Ип вмененка виды деятельности: Виды деятельности, попадающие под ЕНВД в 2019 году

Содержание

Виды деятельности ИП попадающие под ЕНВД: список

ЕНВД – единый налог на вмененный доход, или «вмененка», как еще принято обозначать этот режим в предпринимательской среде, – пользуется популярностью у опытных индивидуальных предпринимателей. Обычно к нему приходят собственники бизнеса со стабильными доходами и оборотами. Однако далеко не все предприниматели могут использовать этот вид налогообложения. Налоговый кодекс строго регламентирует виды деятельности ИП на ЕНВД. И если ваше направление работы не входит в этот список, то шансов практиковать «вмененку» у вас, к сожалению, нет.

Кому удобен ЕНВД?

Изначально такая система налогообложения была обязательной для бизнеса, основные доходы которого приходились на несколько видов деятельности (например розничная торговля).

В 2013 году вмененная система налогообложения стала добровольной, но при этом перечень деятельности сохранился. Он действует и в 2017 году.

Направления работы, которые попадают под «вмененку», перечислены в статье 346.26 главы 26.3 Налогового кодекса РФ.

В 2013 году вмененная система налогообложения стала добровольной, но при этом перечень деятельности сохранился.

Кто имеет право на налог:

  1. Мастера бытовых услуг. Полный перечень направлений работы этих специалистов содержится в Общероссийском классификаторе услуг населению.
  2. Ветеринары.
  3. Мойщики и ремонтники транспорта.
  4. Владельцы магазинов, киосков и передвижных точек торговли.
  5. Рестораторы, распоряжающиеся заведением с залом до 150 м², и владельцы закусочных без зала.
  6. Рекламисты (размещение и распространение рекламы).
  7. Отельеры, владеющие гостиницами площадью не более 5000 м².
  8. Владельцы торговых мест, помещений и участков для организации рынков и ярмарок, сдающие их в аренду.

Если вы только начинаете использовать «вмененку», то важно знать об одном подводном камне в отчетности. В декларации по ЕНВД нужно указать коды деятельности.

Важно! Код ЕНВД – это не код вида экономической деятельности (ОКВЭД).

Код ЕНВД – это не код вида экономической деятельности (ОКВЭД).

Направлениям работы на «вмененке» присвоен свой классификатор, который и нужно указать при сдаче декларации. Всего кодов ЕНВД более двух десятков, числа начинаются с 01 и заканчиваются 21. Перечень кодов деятельности ЕНВД содержится в приложении к приказу ФНС от 4 июля 2014 г. N ММВ-7-3/353.

Единый налог на вмененный доход, безусловно, удобен для предпринимателей, имеющих стабильно высокий доход, но еще не достигших параметров среднего бизнеса. Но такой спецрежим требует от вас строгой специализации. Если с ЕНВД у вас не сложилось, то можно использовать не менее удобную упрощенную систему налогообложения (УСН).

ИП, осуществляющие виды деятельности, по которым они уплачивают ЕНВД, не обязаны представлять декларации по НДС и НДФЛ

Если предпринимателем заявлены виды деятельности, не подпадающие под ЕНВД, то непредставление «нулевых» деклараций по НДС и НДФЛ может привести к налоговым спорам

12.07.2017Российский налоговый портал

Автор: эксперт службы Правового консалтинга ГАРАНТ Цориева Зара

Иная деятельность, в отношении которой ЕНВД не уплачивается, ИП не ведется.

Необходимо ли представление нулевых деклараций по НДС и НДФЛ при наличии видов деятельности, не подпадающих под ЕНВД, и при их отсутствии?

Рассмотрев вопрос, мы пришли к следующему выводу:

Если предпринимателем заявлены виды деятельности, не подпадающие под ЕНВД, то непредставление «нулевых» деклараций по НДС и НДФЛ может привести к налоговым спорам.

Если же предприниматель применяет ЕНВД в отношении всех заявленных видов деятельности, то у него нет обязанности представлять отчетность по НДС и декларацию по форме 3-НДФЛ.

Обоснование вывода:

Согласно подп. 4 п. 1 ст. 23 НК РФ налогоплательщики обязаны представлять в установленном порядке в налоговый орган по месту учета налоговые декларации (расчеты), если такая обязанность предусмотрена законодательством о налогах и сборах.

В соответствии с п. 1 ст. 80 НК РФ налоговая декларация представляется каждым налогоплательщиком по каждому налогу, подлежащему уплате этим налогоплательщиком, если иное не предусмотрено законодательством о налогах и сборах.

Вместе с тем в силу п. 2 ст. 80 НК РФ не подлежат представлению в налоговые органы налоговые декларации (расчеты) по тем налогам, по которым налогоплательщики освобождены от обязанности по их уплате в связи с применением специальных налоговых режимов, в части деятельности, осуществление которой влечет применение специальных налоговых режимов, либо имущества, используемого для осуществления такой деятельности.

На основании п. 4 ст. 346.26 НК РФ уплата ИП ЕНВД предусматривает его освобождение от обязанности по уплате НДФЛ (в отношении доходов, полученных от предпринимательской деятельности, облагаемой единым налогом), налога на имущество физических лиц (в отношении имущества, используемого для осуществления предпринимательской деятельности, облагаемой единым налогом, за исключением объектов налогообложения налогом на имущество физических лиц, включенных в перечень, определяемый в соответствии с п. 7 ст. 378.2 НК РФ с учетом особенностей, предусмотренных абзацем 2 п. 10 ст. 378.2 НК РФ).

Кроме того, ИП, являющийся плательщиком ЕНВД, не признается плательщиком НДС (в отношении операций, признаваемых объектами налогообложения в соответствии с главой 21 НК РФ, осуществляемых в рамках предпринимательской деятельности, облагаемой единым налогом), за исключением НДС, подлежащего уплате в соответствии с НК РФ при ввозе товаров на территорию РФ и иные территории, находящиеся под ее юрисдикцией, включая суммы налога, подлежащие уплате при завершении действия таможенной процедуры свободной таможенной зоны на территории Особой экономической зоны в Калининградской области.

Из многочисленных разъяснений уполномоченных органов (письма Минфина России от 18.05.2012 г. № 03-11-06/3/34, от 17.02.2012 г. № 03-11-11/46, от 17.01.2011 г. № 03-02-07/1-9, от 17.01.2011 г. № 03-02-07/1-6, от 17.01.2011 г. № 03-02-07/1-8, от 05.02.2010 г. № 03-11-06/3/17, ФНС России от 07.05.2010 г. № ШС-37-3/1285) следует, что индивидуальные предприниматели, осуществляющие только те виды предпринимательской деятельности, по которым они уплачивают ЕНВД, не обязаны представлять в налоговые органы налоговые декларации по НДС и НДФЛ.

Вместе с тем в письмах ФНС России от 26.04.2011 г. № АС-4-3/6753, УФНС России по г. Москве от 03.03.2010 г. № 20-14/[email protected] было представлено иное мнение: если индивидуальный предприниматель при регистрации заявил как подпадающие, так и не подпадающие под ЕНВД виды деятельности, то ИП должен представлять декларации по общему режиму налогообложения, даже если он занимается исключительно деятельностью, подпадающей под ЕНВД.

Поэтому если ИП заявил не подпадающие под ЕНВД виды деятельности, то непредставление «нулевой» декларации по НДС в соответствующие сроки может привести к налоговым спорам. То же можно сказать и о налоговой декларации по НДФЛ, представляемой по итогам налогового периода.

Если же ЕНВД применяется в отношении всех видов деятельности, заявленных предпринимателем, то мы не видим оснований для представления отчетности в соответствии с общим режимом налогообложения в соответствии с п. 4 ст. 346.26 НК РФ.

К сожалению, примеров арбитражной практики по данному вопросу нами не обнаружено.

ГАРАНТ

ЕНВД 2013 | Полезная информация

(гл. 26.3 НК РФ)

Внимание!  С 2013 года применение ЕНВД будет добровольным.

ЕНВД, «вмененка», Единый налог на вмененный доход – система налогообложения отдельных видов предпринимательской деятельности.  При применении данной системы, налог уплачивается с предполагаемого («вмененного») дохода.

С 1 января 2013 года налогоплательщики могут добровольно переходить на применение ЕНВД. Поэтому, если налогоплательщик утратил право на применение «вмененки», он не обязан возвращаться с начала квартала к данному «спецрежиму».

Кто может применять ЕНВД в 2013 году

Экономические субъекты: организации и индивидуальные предприниматели (ИП), осуществляющие виды деятельности, облагаемые ЕНВД, при условии, что на данный вид деятельности, в регионе его осуществления установлен ЕНВД.

Не применяется ЕНВД в 2013 году

  1. Крупнейшие налогоплательщики;
  2. Услуги общественного питания в образовательных учреждениях, здравоохранении и социального обеспечения;
  3. Если среднесписочная численность работников превысила 100 человек за предшествующий календарный год;
  4. Если в уставном капитале организации, более 25 % доли УК принадлежит другой организации;
  5. Индивидуальные предприниматели, перешедшие на патентную систему налогообложения;
  6. Налогоплательщики, сдающие в аренду автозаправочные и автогазозаправочные станции.

ЕНВД не применяется а отношении деятельности осуществляемой в рамках договора простого товарищества или доверительного управления имуществом.

Виды деятельности, облагаемые ЕНВД в 2013 году

Подпунктами 3 и 4 пункта 2 статьи 346.26, уточнены виды деятельности, облагаемые ЕНВД в 2013 году. Это деятельность по оказанию услуг по ремонту, техобслуживанию, мойке автотранспортных средств, а так же мототранспорта, предоставление для данных видов транспорта мест для стоянки.

Статья 346.27 НК РФ, уточняет понятие «услуги по ремонту, техническому обслуживанию и мойке автотранспортных средств». В 2013 году, данное понятие будет включать услуги по проведению технического осмотра транспортных средств.

Если в 2012 году, в соответствии с прямым указанием абз. 9 ст. 346.27 НК РФ, услуги по гарантийному ремонту и обслуживанию ТС не относятся к деятельности облагаемой ЕНВД, то в 2013 году, налогоплательщики, оказывающие услуги по гарантийному ремонту автотранспортных средств по гарантии и без гарантии смогут применять ЕНВД.

Также получены разъяснения по деятельности в отношении размещения рекламы на транспортных средствах. В 2012 году неясно, на каких именно поверхностях ТС размещаемая реклама, облагается ЕНВД. В 2013 году, в соответствии с подп. 11 п. 2 ст. 346.26 НК РФ, ЕНВД может применяться при размещении рекламы на внутренних и внешних поверхностях автотранспорта. Такие разъяснения по поводу применения подп. 11 п. 2 ст. 346.26 НК РФ дал Минфин в своем письме от 25.01.2010 №03-11-09/03.

Виды деятельности, облагаемые ЕНВД, перечислены в п. 2 ст. 346.26 НК РФ. При этом следует помнить, что субъекты РФ самостоятельно устанавливают отдельные виды деятельности для применения ЕНВД. Иными словами, в разных регионах, облагаться ЕНВД, могут разные виды деятельности.

Порядок перехода на ЕНВД в 2013 году

Напоминаем, что применение ЕНВД в 2013 году, будет добровольным. Если налогоплательщик, осуществляющий деятельность попадающий под «вмененку», хочет перейти на уплату ЕНВД, ему необходимо встать на учет в налоговой инспекции. Заявление о переходе на ЕНВД следует подавать в течение пяти дней с начала применения данной системы.

скачать бланк заявления о переходе на ЕНВД для ИП

скачать бланк заявления о переходе на ЕНВД для организаций

В 2013 году, при переходе на иной режим налогообложения, в случае прекращения деятельности, а также в случае нарушения требований, установленных подп.1 и 2 п. 2.2 ст. 346.26 НК РФ, следует подать в налоговый орган заявление о снятии с учета в качестве плательщика ЕНВД.

скачать бланк заявления о снятии с ЕНВД для ИП

скачать бланк заявления о снятии с ЕНВД для организаций

Порядок расчета вмененного налога,в случае осуществления деятельности в течение неполного месяца

С 2013 года, в отличие от действующего ранее порядка, вмененный налог рассчитывается с учетом даты постановки на учет, либо снятия с учета, исходя из фактического количества дней, в которых осуществлялась деятельность.  

Налоги, уплачиваемые при ЕНВД

Единый налог на вмененный доход уплачивается не позднее 25-го числа следующего за налоговым периодом месяца.

Вмененный налог рассчитывается исходя из физических показателей деятельности. Физические показатели установлены для каждого вида деятельности, это могут быть: площадь торгового зала, площадь обслуживания зала посетителей, количество работников, и т.д. Полный перечень приведен в ст. 346.29 НК РФ.

С доходов, выплачиваемых работникам, уплачиваются страховые взносы на ОПС, ФОМС, ФСС. Также удерживается и перечисляется в бюджет НДФЛ с заработной платы работников.

Не платится:

налог на прибыль, налог на доходы физических лиц для предпринимателей, налог на имущество, НДС.

При этом данные налоги не платятся только с доходов от деятельности, которая находится на «вмененке».

Если осуществляются другие виды деятельности, то с доходов по ним уплачиваются налоги в соответствии с применяемой системой налогообложения (ОСНО, УСН, ЕСХН).

Взносы на добровольное страхование уменьшают единый налог в 2013 году

В 2013 году, плательщики вмененного налога, могут уменьшать налог не только на страховые взносы по обязательному страхованию, но и на взносы по договорам добровольного страхования работников (п.2 ст. 346.32 НК РФ). Пособия по временной нетрудоспособности, учитываются только за первые три дня, если они не возмещены страховыми организациями.  При этом, указанные выплаты, как и ранее, не могут уменьшать сумму налога более чем на 50%. ИП, не имеющие работников, уменьшают единый налог на сумму фиксированных платежей.

Ведение учета и отчетность при ЕНВД

При применении ЕНВД, следует вести учет физических показателей, т.к. на их основе рассчитывается единый налог.  Налоговый кодекс не содержит особых указаний по этому вопросу.

Учет ведется в соответствии с применяемой системой налогообложения. А доходы от деятельности на «вмененке» учитывать не обязательно. Разве что «для себя». Также как и расходы. Потому что, как уже было сказано, они не влияют на размер налога.

В налоговую по данному виду деятельности налогоплательщики сдают декларацию по ЕНВД. Декларация сдается не позднее 20 числа следующего за налоговым периодом месяца.

Остальная отчетность сдается по установленным для применяемой в целом по организации системы налогообложения правилам.

Раздельный учет при применении ЕНВД

Если помимо деятельности на ЕНВД, осуществляются другие виды деятельности, по которым данный «спецрежим» не применяется, то необходимо вести раздельный учет.  Раздельный учет в этом случае ведется для того, чтобы отделить доходы и расходы по другим видам деятельности, от доходов и расходов по ЕНВД.

С отнесением доходов на тот или иной вид деятельности, как правило, проблем не возникает, чего нельзя сказать о расходах.  Например, заработная плата административно-управленческого персонала. Его нельзя отнести конкретно к какому-то виду деятельности, т.к. данный вид расходов относится к деятельности организации в целом.

Согласно ст. 274 НК РФ, в этом случае расходы следует разделить пропорционально доле доходов от видов деятельности.

Как расчитывается «вмененный» налог

Для начала следует найти вид своей деятельности в ст. 346.29 НК РФ, посмотреть базовую доходность на единицу физического показателя, по данному виду деятельности.

Т.е. там вы найдете:

1. Базовую доходность на единицу физического показателя;

2. Физический показатель для вашего вида деятельности.

Узнаете размер коэффициента-дефлятора К1. Его устанавливает на каждый год Правительство РФ. Так, в 2012 году он составил 1,4942.

Коэффициент К2 – корректирующий коэффициент базовой доходности. Он устанавливается местными властями. Если в вашем регионе его размер не установлен значит, следует принимать за 1.

Формула расчета ЕНВД (за квартал)

(базовая доходность) х (физический показатель) х К1 х К2 х (3 месяца) х (ставку15%) = ЕНВД квартал.

Если у вас несколько видов деятельности на ЕНВД, то по каждому виду, налог следует рассчитывать отдельно.

Тогда заполняется несколько соответствующих разделов декларации.

Если деятельность по ЕНВД осуществляется в разных регионах, то по каждому виду также следует рассчитать налог отдельно и уплатить его по месту ведения деятельности.

Установлены ли ограничения для применения ЕНВД по размеру доходов

Ограничений по размеру доходов для «вмененки» не установлено.  Ограничения установлены только на физические показатели.

Центр Бухгалтерской Практики «Парус»

Ноябрь 2012

Материалы по теме


упрощенные формы бухгалтерской отчетности

Как составить бухгалтерскую отчетность организациям на УСН

Как вести бухгалтерский учет на УСН

Краткий обзор основных изменений в 2012 году

Минимальный размер труда в 2013

Какие еще изменения ждут УСН в 2013 году

Патентная система налогообложения 2013

Шпаргалка для бухгалтера по самым важным изменениям в учете в 2013 году

Упрощенная система налогообложения 2013

Льготы для УСН 2012-2013

Пониженные тарифы для работодателей 2013-2019

Как работодателям воспользоваться всеми льготами в 2013 году

Пониженные ставки страховых взносов для ЕНВД 2013

КБК на 2013 год

Новая Книга учета доходов и расходов для УСН в 2013 году

Новые правила расчета детских пособий и декретных в 2013 году

С 2013 года движимое имущество освобождается от налога на имущество

Новые КБК 2013

Какие еще изменения ждут УСН в 2013 году

Новый Закон о бухучете. Что ждет нас в 2013 году.

Обзор изменений законодательства 2013

Стоимость патента и виды деятельности для ПСН в Москве на 2013 год

Виды деятельности, попадающие под ЕНВД

Перечень видов деятельности, попадающих под ЕНВД (далее – виды деятельности ЕНВД), содержится в ст. 346.26 Налогового кодекса РФ. Решение о том, какие из этих видов деятельности могут быть переведены на ЕНВД, принимают представительные органы муниципальных образований. В этой статье мы рассмотрим, какие виды деятельности могут осуществляться в режиме ЕНВД, с учетом позиций финансовых органов и судебных инстанций.

Виды деятельности ЕНВД

До 01.01.2013 года режим ЕНВД был обязательным (подробно о режиме ЕНВД вы можете посмотреть эту статью). Поэтому, если деятельность предпринимателя попадала под установленный местными властями перечень видов деятельности ЕНВД, предприниматель должен был работать в этом режиме, если соблюдались иные ограничительные условия (средняя численность работников, доля участия и т.д.), и не мог применять в отношении этой деятельности иной режим налогообложения.

С 01.01.2013 г. в режиме ЕНВД произошли значительные изменения. Одно из которых состояло в том, что переход на ЕНВД с 2013 года стал правом предпринимателя, а не обязанностью.

О последних изменениях ЕНВД с 2017 года читайте в специальных статьях на нашем сайте.

Виды деятельности, по которым допускается применения этого режима, приводится в нижеследующей таблице. Повторим, что переход на ЕНВД по этим видам деятельности возможен только в случае принятия соответствующих решений муниципальными органами власти, а также соблюдении всех ограничительных условий. В следующем видео наглядно показано, как узнать по каким видам деятельности введен ЕНВД в соответствующем муниципальном образовании.

Виды деятельности, попадающих под ЕНВДПримечания
Бытовые услуги. Коды ОКВЭД и ОКПД определяются Правительством*1. Оказание услуг бани населению на основании договора, который был заключен с администрацией муниципального образования, без взимания платы с населения подпадает под ЕНВД (п. 6 Информационного письма Президиума ВАС РФ от 05.03.2013 № 157). У налоговых органов по этому поводу может быть другая позиция, в связи с чем право на работу в режиме ЕНВД возможно придется отстаивать в арбитражном суде.
2. Услуги по гарантийному ремонту бытовой техники, которые оказываются физическим лицам бесплатно за счет продавцов или производителей, не подпадают под режим ЕНВД (письмо Минфина России от 11.06.2013 г. № 03-11-11/21722)
Ветеринарные услуги
Услуги по ремонту, техническому обслуживанию и мойке автомототранспортных средств
Услуги по предоставлению во временное владение (в пользование) мест для стоянки автомототранспортных средствПри расчете налога из общей площади стоянки можно вычесть площадь земельного участка, который используется для иной деятельности (п. 11 Информационного письма)
Услуги по хранению автомототранспортных средств на платных стоянках (за исключением штрафных автостоянок)
Автотранспортные услуги по перевозке пассажиров и грузов, осуществляемых организациями и индивидуальными предпринимателями, имеющими на праве собственности или ином праве (пользования, владения и (или) распоряжения) не более 20 транспортных средств, предназначенных для оказания таких услуг1. Транспортные средства, которые налогоплательщик сдает в аренду, не учитываются (письмо Минфина России от 23.05.2013 г. № 03-11-06/3/18433, письмо ФНС России от 20.11.2012 г. № ЕД-4-3/[email protected], п.3 Информационного письма).
2. Т/средства, которые находятся в ремонте, не учитываются (п. 9 Информационного письма). Однако позиция налоговых органов и Минфин в этом случае может быть иной. Согласно разъяснениям Минфина в письме от 03.06.2013 г. № 03-11-11/20192 должны учитываться все т/средства независимо от их эксплуатационного состояния (в том числе находящиеся в ремноте). Такие же разъяснения были даны ФНС России в письме от 20.11.2012 г. № ЕД-4-3/[email protected]
Розничная торговля, осуществляемая через магазины и павильоны с площадью торгового зала не более 150 квадратных метров по каждому объекту организации торговли1. Розничная торговля включает, в том числе сделки по продаже товаров юридическим лицам и индивидуальным предпринимателям (п. 4 Информационного письма). Однако у налоговых органов может быть иное мнение по этому поводу, в связи с чем предпринимателю возможно придется доказывать свою позицию в арбитражном суде.
2. Площади, которые не используются в торговле по причине ремонта, могут не учитываться (п.9 Информационного письма).
3. Не учитываются также проходы (лестницы, тамбуры, коридоры и т.д.), ведущие к торговому залу (п. 13 Информационного письма).
Розничная торговля, осуществляемая через объекты стационарной торговой сети, не имеющих торговых залов, а также объекты нестационарной торговой сетиРозничная торговля включает, в том числе сделки по продаже товаров юридическим лицам и индивидуальным предпринимателям (п. 4 Информационного письма). Однако у налоговых органов может быть иное мнение по этому поводу, в связи с чем предпринимателю возможно придется доказывать свою позицию в арбитражном суде.
Услуги общественного питания, осуществляемые через объекты организации общественного питания с площадью зала обслуживания посетителей не более 150 квадратных метров по каждому объекту организации общественного питания1. Оказание услуг общественного питания на теплоходе также подходит под режим ЕНВД, в том случае, когда теплоход пришвартован и не используется в качестве транспортного средства (п. 5 Информационного письма).
2. Могут не учитываться площади подсобных помещений, например, кухни, посудомоечные и т.д. ( п. 14 Информационного письма)
Услуги общественного питания, осуществляемые через объекты организации общественного питания, не имеющие зала обслуживания посетителей
Распространение наружной рекламы с использованием рекламных конструкцийНалогоплательщик вправе не учитывать площадь, занятую рекламой своих собственных услуг, деятельности, продукции (п.8 Информационного письма)
Размещение рекламы с использованием внешних и внутренних поверхностей транспортных средств
Услуги по временному размещению и проживанию, оказываемые организациями и предпринимателями, использующими в каждом объекте предоставления данных услуг общую площадь помещений для временного размещения и проживания не более 500 квадратных метров
Услуги по передаче во временное владение и (или) в пользование торговых мест, расположенных в объектах стацинарной торговой сети, не имеющих торговых залов, объектов нестационарной торговой сети, а также объектов организации общественного питания, не имеющих зала обслуживания посетителей
Оказания услуг по передаче во временное владение и (или) в пользование земельных участков для размещения объектов стационарной и нестационарной торговой сети, а также объектов организации общественного питания

*Распоряжением Правительства № 2496-р, которое принято 24.11.2016, утвержден перечень кодов ОКВЭД и ОКПД, относящихся к бытовым услугам.

О том как учитывается физический показатель ЕНВД согласно последним разъяснениям ВАС РФ в этой статье.

Виды деятельности ЕНВД в Московской области

Вопрос

Добрый день!
вопрос по ЕНВД у ИП
в г. Волоколамск и г. Химки Московской обл
какие виды деятельности в данных регионах попадают под ЕНВД? и как рассчитывать данный налог и отчитываться ИП?

Ответ

В данных городах ЕНВД введен Решением Совета депутатов Волоколамского муниципального района МО от 29.09.2011 N 43-282 «О системе налогообложения в виде единого налога на вмененный доход для отдельных видов деятельности на территории Волоколамского муниципального района Московской области» и Решением Совета депутатов городского округа Химки МО от 03.10.2007 N 13/3 «О системе налогообложения в виде единого налога на вмененный доход для отдельных видов деятельности в городском округе Химки» соответственно.

В этих Решениях перечислены виды предпринимательской деятельности, на которые распространяется ЕНВД на территории этих городов.

Сумму ЕНВД вы обязаны исчислить по итогам налогового периода, применив следующую формулу:

ЕНВД = НБ x С,

где НБ — налоговая база;

С — ставка налога.

Налоговой базой для исчисления ЕНВД признается величина вмененного дохода (п. 2 ст. 346.29 НК РФ).

Рассчитывается она как произведение базовой доходности по определенному виду предпринимательской деятельности, исчисленной за налоговый период, и величины физического показателя, характеризующего данный вид деятельности (п. 2 ст. 346.29 НК РФ).

При этом базовая доходность корректируется (уменьшается или увеличивается) на коэффициенты К1 и К2 (п. 4 ст. 346.29 НК РФ).

Формула расчета налоговой базы выглядит следующим образом (ст. 346.29 НК РФ):

НБ = БД x К1 x К2 x (ФП1 + ФП2 + ФП3),

где НБ — налоговая база;

БД — базовая доходность;

К1 — коэффициент-дефлятор;

К2 — корректирующий коэффициент;

ФП1, ФП2, ФП3 — значения физического показателя в первом, втором и третьем месяцах квартала соответственно.

По ЕНВД необходимо подавать декларации. Форма и электронный формат налоговой декларации по ЕНВД утверждены Приказом ФНС от 04.07.2014 N ММВ-7-3/[email protected]

Декларацию по ЕНВД надо сдавать по итогам каждого квартала не позднее 20-го числа первого месяца следующего квартала в каждую ИФНС, где вы состоите на учете в качестве плательщика ЕНВД (Письмо ФНС от 09.06.2016 N СД-4-3/[email protected] (п. 1), п. 3 ст. 346.32 НК РФ).

Просмотров: 2 932

Расчет данных для физической активности, измеренной акселерометром: комбинированный подход | Американский журнал клинического питания

РЕФЕРАТ

Справочная информация: Акселерометры становятся все более популярными для оценки уровня физической активности; однако соблюдение требований является проблемой, которая приводит к отсутствию данных. Данные по дням исследования, когда акселерометр не носили в течение определенного количества часов, достаточного для достижения заданного порогового значения, считаются недействительными и отбрасываются.Проблема отсутствия данных обычно решается путем вменения; однако все традиционные методы вменения игнорируют доступную информацию о недействительных днях.

Цель: В этом исследовании я предлагаю новый подход к вменению недостающих данных акселерометра, который учитывает данные, доступные за недействительные дни.

Дизайн: В общей сложности 4069 участников волн NHANES 2003–2004 и 2005–2006 годов, которые предоставили 7 дней достоверных данных акселерометра, были использованы для иллюстрации этого нового подхода.Метод вменения представлял собой комбинированный подход, который объединял доступные данные за действительные и недействительные дни для вменения пропущенных значений. Были проведены имитационные исследования для сравнения этого нового комбинированного подхода с традиционным методом вменения для оценки точности 1 ) и 2 ) размера эффекта отношения пола и физической активности с использованием среднеквадратичной ошибки (RMSE).

Результаты: Комбинированный подход показал значительно лучшие результаты, чем традиционный метод вменения (все тесты t P <0.001), при этом процентное снижение RMSE для оценки точности и размера эффекта варьировалось от 12,4% до 17,3% и от 19,8% до 32,9%, соответственно.

Заключение: Комбинированный подход значительно превосходит традиционный алгоритм вменения.

ВВЕДЕНИЕ

Надежные, действующие и точные системы измерения необходимы для оценки физической активности. Анкеты самооценки традиционно используются для измерения физической активности, но их достоверность варьируется (1, 2).Акселерометры, представляющие собой электронные устройства, которые измеряют ускорение как показатель интенсивности физической активности и меры продолжительности, стали более популярными для использования в крупных когортах (3, 4) из-за их способности точно измерять физическую активность (5 ).

Обычно участники исследований, использующие акселерометры, должны носить акселерометр в течение всех часов бодрствования. Снятие акселерометра обычно разрешается для купания и занятий водными видами спорта (6), потому что большинство старых акселерометров не являются водонепроницаемыми, и удаление по каким-либо другим причинам рассматривается как несоблюдение.Отсутствие данных акселерометра может привести к смещению оценок физической активности, особенно когда уровни физической активности различаются во время ношения и в часы без ношения. Чтобы уменьшить систематическую ошибку, возникающую в результате несоблюдения требований, данные акселерометра за те дни, в течение которых акселерометр не носили большую часть дня, считаются недействительными и отбрасываются. Наиболее распространенный критерий, используемый в литературе для определения недействительного дня, — это> 14 часов без износа [т. Е. ≤10 часов ношения акселерометра (7)].

В соответствии с практикой NHANES 2003–2004 (6), большинство акселерометрических исследований требует, чтобы участники носили акселерометр в течение 7 дней, чтобы получить единообразную оценку физической активности. Однако несоблюдение требований обычно приводит к большой доле пропущенных данных в 7-дневных исследованиях акселерометра, и вменение недостающих данных может значительно повысить эффективность последующего статистического анализа. Было показано, что существующий алгоритм для вменения недостающих данных акселерометра, который использует непропускные дни участника для вменения данных за пропущенные дни, дает объективную оценку времени, затраченного на физическую активность (8, 9).Однако в этом алгоритме полностью игнорировалась доступная информация о пропущенных днях (что, несомненно, повысило бы точность вменения). По крайней мере, данные о пропущенных днях дают нижнюю границу истинного объема выполненной физической активности; Другими словами, уровень физической активности в пропущенный день не должен быть меньше, чем накопленная физическая активность, зарегистрированная в течение периода ношения акселерометра для этого конкретного дня.

В этом исследовании я предлагаю комбинированный подход для вменения недостающих данных в исследованиях акселерометра.Я использую термин в сочетании в том смысле, что доступные данные за недействительный день и данные за другой действительный день (дни) для участника объединяются для получения единого условного значения для недействительного дня. Чтобы облегчить реализацию предложенного алгоритма вменения специалистами по статистике, алгоритм в R-коде предоставляется в качестве дополнительного цифрового контента.

СУБЪЕКТЫ И МЕТОДЫ

Участников

В исследовании использовались данные, полученные от участников волн NHANES 2003–2004 и 2005–2006 годов.NHANES, который проводится Национальным центром статистики здравоохранения, CDC, был разработан для оценки состояния здоровья и питания в Соединенных Штатах (6). Выборка была репрезентативной для населения США и была отобрана с использованием многоэтапного кластерного дизайна. Участникам было предложено пройти опрос и медицинское обследование, подробности о котором можно получить на веб-сайте NHANES (http://www.cdc.gov/nchs/nhanes/nhanes_questionnaires.htm). Согласие было получено от всех участников, и исследование было одобрено наблюдательным советом CDC по этике.

Акселерометр

Участников в возрасте ≥6 лет попросили носить акселерометр ActiGraph model 7164 (ActiGraph LLC) над правым бедром все время в течение 7 дней, за исключением купания или сна. Данные акселерометра записывались с интервалом в 1 минуту. Подробное описание использования акселерометров в NHANES предоставлено Troiano et al (6).

Данные акселерометра были проанализированы с использованием процедуры, доступной на веб-сайте Национального института рака (http: // www.riskfactor.cancer.gov/tools/nhanes_pam). В соответствии с инструкциями по обработке данных, я исключил данные акселерометра, которые не были откалиброваны или по другим причинам ненадежны. День считался действительным, если он включал ≥10 ч времени ношения акселерометра, а дни с временем ношения <10 ч считались недействительными. Время ношения равнялось 24 часам минус время ношения; тогда как время отсутствия износа было определено как интервал нулевого счета в течение ≥60 последовательных минут. Чтобы оценить точность предложенного нами алгоритма вменения, в этот анализ были включены только участники, у которых были действительные данные акселерометра за 7 дней.Для данных акселерометра есть много результатов физической активности, таких как расход энергии и количество сделанных шагов. Однако в этом исследовании я использовал только единичный результат подсчетов в минуту, чтобы показать предлагаемый комбинированный подход для вменения отсутствующих данных. Физическая активность за один день суммировалась счетами в минуту, которые рассчитывались как общее количество счетчиков акселерометра, деленное на количество минут ношения акселерометра в этот день.

Статистический анализ

Все статистические анализы были выполнены с помощью R версии 2.14.0 (R Development Core Team; http://www.r-project.org). Традиционные алгоритмы вменения для акселерометров вменяют недостающие данные на основе информации, доступной для других действительных дней (8). В этом исследовании я разрабатываю комбинированный подход для вменения недостающих данных из недействительного дня, используя как информацию из действительных дней, так и данные, доступные из времени ношения акселерометра в течение недействительного дня.

Мой подход заключался в двухэтапном вменении с целью вменения счетчиков акселерометра в минуту для всех недействительных дней.Во-первых, для участника i в день j я рассчитал количество импульсов в минуту X ‘ cpm, ij . Во-вторых, я вменял ожидаемое количество часов ношения X ‘ ч, ij с предположением, что все участники должны были носить акселерометр ≥10 часов (или любое другое указанное значение, которое может быть изменено в исходном коде) на все дни. Наблюдаемые отсчеты акселерометра в X ч, ij часов (<10 часов) времени ношения были объединены с расчетными счетами в оставшихся X ′ часов, ij X часов, ij часов до формируют окончательное вменение.Множественное вменение с использованием аддитивной регрессии (AR), начальной загрузки и согласования с прогнозируемым средним (доступно в пакете Hmisc в R; http://cran.r-project.org/web/packages/Hmisc) использовалось, поскольку оно позволяет вменять основание ковариат (как независимые переменные в AR) и не требует, чтобы переменная следовала нормальному распределению. Множественное вменение также оценивает SE оценок переменных (например, среднего) лучше, чем одиночное вменение (10), особенно если данные не распределены нормально.Процент дисперсии между вменениями к общей дисперсии (11) использовался для оценки прироста путем использования множественного вменения по одному вменению.

Подробный алгоритм вменения выглядит следующим образом (обратите внимание, что вменение количества отсчетов в минуту и ​​ожидаемого количества действительных часов — это две независимые процедуры, и, следовательно, их порядок взаимозаменяемый):

  • 1 ) Вменение износа время. Оцените среднее значение μ h , используя вмененное ожидаемое количество действительных часов из AR и начальной загрузки.Если условное ожидаемое количество действительных часов меньше 10 или> 24 часов, ему будет присвоено 10 или 24 часа соответственно.

  • 2 ) Подсчет количества импульсов в минуту. Переоцените среднее значение μ cpm , используя вмененное количество импульсов в минуту из AR и начальной загрузки.

  • 3 ) Комбайн. Комбинированные вмененные числа в минуту равны

. Обратите внимание, что если все 7 дней были недействительными для отдельного участника, пропущенные значения счетчиков в минуту были вменены с использованием средних значений, скорректированных с учетом возраста и пола из не пропущенных данных.Алгоритм в коде R доступен в дополнительном цифровом контенте ( см. Исходный код , Дополнительный цифровой контент 1; образец входного файла для данных количества в минуту, Дополнительный цифровой контент 2; образец входного файла для допустимых данных минут, Дополнительный цифровой контент. Контент 3 и образец входного файла для возраста и пола, Дополнительный цифровой контент 4, в разделе «Дополнительные данные» в онлайн-выпуске).

Для сравнения комбинированного метода вменения с традиционным методом вменения, который не учитывает информацию, доступную по пропущенным дням, были проведены имитационные исследования с различными комбинациями вероятностей.Смоделированные наборы данных были сгенерированы со случайно выбранными данными акселерометра для отдельных участников, которые были пропущены. Из полного набора данных акселерометра ежедневные наблюдения были 1 ) оставлены как есть, 2 ) удалены для случайно выбранного 6-часового периода, 3 ) удалены для случайно выбранного 12-часового периода, или 4 ) удаляется на случайно выбранный 18-часовой период. Каждой процедуре были присвоены разные вероятности возникновения, и было рассмотрено всего 4 комбинации вероятностей.В первой комбинации вероятность 1 ) была установлена ​​на 0,7, потому что это близко к фактической вероятности, наблюдаемой в данных акселерометра, полученных от NHANES в 2003–2004 годах (6). Вероятности элементов 2 ), 3 ) и 4 ) были установлены равными 0,1. Эта комбинация вероятностей была представлена ​​как (0,7, 0,1, 0,1, 0,1). Вторая комбинация была разработана для проверки влияния уменьшения количества пропущенных значений на точность вменения, и вероятности были установлены на (0.85, 0,05, 0,05, 0,05). В третьей и четвертой комбинациях соответствующие вероятности были установлены на уровне (0,7, 0,2, 0,05, 0,05) и (0,7, 0,05, 0,05, 0,2), соответственно, чтобы проверить, как количество действительных часов из недействительных данных повлияло на точность вменения.

Точность алгоритмов вменения была проверена с использованием среднеквадратичной ошибки (RMSE) следующим образом:

, где N промах представляет количество недействительных дней, а если день действительный, X ‘ копий в минуту, ij = X копий в минуту, ij (= наблюдаемые отсчеты акселерометра в минуту).Беспристрастность алгоритма вменения была проверена с использованием баллов z следующим образом:

z баллов с абсолютными значениями> 1,96 были классифицированы как предвзятые. Для каждой из 4 комбинаций вероятностей было проведено 50 симуляций с 5 наборами множественных вменений, а средние и эмпирические SD RMSE были рассчитаны из этих 50 имитаций для оценки подхода комбинированного вменения. Парные тесты t использовались для сравнения различий в RMSE между различными методами вменения и комбинациями вероятностей.

В дополнение к оценке точности комбинированного подхода, я также оценил влияние выводов, используя традиционный метод вменения и комбинированный подход. В частности, на основе 4 комбинаций вероятностей я рассчитал данные, используя оба метода, и сравнил их величины эффекта Коэна d на различия в счетах в минуту между мужчинами и женщинами, используя RMSE.

Интуитивно понятно, что объем информации, записанной в течение недействительного дня, может повлиять на производительность предложенного мной алгоритма вменения.Чтобы проверить эту гипотезу, я провел моделирование, чтобы сравнить точность вменения на разных уровнях предоставленной информации. В частности, я проанализировал данные, смоделированные из комбинации вероятностей (0,7, 0,1, 0,1, 0,1), используя тест Краскела-Уоллиса для сравнения RMSE традиционными и комбинированными методами при минимальном времени износа 100, 200, 300, 400 и 500. мин. Был выбран тест Краскела-Уоллиса, потому что отклонения RMSE в зависимости от минимального времени ношения не были постоянными (тест Левена P <0.001 как для традиционного метода, так и для комбинированного подхода). В каждом случае дни с меньшим количеством минут износа, чем пороговое значение, отбрасывались, а эффективность вменения не включалась в общее значение RMSE.

РЕЗУЛЬТАТЫ

Из 20 470 участников исследований NHANES 2003–2006 гг. Данные акселерометра были собраны у 14 072 испытуемых. Из этих субъектов 4069 человек предоставили достоверные данные за 7 дней и были включены в это исследование. Характеристики этих участников представлены в таблице 1.Мужчины, люди старшего возраста, женатые люди, лица с образованием на уровне колледжа или выше и белые неиспаноязычные люди с большей вероятностью предоставили данные акселерометра за 7 дней, чем другие демографические группы (все P <0,001). Процент участников, предоставивших достоверные данные акселерометра по времени суток, показан на Рисунке 1. В течение 24-часового периода степень соответствия составляла ≥60%, а в период с 13:00 до 2259 уровень соответствия составлял> 70%.

ТАБЛИЦА 1 Характеристики участников

NHANES 2003–2006 гг. По действительным дням данных акселерометра 1

(41.1) 1400 (9,9) n (%)] 7,0183 69 41,2)
Характеристики Участники с данными акселерометра ( n = 14 072) Участники, предоставившие <7 действительных дней ( n = 10 003) Участники, предоставившие 7 действительных дней ( n = 4069)
Возраст [ n (%)]
0–19 лет 4503 (45,0) 1274 (31,3)
20–29 лет 1604 (11,4) 1310 (13,1) 294 (7,2)
1040 (10,4) 360 (8,8)
40–49 ярдов 1406 (10,0) 988 (9,9) 418 (10,3)
50–59 лет 1072 (7,6) 667 (6,7) 405 (10,0)
60–69 y 1261 (9.0) 694 (6,9) 567 (13,9)
≥70 лет 2 1552 (11,0) 801 (8,0) 751 (18,5) Пол
M 6856 (48,7) 4767 (47,7) 2089 (51,3)
F 72 (52,3) 1980 (48.7)
Семейное положение [ n (%)]
Женат 4606 (41,1) 2934 (41,1) 161872 (4919,5) 161872 (4919,5) 161872 (4919,5) 782 (7,0) 457 (5,8) 325 (9,6)
В разводе 800 (7,1) 519 (6,6) 281 (8,3)
отдельно 2.2) 180 (2,3) 71 (2,1)
Не был в браке 4065 (36,3) 3195 (40,9) 870 (25,7)
Проживание с партнером 694 (6,2 ) 534 (6,8) 160 (4,7)
Отсутствует 2874 2184 690
Уровень образования [ n (%)] 6–19 лет
1–6 классы 2254 (18.0) 1912 (19,2) 612 (15,1)
Классы 7–12 2604 (18,6) 2074 (20,9) 530 (13,1)
578 (4,1) 457 (4,6) 121 (3,0)
В возрасте ≥20 лет
Менее 9-го класса 1097 (7,8) 400 (9,9)
9–11 классы 1231 (8.8) 892 (9,0) 339 (8,4)
Выпускник средней школы 2051 (14,7) 1379 (13,9) 672 (16,6)
Некоторые колледжи ) 1564 (15,7) 749 (18,5)
Выпускник колледжа или выше 1594 (11,4) 960 (9,7) 634 (15,6)
80184 12
Раса [ n (%)]
Американец мексиканца 3533 (25.1) 2545 (25,4) 988 (24,3)
Другой латиноамериканец 417 (3,0) 313 (3,1) 104 (2,6)
Белый неиспанец 5801 3883 (38,8) 1918 (47,1)
Черный неиспаноязычный 3705 (26,3) 2822 (28,2) 883 (21,7)
других рас) 616 (4.4) 440 (4,4) 176 (4,3)
1400 (9,9) n (%)] 7,0183 69 41,2)
Характеристики Участники с данными акселерометра ( n = 14072) Участники, предоставившие <7 действительных дней ( n = 10 003) ) Участники, предоставившие 7 действительных дней ( n = 4069)
Возраст [ n (%)]
0–19 лет 5777 (41.1) 4503 (45,0) 1274 (31,3)
20–29 лет 1604 (11,4) 1310 (13,1) 294 (7,2)
1040 (10,4) 360 (8,8)
40–49 ярдов 1406 (10,0) 988 (9,9) 418 (10,3)
50–59 лет 1072 (7,6) 667 (6,7) 405 (10,0)
60–69 y 1261 (9.0) 694 (6,9) 567 (13,9)
≥70 лет 2 1552 (11,0) 801 (8,0) 751 (18,5) Пол
M 6856 (48,7) 4767 (47,7) 2089 (51,3)
F 72 (52,3) 1980 (48.7)
Семейное положение [ n (%)]
Женат 4606 (41,1) 2934 (41,1) 161872 (4919,5) 161872 (4919,5) 161872 (4919,5) 782 (7,0) 457 (5,8) 325 (9,6)
В разводе 800 (7,1) 519 (6,6) 281 (8,3)
отдельно 2.2) 180 (2,3) 71 (2,1)
Не был в браке 4065 (36,3) 3195 (40,9) 870 (25,7)
Проживание с партнером 694 (6,2 ) 534 (6,8) 160 (4,7)
Отсутствует 2874 2184 690
Уровень образования [ n (%)] 6–19 лет
1–6 классы 2254 (18.0) 1912 (19,2) 612 (15,1)
Классы 7–12 2604 (18,6) 2074 (20,9) 530 (13,1)
578 (4,1) 457 (4,6) 121 (3,0)
В возрасте ≥20 лет
Менее 9-го класса 1097 (7,8) 400 (9,9)
9–11 классы 1231 (8.8) 892 (9,0) 339 (8,4)
Выпускник средней школы 2051 (14,7) 1379 (13,9) 672 (16,6)
Некоторые колледжи ) 1564 (15,7) 749 (18,5)
Выпускник колледжа или выше 1594 (11,4) 960 (9,7) 634 (15,6)
80184 12
Раса [ n (%)]
Американец мексиканца 3533 (25.1) 2545 (25,4) 988 (24,3)
Другой латиноамериканец 417 (3,0) 313 (3,1) 104 (2,6)
Белый неиспанец 5801 3883 (38,8) 1918 (47,1)
Черный неиспаноязычный 3705 (26,3) 2822 (28,2) 883 (21,7)
других рас) 616 (4.4) 440 (4,4) 176 (4,3)
ТАБЛИЦА 1

NHANES 2003–2006 Характеристики участников по действительным дням данных акселерометра 1

1400 (9,9) n (%)] 7,0183 69 41,2)
Характеристики Данные участников с данными акселерометра ( n = 14072) Участники, предоставившие <7 действительных дней ( n = 10 003) Участники, предоставившие 7 действительных дней ( n = 4069)
Возраст [ n (%) ]
0–19 лет 5777 (41.1) 4503 (45,0) 1274 (31,3)
20–29 лет 1604 (11,4) 1310 (13,1) 294 (7,2)
1040 (10,4) 360 (8,8)
40–49 ярдов 1406 (10,0) 988 (9,9) 418 (10,3)
50–59 лет 1072 (7,6) 667 (6,7) 405 (10,0)
60–69 y 1261 (9.0) 694 (6,9) 567 (13,9)
≥70 лет 2 1552 (11,0) 801 (8,0) 751 (18,5) Пол
M 6856 (48,7) 4767 (47,7) 2089 (51,3)
F 72 (52,3) 1980 (48.7)
Семейное положение [ n (%)]
Женат 4606 (41,1) 2934 (41,1) 161872 (4919,5) 161872 (4919,5) 161872 (4919,5) 782 (7,0) 457 (5,8) 325 (9,6)
В разводе 800 (7,1) 519 (6,6) 281 (8,3)
отдельно 2.2) 180 (2,3) 71 (2,1)
Не был в браке 4065 (36,3) 3195 (40,9) 870 (25,7)
Проживание с партнером 694 (6,2 ) 534 (6,8) 160 (4,7)
Отсутствует 2874 2184 690
Уровень образования [ n (%)] 6–19 лет
1–6 классы 2254 (18.0) 1912 (19,2) 612 (15,1)
Классы 7–12 2604 (18,6) 2074 (20,9) 530 (13,1)
578 (4,1) 457 (4,6) 121 (3,0)
В возрасте ≥20 лет
Менее 9-го класса 1097 (7,8) 400 (9,9)
9–11 классы 1231 (8.8) 892 (9,0) 339 (8,4)
Выпускник средней школы 2051 (14,7) 1379 (13,9) 672 (16,6)
Некоторые колледжи ) 1564 (15,7) 749 (18,5)
Выпускник колледжа или выше 1594 (11,4) 960 (9,7) 634 (15,6)
80184 12
Раса [ n (%)]
Американец мексиканца 3533 (25.1) 2545 (25,4) 988 (24,3)
Другой латиноамериканец 417 (3,0) 313 (3,1) 104 (2,6)
Белый неиспанец 5801 3883 (38,8) 1918 (47,1)
Черный неиспаноязычный 3705 (26,3) 2822 (28,2) 883 (21,7)
других рас) 616 (4.4) 440 (4,4) 176 (4,3)
1400 (9,9) n (%)] 7,0183 69 41,2)
Характеристики Участники с данными акселерометра ( n = 14072) Участники, предоставившие <7 действительных дней ( n = 10 003) ) Участники, предоставившие 7 действительных дней ( n = 4069)
Возраст [ n (%)]
0–19 лет 5777 (41.1) 4503 (45,0) 1274 (31,3)
20–29 лет 1604 (11,4) 1310 (13,1) 294 (7,2)
1040 (10,4) 360 (8,8)
40–49 ярдов 1406 (10,0) 988 (9,9) 418 (10,3)
50–59 лет 1072 (7,6) 667 (6,7) 405 (10,0)
60–69 y 1261 (9.0) 694 (6,9) 567 (13,9)
≥70 лет 2 1552 (11,0) 801 (8,0) 751 (18,5) Пол
M 6856 (48,7) 4767 (47,7) 2089 (51,3)
F 72 (52,3) 1980 (48.7)
Семейное положение [ n (%)]
Женат 4606 (41,1) 2934 (41,1) 161872 (4919,5) 161872 (4919,5) 161872 (4919,5) 782 (7,0) 457 (5,8) 325 (9,6)
В разводе 800 (7,1) 519 (6,6) 281 (8,3)
отдельно 2.2) 180 (2,3) 71 (2,1)
Не был в браке 4065 (36,3) 3195 (40,9) 870 (25,7)
Проживание с партнером 694 (6,2 ) 534 (6,8) 160 (4,7)
Отсутствует 2874 2184 690
Уровень образования [ n (%)] 6–19 лет
1–6 классы 2254 (18.0) 1912 (19,2) 612 (15,1)
Классы 7–12 2604 (18,6) 2074 (20,9) 530 (13,1)
578 (4,1) 457 (4,6) 121 (3,0)
В возрасте ≥20 лет
Менее 9-го класса 1097 (7,8) 400 (9,9)
9–11 классы 1231 (8.8) 892 (9,0) 339 (8,4)
Выпускник средней школы 2051 (14,7) 1379 (13,9) 672 (16,6)
Некоторые колледжи ) 1564 (15,7) 749 (18,5)
Выпускник колледжа или выше 1594 (11,4) 960 (9,7) 634 (15,6)
80184 12
Раса [ n (%)]
Американец мексиканца 3533 (25.1) 2545 (25,4) 988 (24,3)
Другой латиноамериканец 417 (3,0) 313 (3,1) 104 (2,6)
Белый неиспанец 5801 3883 (38,8) 1918 (47,1)
Черный неиспаноязычный 3705 (26,3) 2822 (28,2) 883 (21,7)
других рас) 616 (4.4) 440 (4,4) 176 (4,3)

РИСУНОК 1.

Процент 4069 участников NHANES 2003–2006, предоставивших достоверные данные акселерометра с разбивкой по времени суток.

РИСУНОК 1.

Процент 4069 участников NHANES 2003–2006, предоставивших достоверные данные акселерометра с разбивкой по времени суток.

Поскольку количество отсчетов акселерометра за действительную минуту не соответствовало нормальному распределению (таблица 2), корреляционный анализ Спирмена был использован для изучения корреляционной структуры уровня физической активности в течение 7 дней ношения акселерометра.Матрица корреляции Спирмена, средние значения, медианы и стандартное отклонение данных акселерометра от 4069 участников, предоставивших данные за 7 действительных дней, показаны в таблице 2. Корреляции Спирмена варьировались от 0,50 (с понедельника по вторник) до 0,74 (с четверга по пятницу) со средним значением. 0,61, и все корреляции достоверно отличались от нуля (все P <0,001). Число отсчетов за действительную минуту было самым низким в понедельник ( P <0,001).

ТАБЛИЦА 2 Корреляции

Спирмена, средние значения, медианы и SD отсчетов акселерометра за допустимую минуту для 4069 участников, предоставивших данные акселерометра за 7 действительных дней 1

Четверг
Понедельник Вторник Среда пятница суббота воскресенье
понедельник 1 0.50 0,51 0,54 0,52 0,55 0,53
вторник 1 0,59 0,61 0,59 1 0,71 0,68 0,66 0,59
четверг 1 0.74 0,73 0,63
Пятница 1 0,72 0,64
Воскресенье 1
Среднее 296.3 308,5 324,6 324,1 324,6 326,3 320,6
Медиана 243,3 261,4 243,3 261,4 9018 9018 9018 9018 279 279,2
Понедельник 1 0.50 0,51 0,54 0,52 0,55 0,53
вторник 1 0,59 0,61 0,59 1 0,71 0,68 0,66 0,59
четверг 1 0.74 0,73 0,63
Пятница 1 0,72 0,64
Воскресенье 1
Среднее 296.3 308,5 324,6 324,1 324,6 326,3 320,6
Медиана 243,3 261,4 243,3 261,4 9018 9018 9018 9018 279 279,2 223,0 216,4 217,2 211,0 220,3 220,0 218,0
ТАБЛИЦА 2 действительны

корреляции Спирмена, средние значения, медианы на 7 минут и значения SD для 4069 участников дни данных акселерометра 1

9018 9018 9018 9018 279 279 277
Понедельник Вторник Среда Четверг Пятница Суббота Воскресенье
150 0,51 0,54 0,52 0,55 0,53
вторник 1 0,59 0,61 0,59 1 0,71 0,68 0,66 0,59
четверг 1 0.74 0,73 0,63
Пятница 1 0,72 0,64
Воскресенье 1
Среднее 296.3 308,5 324,6 324,1 324,6 326,3 320,6
Медиана 243,3 261,4 243,3 261,4 9018 9018 9018 9018 279 279,2
Понедельник 1 0.50 0,51 0,54 0,52 0,55 0,53
вторник 1 0,59 0,61 0,59 1 0,71 0,68 0,66 0,59
четверг 1 0.74 0,73 0,63
Пятница 1 0,72 0,64
Воскресенье 1
Среднее 296.3 308,5 324,6 324,1 324,6 326,3 320,6
Медиана 243,3 261,4 223,0 216,4 217,2 211,0 220,3 220,0 218,0

Комбинированный подход был беспристрастным при оценке значений акселерометра за допустимую минуту 0.08 до 0,09. Другие результаты моделирования представлены в таблице 3. Для исследования моделирования 1 при всех 4 комбинациях вероятностей RMSE комбинированного подхода было значительно меньше, чем у традиционного метода (все парные тесты t P <0,001) , с процентным снижением RMSE при использовании комбинированного подхода, которое варьировалось от 12,4% (комбинация 3) до 17,3% (комбинация 4). Сравнение вероятностных комбинаций 1 и 2 показало, что как традиционный метод вменения, так и комбинированный подход работают лучше с меньшим количеством пропущенных данных (оба P <0.001). Когда я сравнил вероятностные комбинации 1 и 3 (более длительный период отсутствия данных), традиционный метод вменения дал значение RMSE ( P = 0,13), аналогичное комбинированному подходу, но комбинированный подход дал больший RMSE ( P < 0,001), поскольку для условного исчисления также использовались доступные данные из недействительных дат. Сравнение вероятностных комбинаций 1 и 4 показало, что как традиционный метод вменения, так и комбинированный подход работают лучше с более коротким периодом пропущенных данных ( P <0.001 для обоих методов). Процент дисперсии между вменениями к общей дисперсии для комбинированного подхода варьировался от 1,2% (комбинация 2) до 8,5% (комбинация 4), что показало небольшой выигрыш при использовании множественного вменения по сравнению с одним вменением

ТАБЛИЦА 3

Результаты имитационных исследований, в которых сравнивалась точность импутации с использованием множественного импутации с AR, бутстрэппинга, метода согласования прогнозируемого среднего и комбинированного подхода с 50 симуляциями 1

Моделирование 1: точность Моделирование 2: оценка размера эффекта
Комбинация вероятностей моделирования Среднее количествоколичество недействительных дней на одного участника AR Комбинированный Без условного исчисления AR Комбинированный
(0,7, 0,1, 0,1, 0,1) 1,92 220,8 ± 3,2 7 2 188,3 ± 5,6 3,2 × 10 −4 ± 4,4 × 10 −4 2,9 × 10 −4 ± 3,9 × 10 −4 1,9 × 10 −4 ± 2,6 × 10 −4
(0.85, 0,05, 0,05, 0,05) 0,95 216,4 ± 4,8 183,3 ± 4,0 5,7 × 10 −4 ± 6,8 × 10 −5 8,6 × 10 −5 ± 1,3 × 10 −4 6,9 × 10 −5 ± 1,1 × 10 −4
(0,7, 0,05, 0,05, 0,2) 1,98 219,5 ± 5,4 192,3 ± 3,0 3,2 × 10 −4 ± 4,0 × 10 −4 3,0 × 10 −4 ± 4.0 × 10 −4 2,3 × 10 −4 ± 3,2 × 10 −4
(0,7, 0,2, 0,05, 0,05) 1,81 222,7 ± 3,4 184,2 ± 4,5 2,4 × 10 −4 ± 2,9 × 10 −4 2,4 × 10 −4 ± 3,1 × 10 −4 1,6 × 10 −4 ± 2,0 × 10 −4
Моделирование 1: точность Моделирование 2: оценка размера эффекта
Комбинация вероятностей моделирования Среднее количествоколичество недействительных дней на одного участника AR Комбинированный Без условного исчисления AR Комбинированный
(0,7, 0,1, 0,1, 0,1) 1,92 220,8 ± 3,2 7 2 188,3 ± 5,6 3,2 × 10 −4 ± 4,4 × 10 −4 2,9 × 10 −4 ± 3,9 × 10 −4 1,9 × 10 −4 ± 2,6 × 10 −4
(0.85, 0,05, 0,05, 0,05) 0,95 216,4 ± 4,8 183,3 ± 4,0 5,7 × 10 −4 ± 6,8 × 10 −5 8,6 × 10 −5 ± 1,3 × 10 −4 6,9 × 10 −5 ± 1,1 × 10 −4
(0,7, 0,05, 0,05, 0,2) 1,98 219,5 ± 5,4 192,3 ± 3,0 3,2 × 10 −4 ± 4,0 × 10 −4 3,0 × 10 −4 ± 4.0 × 10 −4 2,3 × 10 −4 ± 3,2 × 10 −4
(0,7, 0,2, 0,05, 0,05) 1,81 222,7 ± 3,4 184,2 ± 4,5 2,4 × 10 −4 ± 2,9 × 10 −4 2,4 × 10 −4 ± 3,1 × 10 −4 1,6 × 10 −4 ± 2,0 × 10 −4
ТАБЛИЦА 3

Результаты моделирования, в которых сравнивалась точность вменения с использованием множественного вменения с AR, бутстрэппинга, метода согласования прогнозируемого среднего и комбинированного подхода с 50 моделированиями 1

Моделирование 1: точность Моделирование 2: оценка размера эффекта
Комбинация вероятностей моделирования Среднее количествоколичество недействительных дней на одного участника AR Комбинированный Без условного исчисления AR Комбинированный
(0,7, 0,1, 0,1, 0,1) 1,92 220,8 ± 3,2 7 2 188,3 ± 5,6 3,2 × 10 −4 ± 4,4 × 10 −4 2,9 × 10 −4 ± 3,9 × 10 −4 1,9 × 10 −4 ± 2,6 × 10 −4
(0.85, 0,05, 0,05, 0,05) 0,95 216,4 ± 4,8 183,3 ± 4,0 5,7 × 10 −4 ± 6,8 × 10 −5 8,6 × 10 −5 ± 1,3 × 10 −4 6,9 × 10 −5 ± 1,1 × 10 −4
(0,7, 0,05, 0,05, 0,2) 1,98 219,5 ± 5,4 192,3 ± 3,0 3,2 × 10 −4 ± 4,0 × 10 −4 3,0 × 10 −4 ± 4.0 × 10 −4 2,3 × 10 −4 ± 3,2 × 10 −4
(0,7, 0,2, 0,05, 0,05) 1,81 222,7 ± 3,4 184,2 ± 4,5 2,4 × 10 −4 ± 2,9 × 10 −4 2,4 × 10 −4 ± 3,1 × 10 −4 1,6 × 10 −4 ± 2,0 × 10 −4
Моделирование 1: точность Моделирование 2: оценка размера эффекта
Комбинация вероятностей моделирования Среднее количествоколичество недействительных дней на одного участника AR Комбинированный Без условного исчисления AR Комбинированный
(0,7, 0,1, 0,1, 0,1) 1,92 220,8 ± 3,2 7 2 188,3 ± 5,6 3,2 × 10 −4 ± 4,4 × 10 −4 2,9 × 10 −4 ± 3,9 × 10 −4 1,9 × 10 −4 ± 2,6 × 10 −4
(0.85, 0,05, 0,05, 0,05) 0,95 216,4 ± 4,8 183,3 ± 4,0 5,7 × 10 −4 ± 6,8 × 10 −5 8,6 × 10 −5 ± 1,3 × 10 −4 6,9 × 10 −5 ± 1,1 × 10 −4
(0,7, 0,05, 0,05, 0,2) 1,98 219,5 ± 5,4 192,3 ± 3,0 3,2 × 10 −4 ± 4,0 × 10 −4 3,0 × 10 −4 ± 4.0 × 10 −4 2,3 × 10 −4 ± 3,2 × 10 −4
(0,7, 0,2, 0,05, 0,05) 1,81 222,7 ± 3,4 184,2 ± 4,5 2,4 × 10 −4 ± 2,9 × 10 −4 2,4 × 10 −4 ± 3,1 × 10 −4 1,6 × 10 −4 ± 2,0 × 10 −4

Среди участников, предоставивших 7 дней действительных данных акселерометра, мужчины были более активны, чем женщины (количество импульсов в минуту: 345.0 по сравнению с 289,2; P <0,001; Размер эффекта Коэна d : 0,322). После систематического удаления данных соответствующая величина эффекта составила 0,317. Благодаря традиционному методу вменения и комбинированному подходу вменения точность оценки эффекта увеличилась до 0,323. Сравнение RMSE показало, что комбинированный подход дал более низкую RMSE оценки размера эффекта, чем традиционный метод вменения, на 19,8% (комбинация 2) до 32.9% (комбинация 1).

Результаты моделирования, в котором сравнивалась точность вменения на разных уровнях минимального времени ношения, показаны в таблице 4. Производительность как традиционного метода, так и комбинированного подхода улучшалась с увеличением минимального времени ношения (оба P -тренд <0,001 ). Сравнительная эффективность комбинированного подхода также увеличилась с минимальными затратами минут. Процент снижения RMSE комбинированного подхода увеличился с 14.От 7% (минимальное время ношения: 0) до 37,7% (минимальное время ношения: = 400).

ТАБЛИЦА 4

Результаты исследований моделирования, в которых сравнивалась точность импутации на разных уровнях минимального времени ношения акселерометра с использованием множественного импутации с AR, бутстрэппинга, метода согласования прогнозируемого среднего и комбинированного подхода с 50 симуляциями 1

Отсечка (минимальное время ношения) 2 Среднее количествокол-во дней инвалидности на одного участника AR Комбинированный
0 мин 1,92 220,8 ± 3,2 3 188,3 ± 5,6
1,2 1,2 3,4 150,5 ± 8,2
200 мин 1,00 197,6 ± 5,1 139,7 ± 7,0
300 мин 0,68 188.0 ± 6,5 123,2 ± 8,7
400 мин 0,47 174,2 ± 7,8 108,5 ± 11,0
500 мин 0,33 148,1 ± 8,4 148,1 ± 8,4 P <0,001 <0,001
P — тенденция <0,001 <0,001
мин. 2 Среднее кол.кол-во дней инвалидности на одного участника AR Комбинированный
0 мин 1,92 220,8 ± 3,2 3 188,3 ± 5,6
1,2 1,2 3,4 150,5 ± 8,2
200 мин 1,00 197,6 ± 5,1 139,7 ± 7,0
300 мин 0,68 188.0 ± 6,5 123,2 ± 8,7
400 мин 0,47 174,2 ± 7,8 108,5 ± 11,0
500 мин 0,33 148,1 ± 8,4 148,1 ± 8,4 P <0,001 <0,001
P -тренд <0,001 <0,001
ТАБЛИЦА 4

Результаты моделирования, сравнивающие точность вменение на разных уровнях минимального времени ношения акселерометра с использованием множественного вменения с AR, бутстрэппинга, метода согласования прогнозируемых средних и комбинированного подхода с 50 симуляциями 1

Отсечка (минимальное время ношения) 2 Среднее кол.кол-во дней инвалидности на одного участника AR Комбинированный
0 мин 1,92 220,8 ± 3,2 3 188,3 ± 5,6
1,2 1,2 3,4 150,5 ± 8,2
200 мин 1,00 197,6 ± 5,1 139,7 ± 7,0
300 мин 0,68 188.0 ± 6,5 123,2 ± 8,7
400 мин 0,47 174,2 ± 7,8 108,5 ± 11,0
500 мин 0,33 148,1 ± 8,4 148,1 ± 8,4 P <0,001 <0,001
P — тенденция <0,001 <0,001
мин. 2 Среднее кол.кол-во дней инвалидности на одного участника AR Комбинированный
0 мин 1,92 220,8 ± 3,2 3 188,3 ± 5,6
1,2 1,2 3,4 150,5 ± 8,2
200 мин 1,00 197,6 ± 5,1 139,7 ± 7,0
300 мин 0,68 188.0 ± 6,5 123,2 ± 8,7
400 мин 0,47 174,2 ± 7,8 108,5 ± 11,0
500 мин 0,33 148,1 ± 8,4 148,1 ± 8,4 P <0,001 <0,001
P — тренд <0,001 <0,001

3 ОБСУЖДЕНИЕ

Исследователи приложили большие усилия для улучшения качества данных, получаемых с акселерометров.У акселерометров есть недостатки, к которым относятся их высокая стоимость, трудности с соблюдением требований и усилия, которые необходимо приложить для управления протоколом исследования (12). Также были подняты такие важные вопросы, как калибровка акселерометров (13), количество дней мониторинга (14) и точность акселерометров для измерения расхода энергии (15). Однако статистическому анализу данных акселерометра, в частности обработке недостающих данных, уделялось мало внимания.В волне сбора данных NHANES 2003–2004 участники были проинструктированы носить акселерометр в течение 7 дней подряд, но из всех участников в возрасте 12–19 лет только 16,8% субъектов предоставили достоверные данные за 7 дней (6). Таким образом, отсутствующие данные являются очень распространенным явлением, а условное исчисление отсутствующих данных может значительно повысить эффективность исследования или эффективный размер выборки. Результаты моего моделирования показали, что комбинированный подход к вменению данных значительно превосходит традиционный алгоритм вменения.При использовании информации акселерометра, доступной для недействительных дней, вмененные отсчеты акселерометра за действительную минуту были несмещенными, а ошибка вменения и ошибка в оценке величины эффекта значительно снизились во всех исследованных сценариях на 12,4–17,3% и 19,8–32,9%, соответственно. . Комбинированный подход работал лучше с меньшим количеством пропущенных точек данных и более короткими пропущенными периодами времени. Если вменяются только недействительные дни со временем ношения ≥5–7 ч, комбинированный подход может снизить ошибку вменения традиционного метода на 25–30%.Исходный код предлагаемого комбинированного подхода на R также предоставляется в виде дополнительного файла для улучшения реализации и дальнейшего развития ( см. «Дополнительные данные» в онлайн-выпуске).

Обычно наблюдаются разные модели пропущенных данных между разными подгруппами участников исследования. В текущем исследовании было показано, что женщины, молодые люди, не состоящие в браке люди и субъекты без образования на уровне колледжа с большей вероятностью имели недостающие данные акселерометра.Благодаря включению этих ковариат и использованию AR точность вменения может быть улучшена.

Хотя вменение отсутствующих данных может повысить статистическую мощность исследования, важно помнить об ограничениях вменения отсутствующих данных. Как показано в предыдущем исследовании (8), когда отсутствующие данные не возникают случайно, вменение не может дать объективных оценок на уровне совокупности. Насколько мне известно, не проводилось никаких исследований для сравнения производительности различных алгоритмов для вменения различных шаблонов неслучайно возникающих отсутствующих данных акселерометра; тем не менее, предыдущее исследование показало, что алгоритм вменения максимального ожидания обеспечивает лучшие результаты регрессионного анализа, чем метод без вменения или одноэтапный метод вменения (16).В этом исследовании учитывались только случайно пропущенные данные. К сожалению, в реальных ситуациях сбора данных невозможно проверить, отсутствуют ли данные в полностью случайной схеме (17). Возможно, что данные акселерометра пропали не случайно, потому что более активные участники, возможно, сочли более неудобным носить акселерометр. Следовательно, анализ чувствительности, который исследует влияние оценки недостающих данных путем вменения, должен быть проведен до того, как вмененные данные будут использоваться для анализа.

В целом, чтобы классифицировать день исследования как пропущенный, принимается единое ограничение для всех данных участников. В большинстве исследований акселерометров используется время простоя> 10 ч. Этот подход игнорирует неоднородность привычной физической активности в группах населения. Например, пожилые люди более старшего возраста проводят больше времени во сне, чем пожилые люди более молодого возраста (18), и мы рискуем исключить данные акселерометра, которые могут отражать структуру физической активности пожилых людей просто потому, что пороговое значение для них неоправданно велико.В настоящее время предложенный алгоритм вменения не был разработан для обработки неоднородных отсечений, но его можно легко изменить для этого с помощью кода R.

В заключение, эффективность комбинированного подхода была показана в текущем исследовании на большом наборе данных акселерометра с> 4000 участников. В качестве итеративного метода получения множественных начальных оценок вмененных значений комбинированный подход вменения отсутствующих данных представляет собой байесовский подход к оценке. Следовательно, он очень подходит для небольших выборок (10).Большинство валидационных исследований, в которых в качестве критерия достоверности использовались акселерометры или которые подтверждали модель акселерометра, имели небольшие размеры выборки (2). Байесовские методы предлагают возможное решение, поскольку они работают с небольшими выборками и не полагаются на асимптотические результаты. Поскольку большинство исследований акселерометров проводилось с небольшим размером выборки [например, Harris et al (19)], предложенный комбинированный подход может быть применен к большинству исследований акселерометров.

Автор не сообщил о конфликте интересов.

ССЫЛКИ

1.

Ли

PH

,

Macfarlane

DJ

,

Lam

TH

,

Stewart

SM

.

Срок действия краткой формы международного вопросника по физической активности (IPAQ-SF): систематический обзор

.

Int J Behav Nutr Phys Act

2011

;

8

:

115

.2.

фургон Poppel

MNM

,

Chinapaw

MJM

,

Mokkink

LB

,

Van Mechelen

W

,

Terwee

CB

.

Анкеты по физической активности для взрослых: систематический обзор параметров измерения

.

Sports Med

2010

;

40

:

565

600

.3.

Nader

PR

,

Bradley

RH

,

Houts

RM

,

McRitchie

SL

,

O’Brien

M

.

Физическая активность от умеренной до высокой в ​​возрасте от 9 до 15 лет

.

JAMA

2008

;

300

:

295

305

.4.

Ness

AR

,

Leary

SD

,

Mattocks

C

,

Blair

SN

,

Reilly

JJ

,

S0007

Wells

JJ

Wells

Обработка почвы

K

,

Smith

GD

,

Riddoch

C

.

Объективно измеряли физическую активность и дальнюю массу у большой группы детей

.

PLoS Med

2007

;

4

:

e97

.5.

Ferrari

P

,

Friedenreich

C

,

Matthews

CE

.

Роль ошибки измерения в оценке уровня физической активности

.

Am J Epidemiol

2007

;

166

:

832

40

.6.

Troiano

RP

,

Berrigan

D

,

Dodd

кВт

,

Masse

LC

,

Tilert

T

,

McDowell

McDowell

Физическая активность в США измеряется акселерометром

.

Медико-спортивные упражнения

2008

;

40

:

181

8

.7.

Tudor-Locke

C

,

Camhi

SM

,

Troiano

RP

.

Каталог правил, переменных и определений, применяемых к данным акселерометра в Национальном обследовании здоровья и питания, 2003–2006 гг.

.

Предыдущий хронический диск

2012

;

9

:

E113

.8.

Catellier

DJ

,

Hannan

PJ

,

Murray

DA

,

Addy

CL

,

Conway

TL

,

Yang

Jang

.

Внесение недостающих данных при измерении физической активности акселерометром

.

Med Sci Sports Exerc

2005

;

37

(11 поставки):

S555

62

. 9.

Пол

DR

,

Kramer

M

,

Stote

KS

,

Spears

KE

,

Moshfegh

AJ

,

DJ

V

V

um

um

um Baer

um

Оценка приверженности и анализ ошибок данных о физической активности, собранных с помощью акселерометрии в большом исследовании свободноживущих взрослых

.

BMC Med Res Methodol

2008

;

8

:

38

.10.

Литтл

RJA

.

Регрессия с отсутствующими крестиками: обзор

.

J Am Stat Assoc

1992

;

87

:

1227

37

.11.

Рубин

ДБ

.

Нью-Йорк, Нью-Йорк

:

J Wiley & Sons

,

1987

.12.

Freedson

P

,

Bowles

HR

,

Troiano

RP

,

Haskell

W

.

Оценка физической активности с помощью носимых мониторов: рекомендации по калибровке монитора и использованию в полевых условиях

.

Медико-спортивные упражнения

2012

;

44

(

доп. 1

):

S1

4

. 13.

Bassett

DRJ

,

Rowlands

A

,

Trost

SG

.

Калибровка и проверка носимых мониторов

.

Медико-спортивные упражнения

2012

;

44

(

доп. 1

):

S32

8

.14.

Matthews

CE

,

Hagstromer

M

,

Pober

DM

,

Bowles

HR

.

Лучшие практики использования мониторов физической активности в популяционных исследованиях

.

Медико-спортивные упражнения

2012

;

44

(

доп. 1

):

S68

76

.15.

Johnson

RK

,

Russ

J

,

Goran

MI

.

Расход энергии, связанный с физической активностью у детей при использовании воды с двойной меткой, по сравнению с акселерометром Caltrac

.

Int J Obes Relat Metab Disord

1998

;

22

:

1046

52

. 16.

Azen

SP

,

Van Guilder

M

,

Hill

MA

.

Оценка параметров и пропущенных значений в рамках регрессионной модели с ненормально распределенными и неслучайно неполными данными

.

Stat Med

1989

;

8

:

217

28

. 17.

Sterne

JAC

,

белый

IR

,

Carlin

JB

,

Spratt

M

,

Royston

P

,

000 AM

Плотник

JR

.

Множественное вменение недостающих данных в эпидемиологических и клинических исследованиях: потенциал и подводные камни

.

BMJ

2009

;

338

:

b2393

. 18.

Middelkoop

HAM

,

Smilde-van den Doel

DA

,

Neven

AK

,

Kamphuisen

HAC

,

Springer

CP

.

Субъективные характеристики сна 1485 мужчин и женщин в возрасте от 50 до 93 лет: влияние пола и возраста, а также факторы, связанные с самооценкой качества сна

.

J Gerontol A Biol Sci Med Sci

1996

;

51

:

M108

15

.19.

Harris

TJ

,

Owen

CG

,

Victor

CR

,

Adams

R

,

Cook

DG

.

Какие факторы связаны с физической активностью у пожилых людей, объективно оцененной методом акселерометрии?

Br J Sports Med

2009

;

43

:

442

50

.

© Американское общество питания, 2013 г.

% PDF-1.4 % 244 0 объект >>> эндобдж 241 0 объект > поток 2017-09-14T06: 20: 52 + 01: 002021-10-14T07: 35: 41-07: 002021-10-14T07: 35: 41-07: 00Adobe InDesign CS6 (Windows) uuid: c687549f-1dd1-11b2- 0a00-bf000805d5ffxmp.did: B2C59A163194E611BD009A7CB80B8EC7xmp.id: F5336E790C99E711975DDDCB8F9CE119proof: pdfxmp.iid: F4336E790C99E711975DDDCB8F9CE119xmp.did: 3B659C600118C14E71DDF3C18D1xmp.did: B2C59A163194E611BD009A7CB80B8EC7default

  • convertedfrom применение / х-InDesign к применению / pdfAdobe InDesign CS6 (Windows) / 2017-09-14T06: 20: 52 + 01: 00
  • application / pdf Библиотека Adobe PDF 10.0,1 Ложь конечный поток эндобдж 245 0 объект > эндобдж 236 0 объект > эндобдж 238 0 объект > эндобдж 239 0 объект > эндобдж 240 0 объект > эндобдж 88 0 объект > / Font> / ProcSet [/ PDF / Text / ImageC] / XObject >>> / Rotate 0 / TrimBox [0.0 0.0 595.276 793.701] / Type / Page >> эндобдж 99 0 объект > / Font> / ProcSet [/ PDF / Text] / XObject >>> / Rotate 0 / TrimBox [0.0 0.0 595.276 793.701] / Type / Page >> эндобдж 101 0 объект > / Font> / ProcSet [/ PDF / Text / ImageC] / XObject >>> / Rotate 0 / TrimBox [0,0 0,0 595,276 793.701] / Тип / Страница >> эндобдж 112 0 объект > / Font> / ProcSet [/ PDF / Text] / XObject >>> / Rotate 0 / TrimBox [0.0 0.0 595.276 793.701] / Type / Page >> эндобдж 114 0 объект > / Font> / ProcSet [/ PDF / Text] / XObject >>> / Rotate 0 / TrimBox [0.0 0.0 595.276 793.701] / Type / Page >> эндобдж 173 0 объект > / Font> / ProcSet [/ PDF / Text] / XObject >>> / Rotate 0 / TrimBox [0.0 0.0 595.276 793.701] / Type / Page >> эндобдж 174 0 объект [175 0 R 176 0 R 177 0 R 178 0 R 179 0 R 180 0 R 181 0 R 182 0 R 183 0 R 184 0 R 185 0 R 186 0 R 187 0 R 188 0 R 189 0 R 572 0 R] эндобдж 569 0 объект > поток Hos2Sh5 # K ٻ: k.t ל S̄: (Qy9]! Gb {niyLZ iV4% PKHl9y {lZ: «XZ \ ߃ APhN = SwqGZRw! ‘q $ hѶ.TsNg6M3Y10D: jròD5u7, NJ9PjX (_1- ​​\ kx-Y | 4b_. ~ Z`N] ΧEQQHx QlZ ޠ ׽ H, fAʒ [; ‘ni ټ cu = 8 + [k.’Z | n \ i ٸ I] 4M {\ GR.J * ۞, Kj Xw7Nõ9w, P /) 2N * [_ QD / uc5Re! NIDWN; ⦢vMqBZ] Yќ ը is # -c] lYA `ʐAs-% khw`E [gRHZAe 㜊 G () 5ij5 \ rk2> DwZ4 + nGu UoRy5𼩵j: Mb2lB9E%% [z`Ċzu.NU (z {[$ _ nL, 0 7> 18 Q l * Ӛb P9òc n ع f * ΰNr,> `@ ~ + ܡ @ 9ܩ [M =` 2Ȳ`TL.W / Lv & TI

    (NCjz! wC ~~ z1Wc%

    l»2ɸ7jNu_O% uQ Ϧ taKM & Zo ((ƉJko ٝ rnU-øE% ZUΙh’i a {? sxV ݓ 8 By #] r / ptkrMj [nQuf a] oJ #]] _ exV ֔_0 ޗ f (N79 ֗ i 0jZ * # a [, 0h # Ffc-hMifc_rv! tmBSOqq + j9) AG} (cԄ-Ob} Wtq78Ppy4C | W10’9! Οe- | `o $ ͕kZ9 & tW do SɶcU: (/ г hYz-8`pp1931, 峴 7iq [Q ؁} «] hN» 6ȷOL | SsX}} / + # iɬc? Ia zeBn445]} 6 ] {NCRul4 |: k1’z4G ۈ i6d2YyZ, 3ozO2 \ *; _ / TQ? H = q ڂ h, eT> 3G ֙ aytDB

    Сравнение методов вменения транскриптома с помощью приложения к двум распространенным комплексным заболеваниям

    Репликация 900 результатов PrediXcan доказательство принципа, мы сначала стремились воссоздать результаты Gamazon et al.[6], применяя модели прогнозирования, обученные в цельной крови DGN, к подмножеству SNP HapMap из наших вмененных данных WTCCC1 CD и T1D. Результаты отображаются на дополнительном рисунке S1 и перечислены в дополнительной таблице S2. Из восьми генов, значимо связанных с CD, у Gamazon et al. [6], семь были значимыми в наших результатах (скорректированный Бонферрони,

    p <5,61 × 10 −6 ), а BSN просто упустил значимость ( p = 1,10 × 10 −5 ). Результаты также были аналогичными для СД1: 24 из 29 значимых результатов у Gamazon et al.[6] достигая здесь значения. Мы обнаружили гораздо более сильный пик ассоциации в локусе MHC на хромосоме 6, чем Gamazon et al. [6] (наиболее значимый p в Gamazon et al. [6] = 2,92 × 10 −13 ; наиболее значимый p в наших результатах = 9,85 × 10 −71 ), что согласуется со многими T1D GWAS [ 15, 23]. Мы полагаем, что эта разница, вероятно, произошла из-за обновлений моделей прогнозирования DGN между приложением Gamazon et al. [6] и наше приложение здесь.

    Сравнение методов на основе транскриптомного вменения

    Чтобы сравнить, как работают различные методы вменения транскриптомов, мы затем применили PrediXcan, MetaXcan и FUSION к вмененным данным WTCCC1 CD и T1D.Для каждого метода мы применили прогностические модели, обученные на данных цельной крови от Консорциума GTEx [13], используя полный набор из 1000 вмененных SNP фазы 1 генома из данных WTCCC1.

    Различные подходы дали в целом одинаковые наборы результатов при применении к данным CD (рис. 1a). И PrediXcan, и MetaXcan обнаружили значимые ассоциации на хромосомах 3 ( C3orf62 ), 5 ( SLC22A5 и IRGM ) и 17 ( PGS1 ), в то время как FUSION обнаружил ассоциации, приближающиеся к значимости на хромосомах 3 ( UBA7 ). позиции на C3orf62 ) и 5 ​​( SLC22A5 ). IRGM, PGS1 и C3orf62 не были протестированы FUSION, вероятно, потому, что каждый метод использовал разные критерии для определения генов, для которых были построены модели прогнозирования (дополнительная таблица S1). При более внимательном рассмотрении выяснилось, что большая часть различий между результатами подходов произошла из-за того, что они тестировали разные гены. Для цельной крови PrediXcan и MetaXcan протестировали больше генов (6105 генов), чем FUSION (2058 генов). В общей сложности 1426 генов были протестированы каждым методом, представляя набор генов, по которым можно было провести прямое сравнение.

    Рис. 1

    Сравнение результатов применения трех методов вменения транскриптомов к вмененным данным WTCCC1 a CD и данным b T1D. Графики Манхэттена, показывающие p значений прогнозируемых ассоциаций экспрессии-признака из приложений PrediXcan, MetaXcan и FUSION для вмененных данных WTCCC1 a CD и данных b T1D с использованием моделей прогнозирования, обученных на данных цельной крови GTEx. P Значения нанесены на график против сайта начала транскрипции для каждого гена.Красная линия на каждом графике показывает порог значимости с поправкой Бонферрони на уровне 7,44 × 10 −6

    . Аналогичным образом, каждый метод давал аналогичные результаты при применении к данным T1D (рис. 1b). Все методы обнаружили значимые ассоциации в MHC на хромосоме 6 и на хромосоме 12 ( RPS26 и SUOX ). Опять же, многие различия между результатами методов можно объяснить тем, был ли ген протестирован или нет. Например, PrediXcan и MetaXcan обнаружили, что предсказанная экспрессия CLEC16A в значительной степени связана с T1D, но не была протестирована с помощью FUSION.Точно так же каждый метод давал сильный пик ассоциации на MHC, но состоял из разных генов — CYP21A2 , как было обнаружено, был связан с T1D с помощью PrediXcan ( p = 3,26 × 10 −75 ) и MetaXcan ( p = 2,54 × 10 −93 ), но не был протестирован FUSION. В общей сложности 23 гена MHC, которые были признаны значимыми с помощью PrediXcan и MetaXcan, не были протестированы с помощью FUSION.

    Мы количественно оценили соответствие между результатами различных методов, обнаружив, что z баллов по различным методам сильно коррелировали (рис.2). Как и ожидалось, результаты PrediXcan и MetaXcan показали наибольшую корреляцию. Результаты FUSION также сильно коррелировали с результатами PrediXcan и MetaXcan, что подчеркивает сходство между подходами вменения транскриптомов.

    Рис. 2

    Попарные корреляции между результатами методов вменения транскриптома для данных CD WTCCC1. Парные корреляции Пирсона между z баллами, полученными PrediXcan, MetaXcan и FUSION из приложений, к a условным данным CD WTCCC1 и b условным данным WTCCC1 T1D для 1426 генов, протестированных всеми методами.На верхних панелях показаны значения корреляции, на нижних панелях показаны диаграммы разброса z баллов

    Для ряда генов методы дали заметно разные результаты, при этом PrediXcan / MetaXcan предсказал разные направления воздействия экспрессии на фенотип по сравнению с FUSION для 249 уникальных Ассоциации CD и 246 ассоциаций T1D. Мы определили попарную разницу в z баллов, полученных каждым методом, для 1426 генов, проанализированных каждым методом, и обнаружили, что все большие различия в z баллах между методами были между PrediXcan и FUSION или MetaXcan и FUSION.В таблице 1 выделены гены, показывающие большие различия в баллах или , в которых методы наиболее разошлись в отношении влияния экспрессии генов на интересующий признак. Эти различия, вероятно, связаны с методологическими различиями между различными пакетами программного обеспечения (см. Дополнительную таблицу S1).

    Таблица 1 Гены, демонстрирующие три наибольших различия в баллах MetaXcan z и FUSION z для каждого фенотипа

    Чтобы проверить, насколько хорошо информировано вменение экспрессии генов для генов, показывающих большую разницу между их достигнутыми баллами z с помощью различных программных пакетов мы отсортировали 1426 генов по разнице между их оценкой MetaXcan z и оценкой FUSION z .Эти гены были разделены на десять интервалов одинакового размера, при этом 10% генов с наименьшими различиями в z баллах в интервале 1 и 10% генов с наибольшими различиями в z баллов в интервале 10. Для каждого интервала среднее значение был рассчитан процент SNP каждой модели прогнозирования PrediXcan / MetaXcan, которые присутствовали в наших данных GWAS после QC. Модели PrediXcan / MetaXcan в верхних ячейках последовательно имели меньше SNP из их моделей, присутствующих в данных GWAS, чем модели PrediXcan / MetaXcan для генов в нижних ячейках (дополнительные рисунки S2a и S2b).Интересно, что корзина 10 показала большую долю генов из MHC на хромосоме 6, чем можно было бы ожидать, если бы ячейки были выбраны случайным образом в анализах как CD, так и T1D (дополнительные рисунки S3a и S3b).

    Чтобы определить, какие модели метода лучше всего соответствуют данным обучения выражений, мы затем сравнили SNP каждой модели со статистикой eQTL из тех же данных GTEx, которые использовались для их построения. Мы предположили, что модели прогнозирования, вероятно, будут содержать SNP, идентифицированные как eQTL, и что эти SNP будут показывать то же направление воздействия на экспрессию в статистике eQTL, что и в моделях прогнозирования.Это казалось вероятным, поскольку прогностические модели были основаны на линейной аддитивной генетической модели, поэтому маловероятно, что они будут фиксировать сложные взаимосвязи, такие как взаимодействия SNP-SNP. Мы протестировали каждую из прогностических моделей, используемых PrediXcan, MetaXcan и FUSION, вычислив меру соответствия между моделью и данными eQTL, которую мы называем A eqtl (см. «Методы»). На дополнительном рисунке S4a показано распределение этой статистики для каждой модели прогнозирования цельной крови GTEx от PrediXcan / MetaXcan и FUSION.Модели прогнозирования для PrediXcan и MetaXcan всегда показывали A eqtl из 1, что указывает на то, что каждый SNP имел направление эффекта, соответствующее данным eQTL, и все, кроме 14 моделей FUSION, показывали A eqtl из 1, показывая близкое идеальное соответствие с данными eQTL.

    В качестве дальнейшего сравнения методов мы применили модели PrediXcan и FUSION к данным генотипа из проекта Geuvadis для прогнозирования экспрессии и исследовали корреляцию между прогнозируемыми и измеренными уровнями экспрессии.В целом, было 952 гена, для которых как PrediXcan, так и FUSION предсказывали экспрессию, и для которых экспрессия также измерялась в Geuvadis. Для этих 952 генов предсказанные значения R 2 (т. Е. Среднеквадратичный коэффициент корреляции между предсказанной и наблюдаемой экспрессией), полученные с помощью PrediXcan и FUSION, оказались сильно коррелированными (дополнительный рисунок S5), хотя фактические значения Достигнутые значения R 2 были весьма вариабельными, при этом низкие значения R 2 указывали на ограниченную прогностическую способность многих генов.

    Сравнение моделей прогнозирования, обученных в разных тканях

    Каждый метод вменения транскриптомов сделал доступными прогнозные модели, полученные из ряда тканей GTEx. Для сравнения были применены методы вменения транскриптомов к вмененным данным WTCCC1 для CD и T1D с использованием моделей прогнозирования для тканей GTEx, соответствующих каждому фенотипу — лимфоцитов, трансформированных EBV, и поджелудочной железы для T1D, и лимфоцитов, трансформированных EBV, и сигмовидной кишки для CD.

    Модели прогнозирования PrediXcan, обученные в разных тканях GTEx, дали аналогичные наборы результатов при применении к данным CD (дополнительный рисунок S6a), хотя и с меньшим сходством, чем было обнаружено между применениями различных методов с использованием одной и той же ткани.Хотя наблюдались несколько значимых ассоциаций, гены приближались к значимости на хромосомах 3 и 6 во всех тканях. Как отмечалось ранее, многие различия между результатами по тканям можно объяснить тем, были ли гены проверены. Например, SLC22A5 приблизился к значимости как для цельной крови ( p = 3,07 × 10 −6 , β = −0,41), так и для лимфоцитов, трансформированных EBV ( p = 3,85 × 10 −5 , β = -0,36), но не тестировался на сигмовидной кишке.В общей сложности 851 ген был протестирован в каждой ткани, и из баллов для этих генов из каждой ткани показали умеренно положительную корреляцию (дополнительный рисунок S6c). Аналогичным образом, MetaXcan и FUSION обнаружили аналогичные результаты для разных тканей (дополнительные рисунки S7a, S7c, S8a и S8c).

    Применение моделей прогнозирования PrediXcan, обученных в различных тканях, к данным T1D также дало наборы аналогичных результатов (дополнительный рисунок S6b). Значительные ассоциации наблюдались на хромосомах 6 ( C4A , SKIV2L , PSMB9 и BTN3A2 во всех тканях) и 12 ( RPS26 во всех тканях).Всего было протестировано 1013 генов во всех трех исследованных здесь тканях. Парная корреляция между или баллами для каждой ткани показала положительную корреляцию (дополнительный рисунок S6d). Используя модели прогнозирования для одних и тех же тканей, MetaXcan и FUSION также обнаружили результаты, показывающие некоторое сходство и с положительной попарной корреляцией (дополнительные рисунки S7b, S7d, S8b и S8d). В каждой ткани PrediXcan и MetaXcan последовательно тестировали больше генов, чем FUSION (таблица 2), подчеркивая преимущество PrediXcan и MetaXcan над FUSION как методов обнаружения потенциальных ассоциаций.

    Таблица 2 Количество генов, протестированных с помощью каждого метода вменения транскриптомов

    Мы повторили наши сравнения прогностических моделей с результатами, ожидаемыми от статистики eQTL по всем протестированным здесь тканям, обнаружив, что PrediXcan и MetaXcan постоянно демонстрировали полное согласие с данными eQTL ( A eqtl = 1 для всех моделей), в то время как почти все модели FUSION показали полное соответствие (дополнительный рисунок S4). После повторения процесса объединения генов в соответствии с разницей между их счетами MetaXcan и FUSION z , более высокие интервалы последовательно показали более низкую информативность для моделей PrediXcan / MetaXcan во всех тканях (дополнительный рисунок S2).Гены на хромосоме 6 (в частности, MHC) обнаруживались в ячейке 10 чаще, чем можно было бы ожидать, если бы ячейки выбирались случайным образом для всех комбинаций ткань-фенотип, за исключением лимфоцитов, трансформированных CD-EBV (дополнительный рисунок S3).

    Сравнение детектирующей способности методов вменения транскриптомов и GWAS

    Методы вменения транскриптомов концептуально аналогичны GWAS и были предложены в качестве дополнительного подхода к GWAS. Чтобы изучить, как эти два подхода сравниваются в отношении обнаружения и локализации ассоциаций, мы выполнили стандартный GWAS для каждого из вмененных наборов данных WTCCC1 CD и T1D.Графики Манхэттена для этих GWAS показаны на дополнительном рисунке S9. Значимые гены, обнаруженные с помощью методов вменения транскриптомов (наиболее строгий порог Бонферрони составлял p <5,61 × 10 −6 для PrediXcan с моделями прогнозирования DGN), последовательно совмещались с нашими наблюдаемыми совпадениями GWAS (порог значимости для всего генома p <5 × 10 −8 ). Девять из 14 локусов, которые достигли общегеномной значимости для CD или T1D посредством GWAS, не показали значимого сигнала ассоциации для предсказанной экспрессии.Напротив, только два локуса, значимо связанные с прогнозируемой экспрессией, не были идентифицированы с помощью GWAS, подразумевая, что вменение транскриптома может быть не таким мощным для открытия новых ассоциаций, как GWAS, и усиливая его роль в качестве дополнения к (а не замены) GWAS.

    Приложение к метаанализу CD

    Затем мы применили транскриптомное вменение к большему и более мощному набору данных CD из недавнего метаанализа [16], включающего 5956 случаев CD и 14 927 контролей.Поскольку PrediXcan и MetaXcan показали немного лучшее согласие с данными eQTL и протестировали больше генов, чем FUSION, мы решили применить MetaXcan к этой сводной статистике. Были использованы модели прогнозирования экспрессии генов для соответствующих тканей GTEx (цельная кровь, лимфоциты, трансформированные EBV, и сигмовидная кишка). Всего в ряде геномных локусов было идентифицировано 54 уникальных ассоциации прогнозируемых признаков экспрессии, имеющих общегеномную значимость ( p <5,15 × 10 -6 ), результаты представлены на рис.3 и важные ассоциации, перечисленные в дополнительной таблице S3. Из этих 54 ассоциаций 27 были предсказаны ассоциациями с избыточной экспрессией гена и 27 с недостаточной экспрессией. В среднем 92% SNP, присутствующих в каждой модели прогнозирования, также были включены в метаанализ, что свидетельствует о точности прогнозов. У трех из обнаруженных нами ассоциаций в метаанализе присутствовало менее 50% SNP их модели прогнозирования ( FLOT1 — вся кровь, FKBPL — вся кровь и DDR1 — игмовидная кишка), поэтому мы призываем к осторожности при интерпретации эти результаты.

    Рис. 3

    Применение MetaXcan для обобщения статистики метаанализа CD с использованием моделей прогнозирования для трех тканей. Графики Манхэттена, показывающие p, значений предсказанных ассоциаций экспрессии-признака из приложений MetaXcan к сводной статистике из метаанализа CD с использованием моделей предсказания, обученных на a GTEx данных цельной крови, b GTEx EBV-трансформированных лимфоцитов и c GTEx сигмовидная кишка. P Значения нанесены на график против сайта начала транскрипции для каждого гена.Красная линия на каждом графике показывает скорректированный по Бонферрони порог значимости при 5,15 × 10 -6

    . Мы наблюдали 31 ассоциацию с прогнозируемой экспрессией цельной крови, 13 с экспрессией трансформированных EBV лимфоцитов и 10 с экспрессией сигмовидной кишки. Из выявленных нами ассоциаций 45 были предложены ранее в CD GWAS / метаанализе [1], семь не были предложены, но были в локусах риска GWAS, и два гена находились в локусах, которые никогда ранее не были связаны с CD ( NPIPB6 и НПИПБ7 ).Наиболее значимая связь была с прогнозируемой экспрессией SLC22A5 в цельной крови ( p = 1,16 × 10 −16 , β = −0,40), а связь с наибольшим прогнозируемым размером эффекта составила IFRD2 в сигмоиде. толстая кишка ( p = 8,44 × 10 −12 , β = + 10,72).

    Приложение для метаанализа T1D

    MetaXcan также применялся для сводной статистики из недавнего метаанализа T1D [17] с 5913 случаями и 8829 контролями, с использованием моделей прогнозирования, обученных на цельной крови GTEx, лимфоцитах, трансформированных GTEx EBV и Поджелудочная железа GTEx.Всего 154 предсказанных ассоциаций экспрессии-признака достигли общегеномной значимости ( p <4,95 × 10 -6 ), состоящих из 69 ассоциаций сверхэкспрессии и 85 ассоциаций недостаточной экспрессии. Большинство моделей прогнозирования для значительно ассоциированных генов были хорошо информированными, в среднем 74,1% модельных SNP присутствовали в метаанализе. Прогнозные модели для десяти значимых ассоциаций ( C2 , FLOT1 , MICA , GABBR1 , ZFP57 и BAK1 в цельной крови и ZFP57 , ZSCAN31 1OR 1 PS и 1 в поджелудочной железе) имели менее 50% своих SNP в метаанализе, поэтому мы интерпретируем эти результаты с осторожностью.На рисунке 4 показаны графики этих результатов на Манхэттене со значительными ассоциациями, перечисленными в дополнительной таблице S4.

    Рис. 4

    Применение MetaXcan для обобщения статистики метаанализа T1D с использованием моделей прогнозирования для трех тканей. Графики Манхэттена, показывающие p значений прогнозируемых ассоциаций экспрессии-признака из приложений MetaXcan к сводной статистике метаанализа T1D с использованием моделей прогнозирования, обученных в a GTEx данных цельной крови, b GTEx EBV-трансформированных лимфоцитов и c GTEx поджелудочная железа. P Значения нанесены на график против сайта начала транскрипции для каждого гена. Красная линия на каждом графике показывает скорректированный по Бонферрони порог значимости 5,01 × 10 -6

    Шестьдесят три значимых ассоциации были с прогнозируемой экспрессией цельной крови, 47 — с прогнозируемой экспрессией лимфоцитов, трансформированных EBV, и 44 — с прогнозируемой экспрессией поджелудочной железы. предполагая, что экспрессия генов в каждой из этих тканей может быть важной при СД1. Значимые ассоциации имели тенденцию группироваться в локусах риска, ранее участвовавших в GWAS / метаанализе T1D, включая MHC (119 уникальных ассоциаций, включая 69 наиболее значимых ассоциаций) и 12q13.2 (7 уникальных ассоциаций), подчеркивая важность этих регионов в T1D. Все, кроме одной ( ATP23 ) из выявленных нами ассоциаций, были ранее предложены в GWAS / метаанализе T1D или находились в зарегистрированном локусе риска T1D [1]. Самый сильный сигнал ассоциации был с HLA-DRB1 в поджелудочной железе, с p = 6,28 × 10 -305 . Связь с общим наибольшим размером эффекта ( p = 8,04 × 10 −106 , β = -34,36) была с экспрессией PBX2 в поджелудочной железе.

    (PDF) ОЦЕНКА ТОЧНОСТИ ИМПУТАЦИИ С ИСПОЛЬЗОВАНИЕМ ПАНЕЛИ НИЗКОЙ ПЛОТНОСТИ 15K В МНОГОПОРОДНОЙ ПОПУЛЯЦИИ ОВЦЕВ НОВОЗЕЛАНДИИ

    ОЦЕНКА ТОЧНОСТИ ИМПУТАЦИИ С ПОМОЩЬЮ ПАНЕЛИ НИЗКОЙ ПЛОТНОСТИ 15K В A

    НОВЫЙ MULTI Ventura1,2, M. Lee3, S.P. Miller1,4, S.M. Clarke4and JC McEwan4

    1Центр генетического улучшения животноводства, Университет Гвельфа, Гвельф, Онтарио, Канада

    2 Beef Improvement Opportunities, Гвельф, Онтарио, Канада

    3 Департамент математики и статистики, Университет Отаго, Данидин, Новая Зеландия

    4 Сельскохозяйственный центр Инвермей, AgResearch Limited, Мосгил, Новая Зеландия

    РЕЗЮМЕ

    Импутация позволила провести геномный отбор в коммерческом животноводстве, используя преимущества более экономичной панели низкой плотности (LD)

    , увеличивая количество генотипированных животных и следовательно,

    ускоряет процесс принятия.Панель 5K LD была коммерчески использована в Новой Зеландии

    . В этом исследовании изучалась точность вменения панелей

    50K и высокой плотности (HD) с использованием новой панели 15K, разработанной Международным консорциумом по геномике овец, в четырех сценариях

    для двух разнородных популяций новозеландских овец. Панель прототипов привела к более высоким значениям точности вменения на

    по сравнению с текущей панелью LD (5K), что принесет пользу

    для реализации геномной селекции в овцеводстве Новой Зеландии.

    ВВЕДЕНИЕ

    Импутация — это надежный инструмент, способный вывести генотип в не генотипированном локусе, который был широко принят для минимизации затрат на генотипирование в животноводстве, включая овец, в Новой Зеландии

    . Оценка импутации с использованием панели 5K LD у овец ранее была проведена

    австралийских исследователей (Hayes et al. 2012). В овцеводстве Новой Зеландии применение текущей версии панели с низкой плотностью (5K)

    позволило выявить несколько геномных областей, в которых точность условного исчисления

    может быть улучшена (Ventura et al.2015, документ находится в стадии отправки), что может повысить точность геномных прогнозов и улучшить идентификацию регионов

    , связанных с экономически важными чертами. Новая панель 15K (в процессе разработки

    ), содержащая выбранные маркеры Международным консорциумом по геному овец (ISGC —

    www.sheephapmap.org), использовался в этом исследовании для исследования точности вменения от 15K до

    панелей 50K и высокой плотности (HD) в разнородной популяции овец, указывая

    областей для улучшения по сравнению с панелью 5K LD, которая используется в коммерческих целях для геномной селекции

    новозеландских овец.

    МАТЕРИАЛЫ И МЕТОДЫ

    Вменение численности населения было выполнено с использованием программного обеспечения FIMPUTE 2.2 (Sargolzaei et al.

    2014). В общей сложности 15 433 животных, являющихся частью программы генетики говядины и баранины Новой Зеландии (формально Ovita),

    , составляющих поголовье овец, были генотипированы с помощью Illumina OvineSNP50

    Genotyping BeadChip (53903 маркера) и использованы в настоящем исследовании. для исследования вменения

    из панелей низкой плотности (LD) 5K и 15K в панель 50K.Вторая группа животных, часть

    проекта FarmIQ, была генотипирована с использованием Ovine Infinium® HD SNP BeadChip (606 006

    маркеров) и использовалась для выполнения вменения от 15K до панели HD. Животные HD

    были отобраны из восьми стад преимущественно терминальных смешанных пород. Многие из животных

    происходили из последних разработок пород (http://www.focusgenetics.com/) с неопределенным соотношением пород

    и лучше всего описаны как композиты.Большинство животных (~ 97%) во второй группе

    родились в период с 2010 по 2013 год. Общее количество животных, использованных в составной популяции терминала

    , составило 2868, из которых 300 использовались в качестве валидации. и родились

    в 2013 г. Та же стратегия использования самых молодых животных для вменения была применена для

    % PDF-1.4 % 396 0 объект > эндобдж xref 396 79 0000000016 00000 н. 0000002948 00000 н. 0000003076 00000 н. 0000003112 00000 н. 0000004276 00000 н. 0000004319 00000 н. 0000004457 00000 н. 0000004596 00000 н. 0000004735 00000 н. 0000004876 00000 н. 0000005284 00000 п. 0000005464 00000 н. 0000005983 00000 п. 0000006318 00000 н. 0000006789 00000 н. 0000007159 00000 н. 0000007653 00000 н. 0000008169 00000 н. 0000008232 00000 н. 0000008346 00000 п. 0000008458 00000 н. 0000008709 00000 п. 0000009047 00000 н. 0000009304 00000 п. 0000009674 00000 н. 0000009949 00000 н. 0000009976 00000 н. 0000010646 00000 п. 0000011169 00000 п. 0000011451 00000 п. 0000011748 00000 п. 0000012008 00000 п. 0000012468 00000 п. 0000013019 00000 п. 0000013611 00000 п. 0000013897 00000 п. 0000016316 00000 п. 0000016458 00000 п. 0000016780 00000 п. 0000016807 00000 п. 0000018713 00000 п. 0000021718 00000 п. 0000024584 00000 п. 0000027586 00000 п. 0000030696 00000 п. 0000033842 00000 п. 0000034355 00000 п. 0000036845 00000 п. 0000036915 00000 п. 0000037020 00000 п. 0000051866 00000 п. 0000052155 00000 п. 0000052709 00000 п. 0000053076 00000 п. 0000058337 00000 п. 0000064440 00000 п. 00000 00000 п. 0000102580 00000 н. 0000111998 00000 н. 0000138726 00000 н. 0000138809 00000 н. 0000138864 00000 н. 0000139279 00000 н. 0000139667 00000 н. 0000139898 00000 н. 0000139989 00000 н. 0000156649 00000 н. 0000156932 00000 н. 0000157129 00000 н. 0000157199 00000 н. 0000157278 00000 н. 0000157358 00000 н. 0000157435 00000 н. 0000157581 00000 н. 0000157735 00000 н. 0000158048 00000 н. 0000158147 00000 н. 0000158203 00000 н. 0000001876 00000 н. трейлер ] / Назад 451448 >> startxref 0 %% EOF 474 0 объект > поток hb«e« Ā

    Внесение откалиброванных доноров Hot-Deck с ограничениями на редактирование

    Anderson, I.(1989). Первый курс комбинаторной математики (второе издание). Oxford: Oxford University Press, поиск в Google Scholar

    De Waal, T., Pannekoek, J., and Scholtus, S. (2011). Справочник по редактированию и расчету статистических данных. Нью-Йорк: John Wiley & Sons, поиск в Google Scholar

    De Waal, T. и Quere, R. (2003). Быстрый и простой алгоритм автоматического редактирования смешанных данных. Journal of Official Statistics, 19, 383-402 Поиск в Google Scholar

    Di Zio, M., Скану, М., Коппола, Л., Лузи, О., и Понти, А. (2004). Байесовские сети для вменения. Журнал Королевского статистического общества: Series A, 167, 309-322. Поиск в Google Scholar

    ESSnet по интеграции данных (2011). Отчет по WP 2: Методологические разработки. Доступно по адресу: http://www.essnet-portal.eu/sites/default/files/131/WP2.pdf Поиск в Google Scholar

    Favre, A.-C., Matei, A., and Tillé, Y . (2005). Калиброванный случайный расчет для качественных данных. Журнал статистического планирования и вывода, 128, 411-425.Искать в Google Scholar

    Fellegi, I.P. и Холт, Д. (1976). Систематический подход к автоматическому редактированию и вменению. Журнал Американской статистической ассоциации, 71, 17-35. Поиск в Google Scholar

    Houbiers, M. (2004). К базе данных социальной статистики и единым оценкам Статистического управления Нидерландов. Journal of Official Statistics, 20, 55-75. Поиск в Google Scholar

    Kalton, G. and Kasprzyk, D. (1986). Обработка отсутствующих данных обследования. Методология исследования, 12, 1-16.Искать в Google Scholar

    Knottnerus, P. and Van Duin, C. (2006). Различия в повторном взвешивании с приложением к Обследованию рабочей силы Нидерландов. Journal of Official Statistics, 22, 565-584 Поиск в Google Scholar

    Little, R.J.A. и Рубин, Д. (2002). Статистический анализ с отсутствующими данными (второе издание). Нью-Йорк: John Wiley & Sons, поиск в Google Scholar

    Liu, T.-P. и Ранкур, Э. (1999). Категориальные ограничения Управляемый расчет для неполучения ответов в опросе.Отчет Статистического управления Канады, поиск в Google Scholar

    Longford, N.T. (2005). Отсутствующие данные и оценка малых площадей. Нью-Йорк: Springer, поиск в Google Scholar

    Макнайт П.Э., Макнайт К.М., Сидани С. и Фигередо А.Дж. (2007). Отсутствующие данные — вежливое введение. Нью-Йорк: The Guilford Press, поиск в Google Scholar

    Pannekoek, J., Shlomo, N., and De Waal, T. (2008). Калиброванный ввод числовых данных при ограничении линейного редактирования. Рабочая сессия ЕЭК ООН по редактированию статистических данных, Вена.Искать в Google Scholar

    Пфефферман, Д. и Рао, C.R. (2009). Справочник по статистике 29, Том 29A. Амстердам: Elsevier, поиск в Google Scholar

    Rubin, D.B. (1976). Вывод и отсутствующие данные. Биометрика, 63, 581-592. Искать в Google Scholar

    Rubin, D.B. (1987). Множественное вменение за неполучение ответов в опросах. Нью-Йорк: John Wiley & Sons, поиск в Google Scholar

    Schafer, J.L. (1997). Анализ неполных многомерных данных. Лондон: Чепмен и Холл.Искать в Google Scholar

    Van Lint, J.H. и Уилсон, Р. (2001). Курс комбинаторики (второе издание). Кембридж: Cambridge University Press, поиск в Google Scholar

    Winkler, W.E. (2003). Модель таблицы непредвиденных обстоятельств для вменения данных, удовлетворяющих аналитическим ограничениям. Бюро переписи населения США, Вашингтон, округ Колумбия. Поиск в Google Scholar

    Страница не найдена — Коллегия адвокатов штата Нью-Йорк

    Необходимые файлы cookie помогают сделать веб-сайт пригодным для использования, обеспечивая такие основные функции, как навигация по страницам и доступ к защищенным областям веб-сайта.Веб-сайт не может нормально работать без этих файлов cookie.

    Мы не используем файлы cookie этого типа.

    Маркетинговые файлы cookie используются для отслеживания посетителей на веб-сайтах.Намерение состоит в том, чтобы отображать рекламу, которая актуальна и интересна для отдельного пользователя и, следовательно, более ценна для издателей и сторонних рекламодателей.

    Мы не используем файлы cookie этого типа.

    Файлы cookie аналитики помогают владельцам веб-сайтов понять, как посетители взаимодействуют с веб-сайтами, путем анонимного сбора и передачи информации.

    Мы не используем файлы cookie этого типа.

    Файлы cookie предпочтений позволяют веб-сайту запоминать информацию, которая меняет его поведение или внешний вид, например, ваш предпочтительный язык или регион, в котором вы находитесь.

    Мы не используем файлы cookie этого типа.

    Неклассифицированные файлы cookie — это файлы cookie, которые мы классифицируем вместе с поставщиками отдельных файлов cookie.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *