PEDİATRİK BÜYÜME EĞRİLERİNİN OLUŞTURULMASINDA KULLANILAN İSTATİSTİKSEL YÖNTEMLERİN KARŞILAŞTIRILMASI

Year 2017, Volume: 26 Issue: 2, 159 - 164, 01.07.2017

Gökmen Zararsız

Abstract

Pediatrik büyüme eğrileri ile çocukların yaşa bağlı
antropometrik ölçümlerinin değişimi izlenerek genel
sağlık ve beslenme durumları belirlenebilmektedir. Bu
eğrilerin oluşturulmasında yaygın olarak LMS yöntemi
kullanılmaktadır. LMS yöntemi ölçümlerin konum, yaygınlık ve çarpıklık ölçülerini modelleyebilmekte, basıklık ölçülerini modelleyememektedir. LMSP ve LMST
yöntemleri daha yeni yöntemler olup ölçüm dağılımlarının her dört parametresini modelleme imkanı sunmaktadır. Bu çalışmada LMS, LMSP ve LMST yöntemlerinin
performanslarının gerçek bir veride karşılaştırılması
amaçlanmıştır.
Gereç ve Yöntem:Veri seti olarak Kayseri'de yaşayan 0
-6 yaş arası 2894 sağlıklı çocuğa ait 13 farklı
antropometrik ölçümlerinin yer aldığı veri seti kullanılmıştır. Her üç yöntem R yazılımının gamlss paketinde
uygulanmış, karşılaştırmalarında Akaike bilgi kriteri
(AIC), genelleştirilmiş Akaike bilgi kriteri (GAIC) ve
SchwarzBayes bilgi kriteri (SBC) kullanılmıştır.
Bulgular:AIC ile yapılan değerlendirmelerde, LMS yöntemi erkeklerde 7, kızlarda 5 ölçümde en iyi modeli
vermiştir. GAIC ile yapılan değerlendirmelerde,bu yöntem erkeklerde 9, kızlarda 5 ölçümde en iyi modeli vermiştir. Son olarak, SBC ile yapılan
değerlendirmelerdeise erkeklerde 11, kızlarda 12 ölçümde en iyi performansa sahip yöntem olarak gözlenmiştir. Diğer durumlarda ise genel olarak LMSP yönteminin en iyi modeli verdiği görülmüştür.
Sonuç:Yaygın olarak LMS yöntemi iyi performans gösteren bir yöntem olmuştur. Bununla birlikte diğer iki
yöntem de çeşitli ölçümler açısından en iyi büyüme
eğrileri modellerini oluşturmuştur. Araştırmacılar büyüme eğrilerini oluştururken her üç yöntemi de dikkate
almalı, karşılaştırmalı analizler gerçekleştirerek en iyi
modele karar vermelidir.

Keywords

Box-Cox dönüşümü, Büyüme eğrileri, GAMLSS, LMS, LMSP, LMST

Benchmarking of Statistical Methods in Constructing Pediatrıc Growth Curves

Abstract

Pediatric growth curves provide the determination of
general health and nutritional status of children by
following the change of theage-related anthropometric
measurements.The LMS method is widelyused to
construct these curves.The LMS method can model
thelocation, scale and skewness measures of the
measurements, but not the kurtosis measure.LMSP and
LMST are morerecent method swhich can model
bothfourparameters of measurement distributio. In this
study, it is aimedtocompare the performances of LMS,
LMSP and LMST methods in a realdataset.
Methods: The data set contains 13 different
anthropometric measurements of 2894 healthy 0-6
agedyearschildrenliving in Kayseri. All three methods
were applied in the gamlss package of the R software,
and the Akaikein formationcriterion (AIC), the
generalized Akaikein formationcriterion (GAIC) and the
Schwarz Bayes informationcriterion (SBC) were used
for comparison.
Results:The LMS method performedas the best model
with 7 measures in boy sand 5measures in girls,based
on AIC. This method performedas thebest model in 9
measures in boy sand 5 measures in girls, based on
GAIC. Lastly, it seemed as the best performed method in
11 measures in boy sand 12 measures in girls, based on
SBC.In other cases, the LMSP method was found to be
the best model in general.
Conclusion:The LMS method is a well-performedone.
However, the other two methods also performed as best
growth curve models for various measurements. While
constructing growth curves, researchers should
considerall three methods and should decide the best
model by carrying out comparative analyses.

Keywords

Box-Coxtransformation, Growthcurves, GAMLSS, LMS, LMSP, LMST

References

• 1. van Buuren S, Hayes DJ, Stasinopoulos DM, et al. Estimating regional centile curves from mixed data sources and countries. Stat Med 2009; 28:2891- 2911.
• 2. Zararsız G, Öztürk A, Elmalı F, et al. Antropometrik ölçümlerin dağılımlarının tanımlanması ve modellenmesinde kullanılan istatistiksel yöntemler. Türkiye Klinikleri J Pediatr Sci 2012; 8(4):14-21.
• 3. Öztürk A, Zararsız G, Elmalı F, et al. Büyüme eğrilerinin oluşturulmasında LMSP yöntemi. Türkiye Klinikleri J Pediatr Sci 2012; 8(4):22-28.
• 4. Heydari ST, Emamghoreishi F, Amini M. Infants’ growth charts in Jahrom, Iran. Iran J Ped Mar 2009; 19(1):25-34.
• 5. Cole TJ, Green PJ. Smoothing reference centile curves: The LMS method and penalized likelihood. Stat Med 1992; 11:1305-1319.
• 6. Rigby RA, Stasinopoulos DM. Smooth centile curves for skew and kurtotic data modelled using the Box– Cox power exponential distribution. Stat Med 2004; 23:3053-3076.
• 7. Rigby RA, Stasinopoulos DM. Using the Box–Cox t distribution in GAMLSS to model skewness and kurtosis. Statistical Modelling 2006; 6:209–229.
• 8. Rigby RA, Stasinopoulos DM. Generalized additive models for location, scale and shape. Appl Statist 2005; 54:507-554.
• 9. Mazıcıoğlu MM, Demirtaş T, Çiçek B, et al. Weight for length/height percentiles in infants and young children in Kayseri/Turkey. J Clin Res Pediatr Endocrinol 2013; 5(4): 224–228.
• 10. Stasinopoulos DM, Rigby RA. Generalized Additive Models for Location Scale and Shape (GAMLSS) in R. Journal of Statistical Software 2007; 23(7)