Egészséges Klamath linkek a krónikus állapotok GIS klaszter- és hotspot-elemzéséhez

A TÉRKÉPEKRE VONATKOZÓ LINKEK ALATT

állapotok

Az alábbi linkek három kategóriában vannak megadva:

  1. Hot-Spot elemzés
  2. Klaszter és kiugró elemzés
  3. Járhatóság vs incidens sűrűség

Egy kis háttérre van szükség a térképek megfelelő értelmezéséhez.

Mind a Hot-Spot Analysis, mind a Cluster/Outlier Analysis eljárások esetében az adatokat három térbeli terület szerint kategorizálják:

  1. A népszámlálási blokkcsoport által meghatározott terület (a továbbiakban: jellemző)
  2. A jellemzőt körülvevő közvetlen szomszédság által meghatározott terület, de nem maga a jellemző. Vegye figyelembe, hogy a funkció szomszédságát így más közeli népszámlálási blokkcsoportok határozzák meg.
  3. A teljes vizsgálati terület

A Hot-Spot elemzésben a 99% -os, a 95% -os és a 90% -os konfidenciaszintet minden olyan jellemzőnél megtalálják, amelyeknél a betegség előfordulási aránya a szomszédságában lényegesen magasabb vagy alacsonyabb, mint a vizsgálati terület.

A Cluster és Outlier elemzésben a jellemző területének (vagyis a népszámlálási blokkcsoport területének) betegség előfordulási arányát összehasonlítják a hozzájuk kapcsolódó szomszédsággal. Ennek eredményeként a következő két kérdést tehetjük fel:

  1. Jelentősen különbözik-e a tulajdonság szomszédsága a vizsgált területen belüli összes többi környezettől?
  2. Jelentősen eltér-e a tulajdonság a szomszédságában található összes többi jellemzőtől?

Négy lehetséges eredmény létezik.

  1. HH - a betegség előfordulási aránya a jellemző területen magasabb, mint a szomszédságában és szomszédságában a betegség előfordulási aránya magasabb, mint a vizsgált terület többi környékén
  2. LL - a betegség előfordulási aránya a jellemző területen alacsonyabb, mint a szomszédságában és szomszédságában a betegség előfordulási aránya alacsonyabb, mint a vizsgált terület többi környékén

  1. HL - a betegség előfordulási aránya a jellemző területen magasabb, mint a szomszédságában és szomszédságában a betegség előfordulási aránya alacsonyabb, mint a vizsgált terület többi környékén.
  2. LH - a betegség előfordulási aránya a jellemző területen alacsonyabb, mint a szomszédságában és szomszédságában a betegség előfordulási aránya magasabb, mint a vizsgált terület többi környékén.

Ne feledje, hogy ez az elemzés nem végezhető el más módon, csak térbeli kontextusban. Annak ellenére, hogy táblázatos konstrukcióban rendezheti az adatokat a „magas” vagy az „alacsony” értékek megtalálásához, ezek lennének a „globális” magas/alacsony értékek. Ez a folyamat lehetővé teszi, hogy megtalálja a „helyi” magas/alacsony értéket, azaz kiugró értékeket.

A HL vagy LH eredményt mutató területek szinte mindig a legérdekesebbek.

  • Forró pontok elemzése - Klamath vízesés, OR: Elhízás

  • Forró pont elemzése - Klamath vízesés, VAGY: Magas vérnyomás

  • Forró pont elemzése - Klamath Falls, OR: Koleszterin

  • Hot Spot elemzés - Klamath Falls, OR: Cukorbetegség

  • Forró pont elemzése - Klamath vízesés, VAGY: Szívbetegség

  • A koleszterin, a magas vérnyomás, az elhízás és a cukorbetegség forró pontjainak összehasonlítása

  • Klaszter és kiugró elemzés - Klamath Falls, OR: Szívbetegség

  • Klaszter és kiugró elemzés - Klamath Falls, OR: Cukorbetegség

  • Klaszter és kiugró elemzés - Klamath Falls, OR: Elhízás

  • Klaszter és kiugró elemzés - Klamath vízesés, OR: magas vérnyomás

  • Cluster & Outlier Analysis - Klamath Falls, OR: Koleszterin