ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ. Δημογραφία. Ενότητα 10: Προτυποποίηση. Βύρων Κοτζαμάνης Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης

Σχετικά έγγραφα
Τίτλος Μαθήματος. Ενότητα 7: Αδροί δείκτες & Ισοζύγια. Βύρων Κοτζαμάνης Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης

Δημογραφία. Ενότητα 13: Ανάλυση Γαμηλιότητας. Βύρων Κοτζαμάνης Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης

ΜΕΘΟΔΟΙ ΠΡΟΤΥΠΟΠΟΙΗΣΗΣ

Ειδικά Θέματα Δημογραφίας: Χωρικές Διαστάσεις Δημογραφικών Δεδομένων

Ειδικά Θέματα Δημογραφίας: Χωρικές Διαστάσεις Δημογραφικών Δεδομένων

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ. Δημογραφία. Ενότητα 15: Προβολές Πληθυσμού. Βύρων Κοτζαμάνης Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ. Δημογραφία. Ενότητα 3: Πηγές και Δεδομένα. Βύρων Κοτζαμάνης. Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα. Συστήματα Αυτομάτου Ελέγχου. Ενότητα Α: Γραμμικά Συστήματα

Ειδικά Θέματα Δημογραφίας: Χωρικές Διαστάσεις Δημογραφικών Δεδομένων

Ειδικά Θέματα Δημογραφίας: Χωρικές Διαστάσεις Δημογραφικών Δεδομένων

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

Δημογραφία. Ενότητα 5: Μέθοδοι ανάλυσης πληθυσμιακών δομών - Η Πυραμίδα των ηλικιών

ΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ

Δημογραφία. Ενότητα 11.1: Παράδειγμα - Περιφερειακές διαφοροποιήσεις και ανισότητες του προσδόκιμου ζωής στη γέννηση

Ειδικά Θέματα Δημογραφίας: Χωρικές Διαστάσεις Δημογραφικών Δεδομένων

Δημογραφία. Ενότητα 3.1: Πηγές Δεδομένων Ελληνική Στατιστική Αρχή (ΕΛΣΤΑΤ) Βύρων Κοτζαμάνης & Μιχάλης Αγοραστάκης

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ

Μάρκετινγκ Αγροτικών Προϊόντων

Εκτίμηση Περιβαλλοντικών Επιπτώσεων

Εφαρμογές Συστημάτων Γεωγραφικών Πληροφοριών

Ειδικά Θέματα Δημογραφίας: Χωρικές Διαστάσεις Δημογραφικών Δεδομένων

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΗ. Ενότητα 10: Το πρόβλημα της ανεργίας. Γεώργιος Μιχαλόπουλος Τμήμα Λογιστικής-Χρηματοοικονομικής

Λογιστικές Εφαρμογές Εργαστήριο

ΜΑΘΗΜΑ: ΗΛΕΚΤΡΟΤΕΧΝΙΑ-ΗΛΕΚΤΡΟΝΙΚΗ ΕΡΓΑΣΤΗΡΙΟ

Εισαγωγή στους Αλγορίθμους

Μέθοδοι Έρευνας. Ενότητα 2.7: Τα συμπεράσματα. Βύρων Κοτζαμάνης ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ

Η μεταβλητή "χρόνος" στη δημογραφική ανάλυση - το διάγραμμα του Lexis

Διεθνείς Οικονομικές Σχέσεις και Ανάπτυξη

ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΧΡΗΣΗ Η/Υ

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΝΟΜΙΣΜΑΤΙΚΗ ΟΙΚΟΝΟΜΙΚΗ ΠΟΛΙΤΙΚΗ. Ενότητα 9: ΑΝΕΡΓΙΑ. Γεώργιος Μιχαλόπουλος Τμήμα Λογιστικής-Χρηματοοικονομικής

ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΗ Ενότητα 1: Εισαγωγή: Το αντικείμενο της Μακροοικονομικής Η έννοια και του ΑΕΠ Ονομαστικό και πραγματικό ΑΕΠ

Δημογραφία. Ενότητα 16: Δημογραφικές Θεωρίες και Δημογραφική Πολιτική

7 ο ΕΡΓΑΣΤΗΡΙΟ ΣΗΜΑΤΑ & ΣΥΣΤΗΜΑΤΑ

Εκκλησιαστικό Δίκαιο. Ενότητα 10η: Ιερά Σύνοδος της Ιεραρχίας και Διαρκής Ιερά Σύνοδος Κυριάκος Κυριαζόπουλος Τμήμα Νομικής Α.Π.Θ.

Οργάνωση Υπολογιστών

Εργαστήριο Δημογραφικών & Κοινωνικών Αναλύσεων

ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΧΡΗΣΗ Η/Υ

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα. Πληροφορική. Εργαστηριακή Ενότητα 8 η : Γραφήματα

Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύ

Εισαγωγή στους Αλγορίθμους

ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ

Τηλεπισκόπηση - Φωτοερμηνεία

Γενικά Μαθηματικά Ι. Ενότητα 12: Κριτήρια Σύγκλισης Σειρών. Λουκάς Βλάχος Τμήμα Φυσικής ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ

Εισαγωγή στη διδακτική των γλωσσών Ασκήσεις

Ιστορία της μετάφρασης

Χρηματοοικονομική Ι. Ενότητα 5: Η Χρονική Αξία του Χρήματος (2/2) Ιωάννης Ταμπακούδης. Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ Ι

Εκτίμηση Περιβαλλοντικών Επιπτώσεων

Μικροβιολογία & Υγιεινή Τροφίμων

ΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΑΤΙΣΤΙΚΑ ΣΤΟΙΧΕΙΑ

Αστικά υδραυλικά έργα

ΑΝΑΛΥΣΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ

ΕΙΣΑΓΩΓΗ ΜΑΘΗΜΑΤΟΣ ΟΙΚΟΝΟΜΙΚΗ ΓΕΩΓΡΑΦΙΑ. Υπεύθυνη μαθήματος Αναστασία Στρατηγέα Αναπλ. Καθηγ. Ε.Μ.Π.

Μαθηματικά. Ενότητα 6: Ασκήσεις Ορίων Συνάρτησης. Σαριαννίδης Νικόλαος Τμήμα Λογιστικής και Χρηματοοικονομικής

ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΟΙΚΟΝΟΜΟΛΟΓΟΥΣ

Λογισμός 3. Ενότητα 19: Θεώρημα Πεπλεγμένων (γενική μορφή) Μιχ. Γ. Μαριάς Τμήμα Μαθηματικών ΑΝΟΙΚΤΑ ΑΚΑ ΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ

Εισαγωγή στο Συγκριτικό Δίκαιο

Θεωρία Πιθανοτήτων & Στατιστική

Μοντελοποίηση Λογικών Κυκλωμάτων

ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ. ΕΝΟΤΗΤΑ: Γραμμικές Συναρτήσεις Διάκρισης. ΔΙΔΑΣΚΟΝΤΕΣ: Βλάμος Π. Αυλωνίτης Μ. ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

Τηλεπισκόπηση - Φωτοερμηνεία

Τίτλος Μαθήματος: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ

ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ

ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ

ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ

Οικονομικά Μαθηματικά

ΧΩΡΟΤΑΞΙΑ ΕΙΣΑΓΩΓΗ ΜΑΘΗΜΑΤΟΣ. Αναστασία Στρατηγέα. Υπεύθυνη Μαθήματος

Μάρκετινγκ Αγροτικών Προϊόντων

Γενικά Μαθηματικά Ι. Ενότητα 14: Ολοκλήρωση Κατά Παράγοντες, Ολοκλήρωση Ρητών Συναρτήσεων Λουκάς Βλάχος Τμήμα Φυσικής

Συστήματα Αυτομάτου Ελέγχου 1 Ενότητα # 5: Χρήση μετασχηματισμού Laplace για επίλυση ηλεκτρικών κυκλωμάτων Μέθοδοι εντάσεων βρόχων και τάσεων κόμβων

Διδακτική Μεθοδολογία του μαθήματος της Ιστορίας στη δευτεροβάθμια εκπαίδευση (με εφαρμογές)

Εφαρμογές Συστημάτων Γεωγραφικών Πληροφοριών

Οικονομική Γεωργικών Εκμεταλλεύσεων

Εφαρμογές Συστημάτων Γεωγραφικών Πληροφοριών

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Φροντιστήριο 4: Μορφολογική Παραγωγή. Δημήτρης Πλεξουσάκης Τμήμα Επιστήμης Υπολογιστών

Τίτλος Μαθήματος: Εργαστήριο Φυσικής Ι

Λογιστική Κόστους Ενότητα 12: Λογισμός Κόστους (2)

Λογιστικές Εφαρμογές Εργαστήριο

Θεσμοί Ευρωπαϊκών Λαών Ι 19 ος -20 ος αιώνας

Θεωρία Πιθανοτήτων & Στατιστική

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διεθνείς Επενδύσεις & Διεθνές Εμπόριο

Εκκλησιαστικό Δίκαιο

Διεθνείς Οικονομικές Σχέσεις και Ανάπτυξη

Υδραυλικά & Πνευματικά ΣΑΕ

Εφαρμογή Υπολογιστικών Τεχνικών στην Γεωργία

Υπολογιστικά & Διακριτά Μαθηματικά

ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ. Ενότητα 7: Τέλεια ισορροπία Nash για υποπαίγνια. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής

Εισαγωγή στην Διοίκηση Επιχειρήσεων

Διεθνείς Οικονομικές Σχέσεις και Ανάπτυξη

ΔΙΕΘΝΕΙΣ ΕΠΕΝΔΥΣΕΙΣ ΚΑΙ ΔΙΕΘΝΕΣ ΕΜΠΟΡΙΟ

Διαχείριση Χρόνου & Δίκτυα στη Διοίκηση Έργων. Κηρυττόπουλος Κωνσταντίνος Επ. Καθηγητής ΕΜΠ

Ηλεκτρισμός & Μαγνητισμός

Τεχνολογίες & Εφαρμογές Πληροφορικής Ενότητα 1: Εισαγωγικό Μάθημα

Εργαστήριο Δημογραφικών & Κοινωνικών Αναλύσεων

Θεσμοί Ευρωπαϊκών Λαών Ι 19 ος -20 ος αιώνας

Εφαρμοσμένη Στατιστική

Στατιστική Επιχειρήσεων Ι

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα. Πληροφορική. Εργαστηριακή Ενότητα 6 η : Ταξινόμηση & Ομαδοποίηση Δεδομένων

Transcript:

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Δημογραφία Ενότητα 10: Προτυποποίηση Βύρων Κοτζαμάνης Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης

Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύπου άδειας χρήσης, η άδεια χρήσης αναφέρεται ρητώς. 2

Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί στα πλαίσια του εκπαιδευτικού έργου του διδάσκοντα. Το έργο «Ανοικτά Ακαδημαϊκά Μαθήματα στο Πανεπιστήμιο Θεσσαλίας» έχει χρηματοδοτήσει μόνο τη αναδιαμόρφωση του εκπαιδευτικού υλικού. Το έργο υλοποιείται στο πλαίσιο του Επιχειρησιακού Προγράμματος «Εκπαίδευση και Δια Βίου Μάθηση» και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο) και από εθνικούς πόρους. 3

Αδροί δείκτες (1) ΑΔΡΟΙ ΔΕΙΚΤΕΣ: αριθμός γεγονότων x 1000 / πληθυσμός (30/6) στο χώρο j το έτος χ Γεγονότα: Γεννήσεις, Θάνατοι, Μετακινήσεις, Διαζύγια Οι ΑΔΡΟΙ ΔΕΙΚΤΕΣ χρησιμεύουν για μια γενική ιδέα της εξέλιξης του φαινομένου, όμως, αποτελούν τη συχνότητα εμφάνισης ενός γεγονότος στο συνολικό πληθυσμό επηρεάζονται από τη δομή του πληθυσμού (το ειδικό βάρος των ατόμων κάθε ηλικιακής ομάδας στο συνολικό πληθυσμό), έτσι, Όταν δεν έχουμε άλλα δεδομένα και θέλουμε να συγκρίνουμε αδρούς δείκτες διαφόρων χωρικών συνόλων ή/και χρονικών περιόδων του ίδιου χωρικού συνόλου προκύπτει η ΑΝΑΓΚΗ ΠΡΟΤΥΠΟΠΟΙΗΣΗΣ των αδρών δεικτών 4

Αδροί δείκτες (2) Οι αδροί δείκτες (γεννητικότητας, θνησιμότητας, γαμηλιότητας, διαζευγιμότητας, κ.ο.κ) μας δίδουν μια πρώτη εικόνα για την τάξη μεγέθους και τις εξελίξεις του εξεταζόμενου φαινομένου. Ωστόσο, επειδή με τον τρόπο που υπολογίζονται δεν δίνουν παρά τη συχνότητα εμφανίσεως του φαινομένου στο συνολικό πληθυσμό, επηρεάζονται από τις δομές αυτού (δηλαδή από το ειδικό βάρος των ατόμων έκαστης ηλικιακής ομάδας στο συνολικό πληθυσμό). Εξ ου και η ανάγκη δημιουργίας δεικτών που δεν θα επηρεάζονται από τη δομή του πληθυσμού και θα επιτρέπουν τη σύγκριση της έντασης κάθε φαινομένου είτε στον ίδιο χώρο στη διάρκεια του χρόνου, είτε στον ίδιο χρόνο ανάμεσα σε διαφορετικές χωρικές ενότητες. Οι νέοι αυτοί δείκτες υπολογίζονται με τη μέθοδο της προτυποποίησης (άμεσης ή έμμεσης). Στο σημείο αυτό είναι απαραίτητο να ορίσουμε τους ειδικούς κατά ηλικιακή ομάδα συντελεστές, οι οποίοι υπολογίζονται ως ο λόγος των γεγονότων (θανάτων, γεννήσεων, γάμων, διαζυγίων και μεταναστεύσεων), ταξινομημένων κατά ηλικιακές ομάδες, προς το μέσο πληθυσμό των αντίστοιχων ηλικιακών ομάδων (συνήθως μονοετών ή πενταετών). Oταν υπολογίζουμε τους συντελεστές αυτούς και θέλουμε να συγκρίνουμε την ένταση του φαινομένου ανάμεσα σε διαφορετικούς πληθυσμούς, χρησιμοποιούμε την άμεση μέθοδο προτυποποίησης. Αντιθέτως, όταν δεν έχουμε τα αναγκαία δεδομένα για να τους υπολογίσουμε και επιδιώκουμε τη σύγκριση χρησιμοποιούμε την έμμεση μέθοδο προτυποποίησης. 5

Άμεση μέθοδος προτυποποίησης (1) Στην περίπτωση της άμεσης προτυποποίησης εφαρμόζουμε τους ειδικούς κατά ηλικιακή ομάδα συντελεστές για κάθε χωρική ενότητα σε έναν πρότυπο πληθυσμό με δεδομένη την κατανομή του κατά ηλικία. Με τη μέθοδο αυτή υπολογίζουμε τα γεγονότα που θα συνέβαιναν στον πρότυπο πληθυσμό, εάν αυτός ακολουθούσε τους ειδικούς συντελεστές των χωρικών μας ενοτήτων. Εν συνεχεία, υπολογίζουμε τον προτυποποιημένο δείκτη για την κάθε χωρική ενότητα, ο οποίος έχει απαλλαγεί πλέον από την επίδραση της δομής των υπό σύγκριση πληθυσμών. Η μέθοδος αυτή είναι ιδιαίτερα χρήσιμη όταν έχουμε να συγκρίνουμε πολλές περιοχές ή περιφέρειες (για παράδειγμα, το επίπεδο θνησιμότητας ανάμεσα στους νομούς της χώρας) Παράδειγμα άμεσης μεθόδου προτυποποίησης Έστω ότι έχουμε τις πόλεις Α και Β και τη θνησιμότητα των πληθυσμών τους στη διάρκεια ενός έτους. Παρατηρούμε ότι, αν και στην πόλη Β για κάθε μια από τις ηλικιακές ομάδες η θνησιμότητα είναι υψηλότερη από ότι στην πόλη Α, ο ΑΔΘ στην πόλη αυτή είναι χαμηλότερος (19 στην πόλη Β έναντι 20,5 στην πόλη Α). Αν, για να εξάγουμε τα συμπεράσματά μας για την ένταση της θνησιμότητας, στηριχθούμε στους αδρούς δείκτες, είναι προφανές ότι αυτά θα είναι λανθασμένα (θα συμπεράνουμε δηλαδή ότι η θνησιμότητα στην πόλη Α είναι υψηλότερη από αυτήν της πόλης Β). 6

Άμεση μέθοδος προτυποποίησης (2) Για να αποφύγουμε το λάθος αυτό, θα πρέπει να τυποποιήσουμε τους αδρούς δείκτες χρησιμοποιώντας έναν πρότυπο πληθυσμό και, εφόσον διαθέτουμε τους ειδικούς ανά ηλικιακή ομάδα συντελεστές θνησιμότητας, μπορούμε να χρησιμοποιήσουμε τη μέθοδο της άμεσης προτυποποίησης. Ως πρότυπο πληθυσμό μπορούμε να χρησιμοποιήσουμε είτε τον πληθυσμό της πόλης Α είτε τον πληθυσμό της πόλης Β ή ακόμη έναν τρίτο πληθυσμό Γ που προέρχεται από το ημιάθροισμα των πληθυσμών των δύο πόλεων. Πόλη Α Πόλη Β Ηλικία Πληθυσμός Θάνατοι Θνησιμότητα ( ο / οο ) Πληθυσμός Θάνατοι Θνησιμότητα ( ο / οο ) 0-19 15.000 75 5 30.000 300 10 20-39 15.000 150 10 10.000 150 15 40+ 20.000 800 40 10.000 500 50 Σύνολο 50.000 1025 20,5 50.000 950 19 Έστω ότι επιλέγουμε ως πρότυπο πληθυσμό τον πληθυσμό της πόλης Α. Αν εφαρμόσουμε τους ειδικούς συντελεστές της πόλης Β στις ηλικιακές ομάδες της πόλης Α (πρότυπο πληθυσμό) θα έχουμε: 10 x 15.000=150 θάνατοι στην ομάδα 0-19, 15 x 15.000=225 θάνατοι στην ομάδα 20-39 ετών και 50 x 20.000=1.000 θάνατοι στην ομάδα άνω των 40 ετών. Επομένως, συνολικά θα έχουμε 1.375 (150+225+1.000) θανάτους. Αν, τώρα, υπολογίσουμε το νέο προτυποποιημένο δείκτη για την πόλη Β, αυτός είναι 1.375 x 1.000/50.000 = 27,5 ο / οο (συγκρίσιμος πλέον και μεγαλύτερος, όπως αναμενόταν, από τον αντίστοιχο δείκτη της πόλης Α). Μπορούμε, τέλος, να υπολογίσουμε έναν επιπλέον συγκριτικό δείκτη ανάμεσα στις δύο πόλεις, ο οποίος είναι απλά η αναλογία των δύο επιμέρους δεικτών, δηλ. (20,5 /27,5) x 100=74,5%. Ο δείκτης αυτός παραστατικά εκφράζει τη σχέση της θνησιμότητας ανάμεσα στις δύο πόλεις: η πόλη Α έχει θνησιμότητα κατά 25,5% χαμηλότερη από την πόλη Β. 7

Έμμεση μέθοδος προτυποποίησης (1) Η έμμεση μέθοδος προτυποποίησης χρησιμοποιείται όταν δεν γνωρίζουμε τους ειδικούς συντελεστές και θέλουμε να συγκρίνουμε την ένταση των φαινομένων σε διαφορετικούς πληθυσμούς (με γνωστή όμως την ηλικιακή τους σύνθεση). Στην περίπτωση αυτή ως πρότυπο χρησιμοποιούμε ένα γνωστό πληθυσμό (δηλαδή έναν τρίτο πληθυσμό για τον οποίο γνωρίζουμε τους ειδικούς συντελεστές για το συγκεκριμένο γεγονός) που να έχει όσο το δυνατόν περισσότερα κοινά χαρακτηριστικά με τους υπό εξέταση πληθυσμούς. Έπειτα, εφαρμόζουμε τους ειδικούς συντελεστές του πρότυπου πληθυσμού σε κάθε έναν από τους υπό εξέταση πληθυσμούς και υπολογίζουμε τον αναμενόμενο αριθμό των γεγονότων, αν αυτά ακολουθούσαν το μοτίβο του πρότυπου πληθυσμού. Εν συνεχεία, υπολογίζουμε τους προτυποποιημένους δείκτες για τους διαφορετικούς πληθυσμούς, οι οποίοι είναι πλέον συγκρίσιμοι. Πρότυπη Πόλη Γ Πόλη Α Πόλη Β Ηλικία Θνησιμότητα ( ο / οο ) Πληθυσμός Αναμενόμενοι θάνατοι Πληθυσμός Αναμενόμενοι θάνατοι 0-19 10 15.000 150 30.000 300 20-39 20 15.000 300 10.000 200 40+ 50 20.000 1.000 10.000 500 Σύνολο 24,0 50.000 1.450 50.000 1.000 Έστω ότι έχουμε δύο πόλεις Α και Β με γνωστή την κατανομή του πληθυσμού τους ανά ηλικία καθώς και το σύνολο των θανάτων που έλαβαν χώρα σε αυτές στη διάρκεια ενός έτους (1025 και 950 αντίστοιχα). Επιλέγουμε μια τρίτη πόλη Γ με γνωστούς ειδικούς συντελεστές θνησιμότητας, την οποία θα χρησιμοποιήσουμε ως πρότυπο για να υπολογίσουμε τους ανά ηλικιακή ομάδα θανάτους που θα εμφάνιζαν οι πόλεις Α και Β αν ακολουθούσαν το πρότυπο θνησιμότητας του πληθυσμού της πόλης αυτής 8

Έμμεση μέθοδος προτυποποίησης (2) Αν εφαρμόσουμε τους ειδικούς συντελεστές της πρότυπης πόλης Γ στον πληθυσμό της κάθε πόλης που θέλουμε να συγκρίνουμε (πολλαπλασιάζοντάς τους με τον πληθυσμό κάθε ηλικιακής ομάδας), τότε θα έχουμε τους αναμενόμενους θανάτους για τις δύο εξεταζόμενες πόλεις. Καθώς ήδη έχουμε το σύνολο των πραγματικών θανάτων για κάθε πόλη, μετά την προτυποποίηση διαπιστώνουμε ότι οι πραγματικοί θάνατοι στην πόλη Α είναι το 70,7% των αναμενόμενων (1025/1450) ενώ στην πόλη Β το 95,0% (950/1000). Συνεπώς, και στις δύο πόλεις, οι Αδροί Δείκτες Θνησιμότητας είναι μικρότεροι του ΑΔΘ του πρότυπου πληθυσμού και ίσοι με 70,7% και 95,0% αντίστοιχα. Δηλ. οι προτυποποιημένοι δείκτες θα είναι για την πόλη Α: 70,7% x 24=17,0 και για την πόλη Β: 95,0% x 24 = 22,8. Τέλος, μπορούμε να υπολογίσουμε το συγκριτικό δείκτη των δυο πόλεων, ο οποίος είναι η αναλογία των δύο επιμέρους δεικτών, δηλαδή, 17,0 x 100/22,8=74,4%. Παρατηρούμε ότι και με τις δύο μεθόδους προτυποποίησης (άμεση ή έμμεση) καταλήγουμε στο συμπέρασμα ότι η θνησιμότητα του πληθυσμού της πόλης Α είναι μόνον το 74,4% ή 74,5% (παρατηρούμε την ελάχιστη διαφορά ανάμεσα στις δύο μεθόδους) της συνολικής θνησιμότητας του πληθυσμού της πόλης Β, παρόλο που ο αδρός δείκτης δείχνει πλασματικά ότι η πόλη Β έχει μικρότερη θνησιμότητα από την πόλη Α. Πρέπει, ωστόσο, να τονιστεί η σημασία επιλογής του πρότυπου πληθυσμού έτσι ώστε αυτός να μην έχει σημαντικές δομικές διαφορές σε σχέση με τους υπό σύγκριση πληθυσμούς - ιδιαίτερα στη μέθοδο της έμμεσης προτυποποίησης - για να αποφευχθούν περιπτώσεις εσφαλμένων αποτελεσμάτων. 9

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Τέλος Ενότητας