🔹 متغیر وابسته به زمان در تحلیل بقا؛ وقتی مقدار یک پیشبین در طول مطالعه تغییر میکند
در بسیاری از پژوهشهای طولی، فرض میشود متغیرهای پیشبین از ابتدای مطالعه تا پایان ثابتاند.
اما این فرض همیشه درست نیست.
ممکن است میزان استرس، حمایت اجتماعی، وضعیت درمان، اشتغال یا حتی مواجهه با یک عامل خطر در طول زمان تغییر کند.
در چنین شرایطی، استفاده از مقدار اولیه متغیر ممکن است بخش مهمی از اطلاعات را از بین ببرد.
══════════════
🧠 متغیر وابسته به زمان چیست؟
متغیر وابسته به زمان متغیری است که مقدار آن در طول دوره پیگیری برای یک فرد تغییر میکند.
فرض کنید در مطالعهای درباره زمان تا ترک تحصیل، میزان حمایت استاد راهنما هر شش ماه اندازهگیری میشود.
ممکن است یک دانشجو در ابتدای مطالعه حمایت کمی داشته باشد، اما یک سال بعد شرایط او تغییر کند.
اگر فقط مقدار اولیه حمایت وارد مدل شود، این تغییر واقعی نادیده گرفته میشود.
══════════════
📌 تفاوت با «اثر وابسته به زمان» چیست؟
این دو مفهوم نباید با هم اشتباه شوند.
متغیر وابسته به زمان یعنی:
مقدار خود متغیر در طول زمان تغییر میکند.
اثر وابسته به زمان یعنی:
شدت ارتباط یک متغیر با پیامد در طول زمان تغییر میکند.
مثلاً ممکن است اضطراب فرد ثابت باشد، اما اثر اضطراب بر خطر ترک تحصیل در سال اول بیشتر از سال دوم باشد.
این دو مسئله از نظر مدلسازی متفاوتاند.
══════════════
✍️ مثال پژوهشی
فرض کنید پژوهشگر میخواهد اثر اشتغال دانشجویان را بر زمان تا ترک تحصیل بررسی کند.
برخی دانشجویان هنگام ورود به مطالعه شاغل نیستند، اما شش ماه بعد شاغل میشوند.
اگر وضعیت اشتغال فقط در ابتدای مطالعه ثبت شود، فرد برای کل دوره «غیرشاغل» محسوب میشود.
این طبقهبندی میتواند مواجهه واقعی فرد را به اشتباه بازنمایی کند.
در مدل وابسته به زمان، وضعیت اشتغال در هر بازه بر اساس اطلاعات همان دوره بهروزرسانی میشود.
══════════════
📌 داده چگونه سازماندهی میشود؟
در این نوع تحلیل، ممکن است هر فرد به جای یک سطر، چند سطر در داده داشته باشد.
مثلاً:
ماه ۰ تا ۶: حمایت پایین
ماه ۶ تا ۱۲: حمایت متوسط
ماه ۱۲ تا ۱۸: حمایت بالا
به این ترتیب مدل میتواند از مقدار متغیر در هر بازه زمانی استفاده کند.
══════════════
⚠️ خطای مهم: استفاده از اطلاعات آینده
فرض کنید میخواهیم اثر دریافت حمایت پژوهشی را بررسی کنیم.
اگر فرد در ماه دهم حمایت دریافت کرده باشد، نباید از ماه اول او را در گروه «دارای حمایت» قرار دهیم.
این کار اطلاعات آینده را به گذشته منتقل میکند و میتواند سوگیری جدی ایجاد کند.
مواجهه باید فقط از زمانی وارد مدل شود که واقعاً اتفاق افتاده است.
══════════════
📌 چرا زمان اندازهگیری اهمیت دارد؟
اگر متغیر هر شش ماه اندازهگیری شود، تغییراتی که بین این نقاط رخ دادهاند ممکن است دقیقاً مشخص نباشند.
بنابراین متغیر وابسته به زمان نیز محدودیت اندازهگیری دارد.
هرچه فاصله اندازهگیری طولانیتر باشد، احتمال خطای طبقهبندی زمانی بیشتر میشود.
══════════════
🎯 چه زمانی این رویکرد مفید است؟
زمانی که متغیر اصلی پژوهش ذاتاً در طول زمان تغییر میکند، مانند:
درمان،
اشتغال،
مصرف دارو،
حمایت اجتماعی،
شدت نشانهها،
یا میزان مواجهه با یک عامل خطر.
در این شرایط، یک اندازهگیری اولیه ممکن است نماینده مناسبی برای کل دوره پیگیری نباشد.
══════════════
✅ جمعبندی
در تحلیل بقا باید میان دو مفهوم تمایز قائل شد:
متغیری که مقدارش در طول زمان تغییر میکند،
و متغیری که اثرش بر پیامد در طول زمان تغییر میکند.
اگر یک پیشبین واقعاً پویا باشد، استفاده از مقدار اولیه آن برای کل دوره میتواند مدل را سادهسازی بیش از حد کند.
در مطالعات طولی، فقط این سؤال مهم نیست که:
«فرد در شروع مطالعه چه وضعیتی داشت؟»
گاهی باید پرسید:
«وضعیت او در طول پیگیری چگونه تغییر کرد؟»
📚 @confpaper
Post #1349
83