Когорта это википедия: Недопустимое название — Викисловарь

Как когортный анализ поможет вашему стартапу

Как когортный анализ поможет вашему стартапу

Когортный анализ — огромная часть аналитики, связанная с жизненным циклом клиента. Это базовая сегментация пользователей, без которой вам не обойтись, ведь она решит сразу 3 задачи:

1. Поможет рассчитать RR (Retention Rate) и эффективно удерживать пользователей.

2. Позволит прогнозировать LTV (Lifetime Value) и работать над улучшением этого показателя.

3. Подскажет вам, как  оптимизировать маркетинговые кампании.

В начале разберемся, что такое когортный анализ. Мне импонирует определение, которое дали в своей клиге Алистер Кролл и Бенджамин Йосковитц («Lean Analytics: Use Data to Build a Better Startup Faster»).

«Когортный анализ — метод поведенческой аналитики,… который вместо того, чтобы анализировать пользователей как единое целое, разбивает их на группы — когорты. Людей в когортах объединяет общий опыт, который они получили в определенный момент времени.

Когортный анализ позволяет компании отслеживать поведенческие сценарии через жизненный цикл клиентов, в противном случае они бы совершали анализ вслепую.»

Для когорты важно, чтобы пользователи совершили действие в один момент времени. Что может быть этим действием, иначе говоря, стартовой точкой для формирования когорты? Существует 2 подхода:

1. По вовлечению:

• для мобильных приложений — установка приложения,
• для онлайн ресурсов — регистрация на сайте или первый визит.

2. По монетизации:

• первая покупка/оплата.

Когда клиент лишь скачал мобильное приложение, у нас нет информации о нем. А на этапе установки (открытия) у нас появляется минимальный набор данных, чтобы в дальнейшем идентифицировать пользователя. Именно поэтому дата установки (открытия) приложения используется для формирования когорт.

Мы формируем когорты по дням, хотя для e-commerce бизнеса, который не так динамичен, можно использовать более длинные периоды для анализа (месяц или год). Попробуем применить метод на практике.

Как посчитать Retention Rate для когорты

Для стартапов важно увеличивать базу пользователей из месяца в месяц. Однако даже если вы эффективно работаете над привлечением, база активных клиентов может не расти.

Представим, что в июне вы привлекли 1 млн пользователей, а в июле 500 тысяч. Однако, когда по истечению второго месяца вы проверили общий результат, он был 800 тысяч, а не 1,5 млн.

Что могло случиться? Я называю эту проблему «дырявое ведро».

Пока вы занимались привлечением новых клиентов, из дырявого ведра (где находился 1 млн пользователей) «утекло» 700 тысяч. Они попросту стали неактивными. Таким образом, в конце 2-месячного периода в сумме у вас осталось 800 тысяч.

Устранить утечку полностью невозможно, часть пользователей все равно будет уходить. Однако вы можете минимизировать последствия, анализируя Retention Rate для когорт. Используется простая формула:

User Retention Rate = (R-A) / E*100

Где:

• E — число активных пользователей в конце предыдущего периода,
• A — число пользователей, привлеченных за текущий период,
• R — общее число пользователей по окончанию текущего периода.

Давайте рассчитаем на нашем примере:

• E (когорта июня) = 1 млн
• A (когорта июля) = 500 тысяч
• R (сколько осталось в конце) = 800 тысяч

(800 000 — 500 000) / 1 000 000 * 100 = 30%

Результат иллюстрирует, что вы способны удержать лишь 30% пользователей. Это очень низкий показатель, и цель — максимально его увеличить. Чем выше процент, тем лучше для бизнеса.

Вы можете сравнивать когорты дней, месяцев или лет. Когда я занималась продажей мобильных приложений, то считала Retention Rate по дням. Если пользователь не возвращается к нам на следующий день, вероятность того, что он вообще когда-либо вернется, — низкая.

То, как развиваются когорты, можно изобразить на графике. Тогда вам легко будет отслеживать, насколько эффективно вы удерживаете пользователей и какая когорта отклоняется от нормы — показывает результат хуже или лучше.

Вот пример такого графика (все цифры гипотетические):

По оси Y указан процент активных пользователей, а по оси X — временные периоды, в данном случае, месяцы. Заметьте, что они пронумерованы, а не подписаны. Это сделано преднамеренно. Потому что под цифрой 1 подразумевается первый месяц для каждой когорты: для когорты июня это будет июнь, для когорты июля — июль и т.д. Таким образом, вам легко сравнить кривые.

Когортный анализ и прогнозирование LTV

Прогнозирование роста прибыли для стартапа основывается на прогнозе того, как будет расти ваша база активных пользователей. В этом случае ключевым становится показатель LTV — Lifetime Value. Он дает возможность прогнозировать, сколько денег принесет вам когорта за свой жизненный цикл.

Представим, что у вас стабильная бизнес-модель и история, откуда можно черпать данные для анализа. Вы можете предположить, что пользователи на сайте «проживут» 12, 36 или 48 месяцев, и посчитать LTV для выбранного периода.

Стартапам лучше прогнозировать на 2-3 месяца вперед, иначе показатели не оправдаются. Из опыта скажу, что после 3 или 6 месяцев вы можете потерять до 80% когорты. Поэтому прогноз LTV для стартапа скорей служит ориентиром. Он совершенствуется посредством обновления данных.

Скоро будет следующая статья: Нужно ли считать LTV для маркетплейса

Важно отметить, что для подсчета User Retention Rate вы можете формировать когорты по вовлечению (регистрация, загрузка, установка). Для User Lifetime Value когорты должны быть сформированы исключительно по дате покупки. Это финансовый показатель, и анализу подвергаются только те когорты, которые у вас покупают.

Обратите внимание на график. По оси Y — процент активных пользователей в когорте, который приносит вам прибыль. По оси Х — месяцы.

Цифры гипотетические. Я предположила, что одна транзакция приносит вам $1. В первом месяце сформировалась когорта 100 человек (=100%):

• По окончанию месяца купили 65% (=65 человек, доход $0,65 c транзакции),
• В втором — 75% от первого месяца (=49 человек, доход $0,49 ) и т.д.

Вы понимаете, сколько денег приносит когорта за месяц, и можете прогнозировать на более длительный период — год, два или три. Я считаю, что 12 месяцев — слишком короткий срок для прогноза (если речь про устойчивый  бизнес). Чаще всего для LTV делается прогноз на 36 месяцев.

Как когорты помогут настроить маркетинговые кампании

Мы уже разобрались, что когортный анализ помогает отслеживать жизненный цикл клиентов и делать прогнозы на будущее. Однако это не все. Он должен быть связан с бизнес-стратегией и операциями по оптимизации маркетинговой стратегии.

Поведение когорт поможет вам понять, как планировать маркетинговые кампании и когда делать релиз новых продуктов. На графике видно, в каком месяце резко снижается активность клиентов. Используя этот ценный инсайт, вы можете запустить реактивацию — отправить пользователям уведомления и удержать их на сайте.

Вот пример того, как когортный анализ влияет на маркетинг.

Цифры на этом графике усредненные:

• Положительные числа: тренд роста,
• Отрицательные числа: тренд снижения.

Благодаря когортному анализу, мы видим, что в конце июня произошел резкий спад: -3 — это сильное негативное изменение. Наша задача проанализировать ситуацию и понять причины. Мы формулируем гипотезы:

• что-то не так с продуктом,
• предложили какое-то изменение,
• плохо работает сайт,
• не понравилась маркетинговая компания,
• внешние причины (связанные с географией пользователей) и т.д.

Этот реальный пример из моей практики. Как выяснилось, резкий спад произошел из-за проблем с программным обеспечением. Компания росла, быстро наполнялся сайт, и возникла проблема — наши сервера не могли принимать больше трафика. Мы установили новые рядом со странами, которые показывали наибольший рост и показатели вернулись в норму.

4 совета, как сделать когортный анализ эффективным

1. Определите подходящие показатели для мониторинга, исходя из своей бизнес-модели:

• кого считать активными пользователями,
• анализировать когорты по дням или по месяцам,
• какие когорты сравнивать между собой.

2. Отслеживайте и собирайте данные о пользователях:

• идентификация пользователя (ID аккаунта или мобильного устройства, Cookie, цифровой отпечаток пальца, IDFA, email или номер телефона),
• поведенческие данные (как пользователи взаимодействуют с продуктом, реагируют на маркетинговые кампании).

3. Получайте инсайты от своего анализа:

• изучайте данные и генерируйте гипотезы,
• определите ключевые сценарии поведения,
• работайте над удержанием,
• согласуйте маркетинговый календарь с поведением когорт.

4. Тестируйте пути оптимизации и становитесь лучше изо дня в день.

Preview photo: casaltamoiola / depositphotos.com

Header photo: macrovector / depositphotos.com

gaz.wiki — gaz.wiki

Navigation

• Main page

Languages

• Deutsch
• Français
• Nederlands
• Русский
• Italiano
• Español
• Polski
• Português
• Norsk
• Suomen kieli
• Magyar
• Čeština
• Türkçe
• Dansk
• Română
• Svenska

Что такое когортный анализ и где его применяют

Очевидно, что новые пользователи и постоянные посетители сайта ведут себя по-разному и приносят разный доход. При грамотной маркетинговой стратегии эти различия могут принести большую пользу вашему бизнесу. Но как выявить закономерность и понять, что отличает людей, который впервые посетили ваш сайт месяц назад, от тех, кто сделал это год назад? Без когортного анализа здесь не обойтись.

В этой статье мы рассмотрим возможности когортного анализа и подробно опишем, как его проводить.

Содержание

Что такое когортный анализ и где его применять

Когортный анализ — это метод маркетингового анализа, в котором пользователей рассматриваются не как единое множество, а делят на когорты. Чтобы лучше понимать, что такое когортный анализ, разберемся для начала с понятием «когорта».

Когорта в маркетинге — это группа людей, которые совершили определенное действие в заданный отрезок времени. Например, впервые зашли на сайт в декабре или сделали первую покупку 1-7 ноября. Именно временной признак отличает когорту от обычного сегмента.

Суть когортного анализа заключается в том, что вы делите пользователей на группы по определенному признаку и исследуете, как меняется поведение этих групп со временем. Это помогает понять, как ваши маркетинговые усилия влияют на ключевые показатели эффективности: LTV, конверсии, ROI, Retention Rate, CAC и т. д.

OWOX BI поможет объединить данные из разных систем: действия пользователей на сайте, звонки и заказы из CRM, email-рассылки и расходы на рекламу. Вы сможете настроить сквозную аналитику и автоматизировать отчеты любой сложности, в том числе и по когортному анализу.

Рассмотрим несколько примеров, что можно делать с помощью когортного анализа.

1. Точнее оценивать окупаемость рекламы

Далеко не все пользователи, которые впервые посещают ваш сайт, тут же совершают конверсионное действие. Некоторым нужно время, чтобы изучить ваше предложение, взвесить все за и против, сравнить с конкурентами и решиться на покупку, подписку или регистрацию. Это особенно актуально для бизнесов с отложенной конверсией, длинным циклом продаж и дорогими товарами.

Чем длиннее период от первого визита до конверсии, тем выше шанс неправильно оценить эффективность рекламных каналов. Когортный анализ помогает решить эту проблему. Допустим, в ноябре вы запустили платную рекламную кампанию в Google Ads. Через месяц посмотрели на результаты и увидели, что ROI ниже 100%. Первая мысль — отключить показ объявлений.

Однако не торопитесь с выводами. Если вы объедините в когорту пользователей, которых привлекла эта кампания в ноябре, и посмотрите на отчет в январе, то можете увидеть, что ROI значительно вырос. То есть люди «созревали» больше месяца, но в итоге совершили покупку.

2. Находить и удерживать лояльных клиентов

С помощью когортного анализа вы можете узнать, откуда к вам приходят самые лояльные пользователи. Например, создать когорту посетителей, которые впервые залогинились на вашем сайте в период с января по июнь. Затем сегментировать их по каналу привлечения и сравнить коэффициент удержания (Retention Rate) или коэффициент повторных покупок (Repeat Purchase Rates) помесячно в каждом канале.

Очевидно, что каналы, у которых эти показатели выше, заслуживают больше вашего внимания и инвестиций.

Анализируя поведение когорт, вы сможете лучше планировать свои маркетинговые кампании. Например, вы заметили, что на пятом месяце активность пользователей в когорте резко снижается. Можно отправить им для разогрева письмо с персональной скидкой.

3. Прогнозировать и увеличивать LTV

Пожизненная ценность клиента (Lifetime Value) — доход, который компания получила от клиента за все время сотрудничества с ним. Этот показатель сложно рассчитать, пока человек не перестанет быть вашим клиентом. Однако можно рассчитать LTV для отдельно взятой когорты за месяц, например, и сделать прогноз, сколько денег принесет эта когорта за больший период.

Кроме того, вы можете сегментировать когорты по рекламным каналам, чтобы сравнить LTV и расходы на привлечение пользователей (CAC). Это поможет понять период окупаемости каждого канала и перераспределить маркетинговый бюджет.

4. Проводить A/B тестирование

Также когортный анализ можно применять для оценки результатов A/B теста. Например, вы обновили дизайн кнопки на сайте. Чтобы узнать, повлияло ли это на конверсию, вы делаете 2 варианта страницы. Половине пользователей показываете старую кнопку, другой половине — новую. Далее считаете конверсию из просмотров страницы в клик по кнопке.

Однако обычный А/В тест не дает ответа на вопрос, как повлияет новый дизайн на изменение конверсии в долгосрочной перспективе. Для этого можно использовать когортный анализ. Через 3-4 недели после релиза постройте когортный отчет для пользователей, которые впервые попали на сайт через страницу с новой кнопкой. Затем сравните конверсию у этих пользователей и у когорты людей, не видевших новый дизайн. Разница — это и есть результат влияния нового дизайна.

5. Анализировать эффективность мобильных приложений

Отдельное место когортный анализ занимает в аналитике мобильных приложений, где он помогает оценить уровень возвратов (Retention Rate) пользователей в зависимости от версии приложения. Также с помощью анализа когорт можно определить какие источники приводят самых активных юзеров:

Что нужно для когортного анализа

Независимо от того, в какой системе вы собираетесь строить когортный отчет, нужно определиться с четырьмя основными параметрами:

• Признак, по которому формируется когорта — действие, которое объединяет людей в когорте: первый визит на сайт, первая покупка, регистрация и т. п.
• Размер когорты — временной интервал для когорты: день, неделя, месяц.
• Отчетный период — время, в течение которого вы будете исследовать поведение когорт.
• Ключевой показатель, который вы будете анализировать: ROI, Retention Rate, LTV и т. д.

По какому признаку создавать когорты зависит от того, какой показатель вы хотите проанализировать и улучшить. Нужно рассчитать Retention Rate и остановить отток пользователей? Исследуйте поведение людей, которых объединяет время первого визита, регистрации или установки приложения. Хотите определить и увеличить LTV? Формируйте когорты по дате первой покупки.

Это не значит, что признак когорты должен быть один. Вы можете использовать любые условия для создания когорт, в зависимости от ваших потребностей. Например, в когорту можно определить пользователей, которые зарегистрировались в июле и сделали первую покупку в этом же месяце.

Читайте также: как узнать, во сколько обходится привлечение новых клиентов или какие рекламные кампании лучше удерживают старых.

Когортный анализ в Google Analytics

Чтобы создать отчет по когортам в Google Analytics, зайдите в меню «Аудитория» — «Когортный анализ». В самом верху вы увидите настройки:

Здесь можно задать 4 основных параметра, о которых мы писали выше: тип когорты, он же признак, по которому вы ее собираете; размер когорты; анализируемый показатель и отчетный период.

Поскольку «Когортный анализ» в GA находится в режиме бета-тестирования, настройки имеют определенные ограничения:

• Вы можете создавать когорты только по дате первого посещения.
• В одном когортном отчете можно анализировать только один показатель. Всего же в настройках доступно 14 показателей.
• В поле «Размер когорты» доступны три варианта: день, неделя, месяц.
• Задать собственный отчетный период не получится, так как диапазон дат ограничен и зависит от размера когорты. К примеру, максимальный отчетный период для когорт, созданных по дням — 30 дней, по неделям — 12 недель, по месяцам — 3 месяца.
• В стандартных настройках невозможно отфильтровать данные, например, по типу трафика, устройству или другому параметру. Для этого нужно использовать сегменты.

Под настройками расположен график, который показывает динамику анализируемого показателя для всех пользователей и трех когорт на выбор:

К примеру, на скриншоте выше мы видим, что на третью неделю коэффициент удержания клиентов для всех пользователей составляет 1,64%, а для когорты людей, впервые посетивших сайт 14-20 октября — 2,56%. Под графиком находится таблица с данными по каждой когорте за весь отчетный период. Давайте разберемся, как ее интерпретировать. Для примера мы выбрали:

• Показатель — коэффициент удержания клиентов.
• Размер когорты — по неделям.
• Диапазон дат — последние 6 недель.

В итоге у нас получилась такая таблица:

В первом столбце мы видим, сколько всего человек посетили сайт за отчетный период, а также количество пользователей в каждой недельной когорте. Остальные столбцы показывают, как менялся Retention Rate для всех пользователей и для каждой когорты от недели к неделе. Чем выше показатель, тем темнее цвет ячейки.

Из скриншота выше видно, что с 30 сентября по 6 октября на сайт зашли 11 529 новых пользователей. Через неделю только 5,35% из них вернулись на сайт, через две недели — 2,66% и так далее.

В целом когортный анализ в Google Analytics помогает детальнее разобраться в данных. Например, вы видите, что продажи за квартал растут благодаря притоку новых клиентов. Однако, если копнуть глубже и посмотреть на когортный отчет по неделям, можно заметить, что на шестой неделе продажи по всем когортам резко падают. Теперь вы знаете, когда лучше запускать ремаркетинг.

Кстати, с помощью OWOX BI вы можете автоматически загружать в Google Analytics расходы из разных рекламных сервисов, чтобы сравнить ROAS по когортам пользователей.

Узнайте, какие кампании приносят прибыль, а какие не окупаются

Автоматически импортируйте расходы из рекламных сервисов в Google Analytics. Сравнивайте затраты, CPC и ROAS разных кампаний в одном отчете.

Когортный анализ в OWOX BI Smart Data

Недавно отчет по когортному анализу появился и в нашем сервисе для визуализации данных OWOX BI Smart Data. В качестве источника данных сервис использует ваш Google BigQuery проект, в который вы можете выгружать информацию из Google Analytics, рекламных сервисов, CRM и ERP-систем.

Чтобы получить отчет, достаточно написать в поисковой строке слово «когорта», и система выдаст вариант ответа, в котором вы можете выбрать нужную метрику, размер когорт и отчетный период:

Пока что в OWOX BI Smart Data можно создавать когорты только по дате привлечения пользователей, но в ближайшем будущем мы добавим и другие признаки.

Пример когортного отчета в Smart Data:

У OWOX BI есть trial-период, во время которого вы можете бесплатно попробовать когортный анализ и другие возможности сервиса.

ПОПРОБОВАТЬ OWOX BI

Когортные отчеты в других сервисах

Кроме Google Analytics, встроенные когортные отчеты есть во многих рекламных и аналитических сервисах. Например, они встречаются почти во всех системах аналитики для мобильных приложений.

В AppsFlyer более гибкие настройки, чем в GA — в когортный отчет можно добавить сразу несколько фильтров. Также можно задать минимальный размер когорты, чтобы исключить те, в которых слишком мало пользователей.

Когортные отчеты в системах AppMetrica (Яндекс. Метрика для мобильных приложений) и Adjust используются в основном, чтобы отслеживать возврат пользователей. В Adjust можно добавить для анализа второй показатель, например, количество сессий на пользователя:

Пример отчета по когортам в AppMetrica:

Также когортный анализ есть в Mixpanel и Kissmetrics. Это системы аналитики для сайтов и мобильных приложений, которые работают с данными в разрезе пользователей, а не посещений и просмотров страниц. Настройки отчетов в этих сервисах во многом схожи с Google Analytics, но есть и некоторые различия.

В Kissmetrics вы можете сформировать когорту сразу по двум признакам. Например: пользователи, которые посетили сайт и конвертировались в подписку. Еще здесь можно группировать людей не только по времени, как это делают в обычных когортных отчетах, но и по любому другому признаку. К примеру, по сумме покупки, месту проживания, источникам трафика.

Пример отчета по когортам в Kissmetrics:

Когортный анализ в Google Sheets

Если вам не хватает возможностей когортного анализа в Google Analytics, а другие системы аналитики вы не используете, можно самостоятельно построить отчет по когортам в Google Sheets. Это можно сделать четырьмя способами, о которым мы расскажем подробнее чуть ниже: с помощью сводных таблиц, формул, формул с фильтрами или Apps Script.

Для построения когортного отчета первыми тремя способами необходимо подготовить и выгрузить в Google Sheets исходные данные. Они должны быть в такой структуре:

Главное, чтобы в первом столбце у вас был месяц/неделя/день формирования когорты, во втором столбце — последующие месяц/неделя/день, а дальше — столбцы с анализируемыми метриками.

Выгрузить данные в Google Sheets вы можете любым удобным способом. В нашем примере мы использовали сырые данные, которые собрали из Google Analytics в Google BigQuery с помощью OWOX BI Pipeline. Затем с помощью SQL-запроса мы выбрали необходимую информацию:

    
SELECT
  registration_week,
  transaction_week,
  SUM ( purchases ) AS purchases
FROM (
  SELECT
    IFNULL ( user.id, clientId ) AS userID,
    STRING ( YEAR ( date )) + '-' + RIGHT ( Ɔ' + STRING ( WEEK ( date )), 2 ) AS registration_week
  FROM TABLE_DATE_RANGE ( [projectID:datasetID.session_streaming_], TIMESTAMP ( 񟭑-08-01' ), CURRENT_TIMESTAMP ())
  WHERE hits.eventInfo.eventCategory = 'registration' )  AS t1
LEFT JOIN EACH (
  SELECT
    IFNULL ( user.id, clientId ) AS userID,
    EXACT_COUNT_DISTINCT ( hits.transaction.transactionId ) AS purchases,
    STRING ( YEAR ( date )) + '-' + RIGHT ( Ɔ' + STRING ( MONTH ( date )), 2 ) AS transaction_week
  FROM TABLE_DATE_RANGE ( [projectID:datasetID.session_streaming_], TIMESTAMP ( 񟭑-08-01' ), CURRENT_TIMESTAMP())
  WHERE  hits.eCommerceAction.action_type = 'purchase'
  GROUP BY userID, transaction_week) AS t2
ON  t1.userID = t2.userID
WHERE  REPLACE ( registration_week, '-', '' ) <= REPLACE ( transaction_week, '-', '' )
GROUP BY registration_week, transaction_week,
ORDER BY registration_week, transaction_week,
    

В первой части запроса мы выбрали пользователей в зависимости от того, в какую неделю они зарегистрировались. То есть признак формирования когорты — регистрация, а размер когорты — неделя.

Во второй части выбрали количество покупок пользователя в неделю — это и есть метрика, которую хотим анализировать. Все части запроса мы склеили по User ID пользователя.

Затем мы выгрузили данные в Google Sheets с помощью OWOX BI BigQuery Reports Add-on. Один из плюсов аддона в том, что можно настроить запуск расчетов с нужной вам периодичностью, и отчет будет обновляться автоматически.

1. Когортный анализ с помощью сводной таблицы

Первый и самый простой способ построить когортный отчет — это сводная таблица. Напомним, что у нас в Google Sheets уже есть данные в нужной структуре: столбец А — неделя регистрации, столбец B — недели транзакций, столбец C — покупки. Теперь выделяем нужный диапазон ячеек, открываем вкладку «Данные» и выбираем «Сводная таблица». Справа появится панель с настройками:

В блоке «Строки» выбираем неделю регистрации, в блоке «Столбцы» — неделю транзакции (последующие недели), а в блоке «Значения» — количество покупок. Затем применяем условное форматирование, чтобы сделать отчет более удобным, и получаем такую таблицу:

Если у вас несколько анализируемых метрик, то отчет может выглядеть так:

В сводной таблице можно использовать фильтры, правда, это не очень удобно. Каждый раз, когда вы захотите отфильтровать данные, вам придется открывать настройки таблицы и искать там нужно значение.

Запись вебинара

Когортный анализ для чайников

2. Когортный анализ с помощью формул

Такой же отчет по когортам можно построить и с помощью 3 простых формул. Для этого создаем в Google Sheets новый лист и применяем формулы:

• =UNIQUE (Example! A: A) — эту формулу вставляем в ячейку А2. Она вытягивает в столбец А все недели формирования когорты, которые есть в исходной таблице с данными.

• =ТРАНСП (unique (Example! B2: B)) — эту формулу используем в ячейке В2. Она вытягивает все недели транзакций из столбца в таблице с исходными данными и преобразует их в строку.

• =СУММЕСЛИМН (Example!$C:$C, Example!$A:$A,$A3, Example!$B:$B, B$2) — эту формулу вставляем в ячейку B3 на пересечении недели регистрации и недели транзакции. Эта формула суммирует все покупки из столбца С таблицы с исходными данными.
  

Обратите внимание, что Example в формулах — это название нашего листа в Google Sheets с исходными данными. Далее нам остается протянуть формулы на весь лист и применить условное форматирование. Отчет готов.

Читайте также: как компания boodmo построила эффективную модель отношений с клиентами, оптимизировала рекламные затраты и увеличила LTV с помощью когортного анализа.

3. Когортный анализ с помощью формул + фильтры

Если вы хотите удобно фильтровать данные в отчете по любому параметру, третью формулу придется немного усложнить. Давайте разберемся, как это сделать.

Для начала нужно дополнить таблицу с исходными данными параметрами, по которым будем фильтровать когортный отчет. В нашем примере это источник и канал трафика, а также название кампании. Вы же можете добавить любые нужные вам параметры, например, геоданные (страна, континент, город), версию мобильного приложения, категорию товаров и т. д.

Для наглядности мы добавили в отчет больше анализируемых метрик, а также изменили размер когорты с недели на месяц. В результате получилась такая таблица с исходными данными:

Затем нужно создать дополнительный лист и вынести на него из таблицы с исходными данными все месяцы регистрации (формирования когорты) с помощью первой формулы =UNIQUE (Example! A: A). Так будет проще обращаться к данным. Назовем этот лист, к примеру, Month.

После добавляем новый лист, на котором будет наш отчет, и создаем два фильтра по Source/Medium и Campaign. Для этого нужно открыть вкладку «Данные» — «Проверка данных». В поле «Диапазон ячеек» указываем адрес ячейки, в которой будет выпадающий список фильтра, в поле «Правила» оставляем условие «Значения из диапазона» и указываем адрес столбца с нужными параметрами из исходной таблицы с данными. Нажимаем «Сохранить».

В результате получается такой фильтр:

Дальше с помощью формулы =Month! A$2 мы подтягиваем в столбец А месяцы регистрации из листа Month. Одно значение должно повторяться столько раз, сколько у вас анализируемых метрик (в нашем примере их три). Именно поэтому мы вынесли месяцы формирования когорты на отдельный лист.

Поскольку параметров в нашем примере всего три (Users, Revenue, Cost) и они одинаковы для всех когорт, прописываем названия вручную, чтобы не забирать их формулами с другого листа.

В ячейке С2 используем формулу =ТРАНСП (UNIQUE (Example2! B2: B)), которая вытягивает месяца транзакций из таблицы с исходными данными и преобразует их в строку:

И наконец на пересечении месяца регистрации, последующего месяца и конкретной метрики вставляем нашу третью формулу:

=ЕСЛИ (И ($B$1=»»,$D$1=»»), СУММЕСЛИМН (Example2!$E:$E, Example2!$A:$A,$A3, Example2!$B:$B, C$2), ЕСЛИ (И ($B$1=»»), СУММЕСЛИМН (Example2!$E:$E, Example2!$A:$A,$A3, Example2!$B:$B, C$2, Example2!$D:$D,$D$1), ЕСЛИ (И ($D$1=»»), СУММЕСЛИМН (Example2!$E:$E, Example2!$A:$A,$A3, Example2!$B:$B, C$2, Example2!$C:$C,$B$1), СУММЕСЛИМН (Example2!$E:$E, Example2!$A:$A,$A3, Example2!$B:$B, C$2, Example2!$C:$C,$B$1, Example2!$D:$D,$D$1))))

Эта формула рассчитывает необходимую метрику в нужной ячейке с учетом фильтров.

Так как у нас 2 фильтра, то в формуле нужно прописать все варианты комбинаций этих фильтров, а именно:

• Условие, когда оба фильтра пустые.
• Условие, когда оба фильтра заполнены.
• Условие, когда заполнен только первый фильтр.
• Условие, когда заполнен только второй фильтр.

Для каждой метрики формула в ячейке остается неизменной, меняется только столбец, по которому рассчитывается сумма конкретной метрики. Например для метрики Users делаем сумму столбца Example2!$E:$E, для метрики Revenue — столбца Example2!$H:$H, для метрики Cost — столбца Example2!$I:$I.

Если вы хотите, чтобы в отчете было больше двух фильтров, количество условий и размер формулы придется увеличить. Как это сделать, вы можете узнать из вебинара «Когортный анализ для чайников». На нем наш аналитик Оксана Шейдаева подробно рассказала, какая часть формулы за что отвечает, и показала в Google Sheets как строить все отчеты, описанные в этой статье. Заполните форму и мы пришлем вам на email запись вебинара, презентацию и примеры отчетов.

ПОЛУЧИТЬ ЗАПИСЬ ВЕБИНАРА

4. Когортный анализ с помощью Google Apps Script

Google Apps Script — язык программирования, который позволяет добавлять функции и обрабатывать данные в Sheets и других сервисах Google. Чтобы построить когортный отчет с помощью Apps Script, данные не нужно переносить в Google Sheets. Таблица с исходными данными создается в Google BigQuery, оттуда скрипт забирает их в отчет.

С помощью скрипта вы можете:

• Создавать меню на панели инструментов в Google Sheets для самостоятельного запуска расчетов одним кликом.
• Выполнять запросы к данным в BigQuery и обращаться к результатам этих запросов.
• Создавать ячейки, которые будут использоваться как фильтры. Параметры в таких ячейках нужно прописывать вручную. То есть в фильтре не будет выпадающего списка, как в отчете, построенном с помощью формул. Вы сами указываете в ячейке значение, по которому хотите фильтровать данные, и это значение используется в SQL-запросе к данным в Google BigQuery.
• Менять внешний вид отчета: применять условное форматирование, делать необходимые разрывы и отступы, менять местами элементы отчета, переворачивать таблицы и многое другое.

Чтобы подключить Apps Script к Google Sheets, открываем вкладку «Инструменты» — «Редактор скриптов». В открывшемся редакторе выбираем «Ресурсы» — «Дополнительные функции Google Services» и активируем BigQuery API, а также Google Sheets API:

Затем переходим в Панель управления Google API, чтобы активировать эти API и там. После этого в «Редакторе скриптов» вы можете запускать скрипты, которые будут брать данные из Google BigQuery и формировать когортные отчеты в Google Sheets.

Мы написали шаблон скрипта для отчета с одним параметром и двумя фильтрами. Вы можете создать в Google BigQuery таблицу с данными в необходимой структуре, которую мы описали выше, вставить в шаблон скрипта название своего проекта, а также таблицы в BigQuery и получить готовый отчет:

К тому же вы легко сможете модифицировать шаблон скрипта, чтобы построить отчет с нужными вам полями и необходимым количеством метрик. Например, как это сделала компания boodmo. Заполните форму, и мы пришлем шаблон скрипта для когортного анализа вам на email.

Выводы

Если сравнивать способы когортного анализа по сложности, то самый простой вариант — это Google Analytics. Однако его возможности и настройки ограничены интерфейсом системы. Второй по легкости способ — это сводные таблицы в Google Sheets. Здесь вы можете формировать когорты по любым параметрам, а не только по дате первого посещения, как в GA. Варианты с формулами и Apps Script чуть сложнее, так как требуют дополнительных знаний.

Если вам нужно часто применять фильтры, то самый удобный вариант — создать отчет с помощью формул, тогда фильтры будут в выпадающем списке. Да, фильтры можно использовать во всех отчетах Google Sheets, однако в сводной таблице за ними нужно идти в настройки таблицы. В способе с Apps Script значение для фильтра нужно вписать в ячейку руками. Если вы при этом ошибетесь, то SQL-запрос вернет вам в качестве ответа ноль.

Мы подготовили сравнительную таблицу с плюсами и минусами всех способов когортного анализа, описанных в этой статье:

	Google Analytics	Сводная таблица в Google Sheets	Формулы в Google Sheets	Google Sheets + Apps Script
Простота	✔✔✔✔	✔✔✔	✔✔	✔
Возможность добавить фильтры	✖	✔	✔	✔
Удобность фильтров	✔ Можно использовать сегменты	✔✔ Выбирается в настройках сводной таблицы	✔✔✔✔ Выбирается в выпадающем списке	✔✔✔ Нужно писать значение в ячейке вручную
Возможность добавить в отчет несколько метрик	✖	✔	✔	✔
Возможность создать отчет без дополнительных знаний	✔	✔	✖	✖
Возможность менять внешний вид отчета	✖	✖	✔	✔
Условное форматирование отчета	✔	✔	✔	✔
Автоматическое обновление отчета	✔	✔ С помощью OWOX BI BigQuery Reports Add-on	✔ С помощью OWOX BI BigQuery Reports Add-on	✔

Если у вас остались вопросы, или вам нужна помощь с когортным анализом, запишитесь на демо — мы с радостью вам поможем!

Наши клиенты
растут на 22% быстрее

Растите быстрее, анализируя, что лучше сработает в вашем маркетинге

Измеряйте KPI, находите зоны роста и увеличивайте свой ROI

Записаться на демо

Использованные инструменты

Часто задаваемые вопросы

Открыть все Закрыть все

Юнит-экономика – что это простыми словами? Расчет метрик unit economics продукта

Недавно мне прислали ссылку на обсуждение про юнит-экономику и попросили помочь разобраться. “С чем там разбираться?» – подумал я. Пошел читать и запутался.

Так я погрузился в мир юнит-экономики со сложными формулами, большим количеством терминов, спорами по поводу этих формул и терминов, блогами и тренингами, где все это объясняют.

Друзья, юнит-экономика – это очень просто. Я объясню вам юнит-экономику за 30 слов. Читайте и считайте.

---

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от GoPractice, вам в этом поможет.

Подписывайтесь на каналы «GoPractice!» и «GoPractice! Insights», добавляйтесь в чат «Ask Kevin!» в телеграме.

---

Юнит-экономика за 30 слов

Юнит-экономика отвечает на простой вопрос – зарабатываем мы на конкретном пользователе (юните) или нет. Для ответа надо посчитать:

• Сколько денег мы потратили на привлечение пользователя?
• Сколько денег мы с пользователя заработали?

Все.

Расчет юнит-экономики без калькулятора

Чтобы посчитать, сколько мы потратили на привлечение пользователя, надо:

• Взять затраты на привлечение когорты пользователей.
• Поделить значение из первого пункта на количество пользователей в когорте.
• Получить стоимость привлечения одного пользователя в данной когорте (CPA или Cost per Acquisition).

Чтобы посчитать, сколько мы заработали на одном пользователе, надо:

• Взять эту же когорту пользователей и посчитать, сколько эта когорта принесет нам денег. Для этого надо посчитать прибыль (contribution margin) от этой когорты в будущем.
• Поделить значение из первого пункта на количество пользователей в когорте.
• Получить LTV пользователя.

Финальный шаг. Надо сравнить CPA и LTV.

Подводные камни расчета юнит-экономики

LTV (Lifetime Value) считается на основе прибыли (contribution margin), а не дохода (Revenue)

Contribution margin или прибыль – это разница между выручкой и всеми затратами, которые напрямую ассоциированы с реализованной продукцией или услугой.

На многих ресурсах вы найдете информацию, что LTV надо считать на основе Gross Margin (валовой прибыли). Здесь все сводится к особенностям трактовки терминов и их использования в разных индустриях. В классическом учете валовая прибыль – это разница между выручкой и себестоимостью товара (COGS или Cost of Goods Sold). При этом в IT мире при расчете валовой прибыли часто учитывают не только себестоимость проданного товара или услуги, но и переменные затраты, связанные с его реализацией.

Важно держать в уме, что именно вы хотите посчитать – это прибыль, которую компания получит от реализации конкретной услуги или продукта. Поэтому из дохода от реализации надо вычесть все затраты, которые с ней напрямую связаны.

Если вы продаете мобильную игру через App Store, то себестоимость конкретной копии игры равна 0. Включать в себестоимость затраты на команду, которая разрабатывает игру, не надо. Эти затраты напрямую не влияют на стоимость одной копии продукта.

Если вы разрабатываете и продаете сложный дорогой софт, а в рамках конкретной сделки над интеграцией работает команда инженеров, то в данном случае затраты на такую интеграцию должны быть включены в себестоимость. При этом затраты на разработку самого софта опять же учитывать не надо – они не имеют прямого отношения к конкретной сделке.

Если вы продаете варежки через интернет-магазин, то затраты в рамках конкретной сделки будут состоять из себестоимости варежек, доставки, комиссии платежной системы и других сопряженных расходов.

LTV обычно считается на какой-то месяц

В классическом понимании LTV (Lifetime Value) – это то, сколько средний пользователь принесет валовой прибыли за все время использования продукта. Красивое определение, которое сложно применить на практике. Обычно LTV считают на какой-то месяц с момента прихода пользователя.

На какой месяц считать LTV

Cильно зависит от продукта и решаемой задачи.

Например, компании с венчурным финансированием часто целятся в то, чтобы вернуть деньги, потраченные на привлечение, через 12, а бывает и 18 месяцев. Если же компания развивается на свои деньги, то редко может позволить ждать возврата денег, инвестированных в привлечение пользователей, больше 2-6 месяцев.

У ряда продуктов LTV выходит на плато достаточно быстро. В этих случаях имеет смысл считать LTV на месяц, когда кривая почти становится параллельной оси Х.

LTV надо уметь прогнозировать

Обычно решение нужно принять значительно раньше, чем вы наберете данные, чтобы посчитать фактическое значение LTV на 6 или 12 месяц. Поэтому важно научиться прогнозировать LTV на основе одной или двух недель данных. Это не самая простая задача, но решаемая.

Сегментируйте пользователей при расчете юнит-экономики

Юнит-экономика может сходиться для одних каналов привлечения и не сходиться для других. Поэтому юнит-экономику надо считать отдельно для разных каналов привлечения, для разных платформ, для разных регионов и т.д.

Одна из сложностей, которая возникает в этом случае – это задача атрибуции пользователей к конкретному каналу привлечения. Но это отдельная тема для обсужденния.

Юнитом в юнит-экономике может быть, что угодно

Юнитом обычно выбирают то, что вы планируете масштабировать. При этом юнитом может быть как новый пользователь, так и сконвертившийся в платящего пользователь, так и пользователь, который подписался на триал. Без разницы. Главное выбрать единую точку отсчета и относительно нее считать и CPA, и LTV.

При этом есть некоторые устоявшиеся конвенции. В мобильных играх и приложениях юнит – новый пользователь. В SaaS – заплативший клиент.

ROI/ROMI VS юнит-экономика

ROI (Return on Investment) или ROMI (Return on marketing investment) – прекрасная метрика, которая заменяет собой всю юнит-экономику. Например, в англоязычой среде термин юнит-экономика не очень популярен. Всем хватает старого доброго ROI.

ROI = (LTV — CPA) / CPA

ROI показывает, какой возврат вы получите на вложение денег в определенный канал дистрибуции. Для того, чтобы посчитать ROI для канала нужно взять валовую прибыль, полученную от клиентов, привлеченных из этого канала, вычесть из нее деньги, затраченные, чтобы этих клиентов получить, и разделить на эту же цифру затрат.

А зачем нужны UA, C1, B, AVP, COGS, APC, ARPC, ARPU, ARPPU, AMPPU, AC, CM

Фреймворк с такими названиями метрик придумал Илья Красинский. Шаблон расчета юнит-экономики в Excel от Ильи можно найти здесь, комментарий с объяснением здесь, а послушать лекцию про юнит-экономику здесь.

Ключевая идея фреймворка в том, что высокоуровневые метрики (CPA и LTV) раскладываются на составляющие, что позволяет команде увидеть конкретные рычаги воздействия на юнит-экономику продукта.

Я не вижу смысла здесь расписывать определения всех этих метрик. Это создаст еще большую путаницу. В многочисленных статьях, посвященых юнит-экономике, появилось большое количество интерпретаций этих метрик, которые расходятся с орининальным вариантом, придуманным Ильей, а иногда и со здравым смыслом:

• Где-то LTV считают через Revenue, а не через Gross Profit.
• Где-то LTV становится синонимом ARPU. Кто-то пошел еще дальше, заявив, что ARPU(LT) равно LTV. Не будем углубляться в детали – это тема отдельной статьи.
• Где-то LTV считается через LT, а LT через 1/Сhurn. Так не надо делать.

Все это создает путаницу. Появляется риск, что кто-то на автомате применит неправильную формулу, примет ложные решения, потеряет деньги. Поэтому лучше придерживайтесь здравого смысла при поиске рычагов воздействия на юнит-экономику вашего продукта, а не формул.

В заключение

Вводить и объяснять понятие юнит-экономики лучше простыми словами без множества терминов. В противном случае все становится сложнее, чем есть на самом деле.

Раскладывание высокоуровневых метрик на составляющие – хорошее упражнение. Но делать его лучше в контексте конкретной задачи, а не просто в вакууме, пытаясь все бизнес-модели привести к некоторому стандарту.

Сравните:

• На рекламную кампанию X мы потратили $1000. Пользователи, которые пришли в результате кампании X, принесли $2000 валовой прибыли.
• В рекламной кампании X мы привлекли 100 пользователей. Затраты на привлечение одного пользователя составили $10. Конверсия новых пользователей в первую покупку составила 10%. Средний платящий пользователь сделал 3 покупки по $100, то есть доход (Revenue) с платящего составил $300. Себестоимость одной копии продукта составляет $33.3.

В обоих случаях сказано одно и то же. В первом случае проще понять, что происходит. Во втором появляются понятные рычаги, как влиять на описанный процесс.

Юнит-экономика – это просто. Надо лишь не усложнять.

«Основная задача любой теории – сделать так, чтобы базовые элементы были максимально просты и так малочисленны, как только возможно без ущерба для адекватного представления о том, что мы наблюдаем на практике.»

Альберт Эйнштейн

---

Если вы хотите научиться управлять продуктом на основе аналитики и данных, то Симулятор, образовательный продукт от GoPractice, вам в этом поможет.

Подписывайтесь на каналы «GoPractice!» и «GoPractice! Insights», добавляйтесь в чат «Ask Kevin!» в телеграме.

---

Pterygosomatoidea articles — Encyclopedia of Life

Надсемейство: Pterygosomatoidea Oudemans, 1910

Семейство: Pterygosomatidae

Международное научное название

Pterygosomatidae Oudemans, 1910

Синонимы Типовой род
Систематика
на Викивидах
Изображения
на Викискладе ITIS 895730NCBI 94812EOL 3198877

Pterygosomatidae (лат.) — семейство простигматных клещей из надсемейства Pterygosomatoidea (или Anystoidea; инфраотряд или когорта Anystina). Более 150 видов^[1]. Встречаются повсеместно. Паразиты ящериц^[2][3]. Древнейшие представители семейства были обнаружены в раннемеловом французском янтаре^[4].

Описание

Красного цвета клещи микроскопического размера. Длина от 0,16 до 1,30 мм. Тело расширенное, его ширина вдвое больше длины. Лапки с парой коготков^[3].

Известны, в основном, как паразиты ящериц (Agamidae, Iguanidae, Xantusiidae, Eublepharidae, Gekkonidae, Pygopodidae, Tropiduridae). Два вида паразиты членистоногих: Pimeliaphilus podapolipophagus Tragardh обнаружен на тараканах, а вид Pimeliaphilus isometri Cunliffe найден на скорпионах^[3]. Вид Bharatoliaphilus punjabensis Prasad, 1975 — паразит кольчатой горлицы^[5].

В жизненном цикле Pterygosomidae наблюдаются половые различия и выделяют следующие стадии развития: личинка, два типа нимф (nymphochrysalis и собственно нимфа), teliochrysalis, и взрослая стадия у самок; но только личинка, chrysalis и взрослая стадия у самцов (Baker and Wharton, 1952)^[6].

Систематика

13 родов, более 150 видов^[1]. Согласно традиционным взглядам семейство Pterygosomatidae принадлежит к когорте Anystina (Krantz, 1978^[7]; Kethley, 1982). Однако, ещё Кетли (Kethley, 1982)^[8], заметил сходство между этими клещами и представителями когорты Eleutherengona. На трёх диаграммах, показывающих взаимоотношения среди высших таксонов подотряда Prostigmata, предложенных Кетли (Kethley в работе Norton et al., 1993)^[9] это семейство выводится из клады eleutherengone. Семейство было выделено в 1910 году голландским акарологом Антоном Корнелисом Удемансом.

• Подсемейство Pimeliaphilinae
• Подсемейство Pterygosomatinae

Примечания

1. ↑ ^{1 2 3 4} Paredes-León, R.; Klompen, H.; Pérez, T. M. 2012: Systematic revision of the genera Geckobiella Hirst, 1917 and Hirstiella Berlese, 1920 (Acari: Prostigmata: Pterygosomatidae) with description of a new genus for American species parasites on geckos formerly placed in Hirstiella. Zootaxa, 3510: 1-40.
2. ↑ Hallan Acari Catalog: Pterygosomatidae Архивировано 12 октября 2014 года.
3. ↑ ^{1 2 3} Pterygosomatidae (eol.org)
4. ↑ Ekaterina A.Sidorchuk, Alexander A.Khaustov. A parasite without host: The first fossil pterygosomatid mite (Acari: Prostigmata: Pterygosomatidae) from French Lower Cretaceous amber // Cretaceous Research. — 2018. — Т. 91. — С. 131-139.
5. ↑ ^{1 2} Vikram Prasad & James W. Amrine Jr. 2011. Is the elongated opisthosoma in Bharatoliaphilus punjabensis Prasad, 1975 (Acari: Pterygosomatidae) an ovipositor? International Journal of Acarology. Volume 37, Issue 3, 2011
6. ↑ Baker, E. W., and G. W. Wharton. 1952. An introduction to acarology. The MacMillan Co., New York.
7. ↑ Krantz G. W. 1978. A Manual of Acarology, Second edition. Corvallis, Oregon: Oregon State University Book Stores. 509 p.
8. ↑ Kethley J., 1982. Acariformes, Prostigmata. In: Synopsis and classification of living organisms. N. Y.: McGraw-Hill Book Company. P. 117–145.
9. ↑ Norton R. A., Kethley J. B., Johnston D. E., O’Connor B. M., 1993. Phylogenetic perspectives on genetic systems and reproductive modes of mites // Evolution and Diversity of Sex Ratio in Insects and Mites. N. Y.: Chapman & Hall. P. 8–99.
10. ↑ Paredes-León R.; Morales-Malacara J. B. 2009. A new species of the genus Hirstiella (Acari: Prostigmata: Pterygosomatidae) parasitic on Phyllodactylus bordai (Reptilia: Squamata: Gekkonidae) in Mexico. J Med Entomol; 46(3): 442-50, 2009 May.
11. ↑ Prasad, V. (1975). A new genus and species of pterygosomatid mite (Acarina: Pterygosomatidae) from India. International Journal of Acarology, 1, 14–17.
12. ↑ Haitlinger R. (1988). Species of Geckobia Megnin, 1878 (Acari, Prostigmata, Pterygosomidae) from Madagascar and Vietnam. Wiad, Parasitoi., 34, 161—175.
13. ↑ Kawashima K. and Kamo H. (1960). Description of a new lizard mite, Geckobia uenoi sp. nov. from Is. Tokunoshima, Southern Japan (Acarina: Pterygosomidae). Kyushu. J. Med. Sci., 11, 99—102.
14. ↑ Bochkov V. Andrei and Sergei V. Mironov. (2000). Two new species of the genus Geckobia (Acari: Pterygosomatidae) from geckons (Lacertilia: Gekkonomorpha) with a brief review of host-parasite associations of the genus. Russian Journal of Herpetology Vol. 7, No. 1, 2000, pp. 61—68.

Гайфуллин Булат Накиевич | ВМК МГУ

Почему вы поступили на ВМК?

По дороге на мехмат МГУ, где вначале планировал учиться, я решил из любопытства посмотреть, что это за такой факультет ВМК, о котором я практически ничего не знал. Во время собеседования в приемной комиссии В.С. Панферов как-то очень ярко и зажигательно говорил о нём. Поняв, что на этом факультете будет возможность заниматься и чистой математикой, и прикладной, и компьютерными технологиями, я выбрал ВМК, поскольку все направления были интересны, и хотелось заниматься всем и сразу. Кстати, через много лет я осознал, что даже название нашего факультета имеет глубокий философский смысл: кибернетика как понятийный аппарат и вычислительная математика как инструмент — это основа для понимания и познания тех энергоинформационных сущностей, которые движут и правят нашим миром.

Кто из преподавателей Вам запомнился больше всего?

На первом курсе запомнились два потрясающих лектора: яркие, артистичные, эмоциональные В.А. Ильин и Е.В. Шикин. Случалось так, что лекции Ильина по математическому анализу завершались аплодисментами и, уходя, он раскланивался. Шикин же был очень фактурным в своем белом халате, но, конечно, более всего он поражал своим педантизмом и пунктуальностью: он никогда не пользовался конспектами, но читал так, что, казалось, текст книги стоит у него перед глазами. Это было здорово.

Почему Вы выбрали кафедру АСВК?

Тогда мне казалось, что это перспективное направление, и я не ошибся. После окончания МГУ учился в аспирантуре на той же кафедре. Тема диссертации была ориентирована на оборонку, и я много времени проводил в ИТМиВТ АН СССР, где создавались интересные, с точки зрения архитектуры и возможностей, компьютеры и математическое обеспечение к ним. К сожалению, выпуск нового поколения специализированных компьютеров в то время затянулся, и моя диссертация «подвисла», не подкрепленная ценностью реального внедрения. Поэтому пришлось, уже работая в академическом институте, делать диссертационную работу на стыке ИТ, микроэлектроники и нанотехнологий. Эти наработки до сих пор актуальны и реализованы в виде программной системы, которая развивается и коммерчески востребована.

Расскажите, с чего начиналась компания «Интерфейс»?

Во времена перестройки я участвовал в различных проектах по разработке и внедрению аппаратно-программных комплексов, связанных с микроэлектроникой. При Всесоюзном обществе информатики и вычислительной техники был организован хозрасчетный центр «Интерфейс», который в соответствии с реалиями времени видоизменял свою организационно-правовую форму. В Черноголовке, где мы начинали, мы занимались продвижением созданных нами программных пакетов. В то время у нас не было ни Интернета, ни нормальной телефонной связи, ни факсов, поэтому мы стали продавать по почте, давая объявления в компьютерной прессе, а затем и в центральных газетах. Так что, наверное, мы были пионерами движения Open Source и торговли ПО по каталогу в СССР и России. Потом мы наладили взаимодействие с немецкой фирмой, которая взялась за продвижение нашего ПО для управления электронными микроскопами. Потом, мы познакомились и с другими компаниями и стали активно развивать направление, которое раньше называлось «оффшорное программирование», а сейчас именуется аутсорсингом разработки ПО. Жить приходилось попеременно то в Германии, то в России. Мы достаточно глубоко владели современными на то время методологиями и инструментарием разработки ПО и поняли, что наша миссия — нести ИТ в массы здесь, в России. Сейчас компания, с точки зрения управления, является самодостаточной, что позволяет уделять внимание различным интересным проектам.

Как Вам помогли знания и умения полученные на факультете?

Во-первых, все мои занятия и источники существования связаны с ИТ, и полученные базовые, фундаментальные знания всегда помогали во всех делах.

Во-вторых, чувство принадлежности к МГУ всегда помогало. До сих пор, общаясь с коллегами в разных странах, я вижу выражение уважения на их лицах, когда речь заходит о том, кто и какое образование получил. Диплом МГУ — это как «знак качества»: осознание того, что ты принадлежишь к когорте «лучших» всегда помогает справляться с любыми задачами и браться за проекты любой сложности.

В-третьих, юные и молодые годы, проведенные в МГУ, оставили множество прекрасных и замечательных воспоминаний, знакомств.

И, наконец, занимаясь общественной работой, я получил неплохие навыки общения, управления и взаимодействия с людьми, в том числе и в экстремальных ситуациях. Можно сказать, что свой MBA я получил тоже в МГУ, будучи заместителем командира оперотряда МГУ.

Ярослав Пилипчук о миграциях сарматов, аланов, юэчжей — Реальное время

Миграции саков, юэчжей, усуней, канцзюев и сарматов. Часть 4-я

Ярослав Пилипчук продолжает цикл публикаций в «Реальном времени», посвященных ключевым периодам тюркской истории. В сегодняшней колонке украинский историк завершает свой рассказ о миграциях саков, юэчжей, усуней, канцзюев и сарматов (см. ч. 1, 2, 3).

Стычки с Римом

Помпей Трог отмечал, что в Парфии государство создал Арсак, а в Бактрии — Диодот. При этом говорилось, что при правлении Диодота Бактрию и Согдиану захватили племена сарауков и асианов. Отмечалось, что у токаров были асианские цари, а сакаравлы погибли. Марк Анний Лукан упоминал о племенах эсэдонов и масагетов, но точно не локализовал их.

Луций Анний Сенека локализовал аланов уже у Истра. Помпоний Мела локализовал эсэдонов вблизи Меотиды, как и савроматов, которых иные называли амакосбиями. Его описание значительно заимствовано у Геродота, и именно отсюда можно найти источник сведений о эсэдонах. Гай Плиний Секунд же упоминал сарматов и аорсов близ Римской империи (которых называл скифским племенем рабского происхождения), а за ними локализовал роксаланов и аланов. Эсэдоны локализованы вблизи Меотиды и Керавнских (Кавказских) гор.

Гай Валерий Флакк Сетин Бальб называл соседями римлян языгов. Корнелий Тацит упоминал об общих действиях иберийского царя и сарматов против армян. Луций Анний Флор сообщал о войне с сарматами. Против них воевал Лентул. Флор отмечал, что римляне отделены от сарматов горами, а в Мезию вторгались сарматы-языги. Отмечалось, что роксоланы зимой 68—69 годов н.э. уничтожили две когорты. Аврелий Виктор Секст приписал Траяну победу над саками и их царем Сардонием. Упоминалось, что при правлении императора Клавдия Тиберия Паннония была разграблена сарматами. Гай Светоний Транквилл рассказывал, что парфянские цари просили помощи у Рима, чтобы противостоять аланам. Также сообщалось, что при правлении Домициана сарматы уничтожили римский легион, когда римляне воевали с даками.

Первое вразумительное описание Сарматии дал Клавдий Птолемей, который, правда, включил в состав Европейской Сарматии много неиранских народов. Языгов-метанастов он локализовал около Карпат, Дуная и Днепра. На побережье Меотиды были локализованы языги и роксоланы, а далее, вглубь, — скифы-хамаксобии и скифы-аланы. В состав Азиатской Сарматии были включены сарматы-гипербореи, сарматы царские, модоки, сарматы-конееды, закаты, свардены, асеи. Вдоль Дона жили пэриербиды и яксаматы. Южнее их кочевали сиракены (сираки).

Аврелий Виктор Секст приписал Траяну победу над саками и их царем Сардонием. Фото cngcoins.com (сестерций Траяна)

Дион Касий Коккейан локализовал аланов (автор ошибочно называл их албанами, но указывал на их происхождение от массагетов) на Северном Кавказе, а языгов вблизи Дуная. Отмечалось, что аланы вместе с иберийцами нападают на армян и парфян и иногда вторгаются в провинции империи. Элий Спартиан называл среди врагов римлян сарматов. Юлий Капитолин приписывал Антонину победы над аланами. Кроме того, указывалось, что скифский царь Аргунт воевал против Гордиана ІІІ.

Антонин Философ указывал на победу над сарматами в Паннонии. Отмечалось, что правитель Мезии Регилиан воевал против сарматов и был погублен роксоланами. Флавий Вописк Сиракузский указывал, что сарматы во время императора Проба угрожали вторжениями не только в Иллирик, но и во Фракию и Италию, поэтому император Кар собрал войско и победил сарматов. Евтропий сообщал, что Домициан один раз побеждал сарматов, но во время одной из сарматских войн его легион был уничтожен. Евсевий Кесарийский отмечал, что сарматы-лимиганты изгнали к римлянам своих хозяев сарматов-ардарагантов. Сообщалось, что император Константин покорил сарматов. Аммиан Марцеллин сообщал, что сарматы вместе с квадами воевали против римлян. Они нападали на Мезию и Паннонию. Отмечалось, что за Доном живут савроматы. Впрочем, эти сведения были заимствованы у Геродота и Клавдия Птолемея. Среди сарматских племен упоминались яксаматы, роксаланы, аланы, а также гелоны, меланхлены и агафирсы, которые уже давно исчезли из истории. Упоминались аланы-танаиты.

Аммиан Марцеллин говорил, что аланы ранее покорили соседние племена, вымотав их постоянными нападениями и распространив на них свое название. Стефан Византийский знал про абиев и локализовал их на реке Абиана. К числу скифских племен он также относил амадоков, амиргиев (хаомаварга), аорсов, апсилов, будинов, даев, телуров, гедов, эвэргетов, йамов, исседонов, лазов, миргетов, савроматов. Отдельно упомянуты языги. Йазабаты и сиатурги отнесены к савроматам. К массагетам отнесены апасиаки. Как несложно убедиться, поздний географ отнес к числу скифов много неиранских народов Восточной Европы и Кавказа.

Необходимо отметить, что отдельные племена крайне редко маркировались под собственным именем в римских и греческих источниках. Наиболее западной группой сарматов были языги. Одним из немногих точных упоминаний были сведения Аппиана о царских языгах, которые покорились Митридату Евпатору, когда он перешел в Европу. Плиний упоминал сарматских языгов. Им предлагали принять участие в гражданской войне после смерти Нерона. Согласно сведениям Флора, Овидия Назона, Тацита, эта группа сарматов подошла к Дунаю. При Адриане языги вместе с роксоланами вторглись в Мезию, и понадобилось вмешательство императора, чтобы их изгнать. При Марке Аврелии упомянуты сарматы (языги) и аланы, которые напали на Иллирик.

Плиний упоминал сарматских языгов. Им предлагали принять участие в гражданской войне после смерти Нерона. Фото Jean-Pol GRANDMONT/ wikipedia.org

Языги населяли Пушту, Берегань и Буджаку. Аммиан Марцеллин называл сарматов (языгов) теми, кто нападает на Вторую Паннонию и обе Мезии. Впервые языги появились на границах Рима во время правления императора Тиберия. В І веке языги вместе с квадами, на стороне даков и германцев они воевали против римлян во ІІ веке. Сведения Зосимы о Равсимоде и Йордана о Бабае являются последними сведениями о языгах.

С продвижением аорсов на запад к Дунаю мигрировали роксоланы. Эту миграцию зафиксировали Дион Кассий и Йордан (около Дуная и Дакии), в отличие от Страбона и Клавдия Птолемея, которые локализовали их вблизи Крыма. Роксоланы принимали активное участие в Митридатовых войнах (между Римом и Понтийским царством, — прим. ред.) и противостояли Митридату Евпатору. Роксоланы были союзниками царей Позднескифского царства. Зимой 67—68 годов н.э. они уничтожили две римские когорты, но в 68 году были побеждены войсками императора Отона.

Правитель роксоланов Инисмей чеканил собственную монету. Под его контролем находился город Ольвия, и именно там изготовлялись эти монеты с греческой легендой и сарматской тамгой, которая была похожа на тамгу Фарзоя, который там же чеканил монету со своими именем и тамгой. На эпитафии Плавтия Сильвиана в 69 году н.э. указывалось, что умерший вынудил царя скифов (то есть роксоланов) отступить от Херсонеса. В этой же эпитафии упомянут царь аорсов Умабий. Во время Дакских войн роксоланский царь Сусаг поддерживал даков Децебала. При правлении императора Адриана после очередной войны роксоланы заключили с римлянами договор. Роксоланов возглавлял их вождь Распараган. В 260 году роксоланы убили римского полководца Регалиана.

Под властью германских племен

Аорсы Страбоном фиксировались вблизи Азовского моря, Волги, Дона и Каспийского моря. Непосредственно с Римской империей они не граничили. Их соседом было Боспорское царство. Также с ними граничили сираки. В 49 году н.э. сираки вместе с меотами и боспорским царем воевали против римлян и вождя аорсов Евнона. Евнон победил сираков, взял их столицу Успу, а население города вырезал. Царь Зорсин был вынужден капитулировать. В 193 году сираки воевали против Боспорского царства. Часть сираков под напором аорсов мигрировала в землю меотов и ассимилировалась с местным населением.

Наиболее восточным сарматским племенем были аланы. Их разные историки, географы и философы локализовали на Северном Кавказе и вблизи Дона. Переселение их на запад было обусловлено продвижением аорсов в земли роксоланов и сираков. Необходимо отметить, что в Европе они стали известны с І века н.э. С. Перевалов и А. Туаллагов указывают, что сарматские союзники Иберии действовали в войне против парфян в 35 году н.э.

Гуннское вторжения сдвинуло с места значительное количество аланов, которые потом нашли себе новую родину в Галлии, Лузитании и Африке. Фото wikipedia.org

Отмечено, что Тацит прекрасно знал названия племен аорсов и сираков, отличая их от неких сарматов. Локализация этих сарматов на Кавказе, а не на Дунае делает их аланскую идентичность наиболее вероятной. Кроме того, Иосиф Флавий в «Иудейских древностях» знал аланов как союзников иберов. Необходимо отметить, что, очевидно, они занимали не только малонаселенные территории, но и вытеснили часть аорсов. На Северном Кавказе позднеантичные источники IV—VI веков и армянские источники не упоминают никого, кроме аланов.

Касательно происхождения аланов большинство исследователей считают, что они происходят от сарматов. На массагетское происхождение аланов указывают Л. Боровкова и Т. Габуев. Мы должны отметить, что в ІІІ веке в степи Причерноморья и Приазовья переселились готы, герулы, тайфалы и гепиды. В Паннонию переселились вандалы. Таким образом, прежние властители степей оказались под властью более воинственных германских племен. Интересно, что в событиях Великого переселения народов в римских и византийских источниках касательно IV—V веков упоминаются аланы. Только Йордан упоминал о каких-то аланах в Паннонии, описывая события середины V века.

Гуннское вторжение сдвинуло с места значительное количество аланов, которые потом нашли себе новую родину в Галлии, Лузитании и Африке. Но и до Великого переселения народов аланы были известны своими набегами. Очевидно, они серьезно потеснили аорсов, поскольку еще Сенека упоминал о конфликтах диких аланов с Римом. Юлий Капитолин сообщал об аланах во времена Антонина Пия и Марка Аврелия. Дион Кассий указывал на них во время правления Коммода.

Антонин защищал границы от вторжения аланов. Юлий Капитолин сообщал о том, что осы (аорсы) и сарматы вторглись в Иллирик и Паннонию вместе с германцами во время Маркоманских войн 163—180 годов н.э. При императоре Коммоде, по сведениям Диона Кассия, аланы вернули римлянам 15 тыс. пленных. Юлий Капитолин указывал на аланское происхождение матери (ее имя было Габаба) римского императора Максимина Фракийца (официальное имя Гай Юлий Вер Максимин Август). Он наладил с ними мирные отношения, когда еще был центурионом во время правления императора Макрина. Население дунайского пограничья мирно торговало с аланами. Император Геродиан побеждал сарматов (языгов), но потерпел поражение от аланов.

С 238 года римляне воевали против готов, и аланы, которые победили Геродиана, вероятно, были наемниками или союзниками готов, которые вторглись в 242 году во Фракию и дали бой римлянам вблизи Филиппополя. При правлении императора Аврелиана аланы снова были в готском войске. Флавий Вописк Сиракузский упоминал, что в 274 году Аврелиан провел триумфальное шествие. Среди пленных были сарматы (языги), роксоланы и аланы. Роксоланы, очевидно, были подданными готских королей. Проб при правлении императора Клавдия ІІ командовал войсками в придунайских провинциях и воевал против аланов и готов. При таком дальнем продвижении аланов на запад логично предположить, что они покорили аорсов. Та часть аланов, которых в арабских источниках называли ас, а в армянских — ашдигор, очевидно, происходила от аорсов.

Юлий Капитолин указывал на аланское происхождение матери (ее имя было Габаба) римского императора Максимина Фракийца (официальное имя Гай Юлий Вер Максимин Август). Фото wikipedia.org

Аланское происхождение

Но основная масса аланов осталась на Северном Кавказе. В армянских источниках аланы упомянуты как племена, кочевавшие вблизи Кавказа. Мовсес Хоренаци упоминал об аланах в правление армянского царя Валарша ІІ. К этому периоду же относятся сведения Агатангелоса. Мовсес Хоренаци связывал с аланами генеалогию армянского рода Аравеаланов. Он же сообщал о браке Трдата ІІІ с аланкой Ашхен (дочь аланского вождя Ашхадара). Агатангелос, сообщая о войне армянских Аршакидов против Сасанидов, указывал, что армяне позвали на помощь себе аланов вместе с другими народами Кавказа.

Фавстос Бузанд упоминал о народе маскутов. Эгише сообщал, что персидский шахиншах Йаздигерд направил войско армянских нахараров против аланов и перевел через Дербентский перевал маскутов. Мовсес Хоренаци указывал, что при правлении Арташеса и Трдата армяне вступали в союз с аланами. Лазар Парпеци сообщал об аланском происхождении рода Арцруни. Сведения же грузинских источников по истории аланов оставляют желать лучшего. Как правители овсов (аланов) названы Базук и Амбазук (тот, кстати, по византийским данным, был савиром, который жил в VI веке), а их поход датирован правлением иберийского царя Амазаспа І (242—272). Таким образом, мы наблюдаем анахронизм. Джуаншер Джуаншериани приписывал царю Вахтангу Горгасалу войну против овсов и пачаников. Снова это характерно для значительно позднего времени. Согласно сведениям византийских источников, шахиншаху Фирузу (Перозу) и Каваду пришлось вести с ними оборонительную войну. Сведения Фирдоуси указывают, что Хосров І Ануширван хотел идти на них войной, но аланы договорились с ним. Этот правитель сумел переманить аланов на свою сторону.

Исседонов невозможно сопоставить ни с каким известным иранским этносом, и они являются историческим фантомом. Саки, оставив свою родину в Средней Азии на просторах Бактрии, оставались кочевниками. Вынужденные мигрировать под наступлением парфян и кушанов, саки использовали для управления Индией греческие и персидские политические институты. Консервативные у себя на родине, переселившись и осев, саки перенимали религии и обычаи местного населения.

Переселение юэчжей обусловило и миграцию в Среднюю Азию и канцзюйцев, которые были твердо связаны с ними. Иранским и индийским эквивалентом Канцзюй является Канг, или Канк. Временем расцвета Канцзюя был конец ІІ века до н.э. — начало І века н.э. В другие периоды времени Канцзюй был зависим от юэчжей, сюнну и Кушанской империи.

Ярослав Пилипчук

Справка

Ярослав Пилипчук окончил Национальный педагогический университет им. М.П. Драгоманова в Киеве в 2006 году по специальности «История и право». В 2010 году в Институте востоковедения им. А.Ю. Крымского НАН Украины защитил диссертацию по специальности «Всемирная история. Монгольское завоевание Дешт-и-Кыпчак в XIII веке».

ОбществоИстория

Успех нашей первой группы стипендиатов Википедии — Wiki Education

Наша первая когорта стипендиатов Википедии завершена! В течение первых трех месяцев 2018 года мы запустили новую программу, в которой девять академических экспертов прошли тщательную подготовку и написали более шестидесяти статей в Википедии. Мы гордимся их работой и рады появлению в мире новых Википедистов! От расы до мужественности до Маргарет Этвуд, вы можете увидеть их вклад здесь.

Многие читатели Википедии ищут информацию на сайте, чтобы принимать политические, поведенческие и даже медицинские решения в своей жизни.Цель программы Wikipedia Fellows состоит в том, чтобы профильные эксперты улучшили доступ общественности к надежным знаниям, особенно в этих популярных тематических областях. Привлечение профессоров и аспирантов, обладающих опытом в этих областях, которые будут иметь доступ к высококачественным ресурсам, казалось убедительным подходом к объединению академических кругов и Википедии. Мы вступили в партнерские отношения с тремя академическими ассоциациями — Национальной организацией женских исследований (NWSA), Американской социологической ассоциацией (ASA) и Ассоциацией политических наук Среднего Запада (MPSA), чтобы помочь нам определить участников этой программы.Стипендиаты, которых мы выбрали из этих ассоциаций, преуспели в нашей программе.

Благодаря одной номинации «Хорошая статья» (GA) и одной номинации «Знаете ли вы» (DYK), эти стипендиаты прошли путь от новичков в Википедии до уверенного добавления новых разделов в статьи, улучшения существующих статей для ясности и создания новых статей полностью с нуля. Они превзошли наши прогнозы по добавленным словам, просмотрам страниц и количеству отредактированных статей. Стипендиаты сообщили в своем окончательном опросе, что они нашли эту программу полезной для всех, кто заинтересован в объяснении Википедии студентам и коллегам, обеспечении доступа общественности к точной информации и устранении систематических предубеждений.

Когорта стипендиатов и сотрудники Wiki Education встречались раз в неделю по Zoom, программному обеспечению для видеоконференцсвязи, и изучали различные аспекты вклада в Википедию — политики, инструменты, проверяемость, пробелы в контенте, источники и т. Д. Чтобы дополнить встречи, мы использовали Slack, платформа для обмена мгновенными сообщениями, позволяющая отвечать на вопросы в режиме реального времени, устранять неполадки и использовать другой канал связи. Чтобы отслеживать усилия стипендиатов, мы использовали информационную панель, которая является платформой, которую мы используем в нашей учебной программе и с приглашенными учеными.Мы отслеживаем индивидуальные вклады, количество слов, статьи, а также несколько других точек данных через панель инструментов. Хотя несколько платформ привносят свои собственные наборы сложностей в любую программу, стипендиаты оценили, как быстро они смогли создать виртуальное сообщество.

Поскольку стипендиаты были новичками в Википедии, нам нужно было четко и быстро представить, распаковать и продемонстрировать процесс добавления контента. Мы рассмотрели кривую обучения в начале пилотного проекта, назначив учебные модули через панель инструментов.На первых сессиях мы обсуждали тренинги и то, как работают страницы Википедии, а также различные инструменты, которые пользователи могут использовать для написания статей.

Пилотная группа стипендиатов Википедии требовала трехмесячного обязательства тратить три часа в неделю на работу с Википедией. Когда они выбирали статьи, мы перешли от обсуждения политики к обучению шагам, чтобы начать их первые черновики. Эти более поздние сеансы привели к углубленным обсуждениям страниц обсуждения, спорным темам и сотрудничеству с сообществом Википедии.

Мы считаем, что эта программа удовлетворяет потребность, которой не удовлетворяют другие наши программы: вклад в предметную экспертизу от самих экспертов и в широком масштабе. Помимо того, что он является мостом между Википедией и академическим сообществом, пилотный проект может также служить связующим звеном между нашими приглашенными учеными и программой обучения. Этим летом мы будем обучать нескольких новых экспертов, начиная с июня, июля, августа и сентября. Мы рады экспериментировать с успехами и проблемами пилотного проекта, опробуя новые учебные планы, различную продолжительность программ, тематические группы и принимая кандидатов от дополнительных партнеров.Мы надеемся, что, расширив программу, мы сможем оказывать устойчивое и существенное влияние на контент, который читатели Википедии используют каждый день для принятия обоснованных решений.

Что касается воздействия программы, один из участников сказал: «Я чувствую, что программа помогает мне стать лучшим гражданином». Этого никогда бы не произошло без поддержки наших партнеров по ассоциации. Мы хотим поблагодарить NWSA, MPSA и ASA за поддержку нас, поскольку они поощряли своих членов участвовать в этой программе.Другой участник сказал, что «сейчас, более чем когда-либо, такое партнерство жизненно важно». Эти настроения демонстрируют, что ученые очень заинтересованы в улучшении Википедии и внесении в нее своего вклада. Мы также хотим поблагодарить всех стипендиатов за их прекрасную работу и за участие. Они публикуют в блогах сообщения о своем опыте, поэтому, пожалуйста, почаще проверяйте их, чтобы узнать, что они узнали. У каждого из стипендиатов был уникальный опыт участия в этой программе, но все они единодушно верили в одну вещь: все девять стипендиатов твердо согласились с тем, что они хотят продолжать редактировать Википедию.

---

Для получения дополнительной информации о стипендиатах Википедии и о том, как принять участие, посетите нашу информационную страницу. Для получения дополнительной информации об этой когорте щелкните здесь. Также ознакомьтесь с сообщениями в блогах стипендиатов, написанными членом ASA д-ром Сине Анахита, членом ASA д-ром Майклом Рамиресом и членом MPSA д-ром Роял Дж. Кравенс, III.

Присоединяйтесь ко второй группе WITH Wiki Scientists — WITH Foundation

Как многие из вас знают, фонд WITH и наши получатели грантов работают над инклюзивным и преобразующим здравоохранением.Один из аспектов этой работы — сделать информацию об инвалидности и здравоохранении доступной для людей, которые ее ищут. именно поэтому мы спонсируем эту возможность для экспертов узнать, как добавлять информацию на сайт, с помощью курсов Wiki Scientists от Wiki Education. Мы хотели бы предложить вам рассмотреть возможность присоединения ко второй когорте WITH Wiki Scientists. Подайте заявку на участие в курсе с июня по август!

Почему Википедия?

Википедия как средство для обогащения публичной информации с помощью наиболее научно обоснованных текущих исследований.Википедия также является местом для перевода исследований на доступный язык для широкой, неакадемической аудитории. Информация может расширить возможности и уменьшить стигму. Этот курс Wiki Scientists — это шанс пригласить больше людей в Wiki-сообщество для защиты интересов людей с ограниченными возможностями и вернуть информационный ресурс, который мы все знаем и используем.

Учебный курс Википедии для экспертов

В феврале этого года мы поддержали первую группу ученых Wiki, которые приступили к этой миссии, спонсируемой WITH.В состав группы входили медицинские работники и адвокаты; поведенческие терапевты, лидеры некоммерческих организаций, исследователи и ученые; активисты-инвалиды. Мы были взволнованы тем, что на курс были привлечены люди из такого разнообразного диапазона областей, которых объединяет их страсть к доступу к информации и защите здоровья. Огромный интерес к нашей первой когорте просто помог понять, что Википедия — отличный способ объединить этих экспертов для достижения общей цели.

Когорта из 17 человек завершила свой курс на прошлой неделе и добавила более 11 000 слов на страницы Википедии, связанные с инвалидностью, медицинским обслуживанием инвалидов и активизмом.Эти страницы уже были просмотрены 130 000 раз с тех пор, как группа начала вносить улучшения. Вот некоторые основные моменты:

Кэтлин Даунс, лицензированный социальный работник и одна из наших ученых WITH Wiki, была менее чем впечатлена описанием спастического церебрального паралича в Википедии. Она загрузила на страницу свою детскую фотографию и внесла множество улучшений в ее содержание. «Сложная задача — найти информацию, написанную самими инвалидами», — написала Кэтлин в блоге о своем опыте курса.»Я надеюсь, что родитель, чей ребенок недавно был диагностирован, однажды в Google обнаружит спастический церебральный паралич, найдет мою страницу и поймет, что это не так уж и мрачно».

Кэтлин кормит оленя.

Еще один замечательный пример того, насколько мощным может быть курс для расширения доступа к хорошо изученной информации, можно увидеть в улучшениях, внесенных на страницу Википедии о немоте. Другой ученый Wiki добавил новые разделы, которых раньше не было на странице, включая дополнительную информацию об органических причинах, психологических причинах, причинах развития и неврологических причинах, а также лечении.Они также удвоили количество ссылок, цитируемых по всей странице. Нажмите здесь, чтобы увидеть «до», и здесь, чтобы увидеть текущее состояние страницы с улучшениями.

И на странице Закона о гражданских правах 1968 года не было рассказано о том, как Закон о справедливом жилищном обеспечении применяется к людям с ограниченными возможностями, до того как ученый Wiki добавил подраздел, посвященный этой теме. Только эта страница получила 26 000 просмотров с февраля.

Как обращаться

Wiki Education и фонд WITH считают, что привлечение экспертов к добавлению контента в Википедию может иметь длительный эффект.Мы призываем ученых-инвалидов, практикующих врачей-инвалидов и / или исследователей инвалидности подавать заявки. Мы настоятельно рекомендуем ученым и практикам с ограниченными возможностями подавать заявки! Хотите стать частью движения? Присоединяйтесь к следующему курсу!

• Даты курсов : 15 июня — 4 сентября (12 недель). Время встречи будет определено через регистрационную форму на основе общей доступности регистрантов.
• Обязательное время в неделю : 1 час виртуальной совместной встречи; 2 дополнительных часа самостоятельной работы
• Стоимость : Полная стоимость зачисления на этот курс покрывается фондом WITH Foundation.
• Цель : улучшить страницы Википедии, посвященной вопросам здравоохранения и инвалидности, — наиболее часто используемому ресурсу здравоохранения в мире.
• Подайте заявку здесь до 5 июня 2020 г. Кандидаты будут уведомлены о статусе приема до середины июня.

Узнайте больше о курсе, посетив wikiedu.org/WITH

Возраст-период-когортный анализ | Общественное здравоохранение Колумбии

Обзор

На этой странице кратко описывается когортный анализ «возраст-период» и приводится аннотированный список ресурсов.

Описание

Возраст Период Эффект когорты

Когортный анализ «Возрастной период» (APC) играет важную роль в понимании меняющихся во времени элементов эпидемиологии. В частности, анализ APC различает три типа изменяющихся во времени явлений: эффекты возраста, эффекты периода и эффекты когорты. (1)
Возрастные эффекты — это вариации, связанные с биологическими и социальными процессами старения, характерными для отдельных людей. (2) Они включают физиологические изменения и накопление социального опыта, связанные со старением, но не связанные с периодом времени или когортой рождения, к которой относится человек принадлежит.В эпидемиологических исследованиях возрастные эффекты обычно обозначаются различной частотой заболеваний в возрастных группах.
Эффекты периода являются результатом внешних факторов, которые одинаково влияют на все возрастные группы в определенное календарное время. Это может быть связано с рядом экологических, социальных и экономических факторов, например война, голод, экономический кризис. Методологические изменения в определениях результатов, классификациях или методах сбора данных также могут привести к эффектам периода в данных. (3)
Эффекты когорты — это вариации, возникающие в результате уникального опыта / воздействия группы субъектов (когорты) по мере их движения во времени.Наиболее часто определяемая группа в эпидемиологии — это когорта новорожденных, основанная на году рождения, и она описывается как разница в риске ухудшения здоровья на основе года рождения. Таким образом, когортный эффект возникает, когда распространение болезни, возникающее в результате воздействия, по-разному влияет на возрастные группы. В эпидемиологии когортный эффект концептуализируется как взаимодействие или изменение эффекта из-за эффекта периода, который по-разному проявляется в зависимости от возрастного воздействия или восприимчивости к этому событию или причине.(4)
В отличие от этой концептуализации когортного эффекта как модификации эффекта в эпидемиологии, социологическая литература рассматривает когортный эффект как структурный фактор, представляющий сумму всех уникальных воздействий, испытываемых когортой с рождения. В этом случае влияние возраста и периода рассматривается как факторы, влияющие на когортный эффект, и APC-анализ направлен на разделение независимого влияния возраста, периода и когорты. (4) Большинство стратегий анализа APC основаны на социологической модели когортного эффекта. концептуализировать независимый эффект возраста, периода и когортного эффекта.
Проблема идентификации в APC : APC-анализ направлен на описание и оценку независимого влияния возраста, периода и когорты на исследуемый исход для здоровья. Различные используемые стратегии направлены на разделение дисперсии на уникальные компоненты, связанные с возрастом, периодом и когортными эффектами (4). Однако существует серьезное препятствие для независимой оценки возраста, периода и когортных эффектов путем моделирования данных, что в APC известно как «проблема идентификации». Это связано с точной линейной зависимостью между возрастом, периодом и когортой: Период — Возраст = Когорта; то есть по календарному году и возрасту можно определить когорту (год рождения) (5).Наличие идеально коллинеарных предикторов (возраст, период и когорта) в регрессионной модели приведет к созданию единственной неидентифицируемой матрицы плана, по которой статистически невозможно оценить уникальные оценки для трех эффектов. (5)

Стандартные решения проблемы идентификации APC

Оценка ограниченных коэффициентов GLIM (CGLIM)
Популярным подходом к решению проблемы идентификации было использование регрессионного анализа на основе ограничений (оценка GLIM с ограниченными коэффициентами (CGLIM)).В этой стратегии на одну из категорий хотя бы одного предиктора накладываются дополнительные ограничения для одновременной оценки возрастного периода и когортного эффекта. Таким образом, если предположить, что некоторые категории возрастных групп, когорт или периодов времени имеют идентичное влияние на зависимую переменную, становится возможным оценить независимое влияние возрастного периода и когорты (6). Однако результаты этого анализа будут зависеть от ограничений, выбранных исследователем на основе внешней информации. Достоверность выбранных ограничений будет зависеть от теоретических предубеждений относительно категорий параметров, которые идентичны, часто являются субъективными, и нет эмпирического способа подтвердить достоверность выбранных ограничений (4).
Подход с прокси-переменными
Используйте одну или несколько прокси-переменных в качестве суррогатов для коэффициентов возраста, периода или когорты (7)
Подход с нелинейным параметрическим (алгебраическим) преобразованием
Определите нелинейную параметрическую функцию одного из возраста, периода , или когортные переменные, чтобы их отношение к другим было нелинейным.
Метод внутренней оценки
Это новый метод, разработанный за последние 10 лет и связанный с анализом главных компонентов, который решает проблему идентификации, когда объясняющие переменные сильно коррелированы.Хотя IE также накладывает ограничения на параметры, аналогичные CGLM, ограничения менее субъективны и не влияют на оценку параметров регрессии для возраста, периода или когорты (4,5). Исследования по валидации моделей подтвердили надежность статистических свойств IE путем сравнения результатов анализа эмпирических данных IE с результатами анализа тех же данных с помощью другого семейства моделей, которые не используют одно и то же идентифицирующее ограничение (5).
Медианный польский анализ
Эпидемиологическое определение когортного эффекта как зависимости возраста от периода является основой для медианного польского анализа.Он извлекает нелинейность в эффектах возраста и периода и разделяет нелинейную дисперсию на эффект когорты и случайную ошибку (4). Другими словами, этот подход оценивает взаимодействие возраста и периода, которое выходит за рамки того, что можно было бы ожидать от их аддитивного влияния.

Руководство по оценке моделей APC (на основе Янга и Лэнда) (5):

1. Описательный анализ данных посредством графического представления данных — это первый шаг в анализе APC. Это помогает в качественной оценке закономерностей временных вариаций

2. Исключите, что данные можно объяснить с помощью какой-либо одно- или двухфакторной модели возраста, периода времени и когорты.Статистика согласия часто используется для сравнения сокращенных логарифмически линейных моделей: трех отдельных моделей для возраста, периода и когортных эффектов; и три двухфакторные модели, по одной для каждой из трех возможных пар эффектов, а именно модели эффектов AP, AC и PC. Затем все эти модели сравниваются с полной APC-моделью, в которой все три фактора контролируются одновременно. Используются два наиболее часто используемых критерия выбора модели штрафного правдоподобия, а именно: информационный критерий Акаике (AIC) и байесовский информационный критерий (BIC). для оценки модели, поскольку тесты отношения правдоподобия, как правило, отдают предпочтение моделям с большим количеством параметров.BIC и AIC регулируют влияние размеров модели на отклонения модели.

3. Если описательный анализ показывает, что все три измерения A, P и C не работают, то анализ может быть завершен с помощью сокращенной модели, в которой не используется нерабочий параметр, и проблема идентификации отсутствует.

4. Если, однако, эти анализы предполагают, что все три измерения работают, используйте один из специальных методов анализа APC

Медиана польского анализа — практический пример (3)

Таблица (3) демонстрирует проблему идентификации, где три компонента (возраст, период и когорта) полностью коррелированы.Чтобы идентифицировать когорты, нам нужно знать только период и возрастную группу: мы вычитаем раннюю возрастную группу из верхней и нижней границы периода (например, люди, которым было 10-14 лет в 1950-1954 годах, мы вычитаем 10 из 1950 и 1954 годов, чтобы получить обозначьте интервал когорты как 1940-1944). (9) Выделенные цветом диагональные поля показывают частоту для каждой когорты по мере их старения. Таблицы непредвиденных обстоятельств не могут оценить взаимоисключающий риск когорт из-за перекрытия когорт. Это соглашение может привести к неправильной классификации некоторых людей, но основная цель анализа возраст-период-когорта состоит в оценке общих тенденций в конкретной когорте, а не в точной количественной оценке «истинного» причинного риска.Перекрывающиеся когорты напоминают нам о недопустимости чрезмерной интерпретации оценок. Мы также ограничены отсутствием данных. Например, у нас есть только одна точка данных для самой молодой группы населения (в возрасте 10–14 лет в 2000–2004 годах). Используя эту таблицу, мы можем выполнить начальное графическое представление в виде линейного графика в Microsoft Excel.

Два графика были созданы с использованием линейных диаграмм в Microsoft Excel. Чтобы построить оба графика, мы просто изменили порядок данных с помощью функции «Переключить строку / столбец».Эти два графических представления позволяют нам оценивать любые закономерности в данных. Ограничение состоит в том, что любой результат может представлять собой сочетание двух или более эффектов.

Срединная полировка устраняет аддитивные эффекты возраста и периода путем итеративного вычитания медианного значения каждой строки и столбца. (6) Первым шагом в полировке медианы является вычисление медиан для каждой строки, см. Таблицу 2:

.

Следующим шагом будет вычитание медианы строки из каждого значения в строке, например, в первой строке мы вычтем 0.610 минус 0,790 = -0,18. Во второй строке (15-19 лет) мы использовали ту же процедуру 6.330 — 5.770 = 0.56, а затем для каждой ячейки в таблице. Это создало таблицу с новыми значениями, см. Таблицу 3:

Следующим шагом является вычисление медианы столбца для новых значений, а затем вычитание медианы столбца из каждой ячейки в столбце, например -0,18 — 19,08 = -19,26. После создания новой таблицы со значениями вычитания каждого медианного столбца для каждой ячейки мы переходим к вычислению медианы строки (третья итерация).В результате этих итераций медианы строк и столбцов будут равны нулю. В этом примере потребовалось 6 итераций, чтобы получить нулевые медианы строк и столбцов, см. Таблицу 4:

.

Таблица 4 содержит значения остатков после 5 итераций. Эти остатки представляют собой коэффициенты, свободные от аддитивного влияния возраста и периода. Обратите внимание, что в данных для возрастных групп 75–79 и 80–84 лет между 1910 и 1939 годами отсутствуют значения. Если мы заменим отсутствующие значения на нулевые ставки, расчетные остатки будут смещены.Полная процедура была выполнена в Microsoft Excel. Чтобы проверить правильность этих остатков, мы создали новую таблицу с произведением вычитания остаточной стоимости из исходного набора значений в таблице 1. Результат вычитаний используется для создания линейной диаграммы. Эта линейная диаграмма позволяет нам проверить достоверность остатков, и мы ожидаем, что линии будут идеально параллельны. Поскольку мы вычитаем остатки, представляющие когортные эффекты, из исходных значений, мы оцениваем любой эффект возраста или периода, свободный от когортных эффектов.См. Графики 3 и 4:

Процедура медианной полировки доступна в бесплатном программном обеспечении R (8). См. Следующий синтаксис:

mpdata <- read.csv («C: /Users/mydocs/suicidemp.csv», заголовок = FALSE, stringsAsFactors = FALSE)
mpdata
rownames (mpdata) <- c («10-14», «15-19 »,« 20–24 »,« 25–29 »,« 30–34 »,« 35–39 »,« 40–44 »,« 45–49 »,« 50–54 »,« 55–59 », «60-64», «65-69», «70-74», «75-79», «80-84»)
столбцов (mpdata) <- c («1910-1914», «1915-1919» , «1920-1924», «1925-1929», «1930-1934», «1935-1939», «1940-1944», «1945-1949», «1950-1954», «1955-1959», « 1960-1964 »,« 1965-1969 »,« 1970-1974 »,« 1975-1979 »,« 1980-1984 »,« 1985-1989 »,« 1990-1994 »,« 1995-1999 »,« 2000- 2004 ”)
mpdata
med.p <- medpolish (mpdata, na.rm = TRUE)
med.p

Медианные результаты полировки могут быть получены без какого-либо преобразования скоростей, но использование логарифмического преобразования скоростей перед процедурой медианного полирования даст оценку взаимодействия по мультипликативной шкале (или логарифмически-аддитивный эффект). Мы повторили нашу процедуру полировки медианы, используя логарифмическое преобразование показателей самоубийств. Для получения логарифмически преобразованных остатков исходной таблицы с помощью программного обеспечения R мы создали новую функцию, заменяющую коэффициенты для преобразованных в журнал коэффициентов (заметил жирный шрифт в синтаксисе):

medpolish3 <- функция (x, eps = 0.01, maxiter = 10L, trace.iter = TRUE, na.rm = FALSE)
{
z <- as.matrix ( log (x) )
nr <- nrow (z)
nc <- ncol (z )
t <- 0
r <- numeric (nr)
c <- numeric (nc)
oldsum <- 0
for (iter in 1L: maxiter) {
rdelta <- apply (z, 1L, median, na .rm = na.rm)
z <- z - матрица (rdelta, nrow = nr, ncol = nc)
r <- r + rdelta
delta <- median (c, na.rm = na.rm)
c <- c - delta
t <- t + delta
cdelta <- apply (z, 2L, median, na.rm = na.rm)
z <- z - matrix (cdelta, nrow = nr, ncol = nc, byrow = TRUE)
c <- c + cdelta
delta <- median (r, na.rm = na.rm )
r <- r - delta
t <- t + delta
newsum <- sum (abs (z), na.rm = na.rm)
конвергировано <- newsum == 0 || abs (newsum - oldsum) if (сходится)
break
oldsum <- newsum
if (trace.iter)
cat (iter, «:«, newsum, «\ n», sep = «»)
}
if (сходится) {
if (trace.iter)
cat («Final:«, newsum, «\ n», sep = «»)
}
else warning (sprintf (ngettext (maxiter, «medpolish ( ) не сходилось на% d итерации »,« medpolish () не сходилось на% d итерациях »), maxiter), domain = NA)
names (r) <- rownames (z)
names (c) <- colnames (z)
ans <- list (total = t, row = r, col = c, остатки = z, name = deparse (replace (x)))
class (ans) <- «medpolish»
ans
}

мед.p2 <- medpolish3 (mpdata, na.rm = TRUE)

Данные сохраняются в виде файла с разделителями-запятыми (.csv), удобного формата для чтения в R. Обратите внимание на команду для медианной полировки, опция пропущенных данных включена, в противном случае процедура сообщит об ошибке. Оба набора остатков, созданные в Excel и R, равны.
Мы изменили форму данных по когортам и построили график остатков в зависимости от категории когорты. См. Следующую таблицу:

Мы вычислили среднее значение для каждой когорты, а затем эти логарифмически преобразованные остатки использовали для построения графика по когортам.Этот график помогает оценить распределение остатков, где любое значительное отклонение от нуля будет свидетельствовать о сильном когортном эффекте для этой когорты, см. Следующий график:

Код STATA для построения остатков:

График средних значений остатков полировки, ПРИМЕР КНИГИ (логарифмическая шкала)
использовать «C: \ Users \ mydocs \ suicide_data.dta», очистить
переименовать var2 var1
……
переименовать var16 var15
egen mean = rowmean (var *)
изменить форму long var, i (когорта) j (count)
drop if var ==.
метка определяет когорту 1 «1830-1834» 2 «1835-1839»… 32 «1985-1989» 33 «1990-1994»
значения метки когорта когорта
переименовать var Остаточный
двухсторонний (разброс Остаточная когорта, msize (vsmall)) (связанная средняя когорта, msize (vsmall) msymbol (треугольник) lwidth (thin) lpattern (сплошной)), ytitle (Median Polish Residuals) yscale (range (-2 2)) ylabel (# 7) xtitle (Cohort) xlabel (# 33, ярлыки labsize (маленький) угол (вертикальный) labgap (minuscule) valuelabel) название (, размер (medsmall) кольцо (0)) легенда (размер (маленький))

Эти остатки помогают нам оценить величину когортного эффекта, используя линейную регрессию значений остатков по когортам.Здесь мы выбираем 1910-1914 гг. В качестве контрольной когорты. Как и на графике 6, похоже, что когорты, родившиеся после 1950 года, имели статистически значимо более высокий риск самоубийства по сравнению с когортой 1910–1014 годов. Коэффициенты, рассчитанные с помощью линейной регрессии, имеют логарифмическую шкалу, для оценки соотношений скоростей мы использовали функцию экспоненты для каждого коэффициента [exp (x)].

Код STATA для регрессии остатков уровня самоубийств.

символьная когорта [опустить] 17
xi: регресс Остаточный i.когорта

1. Yang Y, Schulhofer ‐ Wohl S, Fu WJ, Land KC. Внутренний оценщик для возрастного периода-когортного анализа: что это такое и как его использовать 1. Американский журнал социологии 2008; 113 (6): 1697-736.

2. Reither EN, Hauser RM, Yang Y. Имеют ли значение когорты рождения? Возраст-период-когортный анализ эпидемии ожирения в США. Социальные науки и медицина 2009; 69 (10): 1439-48.

3. Киз К.М., Ли Г. Моделирование возраста – периода – когорты.Исследование травм: Springer, 2012: 409-26.

4. Киз К.М., Утц Р.Л., Робинсон В., Ли Г. Что такое когортный эффект? Сравнение трех статистических методов моделирования когортных эффектов распространенности ожирения в США, 1971–2006 гг. Soc Sci Med 2010; 70 (7): 1100-8

5. Ян, Ян и Кеннет К. Лэнд. Возраст-период-когортный анализ: новые модели, методы и эмпирические приложения. CRC Press, 2013

6. Мейсон, Карен Оппенгейм и др.«Некоторые методологические вопросы когортного анализа архивных данных». Американский социологический обзор (1973): 242-258

7. О’Брайен, Р.М. 2000. «Характеристики когортных моделей возрастного периода». Исследования в области социальных наук 29: 123-139

8. http://www.r-project.org/

9. Киз К.М., Ли Г. Многофазный метод оценки когортных эффектов в данных таблицы сопряженности возраст-период. Ann Epidemiol 2010; 20: 779-785.

Показаний

Учебники и главы

• Ян, Ян и Кеннет К.Земля. Возраст-период-когортный анализ: новые модели, методы и эмпирические приложения. CRC Press, 2013.

• Киз, Кэтрин М. и Гохуа Ли. «Возраст – период – когортное моделирование». Исследование травм. Springer US, 2012. 409-426.

• Гленн, Норвал Д., изд. Когортный анализ. Vol. 5. Сейдж, 2005 г.

• Хобкрафт, Джон, Джейн Менкен и Сэмюэл Престон. Возраст, период и когортные эффекты в демографии: обзор. Спрингер Нью-Йорк, 1985.

Методические статьи

• Райдер, Норман Б. «Когорта как концепция в исследовании социальных изменений». Американский социологический обзор (1965): 843-861

• Мейсон, Карен Оппенгейм и др. «Некоторые методологические вопросы когортного анализа архивных данных». Американский социологический обзор (1973): 242-258

• Мейсон, Уильям М. и Стивен Э. Финберг. «Когортный анализ в социальных исследованиях: за пределами проблемы идентификации.”(1985)

• Ян, Ян и др. «Внутренний оценщик для анализа возраст-период-когорт: что это такое и как его использовать1». Американский журнал социологии 113,6 (2008): 1697-1736.

• Киз, Кэтрин М. и др. «Что такое когортный эффект? Сравнение трех статистических методов моделирования когортных эффектов на распространенность ожирения в Соединенных Штатах, 1971–2006 гг. » Социальные науки и медицина 70.7 (2010): 1100-1108.

• Киз, К.И Ли, Г., Моделирование возрастных периодов и когорт. В Ли, Г. и Бейкер, С. (ред.), Исследование травм: теории, методы и подходы. Springer, Глава 22, страницы 409-426. Нью-Йорк, 2012

Прикладные статьи

• Киз, Кэтрин М. и др. «Возраст, период и когортные эффекты при психологическом дистрессе в США и Канаде». Американский эпидемиологический журнал (2014 г.): kwu029.
  

Сайты

http: // yangclaireyang.web.unc.edu/research/age-period-cohort-analysis-new-models-methods-and-empirical-applications/

CLS | Когортное исследование Millennium

Административные данные соответствующих государственных ведомств и агентств были связаны с данными обследований в области здравоохранения и образования. Данные доступны для доступа через Службу данных Великобритании. До 16 лет эти связи основаны на согласии родителей, полученном в разное время. В 17 лет мы попросили членов когорты дать согласие.

Здравоохранение
Связанные данные о состоянии здоровья доступны из регистрационных записей о рождении и материнских записей на основании согласия родителей вскоре после рождения. Мы работаем над тем, чтобы связать статистику госпитальных эпизодов (HES) для Англии, и уже связали некоторые данные о состоянии здоровья для Шотландии и Уэльса.

Связанные данные о состоянии здоровья доступны в Scottish Medical Records (SMR) за 2000–2015 гг. (Амбулаторный, стационарный и дневной уход, материнство, информационная система по рецептам).

Для Уэльса доступно количество стационарных и дневных госпитализаций в возрасте от 0 до 11 лет.Ряд валлийских медицинских записей вплоть до 14-летнего дня рождения членов когорты также можно связать с данными когорты через банк данных SAIL, включая данные о здоровье детей, отделении неотложной помощи, базе данных эпизодов пациентов и данные терапевта первичной медико-санитарной помощи.

Образование
Для членов когорты в Англии для ключевых этапов 1, 2 и 4 доступны связанные данные об образовании на уровне учеников из Национальной базы данных учеников, включая результаты экзаменов, а также информацию об пропусках занятий, этнической принадлежности, языках, на которых говорят дома, особые образовательные потребности и право на бесплатное школьное питание.Также доступны данные на уровне школы.

Для Шотландии и Уэльса данные ключевого этапа 1 доступны через UKDS. В Уэльсе записи об образовании до ключевого этапа 4 включительно также могут быть связаны с данными когорт через банк данных SAIL.

Будущее связывание данных
В возрасте 17 лет членов когорты попросили разрешить связать данные из обширного диапазона административных записей с данными обследования MCS. Сюда входит информация о:

• здоровье (из больничных карт)
• записи об образовании и обучении после 16 лет
• заявки на высшее образование и предложения
• выплаты студенческих ссуд
• записей, хранимых Министерством труда и пенсий и Налогово-таможенной службой Ее Величества, в том числе о заявках на пособия, участии в программах занятости, рабочих местах, доходах, налогах и государственном страховании
• криминальных записей.

Мы стремимся к установлению этих связей с целью сделать связанные административные данные, включая данные, которые в настоящее время доступны только через банк данных SAIL, через Службу данных Великобритании. В настоящее время мы подаем заявку на ссылку на данные HES, которые будут включать данные COVID-19, и планируем обновить связи SMR.

случай-когорта% 2520 исследование

Когортные исследования случаев

В когортных исследованиях мы стремимся достичь той же цели, что и в когортных исследованиях, но более эффективно, используя выборку знаменателей облученных и необлученных когорт [1].Правильно проведенные когортные исследования предоставляют информацию, которая должна отражать то, что можно было бы узнать из когортного исследования.

Мы будем называть «исходной популяцией» популяцию, порождающую случаи заболевания. Исходная популяция включает облученные и необлученные когорты, и в этой исходной популяции мы могли бы провести когортное исследование, сравнивая риск или уровни заболеваемости между подвергнутыми и необлученными когортами.

Если вместо этого мы решим провести когортное исследование, мы включим те же случаи и классифицируем их как выявленные или необнаруженные.Другими словами, мы начинаем с выбора случаев, что является характеристикой исследования «случай-контроль». Вместо того, чтобы получать информацию о воздействии от всех лиц, составляющих знаменатели подвергшихся и необлученных когорт, что было бы характеристикой когортного исследования, мы используем только их выборку. Цель этой выборки — оценить относительный размер подвергшихся и необлученных компонентов исходной популяции (доля облученных в исходной популяции в начале когорты).

Для этого мы выбираем случайную выборку из всей исходной совокупности. Если эта выборка является беспристрастной (выборка проводится независимо от статуса воздействия), мы ожидаем (без учета вариации выборки) распределение подвергшихся и не подвергавшихся воздействию людей в выборке будет отражать распределение воздействия в исходной совокупности в начале когорты. Это важный аспект когортных исследований. Выборка должна быть репрезентативной для населения, вызывающего случаи (исходная популяция) в отношении воздействия.

Таким образом, можно представить себе когортные исследования случаев как вложенные в группы людей, подвергшихся и не подвергавшихся воздействию. Любое когортное исследование можно рассматривать как вложенное из исходной популяции. Группа выборки (контрольная группа) — это образец знаменателя, присутствующий в начале когорты.

Из когортного исследования, измеряющего риск заболевания в когортах, подвергшихся и не подвергавшихся воздействию, мы можем составить следующую таблицу результатов:

Таблица 1

Воздействие	ящиков	Население группы риска	IP	Коэффициент риска
Есть	a	Ne	a / Ne	a / Ne / c / Nu
Нет	б	Nu	с / ню

Если бы, вместо того, чтобы изучать все знаменатели экспонированных и необлученных, мы проводили их выборку (скажем, 10%), у нас была бы следующая таблица:

Таблица 2

Воздействие	Ящики	Выборка из исходной совокупности
Есть	a	Ne / 10
Нет	б	Nu / 10

Очевидно, что риск заболевания не может быть рассчитан из приведенной выше таблицы, поскольку знаменатели, взятые из подвергшихся и не подвергавшихся воздействию групп, составляют лишь часть выборки этих двух популяций.Однако, если риск больше не может быть вычислен для подвергнутого и неэкспонированного воздействия, соотношение рисков останется прежним. Если при расчете коэффициента риска мы заменим знаменатели 10% -ными выборками, представляющими их, мы получим такое же значение для отношения рисков.

Когда выборка выбирается случайным образом из исходной совокупности, коэффициент риска, вычисленный с использованием выборки, равен отношению риска, вычисленному для всех когорт.

Поскольку мы случайным образом выбираем контрольные группы из исходной популяции, как это было в начале исследования (до возникновения заболевания), может случиться так, что люди, которые позже станут заболевшими, будут выбраны в качестве контрольных.Поэтому некоторые лица могут фигурировать как в группах наблюдения, так и в группах контроля. Это не должно вызывать удивления. В когортном исследовании случаи подсчитываются в числителе и знаменателях подвергшихся и необлученных. То же самое относится и к тематическим когортным исследованиям, поскольку мы используем выборку подвергшихся и не подвергавшихся воздействию людей из исходной популяции. Нас беспокоит не статус заболевания контрольной группы, а статус ее воздействия. Цель контрольной группы — правильно отразить экспозицию в исходной популяции, и эта исходная популяция изначально включает людей, которые позже станут инфицированными.Исключение будущих случаев приведет к переоценке соотношения рисков, особенно когда заболеваемость высока.

Когда проводить когортное исследование?

Когортные исследования не пользуются большой популярностью. Их концепция не совсем понятна до такой степени, что некоторые журналы отклонят когортное исследование случая на том основании, что контрольная группа включает случаи. Когортные исследования случаев — очень подходящий дизайн, когда заболеваемость высока. Они обеспечивают прямую оценку соотношения рисков.Они не подходят, если воздействие меняется с течением времени (если воздействие измеряется в начале периода последующего наблюдения и отличается от общего опыта воздействия в течение всего периода исследования).

NB. Когортные исследования — это разновидность исследований случай-контроль, где контрольные группы просто репрезентативны для исходной популяции с точки зрения воздействия (как всегда должны быть контроли). В литературе вы можете найти «исследования случай-когорта», цитируемые как «исследования случай-контроль», и «традиционные исследования случай-контроль», цитируемые как «исследования случай — не случай», поскольку в последнем случае контроль фактически не относится к случаям. .

Список литературы

---

1. Ротман К.Дж. Эпидемиология. Введение. Oxford University Press, Нью-Йорк, 2002.

2. Ле Полен де Вару О., Магуайр Х., Морен А. Дизайн когорты случаев при расследовании вспышек. Euro Surveill. 2012; 17 (25): pii = 20202. Доступно в Интернете: http://www.eurosurveillance.org/ViewArticle.aspx?ArticleId=20202

Глоссарий | ARPANSA

Глоссарий | АРПАНСА Перейти к основному содержанию Перейти к навигации по разделу

Абсолютный риск

Статистический показатель, используемый в эпидемиологических исследованиях для описания вероятности возникновения заболевания при определенных условиях.Абсолютный риск рассчитывается делением количества случаев заболевания в группе на общее количество людей в этой группе.

Острый эффект

Биологическое воздействие или воздействие на здоровье с симптомами, которые быстро развиваются в результате воздействия вещества или агента. Эти симптомы могут исчезнуть, а могут и не исчезнуть после прекращения воздействия.

Основное ограничение

Обязательный предел воздействия определенного электромагнитного поля (например, усредненное по времени воздействие на частоте 2450 МГц).Защита от установленных неблагоприятных воздействий на здоровье требует, чтобы не превышались основные ограничения.

Доброкачественная (опухоль)

Опухоль или новообразование, не являющиеся злокачественными, т. Е. Не распространяющиеся на окружающие ткани или другие части тела. (См. Также определение MedlinePlus)

Смещение

Любая систематическая ошибка в исследовании, которая может привести к выводам, отличным от истины.

Канцероген

Агент (химический, физический или биологический), непосредственно участвующий в инициировании или развитии рака.(См. Также определение в Википедии)

Корпус

Человек (или животное) в исследовании с интересующим заболеванием (или другим исходом). (См. Исследование случай-контроль)

Исследование случай-контроль

Тип эпидемиологического исследования, в котором сравниваются субъекты, у которых есть заболевание или состояние (случаи), с аналогичными субъектами, у которых нет заболевания или состояния (контрольная группа). В исследовании случай-контроль изучаются истории болезни и образа жизни субъектов в каждой группе, чтобы узнать, какие факторы могут быть связаны с интересующим заболеванием или состоянием.(См. Также определение Женевского фонда медицинского образования и исследований)

История болезни

Клиническая оценка и история болезни пациента. Отчеты о случаях полезны, когда заболевание встречается редко. (См. Также определение в Википедии)

Причинно-следственная связь

В широком смысле причинность — это связь между причиной и следствием. В биологии и медицине причина — это воздействие, а следствие — возникшее заболевание или состояние. Важно понимать, что даже если обнаружена связь между воздействием и заболеванием, эту связь нельзя автоматически интерпретировать как причинную.Связь может быть не только причинной, но и результатом случайности, предвзятости или смешения. (См. Также определение в Википедии)

Хронический эффект

Биологическое воздействие или воздействие на здоровье с симптомами, которые развиваются медленно из-за длительного и непрерывного воздействия вещества или агента, например рак.

Познание

Психические или мыслительные процессы, включая восприятие, память, суждения, рассуждения и т. Д. (См. Также определение в Википедии)

Когортное исследование

Тип эпидемиологического исследования, в котором конкретный результат, например, заболевание, сравнивается в соответствии с предполагаемым фактором (фактором, который, как предполагается, влияет на шансы приобретения заболевания) в группе лиц, которые каким-либо образом связаны (когорта).В проспективном когортном исследовании группа лиц отслеживается с течением времени, чтобы определить, как предполагаемый фактор влияет на показатели интересующего результата. В ретроспективном когортном исследовании данные собираются из прошлых записей когорты. (См. Также определение Женевского фонда медицинского образования и исследований)

Доверительный интервал (ДИ)

Диапазон значений интересующего параметра с указанной вероятностью включения истинного значения параметра.Таким образом, доверительный интервал или CI используется для указания надежности оценки интересующего параметра. Указанная вероятность называется уровнем достоверности, обычно выражается в процентах; таким образом, говорят о «95% доверительном интервале». Увеличение желаемого уровня достоверности расширит доверительный интервал. Например, исследование показало, что средний рост учеников в классе 6-го класса составляет (см. Также определение в Википедии)

Confounder

Посторонний фактор в исследовании, связанный как с вероятной причиной, так и с результатом.Смешивающий фактор может скрывать действительную связь или ложно демонстрировать очевидную связь между собой и результатом, когда реальной связи между ними не существует. Если смешивающие факторы не измеряются и не учитываются, систематическая ошибка может привести к заключению исследования. (См. Также определение в Википедии)

Непрерывная волна (CW)

Электромагнитная волна постоянной амплитуды и частоты.

Контроль

Образец или субъект (животное / человек), в котором исследуемый параметр (причина или следствие) отсутствует или остается постоянным, чтобы обеспечить сравнение.В экспериментальном исследовании экспериментальная группа подвергается воздействию рассматриваемого фактора, в то время как контрольная группа соответствует экспериментальной группе во всех аспектах, за исключением того, что она не подвергается воздействию исследуемого фактора (см. Также Википедию). В эпидемиологическом исследовании случай-контроль контроль — это субъект без изучаемого заболевания или состояния.

Дизайн кроссовера

Дизайн исследования, в котором субъекты получают последовательность различных воздействий e.г. некоторые субъекты могут получить экспозицию, а затем фальсификацию, в то время как другие могут сначала получить фальшивку, а затем экспозицию

Поперечное исследование

Тип эпидемиологического исследования, целью которого является описание взаимосвязи между заболеванием или исходом и другими интересующими факторами, поскольку они существуют в подгруппе населения в определенный момент времени. Поскольку и результат, и факторы измеряются в один и тот же момент времени, эти исследования не демонстрируют причинно-следственных связей.(См. Также определение в Википедии)

Группа заболеваний

Кластер заболеваний — это наличие большего, чем ожидалось, количества случаев конкретного заболевания в группе людей в географической области за период времени

Доза-реакция

Взаимосвязь между величиной воздействия (дозой) агента и результирующими изменениями эффекта (реакции). (См. Также определение в Википедии)

Дозиметрия

Определение (расчетом или измерением) поглощения энергии (или напряженности поля) в веществе и тканях в результате воздействия известного количества ионизирующего или неионизирующего излучения.

Двойной слепой эксперимент

Экспериментальная процедура, при которой ни участники эксперимента, ни исследователи не знают критических аспектов эксперимента (например, кто принадлежит к контрольной группе или экспериментальной группе). Двойной слепой эксперимент используется для обеспечения беспристрастности и предотвращения ошибок, связанных с предвзятостью. (См. Также определение в Википедии)

Экологическое исследование

Тип эпидемиологического исследования, при котором данные анализируются на уровне населения или группы, а не на индивидуальном уровне.Они недороги и просты в выполнении с использованием регулярно собираемых данных, но они склонны к предвзятости и ошибочности. (См. Также определение в Википедии)

Электрическое поле

Область вокруг электрического заряда, в которой электрическая сила действует на другой заряд. Сила электрического поля в данной точке определяется как сила, которая будет действовать на положительный испытательный заряд, помещенный в эту точку, и измеряется в единицах вольт на метр (В / м). (См. Также определение в Википедии)

Электромагнитное поле

Физическое поле, создаваемое комбинацией электрического и магнитного полей.Электрическое поле создается неподвижными электрическими зарядами, а магнитное поле — движущимися электрическими зарядами (токами). (См. Также определение в Википедии)

Электромагнитная гиперчувствительность

Заболевание (обычно сообщаемое самими пациентами), характеризующееся множеством неспецифических симптомов, которые люди связывают с воздействием электромагнитных полей на уровнях ниже международных стандартов. Всемирная организация здравоохранения (ВОЗ) не относит симптомы электромагнитной гиперчувствительности к каким-либо признанным синдромам.(См. Также информационный бюллетень ВОЗ)

Чрезмерный относительный риск

Статистическая мера, используемая в эпидемиологических исследованиях для описания процентного изменения воздействия, приводящего к определенному исходу для здоровья, превышающему исходный риск.

Например, если когортное исследование воздействия радона и рака легких сообщило о повышенном относительном риске 0,16 на 100 Беккереля / м ³ , это означало бы, что существует повышенный риск на 16% для облученного населения выше исходного риска.

Эпидемиологическое исследование

Тип исследования, изучающего характер, частоту и причины заболеваний среди населения (определение эпидемиологии см. Также Всемирной организацией здравоохранения). Наиболее распространенными типами эпидемиологических исследований являются исследования методом случай-контроль, когортные исследования и перекрестные исследования.

Чрезвычайно низкая частота

Частотный диапазон, занимающий нижнюю часть электромагнитного спектра от 0 до 3000 Гц. Чрезвычайно низкочастотный диапазон включает частоту сети 50 Гц, которая в Австралии связана с производством, распределением и использованием электроэнергии.(См. Также информационный бюллетень по сверхнизкочастотным электрическим и магнитным полям)

Дальнее поле

Область электромагнитного поля, достаточно удаленная от источника передачи (например, мобильного телефона, антенны связи), чтобы свойства поля были более предсказуемыми, где измерение одного свойства поля можно использовать для расчета других для оценки воздействия. Кроме того, уменьшение напряженности поля с удалением от источника в этой области следует закону обратных квадратов.

Генотоксичность

Вредное действие на генетический материал клетки, влияющее на ее целостность. Известно, что генотоксические агенты являются потенциально канцерогенными (вызывающими рак), мутагенными (вызывающими мутации) или тератогенными (вызывающими врожденные дефекты). (См. Также определение в Википедии)

Герц (Гц)

Единица измерения частоты, определяемая как количество циклов в секунду. (См. Также определение в Википедии)

Неоднородность

Описывает различия в свойствах набора данных или между разными наборами данных или разными исследованиями (например,г. в метаанализе). (См. Также определение в Википедии)

Заболеваемость

Мера риска развития заболевания или состояния в течение определенного периода времени. Обычно выражается в виде показателя заболеваемости, который представляет собой количество новых случаев в расчете на группу риска в течение указанного периода времени. Например, за период 2001–2005 годов уровень заболеваемости раком среди детей в возрасте 0–14 лет в Австралии составлял 14 на 100 000 (Источник: Австралийский институт здравоохранения и социального обеспечения) (см. Также определение в Википедии)

Исследование in vitro

Экспериментальное исследование биологических свойств части составных частей организма (например,г. органы, ткани, клетки, биомолекулы и т. д.) и выполняются в контролируемой среде, например в пробирке. По сравнению с исследованиями in vivo исследования in vitro значительно быстрее, дешевле и могут проводиться с меньшими соображениями этики и безопасности. Однако, поскольку условия тестирования in vitro могут не соответствовать условиям внутри организма, это может привести к результатам, которые не отражают ситуацию, возникающую в живом организме. (См. Также определение в Википедии)

Исследование in vivo

Экспериментальное исследование биологических свойств всего живого организма.Исследования in vivo намного дороже и часто сложнее, чем исследования in vitro. Однако они лучше подходят для наблюдения за общим воздействием эксперимента на живой организм. (См. Также определение в Википедии)

Ионизирующее излучение

Излучение в форме субатомных частиц или электромагнитных волн, обладающих достаточной энергией, чтобы во время взаимодействия с атомом сильно связанные электроны могли быть удалены с орбиты атома, в результате чего атом стал заряженным или ионизированным.Этот процесс может вызвать химические изменения, разрывая химические связи, которые, в свою очередь, могут вызвать повреждение живой ткани. (См. Также информационный бюллетень по ионизирующим и неионизирующим излучениям)

Латентный период

Время, прошедшее между воздействием агента и клиническим началом заболевания.

Магнитное поле

Область, где сила создается электрическими токами, которые могут быть макроскопическими токами в проводах или микроскопическими токами, связанными с электронами на атомных орбитах (например, в магнитных материалах).Сила магнитного поля определяется как сила, действующая на движущийся заряд, и измеряется в обычных единицах Тесла (Тл) или Гаусс (Г), где 1Тл = 10000Гс. (См. Также определение в Википедии)

Злокачественная (опухоль)

Опухоль, которая может поражать и разрушать близлежащие ткани и распространяться (метастазировать) в другие части тела. (См. Также определение в Википедии)

Медиана

Один тип среднего значения в наборе значений данных, найденный путем упорядочивания значений в порядке возрастания и последующего выбора среднего значения (см. Также определение в Википедии)

Мета-анализ

Статистический анализ, объединяющий результаты нескольких исследований, посвященных схожей теме исследования.Преимущество метаанализа состоит в том, что он объединяет все исследования по определенной теме в одно большое исследование с большим количеством участников. Недостатком является то, что исследования, результаты которых объединяются, могут иметь разные методологии и экспериментальные протоколы (т.е.они проводятся по-разному), а результаты могут быть неточными и трудными для интерпретации. (См. Также определение в Википедии)

Микроволновая печь

Электромагнитное излучение в радиочастотном диапазоне от 300 МГц до 300 ГГц

Ошибочная классификация

Тип систематической ошибки в эпидемиологических исследованиях, возникающий из-за ошибок в классификации воздействия или исхода в различных группах исследования (например,г. отнесение субъекта к категории курильщиков, когда он / она не курят, или отнесение субъекта к категории больных раком легких, когда он / она здоров). (См. Также определение в Википедии)

Заболеваемость

Наличие болезни или состояния здоровья. Уровень заболеваемости — это количество новых случаев, страдающих определенным заболеванием или состоянием здоровья среди всего населения за определенный период времени.

Смертность

Уровень смертности населения. Уровень смертности — это отношение количества смертей (в целом или по определенной причине) в популяции к общей численности этого населения за определенный период времени, например, количество смертей на 100 000 человек в год.

Ближнее поле

Ближнее поле — область электромагнитного поля, которая находится в непосредственной близости от источника передачи (например, мобильного телефона, антенны связи). В этой области поведение свойств поля непредсказуемо, что требует отдельного измерения компонентов электрического и магнитного поля для точной оценки воздействия.

Эффект ноцебо

Неблагоприятное воздействие на здоровье, вызванное психологическими факторами из-за убеждения человека в том, что что-то вредно.

Неионизирующее излучение

Тип электромагнитного излучения, которое не несет достаточно энергии для ионизации атомов, то есть для полного удаления электрона с орбиты атома. В электромагнитном спектре неионизирующее излучение простирается от электрических и магнитных полей крайне низкой частоты до радиочастотной, микроволновой и видимой частей спектра до ультрафиолетового диапазона. (См. Также информационный бюллетень по ионизирующим и неионизирующим излучениям)

Отсутствие ответа

Неспособность получить данные от людей, выбранных в ходе опроса или исследования, которые решили не принимать участие или которых невозможно получить по другим причинам.Отсутствие ответа может увеличить вероятность предвзятости, например когда респонденты отличаются от не респондентов. (См. Также определение в Википедии)

Соотношение шансов (ОШ)

Статистический показатель, используемый в эпидемиологических исследованиях для описания силы связи между воздействием или фактором и конкретным заболеванием или исходом. Отношение шансов (OR) — это относительная мера риска, описывающая, насколько вероятно, что у человека, подвергшегося воздействию исследуемого фактора, разовьется результат по сравнению с кем-то, кто не подвергается воздействию.Например, исследование «случай-контроль», посвященное курению и раку легких, показало, что отношение шансов составляет 17,4, то есть вероятность курения среди пациентов с раком легких была более чем в 17 раз выше, чем шансы курения среди контрольной группы. (См. Также определение Британского медицинского журнала)

Эффект плацебо

Благоприятное воздействие на здоровье, возникающее в результате психологических факторов, вызванных убеждением человека в том, что что-то полезно.

Объединенный анализ

Статистический анализ, аналогичный метаанализу, когда результаты ряда связанных исследований (т.е. общий протокол) объединены, чтобы предоставить общее резюме.

Популяционные исследования

Тип исследования, включающий участников из всего населения определенной области. Например, исследование, посвященное изучению использования мобильных телефонов и опухолей мозга среди жителей Мельбурна.

Плотность мощности

Количество мощности на единицу объема, выраженное в ваттах на квадратный метр (Вт / м ² )

Частота сети

Частота, с которой электрический ток передается от электростанции к конечному пользователю.В Австралии и в большинстве стран мира частота сети составляет 50 Гц, хотя в некоторых странах, включая США, она составляет 60 Гц. (См. Чрезвычайно низкую частоту)

Распространенность

Доля населения, пораженного определенным заболеванием или состоянием в данный момент времени. (См. Также определение в Википедии)

Провокационное исследование

Экспериментальное исследование на людях, в котором субъекты подвергаются воздействию либо агента, который, как утверждается, вызывает реакцию, либо фиктивного агента, который не должен вызывать реакции.(См. Также определение в Википедии)

Радиочастота

Частотный диапазон, занимающий часть электромагнитного спектра от 3 кГц до 300 ГГц (от 3000 Гц до 300000000 Гц). Радиочастота (RF) в основном используется для телекоммуникационных целей, включая телевидение, AM / FM-радио и мобильную телефонию. (См. Также информационный бюллетень «Радиочастотное излучение»)

Рандомизированный эксперимент

Экспериментальная процедура, при которой экспериментальные единицы (например, исследуемое воздействие) случайным образом распределяются по разным группам.Например, если провокационное исследование исследует эффекты радиочастотного (РЧ) излучения, то добровольцы в исследовании либо подвергаются радиочастотному облучению, либо имитируются с использованием рандомизации

Смещение отзыва

Тип систематической ошибки, которая возникает в эпидемиологических исследованиях, когда историческая информация о человеке является неточной. Например, в исследовании «случай-контроль» случаи могут быть завышены для прошлой экспозиции, особенно если широко известно, что она связана с изучаемым заболеванием.

Контрольный уровень

Альтернативные средства демонстрации соблюдения обязательного предела (основного ограничения) на воздействие определенного электромагнитного поля (например,г. радиочастотное излучение), в котором используются более практичные для измерения величины. Контрольные уровни сформулированы консервативно, так что соответствие контрольным уровням обеспечивает соблюдение основных ограничений.

Ретроспективное исследование

Исследование, которое оглядывается назад во времени, обычно с использованием медицинских карт (ретроспективное когортное исследование) и интервью с пациентами, которые уже знают о своем заболевании (исследование «случай-контроль»). Преимущество ретроспективных исследований состоит в том, что они дешевле и занимают меньше времени, однако источники ошибок из-за искажения и систематической ошибки более распространены в ретроспективных исследованиях, чем в проспективных исследованиях (например,г. перспективная когорта).

Обратная причинность

Обратная причинно-следственная связь — это когда в исследовании сообщается, что X вызывает Y, а на самом деле Y вызывает X. Например, исследование, в котором сообщается, что люди, у которых мозги замерзают, с большей вероятностью едят мороженое, является примером обратной причинной связи, поскольку мы знаем, что едят мороженое. является причиной зависания мозга.

Фактор риска

Фактор риска — это любой атрибут, характеристика или воздействие, связанные с повышенным риском заболевания или неблагоприятным исходом для здоровья.Фактор риска не обязательно может быть причинным. См. Также определение в Википедии.

Коэффициент риска

Статистическая мера, используемая в эпидемиологических исследованиях для описания риска заболевания или исхода по отношению к конкретному воздействию (также называется относительным риском — Википедия). Это отношение вероятности результата, наступающего в группе, подвергшейся воздействию определенного агента или фактора, по сравнению с группой, не подвергшейся воздействию. Например, когортное исследование, посвященное курению и сердечным заболеваниям, показало, что коэффициент риска равен 5.2, то есть у курильщиков в пять раз больше шансов заболеть сердечно-сосудистыми заболеваниями, чем у некурящих.

Смещение выбора

Тип предвзятости, возникающей из-за способа отбора субъектов для исследования. Если выборка субъектов не является репрезентативной для целевой популяции, результаты исследования могут быть недействительными. Например, в исследовании курения и рака легких «случай-контроль» связь между ними будет слабее, если контрольная группа будет выбрана из больничной популяции (поскольку курение связано со многими другими заболеваниями, приводящими к госпитализации), чем если бы контрольная группа была выбран из общей популяции.(См. Также определение Национального института рака)

Имитация разоблачения

Условия окружающей среды экспонированных образцов / субъектов, но в отсутствие воздействия. Обычно ассоциируется с элементами управления.

Удельная абсорбция

Показатель скорости поглощения электромагнитной энергии телом при воздействии радиочастотного излучения. Удельная скорость поглощения или SAR определяется как мощность, потребляемая на единицу массы ткани, и измеряется в ваттах на килограмм (Вт / кг).

Статическое поле

Электрическое или магнитное поле, которое не меняется со временем (т.е. имеет частоту 0 Гц).

Статистическая мощность

Мощность статистического теста — это вероятность того, что тест отклонит нулевую гипотезу, когда нулевая гипотеза на самом деле ложна, то есть вероятность того, что исследование обнаружит эффект, когда есть эффект, который должен быть обнаружен. Статистическая мощность в основном зависит от размера эффекта и размера выборки, используемой для его обнаружения в исследовании.Более крупные эффекты легче обнаружить, чем более мелкие, в то время как большие размеры выборки обеспечивают большую чувствительность теста, чем маленькие размеры выборки. (См. Также определение в Википедии).

Статистическая значимость

Статистическая концепция, используемая для определения того, является ли результат расследования результатом взаимосвязи между конкретными факторами или случайностью. (См. Также определение в Википедии).

Субъективные симптомы

Симптомы здоровья, которые наблюдаются только пациентом и не могут быть объективно подтверждены i.е. по замерам.

Систематический обзор

Обзор литературы, который следует конкретным целям, материалам и методам и проводится в соответствии с конкретной и воспроизводимой методологией (систематическим способом), чтобы ответить на конкретный вопрос исследования.

Это не то, что вы ищете?

Продольная программа для детей младшего возраста (ECLS) — Обзор

Обзор

Программа лонгитюдного исследования в раннем детстве (ECLS) предоставляет важную информацию о знаниях, навыках и социально-эмоциональном развитии детей от рождения до начальной школы.Более 20 лет программа ECLS помогает педагогам, семьям, исследователям и политикам улучшить образовательный опыт детей.

Программа ECLS включает четыре лонгитюдных исследования, изучающих развитие ребенка, готовность к школе и ранний школьный опыт. Когорта по рождению в ECLS-B — это выборка детей, родившихся в 2001 году, с момента рождения до поступления в детский сад. Класс детского сада 1998-99 гг. Представляет собой выборку детей с детского сада по восьмой класс.Детский сад когорты 2010-11 годов представляет собой выборку детей с детского сада до пятого класса. Новейшее исследование программы ECLS, ECLS-K: 2024, будет следовать за классом детского сада с 2023 по 24 год до пятого класса.

Программа ECLS спонсируется Министерством образования США. Национальный центр статистики образования (NCES) в составе Института педагогических наук (IES) Департамента имеет мандат от Конгресса и уполномочен законом собирать статистические данные о состоянии и прогрессе образования в Соединенных Штатах, в том числе проводить лонгитюдный анализ. сборы данных, такие как исследования программы ECLS.Родители, преподаватели и политики могут использовать информацию, собранную в рамках программы ECLS, для улучшения образовательного опыта учащихся. Программа также предоставляет данные для анализа взаимосвязи между широким кругом семьи, школы, сообщества и индивидуальных факторов с развитием детей, ранним обучением и успеваемостью в школе.

ECLS-K: обновление 2011 г.

Файлы ограниченного использования и общего пользования, содержащие данные всех этапов сбора данных, от детского сада до пятого класса, для лонгитюдного исследования в раннем детстве, класс детского сада 2010-11 гг. (ECLS-K: 2011).Обратите внимание, что, хотя ECLS-K: 2011 был разработан для перекрестных когортных сравнений с лонгитюдным исследованием в раннем детстве, детский сад 199899 (ECLS-K), прямые оценки когнитивных способностей детей, имеющиеся в этих файлах, напрямую не сопоставимы. в оценки ECLS-K. Оценочные баллы для детей, разработанные специально для сравнения когорт ECLS-K и ECLS-K: 2011, в настоящее время находятся в разработке, и предполагаемая дата их выпуска будет определена. Целесообразно использовать данные из текущего выпуска файла данных для сравнения двух когорт другими способами, например, для изучения различий в демографических характеристиках или опыте проживания в доме, школе и классе двух групп.

Информация для участников опроса

Получили ли вы письмо о лонгитюдном исследовании в раннем детстве (ECLS)?

У вас есть вопросы по поводу участия?

Нажмите здесь, чтобы получить информацию об участниках

.