Et urbant spornettverk og kardiovaskulær sykdom: et naturlig eksperiment

To forskjellige tidsseriemetoder vil bli brukt for å estimere effekten av en urban stiutvidelse (dvs. "intervensjon") som skjedde i Winnipeg, Manitoba Canada, mellom 2010 og 2012. Studien er designet for å fastslå om en reduksjon i Major Adverse Cardiovascular Events (MACE) ble observert i nabolag som mottok intervensjonen i forhold til trender blant kontrollbydelene som ikke mottok intervensjonen. Først vil en multi-gruppe segmentert regresjon av avbrutt tidsseriedata bli brukt for å vurdere effekten av intervensjonen på CVD forekomst, både umiddelbart (endring i nivå) og over tid (endring i trend) ved å lage indikatorvariabler. Nivået vil være basisrenten for CVD-relaterte endepunkter ved begynnelsen av pre-intervensjonsperioden (2000) og verdien umiddelbart etter hvert endringspunkt hvor påfølgende segmenter blir sammenføyd frem til 2010. Trenden er endringshastigheten i MACE-endepunkter (med andre ord skråningen) under et segment. Autoregressive feil vil bli modellert for å ta hensyn til korrelerte utfall. For det andre vil en autoregressiv integrert glidende gjennomsnittsmodell (ARIMA) tilpasses for CVD-insidens-tidsserien ved å bruke standardmetoden for identifikasjon, estimering og kontroll. En trend og periodiske sesongmessige vilkår vil bli brukt for hele studieperioden (november 2000 til oktober 2019). En egen ARIMA-modell vil også bli bygget for perioden før intervensjon for å forutsi CVD-utviklingen i de behandlede nabolagene. Antall CVD-endepunkter forhindret av intervensjonen vil bli estimert ved å beregne differansen mellom det predikerte antallet og det observerte antallet tilfeller. Skulle det være vanskelig å tilpasse en ARIMA-modell til et relativt lite datasett, vil eksponentielle utjevningsmodeller eller Holt Winters-algoritmen bli brukt. Selv om de krever større utvalgsstørrelser, er de ideelle for dette prosjektet ettersom (1) de tillater at en rekke ulike typer intervensjonseffekter kan modelleres eksplisitt, og (2) de er godt egnet til å forutsi fremtidige trender.