Hola, mi nombre es Matt Ketterer y soy un reciente graduado de Maestría en Estadística Aplicada de Pennsylvania State University. En mi proyecto de investigación utilicé datos espaciales para estimar los beneficios para la salud del acceso a parques públicos. Aunque no soy usuario de ArcGIS, descubrí a través de mi investigación que los datos espaciales pueden conducir a nuevas variables creadas mediante ingeniería de características. Esta publicación del blog trata sobre mi viaje usando datos espaciales para predecir la salud combinándolos con datos nacionales de encuestas de salud. <\/P>
La Trust for Public Land (tpl.org<\/A>) está dedicada a aumentar y rastrear el acceso a parques públicos en los EE. UU. Su misión de 1 conectar a todos con el aire libre7 es un concepto fácil de apoyar y probablemente sería beneficioso para la salud de las personas. Sin embargo, me preguntaba si podría modelar esta relación para mostrar si el acceso mejora los resultados de salud y en qué medida. Por ejemplo, sería valioso saber desde el punto de vista del ahorro en costos de atención médica hasta qué punto el acceso a parques podría reducir las visitas médicas fomentando actividades al aire libre y actividad física. Quería ver si podía modelar esto usando las áreas metropolitanas y micropolitanas de EE. UU. del Behavioral Risk Factor Surveillance System (BRFSS) (BRFSS<\/A>) del CDC. Este es un subconjunto de una enorme encuesta telefónica de salud que se centra en áreas urbanas y suburbanas, donde reside la mayor parte de la población, y se predice que crecerá en el futuro.<\/P>La base de datos ParkServe<\/A> es una gran herramienta que encontré. Aunque su función principal es servir como inventario de parques, tiene demografía censal y filtros relacionados con la salud integrados en el sitio web. La usé para comparar porcentajes de acceso con las respuestas encuestadas sobre salud del CDC.<\/P>Recolección de Datos y Análisis Exploratorio<\/STRONG><\/P>Para gestionar, modelar e informar los datos utilicé el lenguaje de programación R, ya que es gratuito y robusto. En el futuro, me gustaría usar ArcGIS y R juntos para facilitar la creación de mapas y la estimación de variables espaciales. Dado que los datos públicos del parque están disponibles a través de un portal web, tuve que recuperar manualmente los valores para cada una de las 130 áreas metropolitanas y micropolitanas encuestadas por el CDC desde el portal GIS de la base de datos ParkServe. Esta parte de la recolección fue a veces tediosa. Una vez que tuve todos los valores para cada ciudad/región, pude fusionarlos con aproximadamente 220,000 respuestas individuales correspondientes a su ciudad en el conjunto de datos del CDC usando R. La parte más difícil fue cuando algunas regiones no coincidían completamente debido a ligeros cambios en las definiciones del área estadística basada en núcleos (CBSA) entre 2015 y 2024. En caso de que faltara un condado entre dos definiciones CBSA, tuve que combinar manualmente condados para obtener una estimación del acceso al parque usando promedios ponderados por población. A continuación, el mapa muestra todas las áreas usadas en el conjunto de datos y su porcentaje correspondiente de acceso al parque para los residentes de cada ciudad. <\/P><\/span><\/P> <\/P>Construcción del Modelo Estadístico y Resultados<\/STRONG><\/P>Para estimar el efecto del acceso a parques públicos, elegí una variable respuesta basada en la pregunta del BRFSS 1 cuE1ntos dEDas en los faltimos 30 dEDas su salud fEDsica no fue buena?2. Esta es una variable discreta de conteo entre 0 y 30 que puede modelarse con una distribuciF3n de conteo, en este caso una distribuciF3n binomial negativa inflada en cero (no confundir con binomial usada en regresiF3n logEDstica). La ventaja de usar una variable de conteo en un modelo estadEDstico, en lugar de una categF3rica, como preguntar si su salud es 1 Buena2, 1 Regular2 o 1 Mala2, es que hay mE1s informaciF3n, dando asED mE1s potencia estadEDstica, ya que hay 31 contenedores (bins) ordenados para las respuestas. El modelo tambiE9n se ajustF3 por muchos factores que afectarEDan la salud; esto fue para validar un poco la variable acceso al parque. Las variables predictoras usadas fueron acceso al parque, edad, raza, sexo, educaciF3n y tabaquismo. La regiF3n tambiE9n se incluyF3 para ver si habEDa diferencias en las respuestas sobre dEDas no saludables pero no fue estadEDsticamente diferente a ninguna otra ciudad.<\/P><\/span><\/P> <\/P> La figura anterior muestra que los dEDas no saludables predichos disminuyen a medida que aumenta el acceso al parque y estE1 estratificada por edad y educaciF3n. <\/P><\/span><\/P> AquD en este gr1fico la respuesta predicha sobre dDas no saludables est1 estratificada por sexo y raza, mostrando la misma tendencia: disminuci3n de dDas no saludables para residentes de ciudades con mayor acceso a parques. <\/P> <\/P>Despues del ajuste por otros factores conocidos como causa de mala salud, el acceso al parque tiene un efecto peque1o pero significativo. Los habitantes que viven en una ciudad con mejor sistema de parques tienen un nAmero predicho menor de dDas enfermos que aquellos que viven en el nivel m1s bajo. Esto implicarDa que un mayor acceso ayuda a fomentar el uso del parque y la actividad f0sica como caminar y estar en la naturaleza, mejorando la salud. Adem1s, cuando hablamos de poblaciones enteras, peque0os beneficios positivos se suman a ahorros en costos.<\/P>Reflexiones Finales<\/STRONG><\/P>Estoy emocionado e inspirado para continuar investigando ms datos espaciales y no espaciales juntos en mis futuras investigaciones. Espero trabajar directamente con ArcGIS y R en el futuro para explorar sus posibilidades. Mientras tanto, voy a llevar a mi hijo al parque. Si alguna vez tienes oportunidad explora el área Puget Sound por favor hazlo, o simplemente visita tu parque local o aboga por más parques donde vives. <\/P>Gracias por leer! No dudes en contactarme con preguntas por correo electrónico a mketterbob@gmail.com<\/A> o en LinkedIn<\/A>.<\/P> <\/P>
La base de datos
Recolección de Datos y Análisis Exploratorio<\/STRONG><\/P>Para gestionar, modelar e informar los datos utilicé el lenguaje de programación R, ya que es gratuito y robusto. En el futuro, me gustaría usar ArcGIS y R juntos para facilitar la creación de mapas y la estimación de variables espaciales. Dado que los datos públicos del parque están disponibles a través de un portal web, tuve que recuperar manualmente los valores para cada una de las 130 áreas metropolitanas y micropolitanas encuestadas por el CDC desde el portal GIS de la base de datos ParkServe. Esta parte de la recolección fue a veces tediosa. Una vez que tuve todos los valores para cada ciudad/región, pude fusionarlos con aproximadamente 220,000 respuestas individuales correspondientes a su ciudad en el conjunto de datos del CDC usando R. La parte más difícil fue cuando algunas regiones no coincidían completamente debido a ligeros cambios en las definiciones del área estadística basada en núcleos (CBSA) entre 2015 y 2024. En caso de que faltara un condado entre dos definiciones CBSA, tuve que combinar manualmente condados para obtener una estimación del acceso al parque usando promedios ponderados por población. A continuación, el mapa muestra todas las áreas usadas en el conjunto de datos y su porcentaje correspondiente de acceso al parque para los residentes de cada ciudad. <\/P><\/span><\/P> <\/P>Construcción del Modelo Estadístico y Resultados<\/STRONG><\/P>Para estimar el efecto del acceso a parques públicos, elegí una variable respuesta basada en la pregunta del BRFSS 1 cuE1ntos dEDas en los faltimos 30 dEDas su salud fEDsica no fue buena?2. Esta es una variable discreta de conteo entre 0 y 30 que puede modelarse con una distribuciF3n de conteo, en este caso una distribuciF3n binomial negativa inflada en cero (no confundir con binomial usada en regresiF3n logEDstica). La ventaja de usar una variable de conteo en un modelo estadEDstico, en lugar de una categF3rica, como preguntar si su salud es 1 Buena2, 1 Regular2 o 1 Mala2, es que hay mE1s informaciF3n, dando asED mE1s potencia estadEDstica, ya que hay 31 contenedores (bins) ordenados para las respuestas. El modelo tambiE9n se ajustF3 por muchos factores que afectarEDan la salud; esto fue para validar un poco la variable acceso al parque. Las variables predictoras usadas fueron acceso al parque, edad, raza, sexo, educaciF3n y tabaquismo. La regiF3n tambiE9n se incluyF3 para ver si habEDa diferencias en las respuestas sobre dEDas no saludables pero no fue estadEDsticamente diferente a ninguna otra ciudad.<\/P><\/span><\/P> <\/P> La figura anterior muestra que los dEDas no saludables predichos disminuyen a medida que aumenta el acceso al parque y estE1 estratificada por edad y educaciF3n. <\/P><\/span><\/P> AquD en este gr1fico la respuesta predicha sobre dDas no saludables est1 estratificada por sexo y raza, mostrando la misma tendencia: disminuci3n de dDas no saludables para residentes de ciudades con mayor acceso a parques. <\/P> <\/P>Despues del ajuste por otros factores conocidos como causa de mala salud, el acceso al parque tiene un efecto peque1o pero significativo. Los habitantes que viven en una ciudad con mejor sistema de parques tienen un nAmero predicho menor de dDas enfermos que aquellos que viven en el nivel m1s bajo. Esto implicarDa que un mayor acceso ayuda a fomentar el uso del parque y la actividad f0sica como caminar y estar en la naturaleza, mejorando la salud. Adem1s, cuando hablamos de poblaciones enteras, peque0os beneficios positivos se suman a ahorros en costos.<\/P>Reflexiones Finales<\/STRONG><\/P>Estoy emocionado e inspirado para continuar investigando ms datos espaciales y no espaciales juntos en mis futuras investigaciones. Espero trabajar directamente con ArcGIS y R en el futuro para explorar sus posibilidades. Mientras tanto, voy a llevar a mi hijo al parque. Si alguna vez tienes oportunidad explora el área Puget Sound por favor hazlo, o simplemente visita tu parque local o aboga por más parques donde vives. <\/P>Gracias por leer! No dudes en contactarme con preguntas por correo electrónico a
<\/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!
Los miembros registrados pueden publicar, seguir actualizaciones y más. ¿Nuevo aquí? Regístrate para una cuenta gratuita.
Find useful guides, FAQs, and documents to help you navigate and make the most of Esri Community.
