ruiz-Velazco， S. （1998）. Analysis of the relationships between environmental factors （aeroallergens， air pollution and weather） and asthma emergency admissions to a hospital in Mexico City. Allergy， 53， 394-401.
[2]L D Rimington， D H Davies， D Lowe， et al （2001） Relationship between anxiety， depression， and morbidity in adult asthma patients ，Thorax， issue 56： 266-271.
[3]Robert A. Silverman， MD Lori Stevenson， MPH Harold M. Hastings （2003） Age-Related Seasonal Patterns of Emergency Department Visits for Acute Asthma in an Urban Environment， Annals of Emergency Medicine - Volume 42， Issue 4.
[4] Galán I， Tobías A， Banegas JR， Aránguez E. （2003） Short-term effects of air pollution on daily asthma emergency room admissions European Respiratory Journal， Volume： 22. Pages： 802-808.
[5] The International Study of Asthma and Allergies in Childhood （ISAAC） Steering Committee. “Worldwide variation in prevalence of symptoms of asthma， allergic rhinoconjunctivitis， and atopic eczema.” Lancet 1998； 351：1225-1232.
[6] Ros J.； Draisma J.； Lustig N.； Kate A.T（1996）Prospects for Growth and the Environment in Mexico in the 1990s World Development， Vol. 24， No. 2. pp. 307-324.
【关键词】墨西哥城市； 哮喘； 模型结果比较；季节性
引言
20世纪九十年代以来，与哮喘相关的环境因素越来越受到热议。研究发现环境因素，如空气污染、空气致敏原均可引发哮喘，但事实证明要提供一致的研究结果很难，特别是户外空气致敏原。各种因素都可能使它激活或者恶化。人们认为哮喘发作和情绪有一定的关系，如焦虑或抑郁[2]。雷明顿（L D Rimington）等的研究同时揭示哮喘病紧急住院（EA）的季节波动和年龄之间的密切关系：儿童和成人在十月达到顶峰，随着年龄组年龄的增加，季节性波动开始减少[3]。伊格（Galán I）、托拜厄斯（Tobías A）等[4]充分证明了空气污染对于日常哮喘病紧急住院的短期影响，且臭氧滞后一天则会产生最强的影响。20年代前很少发表分析空气过敏源对于哮喘发病率影响的相关研究。最初的报告[1]重点调查空气污染并考虑到空气过敏源的问题，也关注气候方面的因素。结果表明：比起空气污染物，空气过敏源可能在统计学上和哮喘病紧急住院有更强的联系，特别和空气花粉有着显著的关系。
世界哮喘盛行存在巨大差异，并趋向拥有更高哮喘患病率的较发达国家以及西方国家[5]。由于墨西哥城在20世纪90年代初的经济衰退，公共部门领域的投资被大幅削减，特别是污染治理设备的投资被削减。同时，人口的持续增长和城乡迁移意味着基本的基础设施如污水处理及固体废物回收的供应愈加供不应求。另一方面，墨西哥城大都会区（MAMC） 的地理和气象条件也加剧了空气污染问题。结果表明在MAMC每年80%的时间空气质量都达不到标准。因此，墨西哥城由于它特殊的环境，可被认为是一个拥有相对高的哮喘发病率的特定区域[6]。正因此，墨西哥城象征了一个独特的研究对象。
1.数据描述
通过确立一个适合数据中反应变量哮喘发病的统计模式，以便确认哮喘发病和环境因素的关系。如空气污染物（臭氧、二氧化氮、二氧化硫和颗粒物）、每日平均花粉空气浓度、真菌孢子以及天气因素等。此外，发病前一周对于哮喘的影响也会被考虑进去。研究方法主要采用广义线性回归分析。将数据样本分成三个不同年龄组（15岁以下的儿童、成年和老人（即超过59岁的成人）），用模型总的全局检验（Forward Stepwise）的统计方法导出最终的模型。在模型建构过程中，对每个模式适合程度进行评估，探寻环境因素和不同年龄群体之间可能存在的某些差异性相互关系。
本研究以一个压缩数据（从5月到10月的数据）为基础，该数据组来自一组对于环境因素和墨西哥城哮喘恶化之间关系的研究[1]。通过省略 “旱季”的月份，即11月到4月，数据已经减少。儿童、成人及老人哮喘紧急住院的日常数量在1991年已由墨西哥国家呼吸道疾病研究所（INER）记录下来。具体来说，数据组包括以下数据子集（见293页表1）。
2.影响儿童、成年和老年的环境因子的统计模型分析
2.1 转换模型
每天患哮喘的儿童、成人、老人的计数遵循泊松分布，伴随包括各种解释变量的线性方程所描述的对数平均值。每一组有明显不同的平均值，也就意味所有的数据分为三个模型会更合适。由于散点图没有体现出解释变量和响应变量之间有线性关系，因此，为了恒定方差和正态分布，转换相关的解释变量来实现一个简单的线性结构。在几次尝试之后，最后选择的转换数据如下：
响应变量 转换
Child “ASC” transform to “log（ASC）”
“Basidiom” transform to “log（Basidiom）”
“Deuterom” transform to “log（Deuterom）”
Adult “ASC” transform to “log（ASC）”
“Basidiom” transform to “log（Basidiom）”
“Deuterom” transform to “log（Deuterom）”
Senior “maxtemp” transformation to “（maxtemp）2”
“mimtemp” transformation to “（mimtemp） 2”
通过数据转换，使用完整的新数据得到三个不同年龄段的模型如下：
“儿童“、“成人”和“老人”组的模型 均方差
Ln（Child） = Month + Weekday + Deuterom + log（Deuterom） + ASC + log（ASC） + Basidiom + log（Basidiom） + Tree + Weed+ Grass + TPollen + MaxTemp + MinTemp + EM （RH） + EM （O3） + EM （NO2） + EM （SO2） + EM （Particle） + EM （Tpart） 2.004
Ln（Adult） = Month + Weekday + Deuterom + log（Deuterom） + ASC + log（ASC） + Basidiom + log（Basidiom） + Tree + Weed+ Grass + TPollen + MaxTemp + MinTemp + EM （RH） + EM （O3） + EM （NO2） + EM （SO2） + EM （Particle） + EM （Tpart） 1.604 Ln（Senior） = Month + Weekday + Deuterom + ASC + Basidiom + Tree + Weed+ Grass + TPollen + MaxTemp + （maxtemp）2 + MinTemp + （mimtemp） 2 + EM （RH） + EM （O3） + EM （NO2） + EM （SO2） + EM （Particle） + EM （Tpart） 1.183
通过分析三个不同年龄段模型的残差图分析，显示拟和的回归方程不满足正态性性质，这意味着转换数据后得出的模型存着不足或者需要改进。然而，通过Forward Stepwish方法，比较每个模型df差异和均方差差异，一步步用Forward Stepwish方法对应卡方P值，并找出更少差异的那一个加入下一组，最后得到儿童、成人和老人组的最终下模型如：
儿童、成人和老人组的模型 均方差
Ln（Child） = Constant + Grass + EMTpart + Rain + Tree + EMParticle 2.199
Ln（Adult） = Constant + Grass + LnBasidiom + EMO3 1.759
Ln （Senior） = Constant + Tree + EM （Particle） 1.133
2.2 移动平均模型
如前所述，哮喘发病前一周对当前哮喘病发作也有影响；因此，选用了7天移动平均转换模型。但由于在第一天之前首批7个数据没有任何信息，因此，为了简化，这些数据在未来的分析中不会加以考虑。剩下的133组数据会通过应用移动平均模型进行转换。转换之后的新数据用“a *”标示。通过Forward Stepwish的统计方法，得到儿童、成人和老人组的最终模型分别是：
儿童、成人和老人组的模型 均方差
Ln（Child） = Grass* + MaxTemp* + Rain* + TPart* + O3* + Tree* 2.004
Ln（Adult） = Grass* + MaxTemp* + MinTemp* + O3* + ASC* 1.602
Ln（Senior） = Tree* + Particle* + SO2* 1.09
2.3 比较转换模型与移动平均模型
图3： 儿童的转换模型
图4：儿童的移动平均转换模型
数据转换后，儿童、成人和老人组分别有两个最终模型：一个来自数据转换，另一个来自移动平均转换。分别比较每个年龄段的两个最终模型。比较儿童组两个模型的均方差可以得出移动平均转换模型比数据转换的模型更好。因为移动平均模型平均偏差等于2.004低于数据转换模型平均方差2.199。同理，通过比较成人组和老人组模型的均方差也表明移动平均转换模型比数据转换模型更好。因为移动平均模型的均方差等于1.602低于数据转换值1.759。同样，老人组移动平均模型的均方差是1.094，也小于数据转换模型的均方差1.133。通过比较这两种模型的残差图，可以看出移动平均模型的残差图更接近正态和线性。以有最大改进的儿童组为例。 很明显，下图3和图4是有区别的。
因为整个模型是选自移动平均，所以我们可以得出移动平均转换是最好的方法。
3. 结语
研究发现不同的年龄组和环境因素的关系都不一样。有很明显的季节性和离散趋势，正如西尔弗曼（Silverman）和史蒂文森（Stevenson）等 [3]所述，年龄小于30岁的个体，特别是学龄儿童，显得最容易受到季节变化的影响。随着年龄增长，季节的影响会随之下降，这也表明了对于超过59岁的人，季节的影响可以忽略。但找不到这些季节性波动的原因。
和原哮喘住院项目[1]相比，研究的结果不一样。对于成人组臭氧至关重要而草花粉成了次要因素，最低温度和子囊菌孢子有轻微的负面影响，而最高温度却有积极正面的关系。结果也表明这些因素之间可能有相互作用，比如温度对于子囊菌孢子和臭氧的浓度有一定的影响。另一方面，和原研究相比，对于儿童最合适的模型出现了更大的差别，草花粉与哮喘病发作存在消极关系。其他因素也观察到类似的关系：最高温度、粒子、雨和树木花粉对哮喘病住院都有轻微的消极影响。而在原研究中对最高温度和降雨量也表明了类似的结果。 但本研究中发现臭氧还是扮演着很重要的角色。老人组在数据中包含最少观察值，残差图表明选择的模型不是很适合，而比较儿童和成人，最适合的模型却有最小的平均残差。结果也普遍支持之前的研究，证据显示树花粉也是一个次要的负因数，而二氧化硫对哮喘病发作有很强积极效应。此外，粒子和哮喘发病率也有关系。总之，空气污染的反应比起其他的环境因素更大。特别是臭氧，对于成人和儿童都是主要因素。相比之下，很少证据表明空气过敏源和哮喘发病率有显著联系。同时，也很少发现和气候有联系的证据。
参考文献：
[1] Rosas， I， McCartney， H.A.， Payne， R.W.， Calderon， C， Chapela， R. & Ruiz-Velazco， S. （1998）. Analysis of the relationships between environmental factors （aeroallergens， air pollution and weather） and asthma emergency admissions to a hospital in Mexico City. Allergy， 53， 394-401.
[2]L D Rimington， D H Davies， D Lowe， et al （2001） Relationship between anxiety， depression， and morbidity in adult asthma patients ，Thorax， issue 56： 266-271.
[3]Robert A. Silverman， MD Lori Stevenson， MPH Harold M. Hastings （2003） Age-Related Seasonal Patterns of Emergency Department Visits for Acute Asthma in an Urban Environment， Annals of Emergency Medicine - Volume 42， Issue 4.
[4] Galán I， Tobías A， Banegas JR， Aránguez E. （2003） Short-term effects of air pollution on daily asthma emergency room admissions European Respiratory Journal， Volume： 22. Pages： 802-808.
[5] The International Study of Asthma and Allergies in Childhood （ISAAC） Steering Committee. “Worldwide variation in prevalence of symptoms of asthma， allergic rhinoconjunctivitis， and atopic eczema.” Lancet 1998； 351：1225-1232.
[6] Ros J.； Draisma J.； Lustig N.； Kate A.T（1996）Prospects for Growth and the Environment in Mexico in the 1990s World Development， Vol. 24， No. 2. pp. 307-324.