Un réseau de sentiers urbains et les maladies cardiovasculaires : une expérience naturelle

Deux méthodes de séries chronologiques différentes seront utilisées pour estimer l'effet de l'expansion d'un sentier urbain (c.-à-d. "intervention") qui a eu lieu à WInnipeg, Manitoba Canada, entre 2010 et 2012. L'étude est conçue pour déterminer si une réduction des événements cardiovasculaires indésirables majeurs (MACE) a été observée dans les quartiers qui ont reçu l'intervention par rapport aux tendances parmi les quartiers témoins qui n'ont pas reçu l'intervention. Premièrement, une régression segmentée multigroupe de données de séries chronologiques interrompues sera utilisée pour évaluer l'effet de l'intervention sur l'incidence des MCV, à la fois immédiatement (changement de niveau) et dans le temps (changement de tendance) en créant des variables indicatrices . Le niveau sera le taux de base des points terminaux liés aux MCV au début de la période de pré-intervention (2000) et la valeur immédiatement après chaque point de changement auquel les segments successifs se rejoignent jusqu'en 2010. La tendance est le taux de changement des points finaux MACE (en d'autres termes, la pente) au cours d'un segment. Les erreurs autorégressives seront modélisées pour tenir compte des résultats corrélés. Deuxièmement, un modèle de moyenne mobile intégrée autorégressive (ARIMA) sera ajusté pour la série chronologique d'incidence de MCV en utilisant l'approche standard d'identification, d'estimation et de vérification. Une tendance et des termes saisonniers périodiques seront appliqués à toute la période d'étude (novembre 2000 à octobre 2019). Un modèle ARIMA distinct sera également construit pour la période de pré-intervention afin de prévoir l'évolution des MCV des quartiers traités. Le nombre de points terminaux de MCV évités par l'intervention sera estimé en calculant la différence entre le nombre prédit et le nombre observé de cas. En cas de difficulté à ajuster un modèle ARIMA à un ensemble de données relativement petit, des modèles de lissage exponentiel ou l'algorithme de Holt Winters seront utilisés. Bien qu'ils nécessitent des échantillons de plus grande taille, ils sont idéaux pour ce projet car (1) ils permettent de modéliser explicitement une variété de différents types d'effets d'intervention et (2) ils sont bien adaptés à la prévision des tendances futures.