Hallo, mein Name ist Matt Ketterer und ich habe kürzlich meinen Master in Angewandter Statistik an der Pennsylvania State University abgeschlossen. In meinem Forschungsprojekt habe ich räumliche Daten genutzt, um die gesundheitlichen Vorteile des Zugangs zu öffentlichen Parks abzuschätzen. Obwohl ich kein ArcGIS-Nutzer bin, habe ich durch meine Forschung festgestellt, dass räumliche Daten zu neuen, feature-engineered Variablen führen können. Dieser Blogbeitrag handelt von meiner Reise, wie ich räumliche Daten verwendet habe, um Gesundheit vorherzusagen, indem ich sie mit nationalen Gesundheitsumfragedaten kombiniert habe. <\/P>
Die Trust for Public Land (tpl.org<\/A>) widmet sich der Erhöhung und Verfolgung des Zugangs zu öffentlichen Parks in den USA. Ihre Mission, 1eden mit der Natur zu verbinden7, ist ein leicht unterstützbares Konzept und dürfte wahrscheinlich der Gesundheit der Menschen zugutekommen. Dennoch fragte ich mich, ob ich diese Beziehung modellieren könnte, um zu zeigen, ob der Zugang die Gesundheitsergebnisse verbessert und um wie viel. Zum Beispiel wäre es aus Sicht der Einsparungen bei Gesundheitskosten wertvoll zu wissen, inwieweit Parkzugang Arztbesuche reduzieren könnte, indem er Aktivitäten im Freien und körperliche Bewegung fördert. Ich wollte sehen, ob ich dies mit den US-amerikanischen metropolitanen und mikropolitanen Gebieten aus dem Behavioral Risk Factor Surveillance System (BRFSS<\/A>) der CDC modellieren kann. Dies ist ein Ausschnitt aus einer umfangreichen telefonischen Gesundheitsumfrage, die sich auf Stadt- und Gemeindegebiete konzentriert, in denen die Mehrheit der Bevölkerung lebt und die voraussichtlich wachsen wird.<\/P>Die ParkServe-Datenbank<\/A> ist ein großartiges Tool, auf das ich gestoßen bin. Während ihre Hauptfunktion darin besteht, als Inventar für Parks zu dienen, sind dem Webportal demografische Daten aus dem Zensus sowie gesundheitsbezogene Filter eingebettet. Ich nutzte sie, um Zugangsprozentsätze mit den befragten Gesundheitsantworten der CDC zu vergleichen.<\/P>Datenbeschaffung und explorative Analyse<\/STRONG><\/P>Um die Daten zu verwalten, zu modellieren und zu berichten, verwendete ich die Programmiersprache R, da sie frei verfügbar und robust ist. In Zukunft möchte ich ArcGIS und R zusammen verwenden, um die Kartenerstellung und Schätzung räumlicher Variablen zu erleichtern. Da die Daten zu öffentlichen Parks über ein Webportal bereitgestellt werden, musste ich die Werte für jede der 130 vom CDC befragten metropolitanen und mikropolitanen Gebiete manuell aus dem ParkServe Database GIS-Portal abrufen. Dieser Teil der Datensammlung war manchmal mühsam. Sobald ich alle Werte für jede Stadt/Region hatte, konnte ich sie mit den etwa 220.000 individuellen Antworten ihrer jeweiligen Stadt im CDC-Datensatz mithilfe von R zusammenführen. Die schwierigste Aufgabe war es, wenn einige Regionen nicht vollständig übereinstimmten aufgrund geringfügiger Änderungen in den Definitionen der Core Based Statistical Areas (CBSA) zwischen 2015 und 2024. Falls ein Landkreis zwischen zwei CBSA-Definitionen fehlte, musste ich Landkreise manuell kombinieren, um eine Schätzung des Parkzugangs mittels gewichteter Bevölkerungsdurchschnitte zu erstellen. Die untenstehende Karte zeigt alle im Datensatz verwendeten Gebiete und deren entsprechenden Parkzugangsprozentsatz für die Einwohner jeder Stadt. <\/P><\/span><\/P> <\/P>Erstellung eines statistischen Modells und Ergebnisse<\/STRONG><\/P>Um den Effekt des Zugangs zu öffentlichen Parks abzuschätzen, wählte ich als Antwortvariable die BRFSS-Umfragefrage 1An wie vielen Tagen in den letzten 30 Tagen war Ihre körperliche Gesundheit nicht gut?7 Diese ist eine diskrete Zählvariable zwischen 0 und 30, die mit einer Zählverteilung modelliert werden kann – in diesem Fall eine zero-inflated negative binomial distribution (nicht zu verwechseln mit binomial bei logistischer Regression). Der Vorteil der Verwendung einer Zählvariablen in einem statistischen Modell gegenüber einer kategorialen Variable wie 1Gut7, 1Mäßig7 oder 1Schlecht7 ist, dass mehr Informationen vorliegen und somit mehr statistische Aussagekraft besteht, da es 31 1Bins7 von Antworten gibt und diese geordnet sind. Das Modell wurde auch für viele Faktoren angepasst, die die Gesundheit beeinflussen könnten; dies diente dazu, der Parkzugangsvariablen eine gewisse Validierung zu geben. Die Prädiktorvariablen im Modell waren Parkzugang, Alter, Rasse, Geschlecht, Bildung und Rauchen. Die Region selbst wurde ebenfalls ins Modell aufgenommen, um Unterschiede bei den Antworten zu ungesunden Tagen zu prüfen; diese waren jedoch statistisch nicht signifikant im Vergleich zu anderen Städten.<\/P><\/span><\/P> <\/P> Die Abbildung oben zeigt vorhergesagte ungesunde Tage sinken mit steigendem Parkzugang und ist nach Alter und Bildung geschichtet. <\/P><\/span><\/P> In diesem Diagramm ist die vorhergesagte Antwort auf ungesunde Tage nach Geschlecht und Rasse geschichtet und zeigt denselben Trend: abnehmende ungesunde Tage für Bewohner von Städten mit höherem Parkzugang. <\/P> <\/P>Nach Anpassung an andere bekannte Ursachen schlechter Gesundheit hat Parkzugang einen kleinen aber signifikanten Effekt. Einwohner einer Stadt mit einem besseren Parksystem haben eine niedrigere vorhergesagte Anzahl an Krankheitstagen als diejenigen in der niedrigsten Kategorie. Dies würde implizieren, dass erhöhter Zugang die Nutzung von Parks und körperliche Aktivitäten wie Spazierengehen und Aufenthalt in der Natur fördert und somit die Gesundheit verbessert. Außerdem summieren sich kleine positive Effekte bei ganzen Populationen zu Kosteneinsparungen.<\/P>Abschließende Gedanken<\/STRONG><\/P>Ich bin begeistert und inspiriert davon, in meiner zukünftigen Forschung mehr räumliche und nicht-räumliche Daten gemeinsam zu nutzen. Ich hoffe, zukünftig direkt mit ArcGIS und R zusammenzuarbeiten, um dessen Möglichkeiten weiter zu erforschen. In der Zwischenzeit werde ich mein Kind zum Park mitnehmen. Wenn Sie jemals die Gelegenheit haben sollten, das Puget Sound-Gebiet zu erkunden – tun Sie es! Oder besuchen Sie einfach Ihren lokalen Park oder setzen Sie sich für mehr Parks an Ihrem Wohnort ein. <\/P>Danke fürs Lesen! Bitte zögern Sie nicht, mich bei Fragen per E-Mail unter mketterbob@gmail.com<\/A> oder auf LinkedIn<\/A> zu kontaktieren.<\/P> <\/P>
Die
Datenbeschaffung und explorative Analyse<\/STRONG><\/P>Um die Daten zu verwalten, zu modellieren und zu berichten, verwendete ich die Programmiersprache R, da sie frei verfügbar und robust ist. In Zukunft möchte ich ArcGIS und R zusammen verwenden, um die Kartenerstellung und Schätzung räumlicher Variablen zu erleichtern. Da die Daten zu öffentlichen Parks über ein Webportal bereitgestellt werden, musste ich die Werte für jede der 130 vom CDC befragten metropolitanen und mikropolitanen Gebiete manuell aus dem ParkServe Database GIS-Portal abrufen. Dieser Teil der Datensammlung war manchmal mühsam. Sobald ich alle Werte für jede Stadt/Region hatte, konnte ich sie mit den etwa 220.000 individuellen Antworten ihrer jeweiligen Stadt im CDC-Datensatz mithilfe von R zusammenführen. Die schwierigste Aufgabe war es, wenn einige Regionen nicht vollständig übereinstimmten aufgrund geringfügiger Änderungen in den Definitionen der Core Based Statistical Areas (CBSA) zwischen 2015 und 2024. Falls ein Landkreis zwischen zwei CBSA-Definitionen fehlte, musste ich Landkreise manuell kombinieren, um eine Schätzung des Parkzugangs mittels gewichteter Bevölkerungsdurchschnitte zu erstellen. Die untenstehende Karte zeigt alle im Datensatz verwendeten Gebiete und deren entsprechenden Parkzugangsprozentsatz für die Einwohner jeder Stadt. <\/P><\/span><\/P> <\/P>Erstellung eines statistischen Modells und Ergebnisse<\/STRONG><\/P>Um den Effekt des Zugangs zu öffentlichen Parks abzuschätzen, wählte ich als Antwortvariable die BRFSS-Umfragefrage 1An wie vielen Tagen in den letzten 30 Tagen war Ihre körperliche Gesundheit nicht gut?7 Diese ist eine diskrete Zählvariable zwischen 0 und 30, die mit einer Zählverteilung modelliert werden kann – in diesem Fall eine zero-inflated negative binomial distribution (nicht zu verwechseln mit binomial bei logistischer Regression). Der Vorteil der Verwendung einer Zählvariablen in einem statistischen Modell gegenüber einer kategorialen Variable wie 1Gut7, 1Mäßig7 oder 1Schlecht7 ist, dass mehr Informationen vorliegen und somit mehr statistische Aussagekraft besteht, da es 31 1Bins7 von Antworten gibt und diese geordnet sind. Das Modell wurde auch für viele Faktoren angepasst, die die Gesundheit beeinflussen könnten; dies diente dazu, der Parkzugangsvariablen eine gewisse Validierung zu geben. Die Prädiktorvariablen im Modell waren Parkzugang, Alter, Rasse, Geschlecht, Bildung und Rauchen. Die Region selbst wurde ebenfalls ins Modell aufgenommen, um Unterschiede bei den Antworten zu ungesunden Tagen zu prüfen; diese waren jedoch statistisch nicht signifikant im Vergleich zu anderen Städten.<\/P><\/span><\/P> <\/P> Die Abbildung oben zeigt vorhergesagte ungesunde Tage sinken mit steigendem Parkzugang und ist nach Alter und Bildung geschichtet. <\/P><\/span><\/P> In diesem Diagramm ist die vorhergesagte Antwort auf ungesunde Tage nach Geschlecht und Rasse geschichtet und zeigt denselben Trend: abnehmende ungesunde Tage für Bewohner von Städten mit höherem Parkzugang. <\/P> <\/P>Nach Anpassung an andere bekannte Ursachen schlechter Gesundheit hat Parkzugang einen kleinen aber signifikanten Effekt. Einwohner einer Stadt mit einem besseren Parksystem haben eine niedrigere vorhergesagte Anzahl an Krankheitstagen als diejenigen in der niedrigsten Kategorie. Dies würde implizieren, dass erhöhter Zugang die Nutzung von Parks und körperliche Aktivitäten wie Spazierengehen und Aufenthalt in der Natur fördert und somit die Gesundheit verbessert. Außerdem summieren sich kleine positive Effekte bei ganzen Populationen zu Kosteneinsparungen.<\/P>Abschließende Gedanken<\/STRONG><\/P>Ich bin begeistert und inspiriert davon, in meiner zukünftigen Forschung mehr räumliche und nicht-räumliche Daten gemeinsam zu nutzen. Ich hoffe, zukünftig direkt mit ArcGIS und R zusammenzuarbeiten, um dessen Möglichkeiten weiter zu erforschen. In der Zwischenzeit werde ich mein Kind zum Park mitnehmen. Wenn Sie jemals die Gelegenheit haben sollten, das Puget Sound-Gebiet zu erkunden – tun Sie es! Oder besuchen Sie einfach Ihren lokalen Park oder setzen Sie sich für mehr Parks an Ihrem Wohnort ein. <\/P>Danke fürs Lesen! Bitte zögern Sie nicht, mich bei Fragen per E-Mail unter
<\/P>
Your research on using spatial data to estimate the health benefits of public park access is impressive. At Valley Medical Weight Loss, we understand the importance of accessible outdoor spaces for promoting physical activity and overall well-being. Our comprehensive weight loss programs, including the Premier Weight Loss Program, aim to support individuals in achieving their health goals through structured plans and professional guidance. Keep up the great work in advancing public health research!
Angemeldete Mitglieder können Beiträge verfassen, Updates folgen und mehr. Neu hier? Registrieren Sie ein kostenloses Konto.
Find useful guides, FAQs, and documents to help you navigate and make the most of Esri Community.
