Comment fusionner les fichiers NHANES ?

Une tâche concrète avec RigorMed

1. Rédiger des règles de fusion dans une note de transmission vérifiable

   Ce sont des entrées suggérées et des livrables à demander, non une nouvelle exécution, un résultat client ou une garantie d'achèvement.

   Documents à fournir: Cycles confirmés, liste officielle des fichiers, documentation SEQN et de l'unité des lignes, et résumés de correspondance existants.

   Livrables demandés / objectif de livraison: Une description des règles de fusion, un tableau de contrôle des correspondances entre composantes et une ébauche de suivi des effectifs.

2. Exemple de demande

   Selon les composantes et résumés réels fournis, organisez l'ordre de fusion, les relations SEQN, les populations éligibles et les contrôles de correspondance. Signalez les relations un-à-plusieurs à tester. Sans trace d'exécution, ne déclarez pas la fusion réussie.

3. Ce qui reste à vérifier

   Les effectifs réels de cette page proviennent des fichiers officiels cités. Ne les présentez pas comme vos données et ne qualifiez pas l'inéligibilité à une composante de perte de suivi.

Figer sources et granularité des enregistrements

Les deux sont des composantes publiques NHANES 2017–2018. Ne pas appliquer directement cet exemple à des cycles différents ou à des composantes avec plusieurs lignes par personne.

L’éligibilité BPQ_J provient d’Eligible Sample et du Codebook BPQ020. L’effectif démographique n’est pas le dénominateur d’une étude BPQ020. Vérifier éligibilité et clé avant les critères propres à la question.

Cinq vérifications autour de la jointure SEQN

1. Utiliser uniquement les fichiers officiels d’un même cycle

   Télécharger DEMO_J.XPT et BPQ_J.XPT via les liens CDC/NCHS ci-dessous et ouvrir leurs Codebooks. Noter cycle, composante, date d’accès, population et définitions ; une ressemblance de nom ou un miroir tiers ne remplace pas la vérification.

2. Vérifier les clés avant d’assembler les colonnes

   Compter lignes, SEQN non vides et doublons. Ici DEMO_J a 9,254 clés uniques, BPQ_J 6,161, sans clé vide ni doublon ; on peut contrôler une jointure un-à-un. En cas de doublons ou relation un-à-plusieurs, vérifier la granularité dans la documentation sans dédoublonnage arbitraire.

3. Auditer avec une jointure externe avant de choisir la jointure analytique

   Joindre sur SEQN en conservant les indicateurs d’origine : 6,161 présents des deux côtés, 3,093 dans DEMO_J seul, 0 dans BPQ_J seul. Avec DEMO_J à gauche, une jointure gauche conserve 9,254 lignes dont 3,093 sans champs BPQ ; une jointure interne ou basée sur BPQ_J donne 6,161 lignes. Le choix dépend de la question et de l’éligibilité, pas du plus grand nombre.

4. Expliquer les 3,093 personnes sans les appeler perdus de vue

   Les 3,093 enregistrements uniquement DEMO_J ont tous moins de 16 ans ; les 6,161 personnes de 16 ans ou plus correspondent toutes à BPQ_J, conformément à son éligibilité officielle. Cette différence de 3,093 vient du champ de la composante, non d’une perte de suivi longitudinal ; ne pas généraliser aux autres cycles ou composantes.

5. Vérifier ensuite codage et échantillon de recherche

   BPQ020 demande si un médecin ou autre professionnel a déjà annoncé une hypertension, non la pression mesurée actuelle. Codebook et fichier donnent 2,137 « oui », 4,014 « non » et 10 « ne sait pas ». Si seuls oui/non sont prédéfinis, 6,151 réponses sont utilisables ; le code 9 n’est pas une mesure et ces 10 personnes ne manquent pas à cause de la fusion. Définir séparément âge, autres données manquantes, poids, strates et PSU.

Distinguer deux causes de changement d’effectif

Ce tableau vérifie les effectifs non pondérés des fichiers officiels, sans estimation de population ni flux d’inclusion d’une analyse formelle.

Pour reproduire : lire les XPT officiels, garder SEQN, ainsi que RIDAGEYR pour la démographie et BPQ020 pour le questionnaire. Vérifier l’unicité puis joindre les SEQN avec une jointure externe et compter both, left_only et right_only ; compter RIDAGEYR < 16 dans left_only puis les codes 1, 2, 9 selon BPQ020. R, SAS ou Python permettent ces calculs sans sélection automatique propre à un logiciel.

Questions fréquentes