Uma rede de trilhas urbanas e doenças cardiovasculares: um experimento natural

Dois métodos diferentes de séries temporais serão usados ​​para estimar o efeito da expansão de uma trilha urbana (ou seja, "intervenção") que ocorreu em WInnipeg, Manitoba, Canadá, entre 2010 e 2012. O estudo é projetado para determinar se uma redução nos Eventos Cardiovasculares Adversos Maiores (MACE) foi observada em bairros que receberam a intervenção em relação às tendências entre os bairros de controle que não receberam a intervenção. Primeiro, uma regressão segmentada multigrupo de dados de séries temporais interrompidas será usada para avaliar o efeito da intervenção na incidência de DCV, tanto imediatamente (mudança no nível) quanto ao longo do tempo (mudança na tendência), criando variáveis ​​indicadoras. O nível será a taxa básica de pontos finais relacionados a DCV no início do período pré-intervenção (2000) e o valor imediatamente após cada ponto de mudança no qual segmentos sucessivos se juntam até 2010. A tendência é a taxa de mudança nos pontos finais do MACE (em outras palavras, a inclinação) durante um segmento. Os erros autorregressivos serão modelados para levar em conta os resultados correlacionados. Em segundo lugar, um modelo autorregressivo integrado de média móvel (ARIMA) será ajustado para a série temporal de incidência de CVD usando a abordagem padrão para identificação, estimativa e verificação. Uma tendência e termos sazonais periódicos serão aplicados a todo o período de estudo (novembro de 2000 a outubro de 2019). Um modelo ARIMA separado também será construído para o período pré-intervenção para prever a evolução CVD dos bairros tratados. O número de pontos finais de DCV evitados pela intervenção será estimado calculando a diferença entre o número previsto e o número observado de casos. Caso haja dificuldade em ajustar um modelo ARIMA a um conjunto de dados relativamente pequeno, serão usados ​​modelos de suavização exponencial ou o Algoritmo de Holt Winters. Embora exijam tamanhos de amostra maiores, eles são ideais para este projeto porque (1) permitem que uma variedade de diferentes tipos de efeitos de intervenção sejam modelados explicitamente e (2) são adequados para prever tendências futuras.