PENDEKATAN UNTUK ANALISIS KETERKAITAN: IKHTISAR

M. Nurminen D. Briggt
1. PERKENALAN
Eksplorasi asosiasi antara lingkungan dan kesehatan merupakan bagian integral dari
epidemiologi lingkungan, baik dalam mencari hubungan yang tidak diketahui sebelumnya
antara lingkungan dan kesehatan, atau untuk menguji hipotesis tentang elasi seperti itu.
Analisis hubungan merupakan perpanjangan dari pendekatan ini. Ini melibatkan penerapan
hubungan paparan-respons yang dikenal, yang ditetapkan dalam penelitian sebelumnya dan
didokumentasikan dalam literatur, ke data empiris baru sebagai dasar untuk meningkatkan
pengambilan keputusan dan dukungan kebijakan. Secara umum, data kesehatan dan
lingkungan yang digunakan untuk analisis hubungan berasal dari pemantauan rutin, meskipun
jika diperlukan data tambahan dapat dikumpulkan dari survei cepat yang dirancang khusus.
Dalam kedua kasus, data sering terdiri dari serangkaian data yang terkumpul selama periode
waktu yang panjang, dan dianalisis dalam bentuk agregat (misalnya di daerah kecil atau
tingkat regional). Dengan demikian, analisis keterkaitan tidak melibatkan penggunaan
langsung dari catatan individu, meskipun data yang digunakan mungkin berasal dari sumber-
sumber tingkat individu, dan analisis tingkat individu dapat menjadi pelengkap yang berharga
untuk analisis hubungan. Sebaliknya, analisis hub ungan bergantung pada metode untuk
menganalisis data yang dikelompokkan.
Dalam konteks ini, penting untuk menekankan bahwa tujuan dari analisis hubungan
bukanlah untuk menemukan asosiasi baru, atau untuk mengkonfirmasi yang dicurigai, tetapi
untuk menggunakan pengetahuan yang ada untuk menilai risiko yang ada, untuk
mengidentifikasi kebutuhan untuk tindakan, untuk membandingkan dan mengevaluasi.
pilihan yang tersedia, dan untuk memantau dan menilai efek dari tindakan semacam itu.
Analisis keterkaitan dengan demikian membutuhkan penggunaan metode yang telah teruji
pada data yang dapat diandalkan, dalam konteks pengetahuan yang mapan tentang hubungan
pengaruh paparan. Hasil dari analisis linkage harus konsekuen menjadi tidak bias dan setuju
dengan hasil yang akan diperoleh dari studi ad hoc yang lebih komprehensif yang presisi
statistik dapat dikuantifikasi.
Banyak metode tersedia untuk tujuan ini. Analisis tiga ekologi, analisis deret waktu,
dan risiko (atau bahaya) - akan diuraikan dalam bab ini. Banyak alat juga tersedia untuk
mendukung analisis keterkaitan. Salah satu alat yang paling penting dan yang telah menerima
perhatian yang meningkat dalam beberapa tahun terakhir - adalah sistem informasi geografis
(GIS). Bersama-sama, metode dan alat ini memberi penyelidik dengan kecerdikan
kesempatan yang tak terhitung jumlahnya untuk menganalisis dan mengeksploitasi data yang
ada dengan sangat mengurangi biaya. Dalam prosesnya, nilai yang besar kemungkinan akan
ditambahkan ke data, untuk pengetahuan tentang hubungan lingkungan-kesehatan di daerah
yang diteliti, dan untuk kualitas pengambilan keputusan.
Analisis ekologi melibatkan penyelidikan hubungan tingkat kelompok antara
lingkungan dan kesehatan, dengan menganalisis variasi spasial dan / atau temporal dalam
paparan dan hasil kesehatan. Pertama kali digunakan dalam sosiologi (Robinson, 1950),
sering dikritik karena menghasilkan hasil yang menyesatkan. Perhatian khusus terfokus pada
bias potensial yang mungkin diperkenalkan oleh agregasi data, masalah yang Selvin (1958)
mengesampingkan bias ekologis atau kekeliruan ekologis. Meskipun kekurangan teoritis
seperti itu, bagaimanapun, analisis ekologi telah banyak digunakan dalam epidemiologi
lingkungan, paling tidak karena relatif mudah untuk perfom, terutama dengan besar, agregat
database yang sekarang tersedia. Untuk alasan logistik dan biaya mungkin juga satu-satunya
pendekatan yang layak di mana studi populasi besar diperlukan. Namun demikian, ada
pengakuan yang berkembang bahwa asosiasi-asosiasi ekologi atau kelompok tidak selalu
konsisten dengan yang diukur pada tingkat individu (Greenland, 1992). Dengan demikian,
banyak dari diskusi berikutnya tentang metode ekologi telah berfokus pada bagaimana
mengidentifikasi, menangani atau menghindari berbagai bias yang terlibat, dan bagaimana
mengukur dampak mereka dibandingkan dengan analisis tingkat individu. Untuk masa
mendatang, penggunaan metode yang lebih ekstensif mungkin diantisipasi, sebagian
didorong oleh pengembangan teknik statistik baru dan GIS.
Analisis deret waktu adalah metode yang sama mapannya. Ini dikembangkan untuk
sebagian besar untuk aplikasi ekonometrik, tetapi sejak itu telah diadopsi dalam berbagai
disiplin ilmu. Ini biasanya digunakan untuk menyelidiki pola dalam serangkaian pengamatan,
sebagai dasar untuk mengidentifikasi dan mengukur hubungan kausal. Dalam konteks
epidemiologi lingkungan, ia sering diterapkan pada pengamatan berurutan panjang, seperti
statistik kematian, data dari register morbiditas (misalnya register kanker, register keluar
rumah sakit), atau hasil dari survei kesehatan berulang. Dengan set data sederhana, ini adalah
metode yang relatif sederhana, dan didukung oleh sebagian besar paket statistik eksklusif.
Namun, di mana pola temporal yang kompleks - dan dengan demikian di mana model yang
relatif kompleks harus digunakan untuk menggambarkan deret waktu, ia dapat secara
komputasional dan menuntut secara statistik, dan dapat menimbulkan masalah berat baik
untuk implementasi maupun interpretasi. Dalam beberapa tahun terakhir, telah banyak
diterapkan dalam studi polusi udara dan kesehatan, dan dengan demikian upaya telah
dilakukan untuk memvalidasi dan menstandardisasi teknik yang digunakan (misalnya
Katsouyanni et, 1995). Selain itu, ketika rangkaian data temporal diperluas dan ditingkatkan,
peluang untuk analisis deret waktu akan meningkat secara tak terelakkan. Minat yang
berkelanjutan dalam penggunaan analisis deret waktu mungkin dapat diharapkan.
Analisis risiko adalah proses memperkirakan efek kesehatan potensial dari paparan
bahaya berdasarkan informasi yang ada. Dengan demikian, tidak seperti dua metode
sebelumnya, tidak secara eksplisit melibatkan menyatukan data pada lingkungan dan
kesehatan, tetapi menggunakan data eksposur yang tersedia sebagai dasar untuk mengukur
potensi efek kesehatan. Mendasari penilaian tersebut, bagaimanapun, harus ada hubungan
paparan-respon, biasanya berasal dari studi sebelumnya di daerah lain. Dengan demikian, ada
hubungan implisit dalam analisis. Perhatikan bahwa proses sebaliknya juga dapat
dipertimbangkan analisis bahaya di mana data kesehatan digunakan untuk menyimpulkan
tingkat bahaya (misalnya paparan) yang bertanggung jawab atas efek kesehatan yang diamati.
Penerapan analisis risiko menghadapi sejumlah masalah. Salah satunya adalah sering
kurangnya informasi mengenai distribusi dan tingkat polusi di wilayah studi dan paparan
individu yang sebenarnya terhadap polutan. Yang lain adalah ketidakpastian tentang bentuk
fungsional dari hubungan paparan-respons, dan apakah hubungan yang ditetapkan di tempat
lain sesuai dengan kondisi lokal misalnya, karena perbedaan tingkat penyakit latar belakang.
Namun demikian, dalam banyak kasus, analisis risiko mungkin satu-satunya alat yang
tersedia untuk memperkirakan hasil kesehatan pencemaran lingkungan, karena tidak
tersedianya atau buruknya kualitas data kesehatan.
Sistem informasi geografis adalah sistem komputer untuk menangkap, organisasi,
penyimpanan, analisis dan tampilan data spasial yang direferensikan. Dikembangkan pada
awalnya untuk aplikasi lingkungan di Kanada dan Amerika Serikat, mereka telah diadopsi di
seluruh dunia di banyak bidang penelitian, manajemen dan kebijakan. Dibandingkan dengan
beberapa bidang aplikasi, penggunaannya dalam epidemiologi lingkungan dan kebijakan
kesehatan relatif lambat, tetapi mereka menawarkan potensi besar untuk analisis hubungan -
misalnya dalam mempelajari kejadian penyakit di sekitar sumber emisi, mencari kluster
penyakit, atau menganalisis hubungan antara tingkat polusi dan hasil kesehatan (Briggs dan
Elliott, 1995). Di masa lalu, teknologi GIS telah mahal dan sistem yang lebih kuat terutama
sangat kompleks dan sulit untuk dipelajari. Kurangnya data georeferensi yang sesuai juga
telah menjadi kendala utama. Namun, dalam beberapa tahun terakhir, biaya perangkat keras
dan perangkat lunak telah menurun secara substansial, dan berbagai sistem tingkat pengantar
yang lebih sederhana telah muncul. Pada saat yang sama, ketersediaan data telah sangat
meningkat. Akibatnya, penggunaan GIS berkembang pesat baik di negara berkembang dan
negara maju.
Selain metode dan alat yang diuraikan di sini, tentu saja ada berbagai pendekatan dan
teknik yang lebih khusus yang mungkin melibatkan, atau relevan dengan, analisis keterkaitan.
Contohnya termasuk analisis klaster kesehatan, paparan dan pemetaan penyakit dan studi
tentang paparan titik sumber. Masing-masing memiliki nilai dalam keadaan tertentu, tetapi
masing-masing juga melibatkan masalah dan bahaya yang perlu disadari oleh penyidik (lihat
misalnya Rothman, 1990). Oleh karena itu, referensi harus dibuat untuk teks yang relevan
pada metodologi (misalnya Elliott et al., 1992).

Analisis keterkaitan menerapkan hubungan tanggapan-tanggapan yang

dikenal, .didirikan dalam penelitian sebelumnya dan didokumentasikan
dalam literatur, untuk data empiris baru, sebagai dasar untuk
meningkatkan pengambilan keputusan dan dukungan kebijakan.

2. METODE EKOLOGI
2.1 Pendahuluan
Metode ekologi adalah pendekatan yang digunakan dalam penelitian observasional
untuk mendeteksi dan mengenali pola kejadian penyakit di ruang dan waktu, dan untuk
menghubungkan ariations dalam tingkat yang diamati untuk faktor lingkungan, sosial,
perilaku dan konstitusional. Desain ekologi dalam epidemiologi juga berguna untuk evaluasi
efek intervensi pada faktor risiko - misalnya, untuk menilai efek diet rendah kolesterol pada
tingkat penyakit jantung iskemik.
Analisis ekologi dengan demikian menggunakan data agregat atau dikelompokkan,
daripada data individual, sebagai unit sampling dasar analisis. Variabel pengelompokan
biasanya adalah wilayah geografis, meskipun faktor lain seperti etn i kota, kelas sosial
ekonomi, periode waktu, dll, juga bisa digunakan. Analisis ekologi hubungan paparan-
penyakit, bagaimanapun, tunduk pada sejumlah bias. Ini termasuk bias yang disebabkan oleh
model mis-spesifikasi, perancu, nonadditivity dari paparan dan efek kovariat (modifikasi
efek) dan standarisasi yang tidak dapat dibandingkan. Korelasi ekologi dan perkiraan laju
dapat lebih sensitif terhadap sumber-sumber bias ini daripada perkiraan tingkat individu,
karena perkiraan ekologi didasarkan pada ekstrapolasi ke data tingkat individu yang tidak
teramati.
Mengingat ketersediaan informasi pemaparan yang sesuai, analisis ekologi dapat
dilakukan dengan berbagai cara. Salah satu pendekatan adalah untuk mempelajari hubungan
antara variasi spasial dalam paparan dan hasil penyakit dalam populasi tunggal pada suatu
titik waktu tertentu. Atau, hubungan antara paparan dan hasil kesehatan dapat dibandingkan
dalam dua atau lebih populasi yang berbeda dalam hal eksposur mereka. Dalam salah satu
desain studi ini, data biasanya mengacu pada rentang waktu yang relatif singkat, dan tidak
ada beberapa pengukuran selama periode waktu yang diperpanjang. Pendekatan ketiga adalah
menganalisis tren waktu dalam desain ekologi. Dalam hal ini, hubungan antara paparan dan
hasil kesehatan dinilai dengan mengikuti perubahan dalam paparan dan tingkat penyakit
dalam satu populasi dari waktu ke waktu.
2.2 Keuntungan dan Kerugian Studi Ekologi
Keuntungan utama dari pendekatan ekologis adalah memungkinkan studi populasi
yang sangat besar (misalnya populasi seluruh negara), dan dengan demikian memungkinkan
deteksi peningkatan risiko yang relatif kecil. Kekuatan studi ini bukan merupakan fungsi dari
ukuran populasi yang diteliti, tetapi dari sejumlah besar pengamatan yang mungkin dan
kemampuan untuk menggunakan metode analisis statistik yang kuat.
Sebagaimana dicatat sebelumnya, studi ekologi tetap populer dalam epidemiologi
lingkungan terutama karena mereka relatif mudah dan cepat untuk melakukan menggunakan
basis data yang ada. Akibatnya, pendekatan ekologi yang dirancang dengan baik dapat
berfungsi sebagai alternatif yang hemat biaya untuk skrining atau pemantauan banyak hasil
kesehatan dan kondisi lingkungan. Namun, harus diingat bahwa studi ekologi sering
membawa sejumlah biaya tersembunyi. Sebagian besar penelitian, misalnya, bergantung pada
penggunaan data dari jaringan pemantauan yang ada yang biaya pemeliharaannya mahal,
tetapi biaya yang jarang dibebankan pada studi ekologis, Tidak diragukan lagi apakah studi
ini membawa biaya penuh dari data yang mereka gunakan. tampaknya kurang efektif biaya.
Di sisi lain, menggunakan data yang dikumpulkan secara rutin sebagai bagian dari studi
ekologi memang membantu untuk membenarkan biaya pemantauan di tempat pertama.
Studi ekologi kadang-kadang mencakup populasi yang lebih nyata berbeda dalam
eksposurnya daripada yang dapat dengan mudah diperoleh dalam studi individu. Pendekatan
ekologis juga dapat berguna untuk penyelidikan kelompok penyakit di wilayah geografis
yang relatif kecil.
Desain ekologis tidak memberikan informasi sama sekali pada distribusi gabungan
dari paparan dan variabel penyakit pada tingkat individu. Semua individu dalam "kelas
eksposur" apa pun diasumsikan telah mengalami paparan yang sama. Dengan demikian tidak
ada cara untuk mengetahui dari data ekologi apakah individu yang menunjukkan hasil
kesehatan sebenarnya telah terpapar pada faktor risiko lingkungan, atau pada tingkat apa
mereka telah terpapar. Hanya dalam kasus yang luar biasa, oleh karena itu, dapat kesimpulan
yang valid dibuat tentang hubungan paparan-penyakit tingkat individu dari studi ekologi.
Data rutin (misalnya pembuangan rumah sakit atau pemantauan data polusi) tidak
selalu memenuhi persyaratan penelitian ekologis. Dalam kasus data kesehatan, misalnya,
sistem klasifikasi penyakit yang tidak tepat mungkin telah digunakan. Sama halnya, mungkin
sulit untuk menentukan penyebut populasi (misalnya populasi tangkapan rumah sakit) yang
sesuai dengan pembilang kejadian kesehatan. Untuk kejadian-kejadian kesehatan yang
kurang parah, seperti serangan asma akut, mungkin tidak ada catatan yang tersedia sama
sekali. Dalam kasus data paparan, mungkin tidak ada jumlah pengukuran pencemar yang
mencemaskan, atau pengukuran mungkin tidak dilakukan di lokasi yang cukup mencirikan
eksposur. Umumnya, data kesehatan dan lingkungan telah dikumpulkan berdasarkan
kerangka ruang yang sangat berbeda. Data kesehatan, misalnya, biasanya tersedia untuk unit-
unit administratif seperti distrik kesehatan kota, kotamadya, atau provinsi, sedangkan
pencemar lingkungan dan paparan lainnya biasanya hanya tersedia untuk masing-masing titik
atau untuk daerah-daerah yang melintasi batas-batas mereka. Upaya yang cukup mungkin
diperlukan untuk mengubah kumpulan data kesehatan dan lingkungan menjadi subgrup
popUlation yang sebanding. Ini dapat dilakukan baik dengan merealokasi individu ke "zona
polusi" berdasarkan tempat tinggal mereka atau, lebih umum, dengan memperkirakan skor
pencemaran untuk setiap wilayah administrasi menggunakan model matematika atau teknik
interpolasi spasial.
2.3 Bias dan Kemungkinan Koreksi Bias
Tidak seperti studi tingkat individu, studi ekologis tidak menghubungkan peristiwa
penyakit individu dengan paparan individu atau data kovariat, juga tidak menghubungkan
paparan individu dan data kovariat. Sebaliknya, analisis didasarkan pada pencocokan data
agregat atau dikelompokkan. Studi ekologi tunduk pada sejumlah bias khusus sebagai
hasilnya. Selain sumber bias tertanam dalam studi tingkat individu, misalnya, perkiraan
ekologi efek dapat bias oleh baik oleh kelompok pembaur (bias spesifikasi) dan modifikasi
efek oleh kelompok. Kovariat yang bertanggung jawab atas bias ekologis dengan cara-cara
ini bahkan mungkin bukan pembaur atau pengubah efek pada tingkat individu. Agregasi bias
(atau bias lintas level) juga penting dalam banyak kasus. Ini mengacu pada perkiraan efek
paparan yang salah yang berasal dari analisis data yang dikumpulkan di seluruh kelompok
studi. Karena kelompok-kelompok tersebut secara tipikal terpapar, bias lintas-tingkat adalah
masalah yang lebih kompleks daripada pengganggu sederhana oleh kelompok.
 Masalah lebih lanjut yang belum cukup dipertimbangkan dalam literatur pada studi
ekologi adalah bahwa perkiraan ekologi paparan didasarkan pada survei sampel dan juga
merupakan subjek kesalahan sampling. Jika kesalahan sampling tidak dapat diabaikan, maka
variabel eksposur memiliki kesalahan standar yang akan bias koefisien regresi. Jika perkiraan
kesalahan standar tersedia dari survei, ini mungkin dimasukkan untuk mengoreksi bias ini.
Kerentanan perkiraan ekologis terhadap kesalahan pengukuran juga bisa menjadi
sumber ketidakpastian yang penting. Terlepas dari variabel demografi dasar (seperti jenis
kelamin dan usia), sebagian besar variabel yang digunakan dalam analisis ekologi tunduk
pada kesalahan pengukuran yang substansial. Efek dari kesalahan ini berbeda untuk studi
tingkat ekologi dan individu. Sebagian, ini karena sampel yang digunakan untuk
memperkirakan distribusi penyakit, paparan dan distribusi kovariat untuk studi ekologis
sering terputus-putus. Sebagai akibatnya, kesalahan pengukuran yang timbul dapat bervariasi
untuk kelas paparan yang berbeda, hasil penyakit dan kovariat.
Sebagai akibat dari berbagai bias ini, perkiraan eksposur dengan cara ekologis
mungkin dipengaruhi oleh kesalahan acak yang besar yang dapat secara serius mengganggu
hasil analitis. Klasifikasi salah diferensial independen dari indikator paparan biasanya akan
menghasilkan bias yang diarahkan jauh dari hipotesis tanpa efek dalam studi ekologi.
Sebaliknya, dalam studi tingkat individu, efeknya berlawanan arah (yaitu menuju nol).
Studi ekologi dalam epidemiologi biasanya berhubungan dengan tingkat mortalitas
sebab-spesifik (dan / atau morbiditas) daripada kematian total. Oleh karena itu, kesalahan
klasifikasi hasil penyakit dapat menjadi sumber bias yang parah. Bias ini bisa jauh lebih
penting daripada variabilitas sampling dari hasil penyakit (variabel dependen dalam analisis
regresi).
Masalah pengambilan sampel yang paling sulit dalam studi ekologi, bagaimanapun,
sering berhubungan dengan pengukuran pembaur potensial. Di mana database yang ada
digunakan, ketersediaan informasi tentang perancu pasti terbatas. Biasanya, variabel yang
datanya tersedia tidak termasuk semua kovariat yang relevan untuk hubungan yang diteliti,
dan hanya sebagian saja yang dapat dibuat untuk pembauran.
Ada juga kebutuhan dalam studi ekologi untuk standardisasi variabel-variabel yang
memiliki distribusi tidak konstan di seluruh populasi. Tingkat penyakit yang dipublikasikan,
misalnya, selalu standar usia, sedangkan tingkat paparan jarang distandardisasi. Karena usia
sering dikaitkan dengan durasi paparan, regresi tingkat penyakit pada tingkat pemajanan bias,
bahkan jika ketepatan tingkat yang digunakan dalam regresi tinggi.
 Kesempatan utama untuk pencegahan bias dalam studi ekologi, seperti dalam studi
epidemiologi pada umumnya, terletak pada desain penelitian. Jika bias tetap ada, hanya ada
metode statistik terbatas yang tersedia untuk mengurangi efeknya pada fase analitis. Ini
termasuk analisis pengaruh, analisis sensitivitas, penggunaan metode yang kuat, dan
pemodelan efek acak. Secara umum, kontrol perancu dalam penelitian ekologis lebih
menuntut daripada dalam studi tingkat individu, karena proses pengukuran untuk pembaur
jauh lebih rumit. Seperti halnya studi tingkat individu, pendekatan ekologi juga memiliki
masalah bahwa pengukuran kasar atau perkiraan pengganggu mungkin tidak memadai untuk
mencapai kontrol penuh.
2.4 Kesimpulan dan Rekomendasi
Studi ekologi didasarkan pada pendekatan metodologis yang berbeda yang
membedakan mereka dari studi tingkat individu. Baik dalam merencanakan studi ekologi,
atau dalam mengevaluasi secara kritis hasil akhir dari studi semacam itu, sejumlah faktor
spesifik harus dipertimbangkan (lihat Greenland, 1992; dan Morgenstern, 1982):
1. Studi ekologi jauh lebih sensitif terhadap bias dari spesifikasi mis model daripada
hasil dari studi tingkat individu.
2. Kondisi pembaur berbeda dalam analisis tingkat individu dan ekologi.
3. Berbeda dengan studi tingkat individu, klasifikasi kesalahan independen dan non
diferensial dari paparan dikotomi biasanya menyebabkan bias menjauh dari hipotesis
nol dalam studi ekologi.
4. Dalam desain studi ekologi penting untuk memilih daerah dengan populasi yang:
 terpapar secara homogen;
 mewakili perbedaan distribusi eksposur yang berbeda;
 sebanding dengan distribusi kovariat; dan
 berhubungan dengan unit sampling terkecil yang mungkin.
5. Dalam analisis data ekologis penting untuk:
 gunakan regresi berbobot, bukan korelasi, dengan bobot sebanding dengan
jumlah informasi yang terkandung dalam setiap kelompok;
 termasuk dalam model regresi semua variabel yang dianggap terkait dengan
proses pengelompokan;
 memeriksa beberapa model regresi dengan bentuk struktural yang berbeda dan
fleksibel di luar bentuk linear standar;
 menguji asumsi dasar dalam model;
  melakukan analisis pengaruh dengan memeriksa efek penghapusan
dari analisis berbagai bidang dengan hasil yang tidak biasa, paparan, atau
kombinasi kovariat;
 melakukan analisis sensitivitas perkiraan ekologi untuk kesalahan klasifikasi;
mempertimbangkan periode latensi dan induksi yang memisahkan sebab dan
akibat; dan
 memberikan pertimbangan menyeluruh terhadap bias yang unik untuk analisis
semacam itu, serta yang umum untuk semua studi epidemiologi.

Kapanpun layak, studi ekologi menggunakan data agregat

seharusnya dilengkapi dengan studi tingkat individu dalam
hibrida analisis epidemiologi.

3. WAKTU SERI ANALISIS

3.1 Pendahuluan
Analisis deret waktu (TSA) melihat hubungan antara observasi yang direkam pada
titik-titik waktu diskrit, yang biasanya sama-sama berjarak. Sementara TSA juga merupakan
metode regresi, itu memprediksi hasil kesehatan bukan dari kovariat independen, tetapi dari
nilai-nilai hasil pada titik-titik sebelumnya dalam waktu. Persyaratan minimal untuk TSA
adalah kemampuan untuk:
 plot seri sementara,
 menurunkan seri baru (misalnya seri seri atau seri berparmonisasi) dan memplot ini,
 memeriksa petak-petak berhamburan dari nilai-nilai yang tertinggal waktu,
 menghitung korelasi serial, dan
 tampilkan ini secara grafis.
Perkembangan terkini dalam teknik komputasi grafis untuk mempelajari hubungan
multidimensi akan bermanfaat untuk TSA. Aspek komputasi statistik sangat penting ketika
set data yang digunakan besar.
Tiga pendekatan dasar untuk TSA ada, yaitu:
 Analisis autoregresi Poisson menggunakan persamaan estimasi umum (GEE);
 Model Markov menggunakan estimasi kuasi-kemungkinan (QLE); dan
 Poisson risk junction model untuk data stratifikasi waktu menggunakan rnaximum
likelihood estimation (MLE) atau estimasi kemungkinan maksimum (MLE).
 Ini berada di luar ruang lingkup dan kedalaman bab ini untuk menyajikan rincian
statistik yang terlibat; itu sudah cukup di sini untuk menjelaskan secara umum bagaimana
model-model ini diterapkan di TSA.
3.2 Model Regresi untuk TSA
Model TSA dapat dengan mudah dipahami sebagai subkelas dari model linear umum
(McCullagh & NeIder, 1983) di mana efek eksposur bersifat multiplikatif, distribusi
kesalahan adalah Poisson, dan fungsi tautan adalah logaritma natural. Dengan demikian,
model dapat direpresentasikan sebagai:
log[E(Yt)] = Xt' P
di mana: Xt adalah vektor kovariat pada waktu t, Yt adalah hitungan hasil yang diamati pada
waktu t, dan E (Yt) menunjukkan jumlah yang diharapkan.
Untuk memperhitungkan kemungkinan overdispersi dan autokorelasi, matriks
kovarian untuk hasil kesehatan pada unit pengamatan diasumsikan memiliki bentuk khusus;
parameter regresi P kemudian diperkirakan oleh GEE (Liang dan Zeger, 1986). Ini karena
bentuk distribusi bersama dari pengukuran tergantung waktu begitu rumit sehingga sulit
dipecahkan; artinya, tidak dapat memberikan informasi yang berguna dan dapat ditafsirkan.
Lebih dari dispersi dalam hitungan Poisson dapat muncul setidaknya karena dua
alasan. Pertama, risiko hasil buruk yang terjadi pada individu mungkin tidak sama untuk
semua individu, tetapi bergantung pada peristiwa sebelumnya yang terjadi pada individu
tersebut; itu bervariasi dari waktu ke waktu. Alasan kedua adalah bahwa risiko dapat tetap
konstan dari waktu ke waktu tetapi tidak harus sama untuk semua individu.
Model Markov juga dapat diterapkan untuk analisis regresi data deret waktu (Zeger
dan Qaqish, 1988). Karena observasi serial tidak mungkin independen, dalam model Markov
respon yang diharapkan pada waktu tertentu tidak hanya bergantung pada variasi paparan dan
kovariat terkait tetapi juga secara eksplisit juga pada hasil kesehatan pada waktu sebelumnya.
Koefisien regresi dapat diperkirakan menggunakan pendekatan QLE (McCullagh dan NeIder,
1983). Estimasi kuasi-kemungkinan memungkinkan seseorang untuk memperkirakan
hubungan regresi tanpa pengetahuan penuh tentang distribusi kesalahan dari varians respon.
Ada perbedaan mendasar antara pendekatan GEE, yang merupakan model regresi
"murni" dengan kesalahan korelasi otomatis, dan pendekatan QLE, yang merupakan model
regresi-autoregresi campuran. Sementara ini dapat dianggap sebagai alternatif, secara umum
koefisien dalam dua model berbeda. Ini karena, seperti dalam setiap persamaan regresi,
interpretasi parameter tergantung pada apa variates lain yang termasuk dalam model.
Biasanya juga tidak tepat untuk mengasumsikan bahwa kesalahan dalam varians eksposur
dapat diabaikan. Ketika data pada kesalahan pengukuran kurang, perkiraan harus diperoleh
dari sampel survei independen. Keuntungan pendekatan QLE dibandingkan pendekatan GEE
adalah model yang bersaing dapat dibandingkan secara langsung satu sama lain
menggunakan statistik devians.
Suatu aspek yang sangat problematik dalam mempelajari relasi temporal muncul
ketika ada puncak-puncak tajam yang hadir dalam frekuensi serupa baik dalam respon
maupun paparan senes. Sebagai contoh, dalam studi epidemiologi tingkat kematian harian
dan varians meteorologi, fluktuasi musiman cenderung hadir di semua set data. Dalam contoh
lain, palung panjang atau tren jangka panjang dapat hadir. TSA menangani hal ini dengan
mempelajari regresi secara terpisah di musim yang berbeda atau periode.
Penggunaan sebelumnya dari model analisis autoregression Poisson umumnya
didasarkan pada asumsi bahwa rangkaian ini tergantung pada waktu. Namun, tidak jelas
apakah pendekatan GEE atau pendekatan QLE memiliki kelebihan dibandingkan prosedur
pembuatan model yang lebih sederhana yang cukup untuk mengkompensasi kompleksitas
statistiknya yang lebih besar. Semua metode autoregressive melibatkan prosedur estimasi
kompleks dan komputer intensif. Cara yang lebih sederhana dalam berurusan dengan data
temporal mungkin untuk mengadopsi asumsi kerja yang mengulangi pengamatan dari sebuah
unit yang tidak bergantung pada waktu satu sama lain. Satu kemudian dapat melanjutkan
dengan membagi data studi ke dalam subkelompok (strata) dan pas model fungsi risiko
Poisson ke rangkaian waktu-stratifikasi. Dalam pendekatan ini, asumsi rasio risiko konstan
(atau rasio) dapat dikurangi dengan memasukkan kovariat tergantung waktu pada prediktor
linier. Tuntutan komputasi dapat dikurangi dengan menggunakan metode estimasi
kemungkinan maksimum yang tersedia dengan perangkat lunak yang ada. Kuhn dkk. (1994),
misalnya, menggunakan metode ini untuk TSA dan menemukan bahwa itu menguntungkan
dibandingkan dengan pendekatan GEE.
3.3 Penerapan Poisson Regression untuk TSA
Mengingat potensi penggunaan regresi Poisson untuk menghitung tren waktu, ada
baiknya untuk mempertimbangkan beberapa asumsi metode MLE yang mungkin tampak
dilanggar dalam kasus data time-series. Pemodelan Poisson sederhana mensyaratkan bahwa
hasil adalah independen. Pada pemikiran pertama, tampaknya tidak dapat dipertahankan
untuk menganggap bahwa hasil kesehatan yang terjadi dari waktu ke waktu memenuhi
persyaratan ini. Misalnya, efek kondisi sosial dan lingkungan cenderung bertahan setidaknya
dalam jangka pendek. Regresi Poisson juga mengasumsikan bahwa subkelompok populasi
bersifat homogen sehubungan dengan risiko hasil kesehatan yang merugikan. Ini adalah
asumsi lain yang dipertanyakan sejak terjadinya, katakanlah, serangan asma atau serangan
jantung tidak terjadi secara acak tetapi memiliki prekursor yang dapat diprediksi dan pola
risiko yang diketahui.
Dalam konteks ini, dua hal perlu ditekankan. Yang pertama adalah bahwa model
regresi Poisson biasa mensyaratkan bahwa populasi penelitian memenuhi kriteria tidak ada
overdispersi dan heteroskedastisitas tergantung pada kovariat. Salah satu cara efektif untuk
menghilangkan overdispersion adalah dengan mentransformasikan data ke skala akar
kuadrat; ini menstabilkan varians dari jumlah yang diamati. Dimasukkannya kovariat
tergantung waktu mungkin menghasilkan kemandirian bersyarat dan membantu untuk
menentukan strata risiko homogen. Kedua, regresi Poisson memungkinkan analisis data
agregat menjadi sebanding dengan metode analitik yang digunakan dalam studi kohort dan
basis kasus. Dengan demikian, meskipun TSA autoregresif telah dipromosikan sebagai
metode yang disukai dalam analisis pengamatan berurutan dalam jangka waktu yang lama,
dapat dikatakan bahwa regresi Poisson memberikan alternatif yang sederhana dan layak.
Persyaratan minimum untuk studi epidemiologi menggunakan data temporal agregat
(atau studi rangkaian waktu) menjadi informatif - pada dasarnya sama dengan yang
diperlukan untuk studi epidemiologi yang valid dan tepat. Kekurangan dalam basis data,
kompleksitas interaksi yang rumit di antara variates yang relevan, dan masalah non-
metodologis lainnya semuanya berkontribusi pada masalah menyimpulkan hubungan dosis-
respons antara polusi dan kesehatan. Pendekatan HEADLAMP, bagaimanapun, menghindari
beberapa masalah ini dengan mengandalkan hubungan yang sudah mapan, yang kemudian
diterapkan di tingkat lokal atau nasional untuk membuat kesimpulan tentang risiko berlebih.
Jadi tidak perlu untuk berspekulasi tentang mekanisme biologis di balik asosiasi yang
ditemukan. Bahkan dalam kerangka ini, kesulitan metodologis mungkin masih muncul. Oleh
karena itu, penerapan metode statistik yang tepat perlu untuk menangani karakteristik khusus
dari data deret waktu mengenai polusi dan kesehatan.
Kelemahan utama dari desain time-series adalah kemungkinan adanya pembaur yang
tidak terukur. Namun, penelitian seri waktu efek jangka pendek, yang menggunakan
serangkaian data interval pendek yang panjang (mis. Hari), sering meminimalkan kesalahan
tersebut. Fitur penting dalam studi temporal menggunakan data agregat adalah bahwa
populasi yang diikuti berfungsi sebagai kontrolnya sendiri dari waktu ke waktu. Dengan
demikian, pembaur yang mungkin hanya berpengaruh jika mereka bervariasi selama interval
waktu kecil yang terlibat (misalnya dari hari ke hari). Variasi semacam itu tentu ada,
misalnya dalam data meteran, tetapi ini biasanya dapat diukur secara akurat dan mudah
diperhitungkan dalam analisis.

Sementara model autoregresif sering dilihat sebagai metode yang disukai untuk analisis
deret waktu yang lebih lama, regresi Poisson menawarkan alternatif yang sederhana dan
layak.

4. ANALISIS RESIKO

4.1. Pengantar
Semakin, otoritas di tingkat lokal, nasional dan internasional dihadapkan dengan
keputusan yang sulit yang melibatkan menimbang manfaat sosial dan ekonomi dari teknologi
terhadap kesehatan dan biaya lingkungan yang terlibat (McMichael, 1989). Jika keputusan ini
dibuat berdasarkan informasi, mereka mensyaratkan bahwa efek kesehatan dapat
dikuantifikasi. Seringkali, memang, beberapa bentuk penilaian risiko kuantitatif (QRA),
diperlukan untuk tujuan pengaturan. Selain itu, karena hasil penilaian tersebut sering
disajikan sebagai nomor tunggal (misalnya, kelebihan jumlah kasus penyakit terbuka),
mereka memberikan tampilan kepastian ilmiah dan kesederhanaan, yang keduanya membuat
metode menarik bagi pengambil keputusan. Namun dalam prakteknya, kemampuan untuk
mengukur efek pengembangan kesehatan seringkali terbatas dan metode penilaian risiko yang
valid bersifat kompleks dan tidak pasti. Metode QRA, misalnya, sangat tergantung pada
serangkaian asumsi dan pilihan subjektif yang dapat memiliki efek penting pada perkiraan
risiko yang dihasilkan. Oleh karena itu perawatan yang baik diperlukan baik dalam
menggunakan dan menafsirkan hasil QRA.

QRA dapat didefinisikan sebagai penerapan hubungan statistik antara paparan dan
hasil kesehatan terkait untuk menilai risiko kesehatan terhadap populasi atau tingkat
pemaparan terkait dengan risiko tertentu. Dengan demikian, dua jenis utama estimasi risiko
kuantitatif dapat dibedakan: analisis risiko (RA), yang melibatkan perhitungan risiko yang
terkait dengan tingkat paparan / dosis tertentu - misalnya, dinyatakan dalam risiko berlebih
atau jumlah penyakit tambahan. kasus dan apa yang kadang-kadang disebut analisis bahaya,
yang melibatkan perhitungan paparan / dosis yang sesuai dengan tingkat risiko tertentu -
misalnya, paparan yang diperkirakan menyebabkan hasil kesehatan yang buruk dalam
persentase tertentu dari subyek yang terkena.
 QRA dapat juga diterapkan pada dua skala yang berbeda. Risiko individu mengacu
pada kemungkinan bahwa seseorang akan mengembangkan penyakit sebagai akibat dari
paparan dalam jangka waktu tertentu. Risiko populasi atau beban penyakit mengacu pada
jumlah yang diharapkan dari kasus penyakit yang disebabkan paparan dalam populasi yang
diteliti dalam jangka waktu tertentu. Kedua langkah ini mungkin memiliki implikasi
peraturan yang berbeda: otoritas pengatur mungkin ingin mengevaluasi risiko baik bagi
individu yang sangat terpapar atau bahwa untuk populasi besar yang paparannya bisa jauh
lebih rendah.

4.2. Penggunaan dan Keterbatasan RA

Analisis risiko bukanlah metode hubungan yang benar dalam arti bahwa data
kesehatan lokal tidak digunakan. Sebaliknya, ia menggunakan hubungan yang telah
ditentukan antara paparan dan hasil kesehatan untuk menentukan risiko terhadap populasi
yang terpajan. Hubungan antara paparan dan kesehatan biasanya berasal dari studi
independen, baik di dalam wilayah studi atau, lebih umum, di tempat lain.
Keuntungan khusus dari analisis risiko adalah bahwa hal itu dapat diterapkan di
daerah di mana data hasil kesehatan tidak cukup dikumpulkan untuk memungkinkan
hubungan antara paparan dan kesehatan menjadi ditentukan secara lokal. Dengan cara yang
sama, metode analisis risiko adalah sumber daya paling rendah, paling mudah dan tercepat
untuk menggunakan semua metode yang dipertimbangkan di sini. Keberhasilan proses
penilaian risiko, bagaimanapun, tergantung pada sejumlah isu seperti pilihan model prediksi
risiko dan kecukupan penilaian eksposur. Semua ini tunduk pada ketidakpastian yang besar,
meskipun bentuk dan besarnya masalah ini berbeda-beda tergantung pada konteks dan tujuan
khusus dari analisis tersebut.

Analisis risiko menyediakan metode analisis lingkungan kesehatan yang

relatif mudah dan cepat, tetapi keberhasilan penilaian tersebut sangat
bergantung pada validitas model prediksi risiko dan perkiraan eksposur
yang digunakan.

Salah satu kesulitan paling penting dalam QRA terletak dalam memperoleh perkiraan
yang dapat diandalkan tentang hubungan respons-paparan. Hasil dari studi epidemiologi dari
satu populasi tidak selalu dapat langsung diterapkan pada orang lain, karena perbedaan dalam
rentang paparan yang terlibat, dalam metode estimasi paparan yang digunakan, dalam
konteks sosio-ekonomi di mana paparan terjadi dan dalam status garis dasar populasi yang
bersangkutan. Hubungan untuk paparan polusi udara yang berasal dari negara atau kota maju,
misalnya, cenderung meremehkan risiko di negara berkembang, di mana status kesehatan
dasar lebih buruk (Ostro, 1994). Demikian pula, perbedaan dalam cara di mana paparan atau
hasil kesehatan didefinisikan atau diukur dalam area yang berbeda (misalnya dalam desain
jaringan pemantauan polusi, definisi spesifik dari polutan diukur, atau dalam diagnosis) dapat
membuat sulit untuk mentransfer hubungan dari satu area ke area lainnya.
Perawatan khusus juga diperlukan di mana hasil kesehatan yang menjadi perhatian
berpotensi terkait dengan lebih dari satu paparan. Kedua partikulat dan SO2 misalnya,
diketahui berkontribusi terhadap penyakit pernapasan. Di banyak daerah, tingkat kedua
polutan juga sangat berkorelasi. Ketika memodelkan kontribusi keduanya, hanya satu
variabel akan tetap signifikan secara statistik - efek dari yang kedua akan dimasukkan ke
dalam yang pertama. Ketika dimodelkan secara terpisah, di sisi lain, keduanya mungkin
menunjukkan hubungan yang signifikan dengan hasil kesehatan. Menjumlahkan perkiraan
terpisah dari efek ini akan membesar-besarkan perkiraan efek (mis. Kemungkinan jumlah
kasus). Idealnya, oleh karena itu, beberapa ukuran efek gabungan harus diperoleh, dengan
menyesuaikan efek paparan kedua. Dalam praktiknya, ini sering sulit, dan dalam kasus-kasus
ini pendekatan yang lebih konservatif adalah hanya menggunakan satu ukuran pemaparan -
mungkin satu dengan kumpulan data yang lebih lengkap.
Sumber ketidakpastian lebih lanjut dalam QRA adalah adanya heterogenitas populasi.
Dalam analisis hubungan kesehatan lingkungan, data faktor risiko biasanya dikumpulkan dan
disajikan pada tingkat agregasi tinggi. Perkiraan risiko gabungan jenis ini hanya dapat
diekstrapolasi kembali ke tingkat individu jika populasi yang bersangkutan adalah homogen.
Dalam kenyataannya, homogenitas dalam populasi jarang jika pernah ada. Faktor-faktor
risiko yang tidak diakui dapat diharapkan untuk menyebabkan orang yang berbeda untuk
risiko penyakit latar belakang yang berbeda. Akibatnya, risiko individu dapat berbeda secara
substansial dari yang tersirat oleh data agregat. Biasanya, penduga varians cenderung bias ke
atas ketika risiko bersifat heterogen, bukan rendah. Dalam melakukan analisis risiko, oleh
karena itu, orang harus selalu memeriksa heterogenitas tersembunyi sebelum menyajikan
statistik populasi agregat. Jika heterogenitas ditemukan, maka perkiraan risiko populasi
berdasarkan data agregat dapat menyesatkan. Populasi harus dibagi menjadi sub-populasi
yang lebih homogen, atau statistik harus disajikan dengan kehati-hatian untuk interpretasi.
 Ketidakpastian dalam penilaian risiko harus selalu diakui, dan perkiraan
risiko lingkungan harus selalu disertai dengan perkiraan eksplisit dari
interval kepercayaan atau kisaran perkiraan.

4.3 Presentasi dan Interpretasi Hasil

Hasil dari setiap penilaian risiko jelas perlu dikomunikasikan kepada pembuat
keputusan dalam bentuk yang tepat. Ini menyiratkan bahwa hasil keduanya disajikan dengan
jelas, namun juga memenuhi syarat sesuai dengan keandalannya. Interpretasi hasil, baik oleh
penilai risiko dan manajer risiko dan kemudian oleh organisasi pemerintah dan non-
pemerintah serta masyarakat umum, mungkin sangat bergantung pada metode yang
digunakan untuk mempresentasikan hasil. Hal ini sangat penting dalam menghubungkan data
lingkungan dan kesehatan karena pembuat keputusan mungkin tidak berpengalaman dalam
metode statistik khusus yang digunakan. Selain itu, ada kebutuhan untuk menyajikan hasil
keterkaitan dalam istilah-istilah yang dapat dengan mudah diubah menjadi input untuk
analisis biaya-keuntungan masyarakat atau individu, atau disebarluaskan kepada pemangku
kepentingan lain (misalnya publik).
Saat ini, tidak ada prosedur standar untuk menganalisis dan menyajikan hasil dari
analisis hubungan. Untuk sebagian besar, ini mencerminkan berbagai metode yang digunakan
untuk menganalisis data, dan perbedaan yang melekat pada data itu sendiri. Akibatnya,
pendekatan standar untuk analisis keterkaitan data kesehatan lingkungan sering tidak layak
dan tidak perlu. Ini mungkin tidak layak karena perbedaan yang tidak dapat diselesaikan
dalam data atau metode yang tersedia; itu mungkin tidak perlu karena studi yang
bersangkutan tidak melibatkan perbandingan lintas wilayah atau periode yang berbeda.
Standarisasi metode tetap bermanfaat sejauh memfasilitasi kemudahan komparatif.
Keragaman teknik analisis yang sejauh ini diterapkan dalam studi rangkaian waktu polusi
udara dan kesehatan, misalnya, cenderung menghambat perbandingan langsung dari hasil,
dan menyulitkan untuk memperoleh perkiraan umum hubungan pengaruh paparan (misalnya
dari meta analisis). Kurangnya standardisasi juga membuat sulit untuk memverifikasi hasil
dari studi individu (misalnya dengan membandingkan dengan studi di tempat lain) dan
mengurangi peluang untuk menggunakan kembali data di kemudian hari. Standarisasi dengan
demikian menawarkan kemungkinan memperoleh nilai tambah dari data, dan dengan
demikian meningkatkan efektifitas pengumpulan data. Salah satu upaya langka untuk
menetapkan prosedur standar untuk analisis deret waktu adalah proyek APHEA yang didanai
ED. Ini mengembangkan metodologi standar untuk menganalisis data dari 15 kota, yang
mewakili berbagai kondisi polusi sosial, lingkungan dan udara di sepuluh negara
(Katsouyanni, 1995).
Ini di luar lingkup bab ini untuk membahas cara terbaik untuk menyajikan hasil
analisis statistik biasa - mereka tercakup dalam banyak buku teks (misalnya Gore dan
Altman, 1982). Juga tidak akan teknis dalam mengukur risiko kesehatan manusia
dipertimbangkan di sini mereka telah dijelaskan dalam buku-buku tentang penilaian risiko
(misalnya Cox dan Ricci, 1989). Namun demikian, berguna untuk memeriksa beberapa
masalah umum yang terlibat dalam penyajian hasil studi keterkaitan, sebagai dasar untuk
memberi informasi lebih baik kepada pembuat keputusan.
Hasil yang paling menarik bagi lembaga kesehatan atau manajer risiko dalam
mencapai suatu keputusan biasanya merupakan perkiraan kuantitatif risiko. Ini adalah
perkiraan risiko yang menyediakan platform untuk tindakan kebijakan selanjutnya. Dalam
konteks ini, dua ukuran kuantitatif risiko banyak digunakan:
 peningkatan risiko individu - kemungkinan peningkatan individu yang mengalami
efek kesehatan tertentu; dan
 beban penyakit - jumlah kelebihan kasus efek kesehatan yang ditentukan ("jumlah
tubuh").
Tabel 5.1, misalnya, menunjukkan rata-rata risiko kehidupan kerja kanker paru-paru
untuk individu yang terpapar silika, sementara Tabel 5.2 menunjukkan jumlah kelebihan
kanker paru-paru pada populasi yang terpapar untuk kedua tingkat paparan yang saat ini
berlaku dan untuk batas kontrol yang lebih rendah. Untuk memberikan beberapa perspektif,
hasil penilaian risiko sering dinyatakan sebagai risiko pengurangan kecil. Dengan demikian,
riskanalyst mungkin menafsirkan hasil Tabel 5.2 sebagai berikut. Pengenalan - dan kepatuhan
terhadap - standar paparan 0,2 mg · m · 3 akan menghasilkan pengurangan 12% dalam
jumlah kelebihan kasus kanker paru. Sebagai alternatif, jika standar paparan ditetapkan pada
0,1 mg · m3, pengurangan 36% akan diprediksi.
Tabel 5.1. Risiko rata-rata kanker paru untuk laki-laki yang terpajan silika yang
dipekerjakan mulai usia 20 hingga 60 tahun. Angka-angka yang diprediksi dan tingkat
keyakinan 95% yang terkait diberikan secara terpisah untuk tingkat paparan yang saat ini
berlaku dan untuk tingkat pemaparan hingga 0,1 dan 0,2 mg-3

Tingkat keterpaparan Perkiraan jumlah 95% interval kepercayaan

Arus 630 120-1320
0,2 mg'm-3 550 110-1090
0,1 mg, m3 410 90-780

Sumber: Nurminen et al. (1992)

Metode yang digunakan untuk estimasi risiko mau tidak mau hanya memberikan
perkiraan perkiraan risiko, karena metode tersebut biasanya melibatkan berbagai asumsi,
yang tidak mudah diverifikasi. Penyajian estimasi titik sederhana dari risiko yang diharapkan
dan angka berlebih sehingga cenderung memberikan kesan presisi yang menyesatkan.
Sebaliknya, penting untuk memberikan informasi yang jelas tentang asumsi dan keterbatasan
yang terlibat. Cox dan Ricci (1989), misalnya, menyarankan panduan berikut untuk
presentasi perkiraan risiko:
 Risiko harus disajikan dalam bentuk yang terpilah secara memadai
(menunjukkan risiko untuk subkelompok yang berbeda) sehingga
ketidakpastian dan heterogenitas utama tidak hilang dalam agregasi.
 Pita kepercayaan di sekitar prediksi model statistik berguna, tetapi
ketidakpastian tentang asumsi model itu sendiri juga harus disajikan.
 Baik risiko individu maupun risiko penduduk harus disajikan, sehingga
pemerataan distribusi risiko individu dalam populasi dapat diperhitungkan.
 Setiap ketidakpastian, heterogenitas, atau korelasi antar risiko individu harus
diidentifikasi.
 Analisis sensitivitas harus digunakan untuk menilai efek pada perkiraan
asumsi utama yang terlibat.
Menghubungkan eksposur lingkungan dengan hasil kesehatan sering dicapai melalui
penggunaan model regresi - misalnya, regresi logistik ganda. Metode apa pun yang
digunakan, presentasi hasil setelah penyisihan untuk kovariat harus dalam bentuk yang serupa
dengan yang akan digunakan jika tidak ada kovariat dimasukkan dalam fungsi risiko. Hanya
mengutip koefisien dari model logistik tidak mencapai ini dan dalam hal apapun buatan,
karena transformasi logit tidak akan diperlukan jika hanya ada satu faktor risiko yang
menarik, dan tidak ada kovariat. Ini tidak berarti bahwa rasio risiko-odds tidak akan berguna
sebagai parameter tambahan dalam pemodelan risiko. Analis harus, bagaimanapun, juga
memberikan langkah-langkah yang lebih informatif dari efek paparan, seperti risiko absolut
absolut (perbedaan risiko) atau risiko ekses relatif (rasio risiko minus satu) (lihat Nurminen,
1995).
 Metode apa pun yang digunakan untuk pemodelan risiko,
presentasi hasil setelah penyisihan untuk kovariat harus dalam
bentuk yang mirip dengan yang akan digunakan jika tidak ada
kovariat dimasukkan

Yang minor, namun lebih dari sekadar kosmetik, point dalam presentasi hasil dari
analisis risiko adalah jumlah angka yang signifikan. Dalam konteks ini, ketelitian yang
melekat pada hasil perlu diakui. Tidak masuk akal, misalnya, untuk memberikan hasil
sebagai "531.35 kasus penyakit yang diharapkan per tahun" ketika rentang kemungkinan
adalah dari nol hingga 1100. Bahkan mungkin lebih baik untuk tidak memberikan perkiraan
titik tunggal, tetapi hanya untuk menunjukkan perkiraan batas kepercayaan. Dalam
menyajikan hasil meta-analisis, nilai rata-rata keseluruhan dapat ditunjukkan bersama dengan
rentang untuk batas keyakinan bawah dan atas.
Analisis risiko sering menyajikan informasi dalam hal ukuran peluang. Distribusi
probabilitas dapat menjadi sulit bagi non spesialis untuk menafsirkan. Sementara plot tingkat
kejadian kumulatif (perkiraan risiko) memungkinkan seseorang untuk membaca median (dan
persentil distribusi), nilai rata-rata tidak dapat ditentukan dari plot. Untuk menghindari salah
tafsir, oleh karena itu, penting untuk menyajikan plot distribusi kumulatif bersama dengan
grafik kurva kepadatan kejadian, menggunakan skala horizontal yang sama, dan untuk
menunjukkan juga risiko rata-rata pada kedua kurva (Ibrekk dan Morgan, 1987) .
Agar dapat digunakan untuk pembuatan kebijakan kesehatan, data epidemiologi
sering perlu ditafsirkan. Epidemiologi tradisional sebagian besar berkaitan dengan
peningkatan insiden yang terkait dengan paparan faktor risiko, sedangkan pembuat kebijakan
lebih tertarik pada pengurangan risiko setelah penghentian eksposur. Pentingnya faktor risiko
untuk kejadian penyakit dalam populasi biasanya dinyatakan sebagai fraksi aetioiogic
proporsi dari total kejadian penyakit yang dapat dikaitkan dengan faktor risiko dalam
populasi. Ini menunjukkan proporsi insiden yang dapat dicegah dengan eliminasi total faktor
risiko dalam populasi.
Dalam prakteknya, langkah-langkah pencegahan jarang mampu menghilangkan
sepenuhnya prevalensi faktor risiko lingkungan. Akibatnya, ukuran yang lebih berguna
adalah fraksi dampak potensial (Morgenstern dan Bursic, 1982). Ini menunjukkan insiden
yang dihindari oleh intervensi pencegahan sebagai proporsi kejadian yang akan terjadi pada
populasi tanpa intervensi. Fraksi dampak potensial dapat dihitung ketika prevalensi paparan
faktor risiko dalam populasi dan rasio kepadatan kejadian atau rasio risiko yang terkait
diketahui.

Dalam literatur epidemiologi tradisional, istilah fraksi dampak potensial sering

digunakan untuk menyiratkan penghapusan segera risiko berlebih setelah terminasi
pemaparan. Kenyataannya, pengurangan risiko ini mungkin membutuhkan waktu bertahun-
tahun, karena efek lag yang terlibat. Idealnya, oleh karena itu, perkiraan efek harus
memasukkan dimensi waktu. Untuk tujuan ini, sebuah metodologi berdasarkan fraksi dampak
pencegahan telah dikembangkan (Gunning-Schepers, 1989). Ini terdiri dari model simulasi
komputer, PREVENT (Gunning-Schepers et al., 1993), yang dapat memperkirakan manfaat
kesehatan untuk populasi perubahan dalam prevalensi faktor risiko. Hasilnya disajikan dalam
bentuk grafik atau tabular dan mencakup: output antara memvariasikan fraksi etiologi,
kecenderungan-dampak fraksi, dan potensi-dampak fraksi; dan hasil akhir bervariasi -
mortalitas spesifik penyakit, kematian total, perbedaan mortalitas spesifik penyakit, tahun-
tahun potensial kehidupan yang diperoleh, tahun-tahun kehidupan yang sebenarnya
diperoleh, kurva kelangsungan hidup, dan harapan hidup saat lahir.
Program intervensi preventif seringkali sulit untuk dijual secara politis karena efeknya
begitu lama untuk menjadi nyata. Memang, dalam banyak kasus, efeknya tidak dinyatakan
sebagai pengurangan nyata dalam risiko karena perubahan demografis dalam populasi target
dari waktu ke waktu. Ini tidak berarti bahwa pencegahan tidak akan memiliki efek yang
menguntungkan. Namun, ini berarti bahwa untuk melihat efeknya, penting untuk
menunjukkan apa yang akan terjadi tanpa intervensi pencegahan, dan bukan hanya
membandingkan efek yang diprediksi dengan tingkat kematian saat ini. Utilitas potensial
model simulasi seperti PREVENT dalam hal ini terletak pada kemampuan mereka untuk
memberikan kuantifikasi perkiraan efek yang lebih tepat dari waktu ke waktu, dan untuk
memperhitungkan beberapa faktor risiko dan efek yang mungkin dari perubahan demografi
pada efek intervensi
Ukuran(Gunning-Schepers
ideal dampak etkesehatan
aI., 1993). dari perubahan dalam
lingkungan paparan adalah persentase kejadian penyakit yang
akan terjadi telah menggerogoti populasi tanpa perubahan.

Meskipun perkiraan risiko yang dihasilkan oleh analisis risiko secara tradisional telah
digunakan sebagai dasar yang dapat dibenarkan untuk mengatur risiko, persepsi publik
tentang risiko jauh lebih luas daripada "jumlah tubuh" di mana penilaian risiko kuantitatif
telah difokuskan. Masyarakat sering salah mengartikan risiko karena bias dalam informasi
yang mereka buka (mis. Media berita, laporan pemerintah, laporan industri). Publik juga
merasakan risiko dalam konteks yang jauh lebih luas daripada yang digunakan dalam
persepsi epidemiologi lingkungan mencerminkan ketakutan akan dampak sosial, politik dan
yang tidak diketahui, kemarahan dan stigma. Perbedaan dalam persepsi risiko ini
memerlukan komunikasi dua arah antara riskanalist, manajer risiko dan pembuat kebijakan
lainnya, di satu sisi, dan masyarakat umum di sisi lain (Morris, 1990). Pedoman dan saran
yang berguna tentang cara mengkomunikasikan hasil analisis risiko kepada publik telah
dipublikasikan oleh Badan Perlindungan Lingkungan A.S. (Covello dan Allen, 19 &&).
Daftar ini "aturan utama" untuk komunikasi risiko yang efektif. Selain itu, panduan yang
berguna yang dirancang untuk manajer pabrik industri tersedia (Covello et al., 19 &&), yang
menggambarkan informasi teknis yang akan disajikan dan memberikan panduan untuk
menjelaskan angka-angka terkait risiko dan perbandingan risiko.
5. SISTEM INFORMASI GEOGRAFIS
5.1. pengantar
Menganalisis hubungan antara lingkungan dan kesehatan adalah, berdasarkan
sifatnya, masalah spasial. Tingkat risiko bervariasi secara geografis sebagai respons terhadap
variasi kondisi lingkungan; hasil kesehatan dan tingkat terkait kebutuhan dan dukungan
kesehatan bervariasi sebagai konsekuensinya. Banyak pertanyaan yang dihadapi oleh ahli
epidemiologi lingkungan dan pembuat kebijakan dengan demikian secara inheren geografis,
dan analisis spasial dan pemetaan merupakan komponen penting dari pekerjaan mereka.
Dalam hal penelitian, mereka memberikan langkah penting baik dalam perumusan dan
pengujian hipotesis tentang hubungan antara lingkungan dan kesehatan. Dalam hal kebijakan
dan dengan demikian dalam konteks HEAD LAMP ~ mereka adalah sarana yang berharga
untuk mengarahkan kebijakan ke bidang dan masalah yang paling membutuhkan, dan
memantau kinerja dan efek kebijakan.
Sampai saat ini, analisis spasial dan pemetaan dalam kesehatan lingkungan hanya
dapat dilakukan secara manual, atau menggunakan paket pemetaan yang relatif sederhana.
Selama sepuluh tahun terakhir, kemampuan manipulasi data spasial telah dirombak oleh
perkembangan sistem informasi geografis (SIG). GIS hanya dapat digambarkan sebagai
sistem untuk pengumpulan, penyimpanan, manipulasi dan tampilan data yang direferensikan
secara spasial. Dengan demikian, mereka tidak hanya membuat pemetaan dan banyak teknik
analisis spasial jauh lebih mudah, tetapi juga telah mendorong berbagai penelitian baru ke
dalam operasi spasial dan konsep yang telah sangat memajukan pemahaman kita tentang
bagaimana menganalisis dan menginterpretasikan fenomena spasial GIS sehingga
menyediakan alat yang semakin penting untuk studi hubungan kesehatan lingkungan.
Menetapkan GIS untuk aplikasi lingkungan kesehatan masih jauh dari mudah. Sejak
pertama kali dikembangkan pada tahun 1970-an, berbagai GIS telah dikembangkan. Ini
berbeda dalam hal biaya, fungsi, kompleksitas, kekuasaan, model data yang mendasari, dan
persyaratan perangkat keras dan data. Biaya langsung GIS telah menurun dengan cepat dalam
beberapa tahun terakhir, tetapi biaya tidak langsung - dalam hal akuisisi data, pembersihan
data dan kontrol kualitas, pelatihan dan perubahan dalam struktur operasional organisasi -
dapat menjadi substansial. Dalam memilih dan membeli GIS, oleh karena itu, perhatian
khusus diperlukan untuk memastikan bahwa itu tidak hanya dapat melakukan tugas yang
diperlukan dengan jenis data yang tersedia, tetapi bahwa sistem dapat didukung dengan baik
dari waktu ke waktu. Ini jelas menyiratkan kemampuan untuk meramalkan sebelumnya baik
penggunaan dan pengguna GIS.

Dalam memilih GIS, penting untuk memastikan bahwa sistem

dapat melakukan tugas yang diperlukan, dengan jenis data yang
tersedia, dan bahwa sumber daya yang diperlukan tersedia
untuk mendukung dan menggunakan sistem secara efektif.

5.2. Aplikasi GIS dalam Kesehatan Lingkungan

Perkiraan angka Dalam konteks studi hubungan lingkungan-kesehatan, SIG
menawarkan berbagai kemampuan penting. Salah satu yang paling berguna adalah fasilitas
untuk pembuatan peta yang efisien. Data digital ditangkap baik oleh digitalisasi atau
pemindaian, dibersihkan dalam GIS untuk menghapus kesalahan, dan diubah menjadi bentuk
peta. Berbagai macam fasilitas tampilan yang tersedia di GIS memberikan fleksibilitas besar
dalam representasi peta dan gaya, baik sebagai hard copy dan di layar. Pencarian lanjutan dan
fasilitas pengambilan juga tersedia, yang memungkinkan peta untuk diinterogasi secara
interaktif (misalnya untuk mengidentifikasi subset data berdasarkan atribut lokasional atau
lainnya). Banyak sistem juga menyediakan fungsi statistik yang terbatas, memungkinkan
hasil dirangkum dalam bentuk grafik atau tabel. Bersama-sama, ini membuat sistem GIS
sangat berpengaruh untuk presentasi data. Ini sangat persuasif juga merupakan bahaya,
karena itu dapat memungkinkan kelemahan dalam data atau model yang mendasari untuk
dengan mudah disamarkan atau diabaikan. Peta juga merupakan instrumen subjektif; pesan
yang diberikan oleh peta mana pun bergantung sebagian pada cara peta dikompilasi
(misalnya skala peta, proyeksi, interval kelas atau simbol dan skema warna yang digunakan
untuk pemetaan). Untuk semua alasan ini, kehati-hatian harus diambil baik dalam menyajikan
dan menginterpretasikan hasil menggunakan SIG.

GIS memberikan yang kuat. dan metode yang berpengaruh

untuk presentasi data. Karena potensi besar mereka untuk
persuasi, bagaimanapun, itu adalah essentiaI untuk memastikan
bahwa hasil yang disajikan didasarkan pada data yang dapat
digunakan dan model yang divalidasi dengan baik, dan bahwa
sarana presentasi. seobjektif mungkin.

Dalam banyak kasus, "pembuatan peta risiko lingkungan atau hasil kesehatan
melibatkan lebih dari sekadar menampilkan data digital. Mereka juga memerlukan beberapa
derajat transformasi data spasial dan analisis. Salah satu teknik yang paling bermanfaat dalam
hal ini adalah interpolasi spasial. Ini sering diperlukan dalam dua keadaan: untuk
memperoleh cakupan area (Le. permukaan kontinu) dari data titik (misalnya untuk
memetakan polusi udara berdasarkan data dari jaringan stasiun pemantauan), atau untuk
memperkirakan kondisi di lokasi yang tidak dicontohkan (misalnya untuk memperkirakan
ambien konsentrasi polusi di tempat tinggal kasus dan kontrol).
GIS modern menyediakan berbagai teknik interpolasi spasial, yang dapat
diklasifikasikan dengan cara yang berbeda. Perbedaan umum adalah antara metode
proksimal, lokal dan global. Interpolator proksimal (misalnya poligon voronoi) adalah yang
paling sederhana dalam konsep: mereka berasumsi bahwa estimasi terbaik dari nilai pada titik
tanpa sampel disediakan oleh titik terdekat yang diukur. Mereka dengan demikian
menetapkan nilai dari titik terukur terdekat ke semua lokasi intervensi. Metode interpolasi
lokal sesuai dengan fungsi regional melalui titik-titik. Mereka termasuk metode seperti
kriging dan contouring. Metode interpolasi global terdiri dari yang sesuai dengan satu fungsi
matematika untuk semua titik data - misalnya analisis permukaan tren. Perbedaan juga bisa
dibuat antara interpolator matematika dan interpolator yang tepat. Yang pertama cocok
memuluskan permukaan melalui titik-titik data. Interpolator yang tepat sesuai dengan
permukaan yang melewati titik-titik data. Kinerja metode interpolasi yang berbeda tergantung
pada sejumlah faktor termasuk sifat variasi spasial yang mendasari dalam fenomena yang
sedang dipertimbangkan dan kepadatan sampel dan distribusi. Secara umum, bagaimanapun,
metode interpolasi lokal harus disukai atas metode global karena mereka lebih sensitif
terhadap variasi lokal dalam data dan dengan demikian tidak menghasilkan seperti perataan
permukaan yang dimodelkan.
Peta adalah sarana yang berharga untuk menyajikan data spasial mengenai lingkungan
dan kesehatan, tetapi informasi yang dikandungnya tidak selalu langsung terlihat. Analisis
peta merupakan langkah penting dalam kaitan antara data lingkungan dan kesehatan.
Tujuannya harus baik untuk memeriksa integritas peta individu, dan untuk menentukan
apakah ada variasi atau pola spasial yang benar-benar ada. Jika tidak ada variasi signifikan
yang dapat dilihat, jelas tidak ada yang bisa dijelaskan.
Dua pendekatan penting dalam hal ini adalah pencarian kluster kesehatan dan
perataan peta. Sampai saat ini, penggunaan SIG untuk perataan peta telah dibatasi meskipun
Briggs dkk. (1993) menggunakan teknik perataan peta dalam SIG untuk menganalisis
kematian bayi di Huddersfield, Inggris, dan Elliott et al. (1995) menggunakan metode serupa
untuk memeriksa variasi dalam kesehatan pernapasan pada anak sekolah. Penggunaan GIS
untuk pencarian kilau telah menerima lebih banyak perhatian. Openshaw dkk. (1987),
misalnya, membangun apa yang mereka sebut sebagai Mesin Analisis Geografis (GAM)
untuk identifikasi klaster. Ini secara sistematis membangun zona penyangga di sekitar kisi
titik tetap di wilayah studi. Jika jumlah kasus yang diamati melebihi jumlah yang diharapkan,
maka lingkaran akan ditarik. Setelah pemindaian berulang dengan lingkaran jari-jari yang
berbeda, hasilnya dipetakan, dan lokasi yang memberikan fokus untuk sejumlah besar
lingkaran tumpang tindih diidentifikasi Metode ini menarik banyak kritik, paling tidak karena
melibatkan penghitungan ganda kasus individual dan karena kesulitan menganalisis peta yang
dihasilkan, dan sejumlah pendekatan yang lebih kuat telah diusulkan (misalnya Besag &
Newell 1991). Ini, bagaimanapun, belum diintegrasikan ke dalam GIS.
GIS juga jelas menawarkan peluang untuk keterkaitan spasial dan perbandingan data
lingkungan dan kesehatan. Metode yang digunakan sangat tergantung pada ukuran risiko
yang tersedia. Di mana peta polusi tersedia, dimungkinkan untuk membandingkannya secara
langsung dengan hasil kesehatan, dengan menggunakan prosedur overlay atau point-in-
polygon. Ketika polusi atau paparan belum dipetakan, indikator risiko alternatif dapat
digunakan, seperti lokasi sumber emisi. Menganalisis hubungan antara polusi dan kesehatan
semata-mata atas dasar jarak dari sumber emisi jelas merupakan proses yang tidak pasti.
Secara umum, kesimpulan yang lebih kuat dapat ditarik ketika peta tersedia dari tingkat
polusi. Dalam keadaan ini, peta polusi dapat digunakan sebagai indikator paparan, dan
dibandingkan dengan hasil kesehatan.
Paling sederhananya, ini dapat dicapai dengan melapisi peta kesehatan dan polusi.
Dari ini, statistik dapat dikompilasi yang membandingkan tingkat polusi dengan hasil
kesehatan standar (misalnya SMR). Kesulitan utama dari pendekatan ini, terutama ketika
diterapkan pada data kesehatan yang dikumpulkan, adalah ketidakcocokan yang biasanya
terjadi antara struktur spasial data kesehatan dan data polusi. Overlay data kesehatan dan
polusi baik dalam bentuk titik atau area - juga pasti menghadapi masalah berat modifikasi
perancu dan efek (lihat Bab 4.2.3). Kecuali ini diperhitungkan, kesimpulan yang naif dan
menyesatkan dapat diambil dari perbandingan peta sederhana.
Karena ini menyiratkan, perhatian khusus perlu diberikan pada kualitas data yang
digunakan dalam GIS. Masalahnya tidak hanya terletak pada sumber data itu sendiri, tetapi
juga pada apa yang terjadi pada data selama analisis SIG. Menghubungkan set data yang
berbeda untuk menyediakan cakupan spasial, atau melapisinya untuk memperoleh informasi
baru, misalnya, dapat menghasilkan permukaan kesalahan yang kompleks dan tak terlihat.
Kontrol kualitas data dengan demikian sangat penting. Pepatah lama sampah-di-sampah-out
adalah sebagai benar dalam GIS seperti dalam bentuk lain dari analisis data, tetapi sering
kurang jelas karena kecanggihan output, dan kompleksitas tersembunyi dari operasi analitis
yang terlibat.
Banyak operasi yang dilakukan oleh SIG dijalankan secara rutin tanpa
transparansi kepada pengguna. Untuk mengintegrasikan dalam satu peta tunggal, informasi
yang berasal dari peta masukan dari sumber yang berbeda yang dicirikan oleh struktur
kesalahannya sendiri dapat berbahaya dan mengarah pada perbanyakan kesalahan. Operasi
GIS lainnya, seperti perubahan dalam resolusi spasial peta atau diskretisasi fenomena
berkelanjutan, dijalankan secara rutin dalam konteks GIS dan belum dapat mengubah secara
substansial hasil analisis statistik. Menggunakan data dalam skala yang terlalu besar mungkin
tidak nyaman; menggunakan data dalam skala yang terlalu kecil menambah ketidakpastian
dan kesalahan pada analisis kami, dan dapat menghasilkan kesimpulan yang salah. Oleh
karena itu, pengguna perlu memahami keterbatasan spasial dari data yang tersedia di SIG
mereka.

REFERENSI
Besag J, Newell 1. The detection of clusters in rare diseases. Journal of the Royal Statistical
Society 1991; A 154: 143-55.
Briggs DJ. GIS development for broad-scale policy applications: the lessons from CORINE.
In: Geographic Information 1991. The Yearbook of the Association for Geographic
Information. (J. Cadoux-Hudson and D.L Heywood, eds.). Londqn: Taylor and
Francis, 1991. 113-20.
Briggs DJ, Elliot P. The use of geographical information systems in studies on environment
and health. World Health Statistics Quarterly 1995;48:85-94.
Briggs DJ, Collins S, Elliott P, Martuzzi M. Infant mortality in Huddersfield District Health
Authority, 1982-1991. Report of a Study on behalf of West Yorkshire Health
Authority. Huddersfield: Institute of Environmental and Policy Analysis, University
of Huddersfield and Environmental Epidemiology Unit, London School of Hygiene
and Tropical Medicine, 1993.
Covello V, and Allen F: Seven Cardinal Rules for Risk Communication. Washington, D.C.:
U.S. Environmental Protection Agency, 1988.
Covello VT, Sandman PM, Slovic P. Risk Communication, Risk Statistics, and Risk
Comparisons: A Manual for Plant Managers. Washington, D.C.: Chemical
 Manufacturers Association, 1988.
Cox Jr. LA, Ricci PF. Risk, uncertainty, and causation: Quantifying human health risks. In:
Paustenbach DJ, ed. The Risk Assessment of Environmental and Human Health
Hazerds: A Textbook of Case Studies. New York: Wiley, 1989. 125-56.
Elliott P, Briggs D, Lebret E, Gorynski P, Kriz B. Small area variations in air quality and
health (the SA VIAH study): design and methods. (Abstract). Epidemiology
1995;6(4): S32.
Elliott P, Cuzick J, English 0, Stem R, editors. Geographical and Environmental
Epidemiology. Methods for Small-Area Studies. Oxford: Published on behalf of the
WHO Regional Office for Europe by Oxford University Press, 1992
Gore SM, Altman DG. Statistics in Practice. London: British Medical Association, 1982.
Greenland S. Divergent biases in ecologic and individual-level studies. Statistics in Medicine
1992; 11:] 209-23.
Gunning-Schepers LJ. The health benefits of prevention, a simulation approach. Health
Policy 1989;12:1-256.
Gunning-Schepers LJ, Barendregt JJM, van der Maas P1. PREVENT, a model to estimate
health benefits of prevention. In: World Health Organization (WHO). Tools for
Health Futures Research. Geneva: WHO, 1993:7-21.
Ibrekk H, Morgan MG. Graphical communication of uncertain quantities to nontechnical
people. Risk Analysis 1987;7:519-29.
Katsouyanni K, Zmirou D, Spix C, Sunyer J, Schouten JP, P{)nka A, Anderson HR, Le
Moullec Y, Wojtyniak B, Vigotti MA, Bacharova L. Short-term effects of air
pollution on health: A European approach using epidemiologic time series data (The
APHEA project: Background, objectives, design). 1995.
Kuhn L, Davidson LL, Durkin MS. Use of Poisson regression and time series analysis for
detecting changes over time in rates of child injury following a prevention program.
American Journal of Epidemiology 1994;140:943-55.
Liang KY, Zeger SL. Longitudinal data analysis using generalized linear models. Biometrika
1986;73: 13-22.
McCullagh P, Neider JA. Generalized Linear Models. London: Chapman and Hall, 1983.
McMichael AJ. Setting environmental exposure standards: the role of the epidemiologist.
International Journal of Epidemiology 1989; 18: 10-16.
Morgenstern H. Uses of ecologic analysis in epidemiologic research. American Journal of
Public Health 1982;72:1336-44.
Morgenstern H, Bursic ES. A method for using epidemiologic data to estimate the potential
impact of an intervention on the health status of a target population. Journal of
fommunity Health 1982;7:292-309.
Morris S. Cancer Risk Assessment. A Quantitative Approach. New York: Marcel Decker,
Inc., 1990.
Nurminen M. To use or not to use the odds ratio in epidemiologic analyses. European
Journal of Epidemiology 1995; 11 :365-71.
Nurminen M, Corvalan C, Leigh J, Baker G. Prediction of silicosis and lung cancer in the
Australian labor force exposed to silica. Scandinavian Journal of Work Environment
and Health 1992;18:393-9.
Openshaw S, Charlton M, Wymer C, Craft A. A Mark 1 Geographical Analysis Machine for
the automat¢d analysis of point data sets. International Journal of Geographical
Information Systems 1987; 1: 335-58.
Ostro B. Estimating the health effects of air pollutants. A method with an application to
Jakarta. The World Bank. (Policy Research Working Paper 1301.) May, 1994.
Robinson WS. Ecological correlations and the behavior of individuals. American
Sociological Review 1950;15:351-7.
Rothman KJ. A sobering start for the cluster busters' conference. American Journal of
Epidemiology 1990;132, Supp!. I;S6-13. (Keynote presentation at the National
Conference on Clustering of Health Effects, Atlanta, GA, February 16, 1989.)
Selvin HC. Durkheim's "suicide" and problems of empirical research. American Journal of
Sociology 1958;63:607-19.
Zeger Sl, Qaqish B. Matjkov regression models for time series: A quasilikelihood approach.
Biometrics 1988;44:1019-31.