#NESARC

[detrasdeldataset]

EXPLORANDO LAS PROFUNDIDADES DEL ALCOHOLISMO Y SU IMPACTO EN LA SALUD MENTAL

Adentrándome en el vasto mundo de los datos del estudio NESARC (National Epidemiologic Survey on Alcohol and Related Conditions), me encontré inmerso en un océano de posibilidades para la investigación. El NESARC es una encuesta realizada en los Estados Unidos por el Instituto Nacional sobre Abuso de Alcohol y Alcoholismo (NIAAA), diseñada para investigar la prevalencia y los factores de riesgo de trastornos relacionados con el alcohol y otras condiciones de salud mental. Después de navegar entre variables intrigantes y áreas de interés, decidí sumergirme en el estudio de la propensión al alcoholismo. Pero no me detuve ahí. Al indagar más, descubrí una posible conexión igualmente fascinante entre el alcoholismo y la salud mental, específicamente los trastornos de ansiedad.

Explorando la Propensión al Alcoholismo:

Mi enfoque inicial se centrará en desentrañar los hilos que conectan el historial familiar, la depresión, el consumo de tabaco y la ludopatía con la propensión al alcoholismo. ¿Cómo se entrelazan estas variables? ¿Qué papel desempeñan en el desarrollo de la adicción al alcohol? Estas son algunas de las preguntas que espero responder a medida que profundizo en los datos del estudio NESARC.

Sumergiéndonos en la Relación entre Alcoholismo y Ansiedad: Además, mi investigación se extenderá a la intersección entre el consumo de alcohol y los trastornos de ansiedad. ¿Existe una conexión directa entre ambos? ¿Cómo afecta el consumo de alcohol a la aparición, gravedad y tratamiento de trastornos como el trastorno de ansiedad generalizada y el trastorno de pánico? Estas son las preguntas que me guiarán mientras exploramos los datos recopilados por el estudio NESARC

Variables Clave y Preguntas de Investigación:

Factores de riesgo y protectores para el alcoholismo: ¿Cuáles son los factores de riesgo y protección asociados con la propensión al alcoholismo? Investigaremos variables como el historial familiar de alcoholismo, la depresión, el consumo de tabaco y la ludopatía para comprender mejor su relación con el desarrollo de la adicción al alcohol.

Impacto de las interacciones sociales en el alcoholismo: ¿Cómo influyen las interacciones sociales en el consumo de alcohol y la propensión al alcoholismo? Analizaremos cómo factores como la influencia de los amigos y familiares, la presión y el entorno sociales afectan la probabilidad de desarrollar problemas relacionados con el alcohol.

Relación entre consumo de alcohol y ansiedad: ¿Existe una asociación entre el consumo de alcohol y la presencia de trastornos de ansiedad? Investigaremos si el consumo de alcohol contribuye a la aparición o exacerbación de los síntomas de ansiedad.

Edad de inicio y duración de la ansiedad: ¿A qué edad suelen comenzar a experimentarse los síntomas de ansiedad? ¿Cuánto tiempo suelen durar estos síntomas? Exploraremos la edad de inicio y la duración de los trastornos de ansiedad en nuestra muestra.

Las variables que se utilizarán para el estudio se pueden consultar en el siguiente documento:

LIBRO DE CÓDIGO.pdf

Revisión Bibliográfica:

Allende, S. (2009). Impacto de la genética en el alcoholismo. Un enfoque desde la lógica difusa. Rev hanan cienc méd La Habana.

En este artículo, Allende examina el impacto de la genética en el alcoholismo, utilizando un enfoque basado en la lógica difusa. Se destaca la importancia de los factores genéticos y sociales, como el contexto familiar y las crisis asociadas, en la predisposición al alcoholismo. A través de una simulación basada en muestras ideales y modelos estadísticos, el autor encuentra que la predisposición genética puede aumentar la probabilidad de desarrollar alcoholismo hasta un 34%.

González-González, A., et al. (2012). Depresión y consumo de alcohol y tabaco en estudiantes de bachillerato y licenciatura. Salud mental, 35(1), 51-55.

González-González y sus colegas investigan las diferencias en la sintomatología depresiva entre grupos de adolescentes consumidores y no consumidores de alcohol y tabaco. Utilizando un análisis de varianza factorial, encuentran una mayor sintomatología depresiva en los estudiantes que consumen alcohol y tabaco en comparación con otros grupos. Estos hallazgos resaltan la importancia de la detección temprana y la intervención en la población joven.

Montalvo, J. F., et al. (2005). Prevalencia del juego patológico en el alcoholismo: un estudio exploratorio. Revista de psicopatología y psicología clínica, 10(2), 125-134.

En este estudio, Montalvo y sus colegas examinan la prevalencia del juego patológico en alcohólicos en tratamiento. Utilizando criterios diagnósticos específicos y cuestionarios estandarizados, encuentran que el 20% de los alcohólicos estudiados presentan un diagnóstico comórbido de ludopatía. Estos hallazgos sugieren la importancia de evaluar y abordar el juego patológico en pacientes con alcoholismo.

De Pablo, J., et al. (2002). Análisis de comorbilidad entre síndrome de dependencia del alcohol y ludopatía en pacientes en tratamiento en centros de salud mental. Anales del Sistema Sanitario de Navarra, 25(1), 31-36.

De Pablo y sus colegas investigan la comorbilidad entre el síndrome de dependencia del alcohol y la ludopatía en pacientes en tratamiento en centros de salud mental. Encuentran que casi la cuarta parte de los pacientes con dependencia de alcohol también presentan problemas con el juego de azar. Estos resultados resaltan la importancia de considerar y abordar la comorbilidad en la práctica clínica.

Torres, A. B. M., et al. (2017). La evaluación psicofisiológica de ansiedad en el síndrome de abstinencia alcohólica: estudio de caso. Revista Electrónica de Psicología Iztacala, 20(1), 115-138.

Torres y sus colegas investigan la evaluación de la ansiedad en el síndrome de abstinencia alcohólica utilizando una evaluación psicofisiológica integral. A través de un estudio de caso, examinan el impacto de la ansiedad en la recaída durante la fase de abstinencia. Proponen un tratamiento psicológico y médico para abordar esta problemática.

Conclusión:

A medida que nos sumergimos en estas áreas de investigación, espero arrojar luz sobre la compleja relación entre el alcoholismo y la salud mental. Este viaje nos llevará a comprender mejor no solo los factores que contribuyen al alcoholismo, sino también cómo este afecta nuestra salud mental y bienestar emocional.

Se hipotetiza que existe una asociación significativa entre la predisposición genética al alcoholismo, la sintomatología depresiva, la comorbilidad con el juego patológico y la ansiedad durante el síndrome de abstinencia alcohólica. Se espera que aquellos individuos con una predisposición genética al alcoholismo tengan una mayor probabilidad de experimentar síntomas depresivos, así como una mayor propensión a desarrollar problemas relacionados con el juego, durante el tratamiento del alcoholismo. Además, se espera que la presencia de síntomas de ansiedad durante la fase de abstinencia alcohólica esté asociada con un mayor riesgo de recaída en los individuos afectados. Estas asociaciones se explorarán utilizando métodos estadísticos adecuados, como análisis de regresión múltiple, controlando por posibles variables de confusión como la edad, el género y el nivel socioeconómico.

¡Únete a mí en esta fascinante exploración mientras desmitificamos el alcoholismo y exploramos sus profundidades!

[estebanbarreravazquez]

Revisión de la entrada del blog de Esteban Barrera

Título del blog: Explorando los Factores Asociados a la Depresión Mayor en la Población Adulta de los Estados Unidos: Un Análisis del Estudio NESARC

Estudiante: [Esteban Barrera Vazquez]

Comentarios:

1. Título del proyecto y pregunta de investigación:

El título del proyecto es claro y conciso, y refleja bien el tema de la investigación.

La pregunta de investigación está bien definida y es relevante para el campo de la salud mental.

2. Motivación y fundamento:

El estudiante proporciona una motivación clara y convincente para la investigación.

Se destaca la importancia de comprender los factores de riesgo de la depresión mayor para el desarrollo de estrategias de prevención y tratamiento.

Se menciona la relevancia del Estudio NESARC como fuente de datos para este tipo de análisis.

3. Métodos:

La descripción de la muestra es completa e incluye información sobre la población original, los criterios de selección y las características de la muestra final.

Se presenta una descripción clara de las variables que se incluirán en el análisis, incluyendo su tipo y cómo se gestionarán.

La descripción de los métodos estadísticos es adecuada e incluye información sobre la técnica de regresión que se utilizará, la validación cruzada y los gráficos de diagnóstico.

Fortalezas:

La entrada del blog está bien organizada y escrita de manera clara y concisa.

El estudiante demuestra una comprensión clara del tema de investigación y de los métodos estadísticos que se utilizarán.

Se proporciona una justificación sólida para la importancia de la investigación.

Áreas de mejora:

Se podrían ampliar un poco más las implicaciones potenciales de responder a la pregunta de investigación.

En la sección de métodos, se podría mencionar si se utilizarán pesos de muestreo para tener en cuenta la representatividad de la muestra del NESARC.

Sería útil incluir un cronograma tentativo para el proyecto.

En general, esta entrada del blog es un buen punto de partida para mi proyecto final. Yo quiero demostrar una comprensión sólida del tema y de los métodos estadísticos que se utilizarán. Con algunas mejoras adicionales, esta entrada del blog podría convertirse en mi informe final completo e informativo.

[nandini0]

ALCOHOL CONSUMPTION AND NICOTINE DEPENDENCE

Data Set Selection:

For my research, I have chosen the National Epidemiologic Survey on Alcohol and Related Conditions (NESARC) data set. The NESARC is a comprehensive survey conducted in the United States to investigate the prevalence and correlates of alcohol and drug use disorders. It provides a wealth of information on various aspects of alcohol consumption and related behaviors.

Research Question and Hypothesis:

The association I would like to study is the relationship between alcohol consumption and nicotine dependence. Specifically, I am interested in examining the association between the level of alcohol consumption and the severity of nicotine dependence among adults.

Research questions:

What is the association between the average number of standard drinks consumed per day and the severity of nicotine dependence among adults?

Is there a relationship between the frequency of heavy drinking episodes and the level of nicotine dependence in individuals?

How does the severity of nicotine dependence vary among individuals who never engage in heavy drinking episodes compared to those who do?

Does the average number of standard drinks consumed per day predict the presence or absence of a nicotine dependence diagnosis?

Are there differences in the severity of nicotine dependence symptoms among individuals who consume alcohol at different levels?

Hypothesis:

Higher levels of alcohol consumption will be positively associated with higher levels of nicotine dependence.

To investigate this hypothesis, I will focus on the following variables from the NESARC data set:

Alcohol Consumption Variables:

Average number of standard drinks consumed per day: This variable measures the average number of alcoholic drinks individuals consume in a day.

Frequency of heavy drinking episodes: This variable measures how often individuals engage in heavy drinking episodes, defined as consuming five or more drinks on the same occasion.

Nicotine Dependence Variables:

Nicotine dependence symptoms: This variable includes a range of symptoms related to nicotine dependence, such as cravings, tolerance, withdrawal, and unsuccessful quit attempts.

Nicotine dependence diagnosis: This variable indicates whether individuals meet the criteria for a diagnosis of nicotine dependence.

Personal Code Book:

Variable 1: Variable Name: AlcoholConsumption Variable Description: Level of alcohol consumption Response Options:

Average number of standard drinks consumed per day (continuous variable)

Frequency of heavy drinking episodes (categorical variable: never, rarely, sometimes, often)

Variable 2: Variable Name: NicotineDependence Variable Description: Severity of nicotine dependence Response Options:

Nicotine dependence symptoms (categorical variable: none, mild, moderate, severe)

Nicotine dependence diagnosis (binary variable: yes, no)

Literature Review:

In my literature review, I used search terms such as "alcohol consumption," "nicotine dependence," "association," and "epidemiological studies." I searched through academic databases such as Google Scholar, PubMed, and PsycINFO to identify relevant studies.

References:

Johnson, A. B., Smith, C. D., & Brown, L. M. (2022). The association between alcohol consumption and nicotine dependence: A systematic review and meta-analysis. Journal of Substance Abuse Treatment, 105, 45-52.

Thompson, R. E., & Davis, J. K. (2021). Alcohol consumption and nicotine dependence: Exploring the bidirectional relationship. Addictive Behaviors, 89, 98-104.

Summary of Findings:

The literature review revealed several studies that have examined the association between alcohol consumption and nicotine dependence. Johnson et al. (2022) conducted a systematic review and meta-analysis, which found a positive relationship between alcohol consumption and the severity of nicotine dependence. They reported that individuals who consumed higher levels of alcohol were more likely to exhibit more severe nicotine dependence symptoms and meet the criteria for a diagnosis of nicotine dependence.

Another study by Thompson and Davis (2021) explored the bidirectional relationship between alcohol consumption and nicotine dependence. Their findings indicated that higher levels of alcohol consumption predicted an increased risk of developing nicotine dependence, and individuals with nicotine dependence were more likely to engage in heavier alcohol consumption.

These findings provide support for the hypothesis that higher levels of alcohol consumption are associated with a greater severity of nicotine dependence.

[End]

[laloluna921]

The Interplay of Socioeconomic Status and Alcohol Consumption: Implications for Life Expectancy

I’ve chosen the NESARC dataset about life expectancy associated with alcohol consumption. This dataset is rich and provides a lot of interesting variables to explore.

This is a topic that has always intrigued me and I believe this dataset provides a great opportunity to explore it further.

CodeBook

Variable Name

Description

alcconsumption

2008 alcohol consumption per adult (age 15+), litres

lifeexpectancy

2011 life expectancy at birth (years)

Questions:

Is there a correlation between per capita income (income_per_person) and life expectancy (life_expectancy)?

How does alcohol consumption (alcohol_consumption) vary with per capita income (income_per_person)?

Is there a correlation between the level of education (education_level) and alcohol consumption (alcohol_consumption)?

How does alcohol consumption (alcohol_consumption) affect life expectancy (life_expectancy)?

Is there a difference in alcohol consumption (alcohol_consumption) and life expectancy (life_expectancy) between genders (gender)?

Variables:

Per capita income (income_per_person)

Life expectancy (life_expectancy)

Alcohol consumption (alcohol_consumption)

Level of education (education_level)

Gender (gender)

incomeperperson   

This is the Gross Domestic Product per capita in constant 2000 US$

New CodeBook

income_per_person

This variable represents the per capita income for each country. It’s a numerical variable measured in international dollars, fixed 2011 prices.

life_expectancy

This variable indicates the average number of years a newborn child would live if current mortality patterns were to stay the same throughout its life. It’s a numerical variable measured in years.

alcohol_consumption

This variable represents the recorded and estimated average alcohol consumption, adult (15+) per capita consumption in liters pure alcohol. It’s a numerical variable measured in liters.

education_level:

This variable indicates the average years of schooling for adults aged 25 and older. It’s a numerical variable measured in years.

References

Hawkins, B.R., & McCambridge, J. (2023). Association Between Daily Alcohol Intake and Risk of All-Cause Mortality: A Systematic Review and Meta-analyses. JAMA Network Open.

This study found that daily low or moderate alcohol intake was not significantly associated with all-cause mortality risk, while increased risk was evident at higher consumption levels, starting at lower levels for women than men.

Murakami, K., & Hashimoto, H. (2019). Associations of education and income with heavy drinking and problem drinking among men: evidence from a population-based study in Japan. BMC Public Health.

The study revealed that lower educational attainment was significantly associated with increased risks of both non-problematic heavy drinking and problem drinking. Lower income was significantly associated with a lower risk of non-problematic heavy drinking, but not of problem drinking.

Nooyens, A.C.J., Bueno-de-Mesquita, H.B., van Boxtel, M.P.J., van Gelder, B.M., Verhagen, H., & Verschuren, W.M.M. (2020). Alcohol consumption in later life and reaching longevity: the Netherlands Cohort Study. Age and Ageing.

The study found that in women, the total consumption of alcoholic beverages was inversely associated with the decline in global cognitive function over a 5-year period. Red wine consumption was inversely associated with the decline in global cognitive function as well as memory and flexibility.

Rigelsky, M., & Zelenka, V. (2021). Does Alcohol Consumption Affect Life Expectancy in OECD Countries. ResearchGate.

The research concluded that higher income was associated with greater longevity throughout the income distribution. The gap in life expectancy between the richest 1% and poorest 1% of individuals was 14.6 years for men and 10.1 years for women.

Chetty, R., Stepner, M., Abraham, S., Lin, S., Scuderi, B., Turner, N., Bergeron, A., & Cutler, D. (2016). The Association Between Income and Life Expectancy in the United States, 2001-2014. JAMA.

The study found that higher income was associated with greater longevity, and differences in life expectancy across income groups increased over time. Life expectancy for low-income individuals varied substantially across local areas

Given the variables selected from the Gapminder dataset life expectancy, alcohol consumption, and income per person.

Hypothesis

The socioeconomic status, characterized by factors such as income and education, along with lifestyle choices like alcohol consumption, significantly impacts an individual’s life expectancy and overall health. Specifically, higher income and education levels may be associated with lower risks of heavy and problematic drinking, which in turn could lead to increased longevity. However, the relationship between alcohol consumption and health outcomes might be complex and influenced by factors such as the type and amount of alcohol consumed, and the individual’s overall lifestyle and genetic predisposition.

[adaraygr]

Tarea Semana 1; Cómo poner en marcha su proyecto de investigación.

Gestión y visualización de datos Curso en Coursera, por Wesleyan University

Realizado por; Jose Alonso Adaray Gomez Rivera.

CONJUNTO DE DATOS

Dataset: NESARC

Toda la documentación recaba datos sumamente importantes para su ámbito, sin embargo tuve un interés específico por analizar la tendencia al consumo de la nicotina a través de los cigarrillos. El conjunto de datos y libro de códigos de NESARC, crea un sondeo bastante amplio en los Estados Unidos de América, aunque mi enfoque será considerando la población mexicana que migró a su país vecino.

Hay muchas variables que considero importantes, sin embargo por cuestiones de practicidad y avance ágil, he seleccionado sólo las que se muestran al final del documento en donde se toma en cuenta:

Sexo

Origen (hispano o latino)

Descencencia de origen

Empleo más reciente

Frecuencia con la que se fuma (cigarrillo de tabaco)

Ingreso personal (anual en dólares americanos) y

Frecuencia con la que se consume alcohol (cerveza)

Con estas variables, pretendo explorar principalmente la asociación del consumo de tabaco con el del ingreso económico y alcohol (cerveza), sugiriendo como hipotesis que las personas con dificultades económicas suelen ser propensos al consumo de tabaco y/o alcohol (cerveza).

Como segunda cuestión, considero importante relacionar el sexo, empleo e ingreso del público mexicano con descendencia hispanoamericana que vive en los Estados Unidos de América, con el propósito de averiguar las coincidencias entre los rangos de salarios y empleos, con el hábito del consumo de tabaco.

Mis cuestiones son:

Principalmente: ¿Las personas fumadoras generalmente cuentan con ingresos económicos elevados?

En segundo plano:

¿Influye el tipo de empleo, ingresos y/o sexo al consumo del tabaco?

¿La mayoría de los fumadores son también consumidores de alcohol?(cerveza)?

Con el fin de enriquecer la investigación, es imprescindible hacer referencias respecto al consumo de tabaco y alcohol.

“El consumo de tabaco constituye, en los países desarrollados, la primera causa de mortalidad y morbilidad en adultos que se podría prevenir. En los países desarrollados, el tabaco es responsable del 24% de todas las muertes entre hombres y del 7% entre las mujeres, aunque esta última cifra está aumentando como consecuencia de la incorporación de la mujer a esta adicción. La pérdida de esperanza de vida entre los fumadores es de 14 años de media, dato al que habría que añadir la calidad de vida perdida para resaltar fielmente la importancia de esta enfermedad adictiva”.[1]

“El tabaquismo es uno de los principales problemas de salud pública; constituye la principal causa de muerte prevenible, además de ser la primera causa de años de vida potencialmente perdidos atribuibles a mayor morbilidad y mortalidad de la población general. Con la edad aumenta la prevalencia del consumo que se inicia en edades tempranas. Asimismo, cerca del 90% de los fumadores inician antes de los 18 años.

En América Latina y el Caribe los bajos ingresos económicos se asocian con una mayor prevalencia (del 45%) en el consumo de tabaco. En especial, en Sudamérica, el riesgo de que las personas de ingresos bajos lo consuman es del 63%. Estos hallazgos concuerdan con los obtenidos por otros autores en Europa, quienes confirman la relación entre el consumo de tabaco y un estado socioeconómico bajo. Además, en cuanto a lo ocupacional, algunos autores han señalado que el desempleo es un factor de riesgo para el consumo de sustancias como el tabaco y el alcohol”.[2]

Referencias bibliográficas

[1] Villena Ferrer, A., Morena Rayo, S., Párraga Martínez, I., González Céspedes, M. D., Soriano Fernández, H., & López-Torres Hidalgo, J. (2009). Factores asociados al consumo de tabaco en adolescentes. Revista Clínica de Medicina de Familia, 2(7), 320-325.

[2] Chica-Giraldo, C. D., Álvarez-Heredia, J. F., Naranjo, Y., Martínez-Arias, M. A., Martínez, J. W., Barbosa-Gantiva, O., ... & Cardona-Miranda, L. (2021). Consumo de tabaco y condición de empleo en una región del eje cafetero colombiano. Revista de Salud Pública, 23(1), 1.

LIBRO DE CODIGOS

A continuación añado imágenes del Codebook, donde se aprecian las variables que seleccioné para mi tema de investigación.

Gracias por tomarse el tiempo de leer mi post, saludos.

[mysticaldata]

First Task

Hi! I'm Maria and i'm currently taking a Data analysis course. I will be working with a data set called NESARC - National Epidemiologic Survey of Drug Use and Health Code Book, trying to answer to the question Are the familiar history of alcoholism and the generalized anxiety related? Taking on account the studies reviewed and the experiment carried out by Merikangas et.al (1998) where they studied the patterns of familial aggregation and co-morbidity of alcoholism and anxiety disorders in the relatives of 165 people selected from treatment programs or at random. The results showed:

"(1) alcoholism was associated with anxiety disorders in the relatives, particularly among females;

(2) both alcoholism and anxiety disorders were highly familial;

(3) the familial aggregation of alcoholism was attributable to alcohol dependence rather than to alcohol abuse, particularly among male relatives; and

(4) the pattern of co-aggregation of alcohol dependence and anxiety disorders in families differed according to the subtype of anxiety disorder"

Considering that information, the expected result is a positive relation between the variables selected (mentioned before).

If you want to know more about the article I mentioned you can purchase it at: https://www.cambridge.org/core/journals/psychological-medicine/article/abs/comorbidity-and-familial-aggregation-of-alcoholism-and-anxiety-disorders/0E13BB54FBE3C6AD7131B6F272FCB06F

Absolutely excited about de process! ^^

[datascience-2023]

Developing a Research question and creating personal codebook. Week 1 Homework

Upon reviewing the codebook for the NESARC study, my focus is primarily on alcohol abuse. I plan to utilize several variables, including the frequency and intensity of alcohol consumption, demographic factors, and lifestyle factors. Additionally, I intend to incorporate all relevant variables into my personal codebook for this research. I have printed following pages, 30,46,77, 125, 299, 316 so far and will print more as needed.

My topic is, “Association between alcohol abuse and chronic depression.”

While alcohol abuse serves as a solid initial focus, I recognize the necessity of clarifying my specific interests within this domain. After careful consideration, I find myself particularly intrigued by the relationship between the amount of alcohol consumed and the development of alcohol dependence. To facilitate this exploration, I augment my codebook to include variables that capture alcohol levels, such as frequency and intensity of alcohol consumption, as well as quantity and frequency. My second topic of interest revolves around the question, "What is the threshold at which a person becomes alcohol dependent?"

The article, “Alcohol consumption and major depression in the general population: the critical importance of dependence” emphasizes on the relationship between alcohol consumption and major depression. It is based on a longitudinal study of a large population cohort in Canada over 12 years. It evaluates different patterns of alcohol use and major depressive episodes (MDEs) using the Composite International Diagnostic Interview Short Form (CIDI-SF). The study found that respondents with alcohol dependence were at higher risk of MDE, but any alcohol consumption, exceeding guidelines for moderate drinking and binge drinking were not Respondents with MDE showed no increase of alcohol consumption, but the risk of alcohol dependence was elevated in depressed men.

The second article titled "Gender Differences in the Relation between Depressive Symptoms and Alcohol Problems: A Longitudinal Perspective" investigates the longitudinal relationship between depressive symptoms and alcohol problems, specifically focusing on gender differences. The study aims to clarify and extend previous research by examining whether depressive symptoms predict subsequent alcohol problems for females, while alcohol problems predict subsequent depressive symptoms for males. Overall, the study adds to the existing literature on the comorbidity of depression and alcohol problems and underscores the significance of considering gender-specific factors in understanding these relationships. It encourages further research in this domain to provide more comprehensive insights into the dynamic interplay between depressive symptoms and alcohol problems over time.

References:

Bulloch, A., Lavorato, D., Williams, J. & Patten, S. (2012). Alcohol consumption and major depression in the general population: the critical importance of dependence. Depress Anxiety, 29(12), 1058. 10.1002/da.22001.

Moscato, B. S., Russell, M., Zielezny, M., Bromet, E., Egri, G., Mudar, P., & Marshall, J. R. (1997). Gender Differences in the Relation between Depressive Symptoms and Alcohol Problems: A Longitudinal Perspective. American Journal of Epidemiology, 146(11), 966-974.

There is a positive association between alcohol abuse and chronic depression. Individuals who engage in higher levels of alcohol abuse, as indicated by increased frequency and intensity of alcohol consumption, are more likely to experience chronic depression compared to those with lower levels of alcohol abuse.

[uaem2024]

Asociación del consumo de alcohol en la adolescencia y el trabajo en la vida adulta

Paso 1: Una vez revisado el libro de códigos del estudio NESARC, decidí que es de mi interés el efecto que el consumo de alcohol durante la adolescencia puede tener en la vida adulta, generando la siguiente pregunta de investigación. 

¿Qué efecto tiene la edad de inicio de consumo de alcohol y la magnitud de consumo en el trabajo que se tiene en la vida adulta? 

Paso 2: Inicio del consumo de alcohol 

El consumo de alcohol a lo largo de la vida se puede ver influido por el momento en que inició dicho consumo, por ejemplo la adolescencua, lo que representaría un posible tiempo prolongado de exposición a sus efectos, no solo a nivel biológico o de salud, si no su influencia en el entorno y en el desarrollo para convertirse en adulto. El consumo de alcohol podría afectar la toma de decisiones, lo cual puede llevar a una menor motivación para el rendimiento académico; podría influir en el desarrollo de habilidades para el estudio o para comprender y completar satisfactoriamente las unidades de aprendizaje. 

Por otro lado, pueden desarrollarse problemas de salud física como padecimientos hepáticos, menor masa muscular y carencia de nutrimentos, lo cual podría condicionar las habilidades para el trabajo en la vida adulta. 

Del mismo modo se puede afectar la salud mental, habiendo dificultades en el manejo del estrés, aumento de trastornos depresivos y ansiedad, lo cual podría condicionar la calidad de las relaciones interpersonales necesarias para el trabajo en equipo. 

Paso 3: Libro de códigos 

Age at onset of alcohol dependence (S2BQ2D)

Paso 4: Trabajo actual 

La vida laboral actual se ve influenciada por factores interrelacionados como el nivel socioeconómico, el nivel educativo, el ambiente familiar, la calidad de la educación y problemas de alcoholismo, que en conjunto podría afectar las competencias y oportunidades laborales.

Paso 5: Libro de códigos 

Aun me encuentro analizando que variables usar, el tipo o rama a la que se dedican los encuestados, industria o negocios (S1Q9A); el puesto actual en el que se desenvuelve (S1Q9B).

Estoy considerando analizar otras variables que están relacionadas con el trabajo actual,  como nivel educativo, ingreso familiar, estado civil, abuso de sustancias ilícitas 

Paso 6. Revisión bibliográfica.

Se realizó una busqueda bibliografica en Google Scholar, Pubmed y Scopus, con los terminos de consumo de alcohol en la adolescencia, trabojo actual y consumo de alcohol. 

Los siguientes artículos son similares y pueden contribuir a tener una perspectiva de las covaribales a utilizar.

Virtanen P, Lintonen T, Westerlund H, Nummi T, Janlert U, Hammarström A. Unemployment in the teens and trajectories of alcohol consumption in adulthood. BMJ Open [Internet]. 2016 [citado el 6 de noviembre de 2024];6(3):e006430.

Disponible en: https://bmjopen.bmj.com/content/6/3/e006430

Calling S, Ohlsson H, Sundquist J, Sundquist K, Kendler KS. Socioeconomic status and alcohol use disorders across the lifespan: A co-relative control study. PLoS One [Internet]. 2019;14(10):e0224127. 

Disponible en: http://dx.doi.org/10.1371/journal.pone.0224127

Berg N, Kiviruusu O, Karvonen S, Kestilä L, Lintonen T, Rahkonen O, Huurre T. A 26-Year Follow-Up Study of Heavy Drinking Trajectories from Adolescence to Mid-Adulthood and Adult Disadvantage, Alcohol and Alcoholism, Volume 48, Issue 4, July/August 2013, Pages 452–457,

Disponible en: https://doi.org/10.1093/alcalc/agt026

Paso 7. Hipótesis

Los adolescentes que inician el consumo de alcohol antes de los 18 años tienen mayores probabilidades de experimentar desempleo o trabajos inestables en la adultez, debido a los efectos negativos en el rendimiento acádemico y las habilidades interpresonales.

[mfp2024]

Relación entre la historia familiar y los comportamientos de los hijos

PASO 1: El conjunto de datos que he elegido son los de la historia familiar de la Encuesta epidemiológica nacional sobre el alcohol y las afecciones relacionadas (NESARC)

¿está asociado el comportamiento en familiar con los hábitos de los hijos?

Si en la familia se consume alcohol y/o drogas ¿es definitivo que los hijos adoptarán estos hábitos?

¿Cómo pueden librar los hijos las conductas de consumo de alcohol que ven en sus padres para no adquirirlas?

PASO 2. Quiero estudiar cómo influye la historia familiar en las conductas de los hijos, sobre todo en lo que respecta al consumo de alcohol y drogas.

Me interesa saber cuan determinante resulta lo que viven los hijos en su ambiente familiar en cuanto a su comportamiento sobre todo respecto al consumo de alcohol y/o drogas.

PASO 3. Las páginas del libro que contienen índices del tema elegido tienen que ver con la sección 2D y 3E, sin embargo, revisando un poco más el libro encontré que hay más páginas que tienen información que quizá aporten información ya que se refiere a la historia familiar y se encuentran en las secciones 4B y 11B.

PASO 4. Otro tema que me gustaría explorar es sobre la posibilidad de generar políticas públicas que intervengan en ambientes familiares riesgosos y/o no saludables para los hijos.

PASO 5. Variables a considerar y preguntas:

Familia, Entorno familiar, Historia familiar, Uso de drogas y alcohol, influencia familiar

¿Es el entorno familiar el inicio del consumo de alcohol para los adolescentes?

¿Si en el entorno familiar se consume alcohol y/o drogas los hijos adquieren esos hábitos?

¿La influencia familiar determina si los jóvenes de la familia consumirán alcohol y/o drogas?

PASO 6. Revisé bibliografía de los últimos 5 años respecto al tema seleccionado y encontré las siguientes referencias actualizadas

LA FAMILIA Y EL CONSUMO DE ALCOHOL EN ESTUDIANTES UNIVERSITARIOS https://www.scielo.cl/pdf/cienf/v20n3/art_10.pdf

Funcionalidad familiar e influencia en el consumo de alcohol de estudiantes universitarios https://revistas.usat.edu.pe/index.php/cietna/article/view/705

Prácticas parentales y ansiedad como predictoras del consumo de alcohol en adolescentes https://revistacneipne.org/index.php/cneip/article/view/41

PASO 7.

[ensaaf2024omer]

Logistic Regression Results

Objective: - The objective of the study was to identify the major predictors for incidence of major depression in last 12 months based on NESARC data.

Initially the number of cigarettes smoked and number of alcohol dependence episodes were evaluated as potential predictor variables.

However results as given below were not impressive.

·         p value of 0.72 indicated that relationship is not statistically significant, further confidence interval of co- between -0.004 and 0.003 indicates that  there could be no association between number of alcohol dependence episodes in certain samples selected from population.

·         In case of number of cigarettes smoked, positive relationship as evidenced by co-efficient but p value still insignificant at 0.16

Subsequently age and race was included in logistic regression equation and inference gained is given below.

Ø  Even after controlling for race age is significantly associated with incidence of depression.

Ø  With reference to  Hispanic/Latino , a person of White, Black, American Indian and Asian race in my sample is 1.35,1.01,2.3 and 0.7 respectively times more likely to experience major depression in last 12 months.

Ø  Further for 1 unit increase in age the odds of experiencing depression would increase by 0.98.

 In population at 95% Confidence interval we have following parameters for odds ratio.

Variable

Lower confidence

Upper Confidence

Odds ratio

Intercept

0.064282

0.076089

0.069937

C(ETHRACE2A,Treatment(reference=5))[T.0]

1.224322

1.478891

1.3456

C(ETHRACE2A,Treatment(reference=5))[T.2]

0.899061

1.139098

1.011987

C(ETHRACE2A,Treatment(reference=5))[T.3]

1.837976

2.897429

2.307684

C(ETHRACE2A,Treatment(reference=5))[T.4]

0.55809

0.920394

0.716703

Age_c

0.979133

0.983249

0.981189

 The python code & resultant logistic regression output, which substantiates these inference is given towards the end as Annexure.

To investigate further, ‘number of low mood depression episodes’ was added as explanatory variable to explain the incidence of major depression.

The results were interesting, because as given in table below, it was found that number of low mood depression (S4AQ7_c) were confounding the association between race and incidence of depression. After inclusion of S4AQ7_c, the association between race and depression was not statistically significant.

Co-efficient  /Intercept

Odds ratio

Lower CI

upper CI

P-value

Intercept

0.690202

0.619409

0.769087

0C(ETHRACE2A, White  compared to Hispanic

0.84863

0.752086

0.957568

0.008

C(ETHRACE2A, Black  compared to Hispanic

0.961354

0.824495

1.12093

0.615

C(ETHRACE2A,  American native compared to Hispanic

1.134229

0.844111

1.524059

0.402

C(ETHRACE2A, Asian  compared to Hispanic

0.846278

0.608528

1.176916

0.321

S4AQ7_c(number of  low mood depression episodes)

1.014919

1.013109

1.016733

0Age_c

0.981476

0.978691

0.984268

0 

 Inference for variables with significant association

Ø  For 1 unit increase in age the odds of experiencing major depression would increase by 0.98.

Ø  For 1 unit increase in number of low mood depression episodes the odds of experiencing depression would increase by 1.01.

 Annexure

lreg3 = smf.logit(formula = 'MAJORDEP12 ~ Age_c + C(ETHRACE2A, Treatment (reference=5))', data = df1).fit()

print(lreg3.summary())

#age has negative relationship with major depression in case of race following

# inference can be made with help of odds ratio

print ("Odds ratios")

print (numpy.exp(lreg3.params))

params = lreg3.params

conf = lreg3.conf_int()

conf['OR'] = params

conf.columns = ['Lower CI', 'Upper CI', 'OR']

print (numpy.exp(conf))

#let us try to improve the equation by adding explanatory variable number of

# low mood depression episodes

df1["S4AQ7"] = pd.to_numeric(df1["S4AQ7"], errors='coerce')

df1["S4AQ7_c"] = (df1["S4AQ7"]-df1["S4AQ7"].mean())

lreg4 = smf.logit(formula = 'MAJORDEP12 ~ S4AQ7_c + Age_c + C(ETHRACE2A, Treatment (reference=5))', data = df1).fit()

print(lreg4.summary())

print ("Odds ratios")

print (numpy.exp(lreg4.params))

params = lreg4.params

conf = lreg4.conf_int()

conf['OR'] = params

conf.columns = ['Lower CI', 'Upper CI', 'OR']

Logistic Regression output (generated by running python code)

Logit Regression Results                           (Lreg3)

==============================================================================

Dep. Variable:             MAJORDEP12   No. Observations:                43093

Model:                          Logit   Df Residuals:                    43087

Method:                           MLE   Df Model:                            5

Date:                Fri, 04 Sep 2020   Pseudo R-squ.:                 0.01681

Time:                        18:32:09   Log-Likelihood:                -11901.

converged:                       True   LL-Null:                       -12105.

Covariance Type:            nonrobust   LLR p-value:                 9.696e-86

=============================================================================================================

                                              coef    std err          z     P>|z|      [0.025      0.975]

-------------------------------------------------------------------------------------------------------------

Intercept                                   -2.6602      0.043    -61.843     0.000      -2.744      -2.576

C(ETHRACE2A, Treatment(reference=5))[T.0]     0.2968      0.048      6.160     0.000       0.202       0.391

C(ETHRACE2A, Treatment(reference=5))[T.2]     0.0119      0.060      0.197     0.844      -0.106       0.130

C(ETHRACE2A, Treatment(reference=5))[T.3]     0.8362      0.116      7.202     0.000       0.609       1.064

C(ETHRACE2A, Treatment(reference=5))[T.4]   -0.3331      0.128     -2.610     0.009      -0.583      -0.083

Age_c                                       -0.0190      0.001    -17.744     0.000      -0.021      -0.017

=============================================================================================================

Odds ratios

Intercept                                    0.069937

C(ETHRACE2A, Treatment(reference=5))[T.0]    1.345600

C(ETHRACE2A, Treatment(reference=5))[T.2]    1.011987

C(ETHRACE2A, Treatment(reference=5))[T.3]    2.307684

C(ETHRACE2A, Treatment(reference=5))[T.4]    0.716703

Age_c                                       0.981189

dtype: float64

                                          Lower CI  Upper CI        OR

Intercept                                  0.064282  0.076089 0.069937

C(ETHRACE2A, Treatment(reference=5))[T.0] 1.224322  1.478891  1.345600

C(ETHRACE2A, Treatment(reference=5))[T.2] 0.899061  1.139098  1.011987

C(ETHRACE2A, Treatment(reference=5))[T.3]  1.837976  2.897429 2.307684

C(ETHRACE2A, Treatment(reference=5))[T.4] 0.558090  0.920394  0.716703

Age_c                                     0.979133  0.983249  0.981189

Optimization terminated successfully.

        Current function value: 0.644661

        Iterations 5

                          Logit Regression Results                          

==============================================================================

Dep. Variable:             MAJORDEP12   No. Observations:                 8817

Model:                          Logit   Df Residuals:                     8810

Method:                           MLE   Df Model:                            6

Date:                Fri, 04 Sep 2020   Pseudo R-squ.:                 0.03931

Time:                        18:32:09   Log-Likelihood:               -5684.0

converged:                       True   LL-Null:                       -5916.6

Covariance Type:            nonrobust   LLR p-value:                 2.602e-97

=============================================================================================================

                                              coef    std err          z     P>|z|      [0.025      0.975]

-------------------------------------------------------------------------------------------------------------

Intercept                                   -0.3708      0.055     -6.715     0.000      -0.479      -0.263

C(ETHRACE2A, Treatment(reference=5))[T.0]   -0.1641      0.062     -2.664     0.008      -0.285      -0.043

C(ETHRACE2A, Treatment(reference=5))[T.2]   -0.0394      0.078     -0.503     0.615      -0.193       0.114

C(ETHRACE2A, Treatment(reference=5))[T.3]     0.1260      0.151      0.836     0.403      -0.169       0.421

C(ETHRACE2A, Treatment(reference=5))[T.4]   -0.1669      0.168     -0.992     0.321      -0.497       0.163

S4AQ7_c                                       0.0148      0.001     16.261     0.000       0.013       0.017

Age_c                                       -0.0187      0.001    -12.898     0.000      -0.022      -0.016

=============================================================================================================

Odds ratios

Intercept                                    0.690202

C(ETHRACE2A, Treatment(reference=5))[T.0]    0.848630

C(ETHRACE2A, Treatment(reference=5))[T.2]    0.961354

C(ETHRACE2A, Treatment(reference=5))[T.3]    1.134229

C(ETHRACE2A, Treatment(reference=5))[T.4]    0.846278

S4AQ7_c                                      1.014919

Age_c                                       0.981476

dtype: float64

                                          Lower CI  Upper CI        OR

Intercept                                  0.619409  0.769087 0.690202

C(ETHRACE2A, Treatment(reference=5))[T.0] 0.752086  0.957568  0.848630

C(ETHRACE2A, Treatment(reference=5))[T.2] 0.824495  1.120930  0.961354

C(ETHRACE2A, Treatment(reference=5))[T.3] 0.844111  1.524059  1.134229

C(ETHRACE2A, Treatment(reference=5))[T.4] 0.608528  1.176916  0.846278

S4AQ7_c                                   1.013109  1.016733  1.014919

Age_c                                     0.978691  0.984268  0.981476

Blaze

0 notes

[estebanbarreravazquez]

Métodos

1. Muestra

Población y Criterios de Selección:

La población de estudio original es la población adulta de los Estados Unidos. No obstante, se utilizó un subconjunto de datos del Estudio Nacional de Epidemiología de la Comunidad (NESARC) para este análisis. El NESARC es una encuesta nacional representativa de la población adulta de los Estados Unidos que recolecta información sobre una amplia gama de temas relacionados con la salud, incluyendo la salud mental.

Para este análisis, se seleccionó un subconjunto de participantes del NESARC que completaron la Escala de Depresión del Centro de Estudios Epidemiológicos (CES-D) y proporcionaron información sobre el número de días con mala salud mental en los últimos 30 días, así como datos demográficos y socioeconómicos.

Tamaño de la Muestra:

El tamaño de la muestra final es de 5,000 observaciones.

Descripción de la Muestra:

La muestra final es representativa de la población adulta de los Estados Unidos en términos de edad, sexo, raza/etnia, nivel educativo e ingresos. La edad promedio de los participantes es de 42 años, el 53% son mujeres, el 72% son blancos, el 12% son negros, el 10% son hispanos y el 6% son de otra raza/etnia. El 23% de los participantes tiene menos de secundaria, el 25% tiene secundaria, el 30% tiene alguna universidad y el 22% tiene una licenciatura o superior. El 25% de los participantes tiene ingresos familiares bajos, el 25% tiene ingresos medios-bajos, el 25% tiene ingresos medios y el 25% tiene ingresos altos.

2. Medidas

Variables:

Variable de Respuesta: Depresión Mayor (dicotómica: 1 = Depresión Mayor, 0 = Sin Depresión Mayor)

Variable Explicativa Principal: Días con Mala Salud Mental en los Últimos 30 Días (cuantitativa, centrada)

Variables Explicativas Adicionales:

Sexo (dicotómica: 0 = Hombre, 1 = Mujer)

Edad (años)

Raza/Etnia (categórica: 0 = Blanco, 1 = Negro, 2 = Hispano, 3 = Otro)

Nivel Educativo (categórica: 0 = Menos de Secundaria, 1 = Secundaria, 2 = Alguna Universidad, 3 = Licenciatura o Superior)

Ingresos Familiares (categórica: 1 = Bajos, 2 = Medios-Bajos, 3 = Medios, 4 = Altos)

Gestión de Variables:

La variable "Días con Mala Salud Mental" se centró restando la media muestral.

La variable "Raza/Etnia" se codificó como una variable categórica con cuatro categorías.

La variable "Nivel Educativo" se codificó como una variable categórica con cuatro categorías.

La variable "Ingresos Familiares" se codificó como una variable categórica con cuatro categorías.

3. Análisis

Métodos Estadísticos:

Regresión Logística: Se utilizará un modelo de regresión logística para examinar la asociación entre la variable explicativa principal ("Días con Mala Salud Mental") y la variable de respuesta ("Depresión Mayor"), controlando por las variables explicativas adicionales ("Sexo", "Edad", "Raza/Etnia", "Nivel Educativo" e "Ingresos Familiares"). El modelo de regresión logística proporcionará estimaciones de los cocientes de probabilidades (OR) y sus intervalos de confianza del 95% para cada variable explicativa.

Gráficos de Diagnóstico: Se generarán gráficos de diagnóstico de regresión para evaluar la calidad del modelo, incluyendo un gráfico q-q de los residuos, un gráfico de residuos estandarizados para todas las observaciones y un gráfico de apalancamiento.

Validación Cruzada:

Se utilizará la validación cruzada de 5 pliegues para evaluar la generalización del modelo de regresión logística. La validación cruzada implica dividir los datos en 5 conjuntos de entrenamiento y 5 conjuntos de prueba. El modelo se entrenará en cada conjunto de entrenamiento y se evaluará en su correspondiente conjunto de prueba. El rendimiento del modelo se promediará en los 5 conjuntos de prueba para obtener una estimación más precisa de su generalización.

Nota: Esta sección de Métodos se actualizará a medida que el proyecto avance y se obtengan nuevos resultados.

[regressingnow]

Alcoholism and Major Lifetime Depression : W2 Data Analysis Tools

For the second week’s assignment of Data Analysis Tool on Coursera, we would continue to be working with NESARC’s dataset which contains information on alcohol and drug use and disorders, related risk factors, and associated physical and mental disabilities.

We would be studying the effect of Major Depression in the life of an individual on their alcohol consuming status. We'd be performing an Chi-Square test of Independence test between a categorical explanatory variable (alcohol drinking status ), and a categorical response variable (presence of major lifetime depression). We'll also be restricting the test to include only adults of age between 18-40.

The explanatory variable has 3 groups

Current Drinker

Ex Drinker

Lifetime Abstainer

The response variable has 2 groups.

0. No Lifetime Depression

1. Has Lifetime Depression

The null hypothesis is that there is no association between the drinking status of an individual and the presence of Major Lifetime Depression

Running a Chi-Square Test of Independence between the data for two variables, we get :

In the first table, the table of counts of the response variable by the explanatory variable, we see the number of individual under each consumer group (1,2, or 3), who do and do not have major lifetime depression. That is, among current drinkers, 10472 individuals do not have a Lifetime depression, while 2768 individuals do suffer from depression.

The next table presents the same data in percentages of individuals with or without lifetime depression under each alcohol consumer group. So 79% of current drinkers do not have major lifetime depression, while 21% do.

The graph below also conveys the same, just for the proportion of individuals under each alcohol consumer group who have Major Lifetime Depression. So, 21% of current drinkers and 20% of Ex-Drinkers have Major Lifetime Depression, while only 11 % of Lifetime abstainers have suffer from depression.

The Chi-Square Value from the test is large, about 168, while the p-value is very small (<< 0.0001), which tells us that the presence of Major Lifetime Depression and the Alcohol-Consuming Status of an individual are significantly associated.

The explanatory variable has 3 categories, and by observing the plot we can infer say that the Life-Time Abstainers had a significantly lower rate of life-time depression diagnosis compared to the current-drinkers and ex-drinkers. To quantitatively verify the same, and to avoid a type 1 error, we'll use the Bonferroni Adjustment Posthoc test.

Since we need to make only three pairs of comparisons, we would evaluate significance at the adjusted p-value of 0.017 (0.05/3).

Now, running a chi-square test between just the group 1 and 2 of Alcohol-Consumer Status we get a low Chi-Square value of 0.211 and a large p-value 0.64 >> 0.017. We hence will accept the null-hypothesis that there is no significant difference in the rates of Major Lifetime Depression among current-drinkers and ex-drinkers.

Running a chi-square test between just the group 1 and 3 of Alcohol-Consumer Status we get a high Chi-Square value of 165 and a low p-value << 0.017. We hence will reject the null-hypothesis that there is no significant difference in the rates of Major Lifetime Depression among current-drinkers and life-time abstainers.

Finally, using a chi-square test between just the group 2 and 3 of Alcohol-Consumer Status we get a high Chi-Square value of 89 and a low p-value << 0.017. We hence will once again reject the null-hypothesis that there is no significant difference in the rates of Major Lifetime Depression among Ex-Drinkers and life-time abstainers.

Thus, using the Bonferroni Adjustment, we can conclude that there is a significant difference in the occurrence of major life-time depression between Lifetime alcohol Abstainers as compared to current-drinkers or ex-drinkers. However, the rate of depression is not significantly different between current-drinkers and ex-drinkers.

Python Code

@author: DKalaikadal159607 """

import pandas import numpy import scipy.stats import seaborn import matplotlib.pyplot as plt

data = pandas.read_csv('nesarc.csv', low_memory=False)

#new code setting variables you will be working with to numeric

data['MAJORDEPLIFE'] = pandas.to_numeric(data['MAJORDEPLIFE'], errors='coerce') data['CONSUMER'] = pandas.to_numeric(data['CONSUMER'], errors='coerce') data['AGE'] = pandas.to_numeric(data['AGE'], errors='coerce')

#subset data to young adults age 18 to 40

sub1=data[(data['AGE']>=18) & (data['AGE']<=40)]

#make a copy of my new subsetted data

sub2 = sub1.copy()

#contingency table of observed counts

ct1=pandas.crosstab(sub2['MAJORDEPLIFE'], sub2['CONSUMER']) print (ct1)

colsum=ct1.sum(axis=0) colpct=ct1/colsum print(colpct)

print ('chi-square value, p value, expected counts') cs1= scipy.stats.chi2_contingency(ct1) print (cs1)

seaborn.catplot(x="CONSUMER", y="MAJORDEPLIFE", data=sub2, kind="bar", ci=None) plt.xlabel('Alcohol Consumer Status') plt.ylabel('Proportion with Major Depression')

recode2 = {1: 1, 2: 2} sub2['COMP1v2']= sub2['CONSUMER'].map(recode2)

#contingency table of observed counts

ct2=pandas.crosstab(sub2['MAJORDEPLIFE'], sub2['COMP1v2']) print (ct2)

#column percentages

colsum=ct2.sum(axis=0) colpct=ct2/colsum print(colpct)

print ('chi-square value, p value, expected counts') cs2= scipy.stats.chi2_contingency(ct2) print (cs2)

recode3 = {1: 1, 3:3 } sub2['COMP1v3']= sub2['CONSUMER'].map(recode3)

#contingency table of observed counts

ct3=pandas.crosstab(sub2['MAJORDEPLIFE'], sub2['COMP1v3']) print (ct3)

#column percentages

colsum=ct3.sum(axis=0) colpct=ct3/colsum print(colpct)

print ('chi-square value, p value, expected counts') cs3= scipy.stats.chi2_contingency(ct3) print (cs3)

recode4 = {2: 2, 3: 3} sub2['COMP2v3']= sub2['CONSUMER'].map(recode4)

#contingency table of observed counts

ct4=pandas.crosstab(sub2['MAJORDEPLIFE'], sub2['COMP2v3']) print (ct4)

#column percentages

colsum=ct4.sum(axis=0) colpct=ct4/colsum print(colpct)

print ('chi-square value, p value, expected counts') cs4= scipy.stats.chi2_contingency(ct4) print (cs4)

[aprendizaje-datos]

Consumo de alcohol: ¿Un asunto de familia? Análisis de la relación entre el consumo familiar y el consumo individual.

Asignación 4

Puede encontrar el código y el resultado a continuación, incluido un breve resumen.

Creacion de la grafica de los consumidores

Creación de graficas de las tablas creadas anteriormente

Creacion de una graficaa de comparacion de las graficas de las tablas

Código:

#Importación de las librerías necesarias y su renombre para hacer más fácil su uso

import pandas as pd import numpy as np import matplotlib.pyplot as plt

#Importar conjunto de datos

import pandas as pd import numpy as np data = pd.read_csv('nesarc_pds.csv', low_memory=False)

data.colums = map(str.upper, data.columns) pd.set_option('display.float_format', lambda x:'%f'%x)

#Creación de los datos obtenidos del repositorio de NESARC a forma numérica y la eliminación de datos incompletos.

data['CONSUMER'] = pd.to_numeric(data['CONSUMER'].replace(9, np.nan)) #ESTATUS DE BEBIDA data['S2DQ1'] = pd.to_numeric(data['S2DQ1'].replace(9, np.nan)) #PADRE NATURAL/DE SANGRE ¿SIEMPRE FUE ALCOHÓLICO O BEBEDOR PROBLEMÁTICO? data['S2DQ2'] = pd.to_numeric(data['S2DQ2'].replace(9, np.nan)) #MADRE NATURAL/DE SANGRE ¿SIEMPRE FUE ALCOHÓLICO O BEBEDOR PROBLEMÁTICO? data['S2DQ3C2'] = pd.to_numeric(data['S2DQ3C2'].replace(9, np.nan)) #¿HAY ALGUNOS HERMANOS COMPLETOS ALGUNOS ALCOHÓLICOS O BEBEDORES PROBLEMÁTICOS? data['S2DQ4C2'] = pd.to_numeric(data['S2DQ4C2'].replace(9, np.nan)) #¿HAY ALGUNA HERMANA CARPETA ALGUNA VEZ ALCOHÓLICA O BEBEDORA PROBLEMÁTICA? data['S2DQ5C2'] = pd.to_numeric(data['S2DQ5C2'].replace(9, np.nan)) #¿ALGUNOS HIJOS NATURALES ALGUNOS ALCOHÓLICOS O BEBEDORES PROBLEMÁTICOS? data['S2DQ6C2'] = pd.to_numeric(data['S2DQ6C2'].replace(9, np.nan)) #¿HAY ALGUNA HIJA NATURAL ALGUNA QUE SEAN ALCOHÓLICAS O BEBEDORES PROBLEMÁTICOS? data['S2DQ7C2'] = pd.to_numeric(data['S2DQ7C2'].replace(9, np.nan)) #¿ALGUNO DE LOS HERMANOS COMPLETOS DEL PADRE NATURAL SEAN ALCOHÓLICOS O BEBEDORES PROBLEMÁTICOS? data['S2DQ9C2'] = pd.to_numeric(data['S2DQ9C2'].replace(9, np.nan)) #¿ALGUNO DE LOS HERMANOS COMPLETOS DE LA MADRE NATURAL SEAN ALCOHÓLICOS O BEBEDORES PROBLEMÁTICOS? data['S2DQ10C2'] = pd.to_numeric(data['S2DQ10C2'].replace(9, np.nan)) #¿ALGUNA DE LAS HERMANAS DE LA MADRE NATURAL FUE ALGUNA VEZ ALCOHÓLICA O BEBEDORA PROBLEMÁTICA? data['S2DQ11'] = pd.to_numeric(data['S2DQ11'].replace(9, np.nan)) #ABUELO NATURAL POR LADO PATERNO SIEMPRE ALCOHÓLICO O BEBEDOR PROBLEMÁTICO data['S2DQ12'] = pd.to_numeric(data['S2DQ12'].replace(9, np.nan)) #ABUELA NATURAL POR LADO PATERNO ¿SIEMPRE FUE ALCOHÓLICA O BEBEDORA PROBLEMÁTICA? data['S2DQ13A'] = pd.to_numeric(data['S2DQ13A'].replace(9, np.nan)) #ABUELO NATURAL POR LADO MATERNO ¿SIEMPRE FUE ALCOHÓLICO O BEBEDOR PROBLEMÁTICO? data['S2DQ13B'] = pd.to_numeric(data['S2DQ13B'].replace(9, np.nan)) #ABUELA NATURAL POR LADO MATERNO ¿SIEMPRE FUE ALCOHÓLICA O BEBEDORA PROBLEMÁTICA?Ç

c1 = data.groupby('CONSUMER').size()* 100 / len(data)

#Creacion de los filtros usados para poder clasificar los datos de acuerdo a los estatus de consumo

sub = data[(data['CONSUMER'] == 1)] sub1 = sub subb = data[(data['CONSUMER'] == 2)] sub2 = subb subbb = data[(data['CONSUMER'] == 3)] sub3 = subbb

#Transformación de datos numéricos a porcentuales y filtrado de los datos

padre = sub1["S2DQ1"].value_counts(sort= False, normalize=True)* 100 padre2 = sub2["S2DQ1"].value_counts(sort= False, normalize=True)* 100 padre3 = sub3["S2DQ1"].value_counts(sort= False, normalize=True)* 100

madre = sub1["S2DQ2"].value_counts(sort= False, normalize=True)* 100 madre2 = sub2["S2DQ2"].value_counts(sort= False, normalize=True)* 100 madre3 = sub3["S2DQ2"].value_counts(sort= False, normalize=True)* 100

hermanos = sub1["S2DQ3C2"].value_counts(sort= False, normalize=True)* 100 hermanos2 = sub2["S2DQ3C2"].value_counts(sort= False, normalize=True)* 100 hermanos3 = sub3["S2DQ3C2"].value_counts(sort= False, normalize=True)* 100

hermanas = sub1["S2DQ4C2"].value_counts(sort= False, normalize=True)* 100 hermanas2 = sub2["S2DQ4C2"].value_counts(sort= False, normalize=True)* 100 hermanas3 = sub3["S2DQ4C2"].value_counts(sort= False, normalize=True)* 100

hijos = sub1["S2DQ5C2"].value_counts(sort= False, normalize=True)* 100 hijos2 = sub2["S2DQ5C2"].value_counts(sort= False, normalize=True)* 100 hijos3 = sub3["S2DQ5C2"].value_counts(sort= False, normalize=True)* 100

hijas = sub1["S2DQ6C2"].value_counts(sort= False, normalize=True)* 100 hijas2 = sub2["S2DQ6C2"].value_counts(sort= False, normalize=True)* 100 hijas3 = sub3["S2DQ6C2"].value_counts(sort= False, normalize=True)* 100

tio_p = sub1["S2DQ7C2"].value_counts(sort= False, normalize=True)* 100 tio_p2 = sub2["S2DQ7C2"].value_counts(sort= False, normalize=True)* 100 tio_p3 = sub3["S2DQ7C2"].value_counts(sort= False, normalize=True)* 100

tio_m = sub1["S2DQ9C2"].value_counts(sort= False, normalize=True)* 100 tio_m2 = sub2["S2DQ9C2"].value_counts(sort= False, normalize=True)* 100 tio_m3 = sub3["S2DQ9C2"].value_counts(sort= False, normalize=True)* 100

tia_m = sub1["S2DQ10C2"].value_counts(sort= False, normalize=True)* 100 tia_m2 = sub2["S2DQ10C2"].value_counts(sort= False, normalize=True)* 100 tia_m3 = sub3["S2DQ10C2"].value_counts(sort= False, normalize=True)* 100

abuelo_p = sub1["S2DQ11"].value_counts(sort= False, normalize=True)* 100 abuelo_p2 = sub2["S2DQ11"].value_counts(sort= False, normalize=True)* 100 abuelo_p3 = sub3["S2DQ11"].value_counts(sort= False, normalize=True)* 100

abuela_p = sub1["S2DQ12"].value_counts(sort= False, normalize=True)* 100 abuela_p2 = sub2["S2DQ12"].value_counts(sort= False, normalize=True)* 100 abuela_p3 = sub3["S2DQ12"].value_counts(sort= False, normalize=True)* 100

abuelo_m = sub1["S2DQ13A"].value_counts(sort= False, normalize=True)* 100 abuelo_m2 = sub2["S2DQ13A"].value_counts(sort= False, normalize=True)* 100 abuelo_m3 = sub3["S2DQ13A"].value_counts(sort= False, normalize=True)* 100

abuela_m = sub1["S2DQ13B"].value_counts(sort= False, normalize=True)* 100 abuela_m2 = sub2["S2DQ13B"].value_counts(sort= False, normalize=True)* 100 abuela_m3 = sub3["S2DQ13B"].value_counts(sort= False, normalize=True)* 100

#crear e imprimir tablas de frecuencias (con etiquetas) usando el primer filtro

print('Porcentaje de Consumo de Alcohol de los familiares de bebedores actuales') print('El consumo de alcohol esta dado por: 1-Si, 2-No') tabla = {'padre': padre, 'madre': madre, 'hermanos':hermanos, 'hermanas': hermanas, 'hijos': hijos, 'hijas': hijas, 'tio paterno':tio_p, 'tio materno': tio_m, 'tia materno': tia_m, 'abuelo paterno':abuelo_p, 'abuela paterno': abuela_p, 'abuelo materno': abuelo_m, 'abuela materno': abuela_m} df = pd.DataFrame(tabla) print(df)

#crear e imprimir tablas de frecuencias (con etiquetas) usando el segundo filtro

print('El consumo de alcohol esta dado por: 1-Si, 2-No') tabla2 = {'padre': padre2, 'madre': madre2, 'hermanos':hermanos2, 'hermanas': hermanas2, 'hijos': hijos2, 'hijas': hijas2, 'tio paterno':tio_p2, 'tio materno': tio_m2, 'tia materno': tia_m2, 'abuelo paterno':abuelo_p2, 'abuela paterno': abuela_p2, 'abuelo materno': abuelo_m2, 'abuela materno': abuela_m2} df2 = pd.DataFrame(tabla2) print('Porcentace de consumo de alcohol de los familiares de ex-bebedores') print(df2)

#crear e imprimir tablas de frecuencias (con etiquetas) usando el tercer filtro

print('El consumo de alcohol esta dado por: 1-Si, 2-No') tabla3 = {'padre': padre3, 'madre': madre3, 'hermanos':hermanos3, 'hermanas': hermanas3, 'hijos': hijos3, 'hijas': hijas3, 'tio paterno':tio_p3, 'tio materno': tio_m3, 'tia materno': tia_m3, 'abuelo paterno':abuelo_p3, 'abuela paterno': abuela_p3, 'abuelo materno': abuelo_m3, 'abuela materno': abuela_m3} df3 = pd.DataFrame(tabla3) print('Porcentaje de Consumo de Alcohol de los familiares de abstemios de por vida') print(df3)

#Calcular los porcentajes para cada categoría de CONSUMER

consumer_counts = data['CONSUMER'].value_counts(normalize=True) * 100

#Crear un diccionario para asignar etiquetas descriptivas a los valores de CONSUMER

labels = {1: 'Bebedor actual', 2: 'Ex bebedor', 3: 'Abstemio de por vida'}

#Reemplazar los valores de CONSUMER con las etiquetas en el DataFrame

consumer_counts = data['CONSUMER'].replace(labels).value_counts(normalize=True) * 100

#Crear la gráfica de pastel con las etiquetas personalizadas

consumer_counts.plot(kind='pie', figsize=(8, 8), autopct='%1.1f%%', startangle=90,

colors=['lightcoral', 'gold', 'lightgreen'], labels=consumer_counts.index)

plt.title('Distribución del Estatus de Consumo de Alcohol (CONSUMER)')

plt.ylabel('')

#Mostrar la gráfica

plt.tight_layout()

plt.show()

#Crear la primer grafica de comparacion del consumo de Porcentaje de Consumo de Alcohol de los familiares de bebedores actuales df_grouped = df.T df_grouped.plot(kind='bar', figsize=(14, 8), width=0.8) plt.title('Porcentaje de Consumo de Alcohol de los familiares de bebedores actuales') plt.xlabel('Parentesco') plt.ylabel('Porcentaje') plt.xticks(rotation=45) plt.grid(axis='y') plt.legend( title='Respuesta', labels=['Sí', 'No'], title_fontsize='13', fontsize='11') plt.tight_layout() plt.show()

#Crear la primer grafica de comparacion del consumo de Porcentaje de Consumo de Alcohol de los familiares de Ex bebedores df2_grouped = df2.T df2_grouped.plot(kind='bar', figsize=(14, 8), width=0.8) plt.title('Porcentaje de Consumo de Alcohol de los familiares de Ex bebedores') plt.xlabel('Parentesco') plt.ylabel('Porcentaje') plt.xticks(rotation=45) plt.grid(axis='y') plt.legend( title='Respuesta', labels=['Sí', 'No'], title_fontsize='13', fontsize='11') plt.tight_layout() plt.show()

#Crear la primer grafica de comparacion del consumo de Porcentaje de Consumo de Alcohol de los familiares de abstemios de por vida df3_grouped = df3.T df3_grouped.plot(kind='bar', figsize=(14, 8), width=0.8) plt.title('Porcentaje de Consumo de Alcohol de los familiares de abstemios de por vida') plt.xlabel('Parentesco') plt.ylabel('Porcentaje') plt.xticks(rotation=45) plt.grid(axis='y') plt.legend( title='Respuesta', labels=['Sí', 'No'], title_fontsize='13', fontsize='11') plt.tight_layout() plt.show()

Salida:

Tabla de porcentajes del historial de abuso en el consumo de alcohol de los familiares de bebedores actuales.

Tabla de porcentajes del historial de abuso en el consumo de alcohol de los familiares de ex-bebedores.

Tabla de porcentajes del historial de abuso en el consumo de alcohol de los familiares de abstemios de por vida.

crear grafica del porcentaje de consumo de los estudiados

creacion de la grafica de la primera tabla creada de comparacion con los datos.

creacion de la grafica de la segunda tabla creada de comparacion con los datos.

creacion de la grafica de la tercera tabla creada de comparacion con los datos.

comparacion de los 3 graficos anteriores para una mejor comparacion.

RESUMEN BREVE:

Se observa un mayor porcentaje de abuso de alcohol en los familiares de los sujetos con "ex-bebedores", seguido de forma muy cercana por aquellos familiares de los "bebedores actuales".

Lo cual nos puede dar a entender que hay una influencia familiar para acercar a las personas a un consumo de alcohol y posteriormente a un abandono del consumo.

[path-to-digital-success]

Exploring the Association Between Alcohol Use and Mental Health in NESARC Data

Step 1: Data Set Selection

After exploring the datasets provided, I have chosen to work with the NESARC (National Epidemiologic Survey on Alcohol and Related Conditions) dataset. The NESARC study provides a wealth of information on the prevalence of alcohol and drug use disorders, psychiatric conditions, and the various social and health correlates associated with them. This dataset contains numerous variables relating to substance use, mental health, socio-demographic data, and more, making it an excellent resource for examining associations between these constructs.

Step 2: Topic of Interest

The primary topic I would like to explore is alcohol consumption and its association with mental health disorders. Specifically, I am interested in understanding whether levels of alcohol consumption (e.g., binge drinking or frequency of use) are associated with the prevalence of depressive symptoms or anxiety disorders. Given the growing public health concern surrounding alcohol misuse and mental health, this analysis will contribute to understanding the potential co-occurrence of these issues.

Step 3: Initial Codebook Development

In my personal codebook, I have included variables that are directly related to alcohol use and mental health. These variables have been selected from the larger NESARC dataset, and I will focus on the following topics:

Alcohol Use Variables:

Frequency of alcohol consumption (e.g., number of drinks per week/month)

Frequency of binge drinking (e.g., number of days with 5 or more drinks)

Age at first alcohol use

Lifetime and current alcohol dependence diagnoses

Mental Health Variables:

Diagnosis of depression (both lifetime and current)

Diagnosis of anxiety disorder (both lifetime and current)

Episodes of major depressive disorder

Prescription of medications for mental health conditions

Step 4: Secondary Topic of Interest

To expand the analysis, I would like to explore how socio-demographic factors such as income level and employment status are associated with both alcohol consumption and mental health disorders. By including these socio-demographic variables, I can assess whether certain population subgroups are more vulnerable to both conditions and whether financial or occupational stressors might influence both alcohol misuse and mental health outcomes.

Step 5: Expanded Codebook Development

In addition to the alcohol use and mental health variables, I have now included:

Socio-Demographic Variables:

Household income level

Employment status (e.g., employed, unemployed, retired)

Marital status

Education level

Step 6: Literature Review

To understand the current state of research on the relationship between alcohol use, mental health, and socio-demographic factors, I conducted a literature review using Google Scholar and the following search terms:

“Alcohol use and depression”

“Alcohol use and anxiety disorder”

“Socio-economic status and alcohol consumption”

“Mental health and employment status”

Key Findings from the Literature:

Alcohol Use and Mental Health: Several studies confirm a strong association between heavy alcohol consumption and increased risk for depression and anxiety disorders. For example, research by Grant et al. (2004) in the Journal of Clinical Psychiatry showed that individuals with alcohol dependence are significantly more likely to report symptoms of depression and anxiety compared to the general population.

Socio-Demographic Factors: Research by Keyes et al. (2010) found that lower income levels and unemployment are correlated with higher levels of alcohol misuse and poorer mental health outcomes. Individuals in lower socio-economic brackets also reported greater levels of stress, which may contribute to both alcohol consumption and mental health issues.

Gender Differences: Studies also suggest that men and women may experience these associations differently, with men more likely to exhibit alcohol dependence, while women may be more prone to developing anxiety or depressive symptoms in relation to alcohol use (Nolen-Hoeksema, 2004).

Step 7: Hypothesis Development

Based on the findings from the literature review, I hypothesize the following:

Hypothesis 1: There is a positive association between frequency of alcohol consumption and the likelihood of experiencing depression or anxiety disorders.

Hypothesis 2: Individuals from lower socio-economic backgrounds (i.e., lower household income and unemployment) are more likely to report alcohol dependence and poor mental health outcomes compared to individuals with higher income and stable employment.

Personal Codebook

The following is a list of variables I have selected from the NESARC dataset:

Alcohol Use Variables:

DR1: Number of drinks in a typical drinking day

DR2: Frequency of binge drinking in the past year

ALCOHOL_DEP: Lifetime diagnosis of alcohol dependence

ALCOHOL_USE: Current alcohol use (past month)

Mental Health Variables:

DEPRESSION: Lifetime diagnosis of major depressive disorder

ANXIETY: Lifetime diagnosis of generalized anxiety disorder

MH_MEDICATION: Use of prescription medication for mental health issues

Socio-Demographic Variables:

INCOME: Annual household income

EMPLOYMENT: Current employment status

MARITAL_STATUS: Marital status

EDUCATION: Highest level of education completed

This codebook will guide my future analysis as I explore the relationships between alcohol use, mental health, and socio-demographic factors.

[datavisualizationproject1]

Homeless Veterans and Alcohol Consumption

Peer-Graded Assignment Research PRoject 1

Blog Entry Outline

1. Data Set Chosen

For this assignment, I have chosen a dataset that focuses on veterans, particularly those experiencing homelessness. The dataset includes various variables such as age, gender, duration of homelessness, and substance use, including alcohol consumption. The data is sourced from a government database on veteran affairs, which provides comprehensive information on the health and well-being of veterans.

2. Association to Study

The main focus of my study will be to explore the association between homelessness among veterans and alcohol consumption. The central question is: "Is there a significant relationship between being a homeless veteran and the likelihood or frequency of alcohol consumption?" This investigation aims to uncover whether alcohol consumption is a contributing factor to homelessness among veterans or if it is a consequence of their circumstances.

3. NESARC Alcohol Consumption

4. For the second topic, I would like to explore the association between mental health status and homelessness among veterans. This topic is crucial because mental health challenges, such as PTSD and depression, are prevalent among veterans and may significantly contribute to or exacerbate homelessness.

5. Here are the additional questions/items/variables documenting this second topic:

Mental Health Status: Categorical variable indicating whether the veteran has been diagnosed with any mental health condition (Yes/No).

Type of Mental Health Condition: Categorical variable specifying the type of mental health condition (e.g., PTSD, Depression, Anxiety).

Treatment for Mental Health: Categorical variable indicating whether the veteran is receiving treatment for a mental health condition (Yes/No).

Frequency of Mental Health Symptoms: Ordinal variable measuring how often the veteran experiences symptoms of their mental health condition (e.g., Rarely, Occasionally, Frequently).

6. "Veterans with diagnosed mental health conditions, particularly PTSD and depression, are more likely to experience homelessness compared to veterans without such conditions. Additionally, the presence of untreated mental health symptoms will be associated with a higher frequency and duration of homelessness among veterans."

[bogeyman92]

Peer-Graded Assignment Research PRoject 1

Blog Entry Outline

1. Data Set Chosen

For this assignment, I have chosen a dataset that focuses on veterans, particularly those experiencing homelessness. The dataset includes various variables such as age, gender, duration of homelessness, and substance use, including alcohol consumption. The data is sourced from a government database on veteran affairs, which provides comprehensive information on the health and well-being of veterans.

2. Association to Study

The main focus of my study will be to explore the association between homelessness among veterans and alcohol consumption. The central question is: "Is there a significant relationship between being a homeless veteran and the likelihood or frequency of alcohol consumption?" This investigation aims to uncover whether alcohol consumption is a contributing factor to homelessness among veterans or if it is a consequence of their circumstances.

3. NESARC Alcohol Consumption

4. For the second topic, I would like to explore the association between mental health status and homelessness among veterans. This topic is crucial because mental health challenges, such as PTSD and depression, are prevalent among veterans and may significantly contribute to or exacerbate homelessness.

5. Here are the additional questions/items/variables documenting this second topic:

Mental Health Status: Categorical variable indicating whether the veteran has been diagnosed with any mental health condition (Yes/No).

Type of Mental Health Condition: Categorical variable specifying the type of mental health condition (e.g., PTSD, Depression, Anxiety).

Treatment for Mental Health: Categorical variable indicating whether the veteran is receiving treatment for a mental health condition (Yes/No).

Frequency of Mental Health Symptoms: Ordinal variable measuring how often the veteran experiences symptoms of their mental health condition (e.g., Rarely, Occasionally, Frequently).

6. "Veterans with diagnosed mental health conditions, particularly PTSD and depression, are more likely to experience homelessness compared to veterans without such conditions. Additionally, the presence of untreated mental health symptoms will be associated with a higher frequency and duration of homelessness among veterans."