BACKGROUND: Studies have shown that strong social networks have a positive effect on physical and psychological well-being. Research suggests that Internet use may affect social networks. However it is not clear if Internet use has a positive or negative effect on social networks. One theory suggests that Internet use displaces face-to-face contacts and off line social participation. Another theory suggests Internet use replaces high quality face-to-face ties with weaker online ties. Other studies however suggest the Internet has a positive effect on social networks. Because older adults have shrinking social networks, but may have more discretionary time than other age groups, the Internet may be a tool that can be used to strengthen social networks for this age group. METHODS: This study uses a sample from the 2004 wave of the Health and Retirement Survey to assess the association between Internet use and social networks. Age is tested for moderation of the association between Internet use and social networks. Oversampling and design effects of the sample are accounted for using weights and special procedures in SAS version 9.1. Univariate, bivariate and linear regression analyses are employed for the examination of associations and moderation. RESULTS: In regression models (n=2,284) considering a number of control variables, frequency of contact with friends, frequency of contact with family, and attendance at organizational meetings (not including religious services), were found to have a significant positive association with Internet use, while in-person contact with family members (other than children) had a significant negative association with Internet use. Age was not found to moderate any of the significant associations between Internet use and measures of social networking. CONCLUSIONS: Results suggest the Internet could be used as a tool in interventions designed to strengthen social networks for older adults and that policies to increase the availability of the Internet should be considered. Internet use is not associated with a decrease in social participation based on attendance of religious services or other organizations. The amount of time spent on Internet use is not considered in this study and is a limitation.

This study is an analysis of adolescent risk behaviors contributing to an increased rate of suicidal ideation for 12 to 18 year olds. The Youth Risk Behavior Surveillance System Survey (YRBSS) is an epidemiologic survey designed to monitor the prevalence of risky behaviors of adolescents in middle and high school1. The YRBSS is a complex sample survey with a three-stage cluster design. Multiple logistic regression is used to analyze the data, including methods of analysis to address issues in complex survey design. Results of this study indicate several different risk factors that influence the rate of suicidal ideation among adolescents, including alcohol and drug use, sexual risky behaviors, unhealthy weight loss methods, depressed mood, sex and race/ethnicity. The conclusions of this study indicate that many risk factors associated with suicidal ideation are behaviors that could be addressed with early intervention strategies to reduce the risk of suicidal ideation.

Introdução: Muitos estudos epidemiológicos utilizam amostragem complexa para coleta de dados. A amostragem complexa pode ter uma ou mais das seguintes características: estratos, conglomerados e probabilidades desiguais de seleção. Se estas características não forem incorporadas na análise de dados, as estimativas pontuais e erros-padrões são incorretos. Assim é necessário ampliar a compreensão do impacto de cada característica nos resultados para incentivar os pesquisadores a utilizarem metodologias adequadas para análise dos dados, obtendo conclusões válidas para a população de onde provém a amostra. Para tratar as estruturas complexas do plano amostral existem duas principais metodologias: abordagem da amostragem complexa e abordagem de modelos multinível. Objetivos: Descrever e comparar métodos para tratamento de dados provindos de planos amostrais complexos através de duas abordagens: amostragem complexa e modelos multinível, utilizando dados de dois estudos epidemiológicos. Métodos: Para avaliar o impacto do plano amostral complexo, assim como de cada característica do plano amostral nas estimativas de média, proporção, coeficientes da regressão de Poisson e seus correspondentes erros padrões utilizaram-se os dados da busca ativa domiciliar dos participantes na Campanha Nacional de Detecção de Diabetes Mellitus – CNDDM de 2001, obtidos por amostragem estratificada com conglomerado em três estágios. Para comparar a abordagem da amostragem complexa e a abordagem de modelos multinível ajustaram-se modelos de regressão linear com e sem pesos amostrais utilizando os dados de um estudo do desempenho das crianças na avaliação de conhecimento, percepções e crenças sobre aleitamento materno, realizado com escolares da quinta série do ensino fundamental, no município de Ijuí/RS, estudo aleatorizado, com amostra estratificada por conglomerados. Resultados: As estimativas pontuais de média e proporção são semelhantes comparando-se amostragem complexa e amostragem aleatória simples, porém observou-se grande diferença nos erros padrões. O mesmo foi observado nas estimativas dos coeficientes da regressão de Poisson com menor efeito do plano amostral. Na comparação da abordagem da amostragem complexa com modelos multinível observou-se diferença nos erros padrões dos coeficientes da regressão entre as duas abordagens, sendo que os mesmos são maiores na amostragem complexa. Também, na análise não ponderada, as significâncias dos coeficientes no modelo final foram semelhantes entre as duas abordagens, porém houve diferença na análise ponderada para um dos coeficientes. Conclusões: Os resultados encontrados a partir dos dois estudos evidenciaram a necessidade de incorporar a complexidade do plano amostral na análise dos dados. A questão de pesquisa poderá ser um fator importante na escolha entre a abordagem da amostragem complexa e a abordagem de modelos multinível. / Introduction: Many epidemiological studies use complex samples for data collection. Complex sampling may have one or more of the following characteristics: stratification, clustering and unequal selection probabilities. If these characteristics are not incorporated into data analysis, point estimates and standard errors are incorrect. Greater understanding of the effect of each characteristic on results should stimulate researchers to use adequate methods for data analysis and, therefore, to reach conclusions that are valid for the population that generated the sample. Two major methods are used to deal with complex sampling designs: the complex sample approach and the multilevel model approach. Objective: To describe and compare methods to deal with data in complex sampling designs using complex sample and multilevel model approaches in two epidemiological studies. Method: Data retrieved from a house-to-house survey of participants in the 2001 Brazilian Diabetes Detection Campaign (Campanha Nacional de Detecção de Diabetes Melitus - CNDDM) and collected by stratified clustering sampling in three stages were used to evaluate the impact of complex sampling designs, as well as of each of their characteristics, on the estimates of means, proportions, Poisson regression coefficients and their corresponding standard errors. To compare the complex sample and the multilevel model approaches, linear regression models were adjusted with and without sample weights using data from a random study that used stratified cluster sampling and investigated the performance of children in the evaluation of knowledge, perceptions and beliefs about maternal breastfeeding conducted with fifth grade students in Ijuí, Brazil. Results: Mean and proportion point estimates were similar when complex sampling and simple random sampling were compared, but there was a great difference in standard errors. The same was found for estimates of Poisson regression coefficients that were less affected by sampling design. The complex sample approach showed significantly greater standard errors of the regression coefficients than the multilevel model approach. Also, unweighted analysis showed that the significance of coefficients in the final models was similar in the two approaches, but there was a difference in one of the coefficients in weighted analysis. Conclusions: Results of the two studies showed that sampling design complexity should be incorporated into data analysis. Research questions seem to be a determinant factor in the choice of either a complex sample or a multilevel model approach.

Introdução: Muitos estudos epidemiológicos utilizam amostragem complexa para coleta de dados. A amostragem complexa pode ter uma ou mais das seguintes características: estratos, conglomerados e probabilidades desiguais de seleção. Se estas características não forem incorporadas na análise de dados, as estimativas pontuais e erros-padrões são incorretos. Assim é necessário ampliar a compreensão do impacto de cada característica nos resultados para incentivar os pesquisadores a utilizarem metodologias adequadas para análise dos dados, obtendo conclusões válidas para a população de onde provém a amostra. Para tratar as estruturas complexas do plano amostral existem duas principais metodologias: abordagem da amostragem complexa e abordagem de modelos multinível. Objetivos: Descrever e comparar métodos para tratamento de dados provindos de planos amostrais complexos através de duas abordagens: amostragem complexa e modelos multinível, utilizando dados de dois estudos epidemiológicos. Métodos: Para avaliar o impacto do plano amostral complexo, assim como de cada característica do plano amostral nas estimativas de média, proporção, coeficientes da regressão de Poisson e seus correspondentes erros padrões utilizaram-se os dados da busca ativa domiciliar dos participantes na Campanha Nacional de Detecção de Diabetes Mellitus – CNDDM de 2001, obtidos por amostragem estratificada com conglomerado em três estágios. Para comparar a abordagem da amostragem complexa e a abordagem de modelos multinível ajustaram-se modelos de regressão linear com e sem pesos amostrais utilizando os dados de um estudo do desempenho das crianças na avaliação de conhecimento, percepções e crenças sobre aleitamento materno, realizado com escolares da quinta série do ensino fundamental, no município de Ijuí/RS, estudo aleatorizado, com amostra estratificada por conglomerados. Resultados: As estimativas pontuais de média e proporção são semelhantes comparando-se amostragem complexa e amostragem aleatória simples, porém observou-se grande diferença nos erros padrões. O mesmo foi observado nas estimativas dos coeficientes da regressão de Poisson com menor efeito do plano amostral. Na comparação da abordagem da amostragem complexa com modelos multinível observou-se diferença nos erros padrões dos coeficientes da regressão entre as duas abordagens, sendo que os mesmos são maiores na amostragem complexa. Também, na análise não ponderada, as significâncias dos coeficientes no modelo final foram semelhantes entre as duas abordagens, porém houve diferença na análise ponderada para um dos coeficientes. Conclusões: Os resultados encontrados a partir dos dois estudos evidenciaram a necessidade de incorporar a complexidade do plano amostral na análise dos dados. A questão de pesquisa poderá ser um fator importante na escolha entre a abordagem da amostragem complexa e a abordagem de modelos multinível. / Introduction: Many epidemiological studies use complex samples for data collection. Complex sampling may have one or more of the following characteristics: stratification, clustering and unequal selection probabilities. If these characteristics are not incorporated into data analysis, point estimates and standard errors are incorrect. Greater understanding of the effect of each characteristic on results should stimulate researchers to use adequate methods for data analysis and, therefore, to reach conclusions that are valid for the population that generated the sample. Two major methods are used to deal with complex sampling designs: the complex sample approach and the multilevel model approach. Objective: To describe and compare methods to deal with data in complex sampling designs using complex sample and multilevel model approaches in two epidemiological studies. Method: Data retrieved from a house-to-house survey of participants in the 2001 Brazilian Diabetes Detection Campaign (Campanha Nacional de Detecção de Diabetes Melitus - CNDDM) and collected by stratified clustering sampling in three stages were used to evaluate the impact of complex sampling designs, as well as of each of their characteristics, on the estimates of means, proportions, Poisson regression coefficients and their corresponding standard errors. To compare the complex sample and the multilevel model approaches, linear regression models were adjusted with and without sample weights using data from a random study that used stratified cluster sampling and investigated the performance of children in the evaluation of knowledge, perceptions and beliefs about maternal breastfeeding conducted with fifth grade students in Ijuí, Brazil. Results: Mean and proportion point estimates were similar when complex sampling and simple random sampling were compared, but there was a great difference in standard errors. The same was found for estimates of Poisson regression coefficients that were less affected by sampling design. The complex sample approach showed significantly greater standard errors of the regression coefficients than the multilevel model approach. Also, unweighted analysis showed that the significance of coefficients in the final models was similar in the two approaches, but there was a difference in one of the coefficients in weighted analysis. Conclusions: Results of the two studies showed that sampling design complexity should be incorporated into data analysis. Research questions seem to be a determinant factor in the choice of either a complex sample or a multilevel model approach.

Introdução: Muitos estudos epidemiológicos utilizam amostragem complexa para coleta de dados. A amostragem complexa pode ter uma ou mais das seguintes características: estratos, conglomerados e probabilidades desiguais de seleção. Se estas características não forem incorporadas na análise de dados, as estimativas pontuais e erros-padrões são incorretos. Assim é necessário ampliar a compreensão do impacto de cada característica nos resultados para incentivar os pesquisadores a utilizarem metodologias adequadas para análise dos dados, obtendo conclusões válidas para a população de onde provém a amostra. Para tratar as estruturas complexas do plano amostral existem duas principais metodologias: abordagem da amostragem complexa e abordagem de modelos multinível. Objetivos: Descrever e comparar métodos para tratamento de dados provindos de planos amostrais complexos através de duas abordagens: amostragem complexa e modelos multinível, utilizando dados de dois estudos epidemiológicos. Métodos: Para avaliar o impacto do plano amostral complexo, assim como de cada característica do plano amostral nas estimativas de média, proporção, coeficientes da regressão de Poisson e seus correspondentes erros padrões utilizaram-se os dados da busca ativa domiciliar dos participantes na Campanha Nacional de Detecção de Diabetes Mellitus – CNDDM de 2001, obtidos por amostragem estratificada com conglomerado em três estágios. Para comparar a abordagem da amostragem complexa e a abordagem de modelos multinível ajustaram-se modelos de regressão linear com e sem pesos amostrais utilizando os dados de um estudo do desempenho das crianças na avaliação de conhecimento, percepções e crenças sobre aleitamento materno, realizado com escolares da quinta série do ensino fundamental, no município de Ijuí/RS, estudo aleatorizado, com amostra estratificada por conglomerados. Resultados: As estimativas pontuais de média e proporção são semelhantes comparando-se amostragem complexa e amostragem aleatória simples, porém observou-se grande diferença nos erros padrões. O mesmo foi observado nas estimativas dos coeficientes da regressão de Poisson com menor efeito do plano amostral. Na comparação da abordagem da amostragem complexa com modelos multinível observou-se diferença nos erros padrões dos coeficientes da regressão entre as duas abordagens, sendo que os mesmos são maiores na amostragem complexa. Também, na análise não ponderada, as significâncias dos coeficientes no modelo final foram semelhantes entre as duas abordagens, porém houve diferença na análise ponderada para um dos coeficientes. Conclusões: Os resultados encontrados a partir dos dois estudos evidenciaram a necessidade de incorporar a complexidade do plano amostral na análise dos dados. A questão de pesquisa poderá ser um fator importante na escolha entre a abordagem da amostragem complexa e a abordagem de modelos multinível. / Introduction: Many epidemiological studies use complex samples for data collection. Complex sampling may have one or more of the following characteristics: stratification, clustering and unequal selection probabilities. If these characteristics are not incorporated into data analysis, point estimates and standard errors are incorrect. Greater understanding of the effect of each characteristic on results should stimulate researchers to use adequate methods for data analysis and, therefore, to reach conclusions that are valid for the population that generated the sample. Two major methods are used to deal with complex sampling designs: the complex sample approach and the multilevel model approach. Objective: To describe and compare methods to deal with data in complex sampling designs using complex sample and multilevel model approaches in two epidemiological studies. Method: Data retrieved from a house-to-house survey of participants in the 2001 Brazilian Diabetes Detection Campaign (Campanha Nacional de Detecção de Diabetes Melitus - CNDDM) and collected by stratified clustering sampling in three stages were used to evaluate the impact of complex sampling designs, as well as of each of their characteristics, on the estimates of means, proportions, Poisson regression coefficients and their corresponding standard errors. To compare the complex sample and the multilevel model approaches, linear regression models were adjusted with and without sample weights using data from a random study that used stratified cluster sampling and investigated the performance of children in the evaluation of knowledge, perceptions and beliefs about maternal breastfeeding conducted with fifth grade students in Ijuí, Brazil. Results: Mean and proportion point estimates were similar when complex sampling and simple random sampling were compared, but there was a great difference in standard errors. The same was found for estimates of Poisson regression coefficients that were less affected by sampling design. The complex sample approach showed significantly greater standard errors of the regression coefficients than the multilevel model approach. Also, unweighted analysis showed that the significance of coefficients in the final models was similar in the two approaches, but there was a difference in one of the coefficients in weighted analysis. Conclusions: Results of the two studies showed that sampling design complexity should be incorporated into data analysis. Research questions seem to be a determinant factor in the choice of either a complex sample or a multilevel model approach.

No description available.

No description available.

Ces travaux de thèse ont porté sur l'analyse de bio-huiles par chromatographie en phase supercritique (SFC) en couplage avec un détecteur UV et un spectromètre de de masse haute résolution (HRMS). Encore méconnue, cette technique est à ce jour peu répandue en comparaison avec la chromatographie gazeuse. En premier lieu, une optimisation basée sur la maximisation de la capacité de pics lors de l'analyse de la bio-huile a été mise en place. Pression, température, phases stationnaires et phases mobiles ont ainsi été sélectionnés pour parvenir à séparer un maximum de pics (soit plus d'une centaine de pics) sur la plus large fenêtre de rétention possible. Une fois la séparation maitrisée, un travail expérimental de couplage avec la spectrométrie de masse a été conduit tout d'abord sur un détecteur à simple quadripôle puis sur un détecteur à temps de vol avec un piège linéaire (IT-ToF/MS). Des expérimentations en fragmentation MS/MS ont ensuite été réalisées pour proposer une identification des espèces détectées. Le retraitement du grand nombre de données générées a aussi nécessité de développer un outil de retraitement adapté pour réaliser l'identification de formules brutes et proposer des structures développées à l'aide de la fragmentation et d'outils de comparaison ouverts, en libre accès sur Internet. La dernière partie de ces travaux a été consacrée à la comparaison des résultats obtenus sur une bio-huile par SFC-UV/HMRS, GCxGC-FI/MS et FT-ICR/MS. L'ensemble de ces travaux à vocation méthodologique a permis d'améliorer notre connaissance de ce type de couplage SFC-UV/HRM au travers d'exemples d'application liés à la caractérisation de matrices complexes ex-biomasse / This thesis focused on the analysis of bio-oils by supercritical fluid chromatography (SFC) in coupling with a UV detector and a high resolution mass spectrometer (HRMS). Still unknown, this technique is currently not widespread in comparison with gas chromatography. First, an optimization based on the maximization of peak capacity during the analysis of the bio-oil has been put in place. Pressure, temperature, stationary phases and mobile phases were selected to separate a maximum of peaks (more than a hundred peaks) on the widest possible retention window. Once separation optimized, an experimental work of coupling with the mass spectrometry was carried out first on a single quadrupole detector then on a time detector of flight with a linear trap (IT-ToF/MS). MS/MS fragmentation experiments were then carried out to propose an identification of the detected species. The reprocessing of the large number of data generated also necessitated the development of a reprocessing tool adapted to carry out the identification of molecular formulae and to propose developed structures using fragmentation and open-source comparison tools. The last part of this work was devoted to the comparison of the results obtained on a bio-oil by SFC-UV/HMRS, GCxGC-FI/MS and FT-ICR/MS. All of this methodological work has improved our knowledge of this type of SFC-UV / HRM coupling through application examples related to the characterization of ex-biomass complex matrices

[pt] Esta dissertação avalia o impacto do nível educacional dos brasileiros, na sua remuneração, levando-se em conta o grupo da posição na ocupação por ele exercida. A análise é focalizada no universo de indivíduos ocupados com mais de 10 anos de idade, moradores na área urbana do Brasil. Isto é feito considerando como base de dados a Pesquisa Nacional por Amostra de Domicílios - PNAD para os anos de 1992 e 1999. Por se tratar de uma pesquisa feita por amostragem estratificada de conglomerados com múltiplos estágios de seleção, não se pode assumir as hipóteses usuais de modelagem das observações, tais como o comportamento IID (independente e identicamente distribuídos) dos dados. Por este motivo a modelagem é feita utilizando o pacote estatístico SUDAAN que é apropriado para o tratamento de dados obtidos por amostras complexas. / [en] This dissertation evaluates the impact of the educational level of the brazilian works on their income, accounting for their position in the occupation. The analysis will be focused in the universe of employed people over ten years of age that leave in the urban area of Brazil. This will be done for the data set of the Brazilian Household Sample Survey (Pesquisa Nacional por Amostra de Domicílios - PNAD) for the years of 1992 and 1999. As the PNAD is a stratified multistage cluster sample survey, the usual hypothesis for modeling observations such as the IID data behavior, cannot be assumed. For this reason the modeling process is performed making use of the statistical software SUDAAN, which is adequate to treat data, obtained from sample surveys.