Socioeconomic patterning of self-rated health trajectories in Canada: A mixture latent Markov model

This thesis investigates the association between socioeconomic position and self-rated health trajectories among Canadians. Data come from the Survey of Labour and Income Dynamics (SLID), Panel 4 (year 2002 to 2008), conducted by Statistics Canada. These longitudinal data are analyzed using mixed la...

Full description

Bibliographic Details
Main Author: Koh, Maria
Other Authors: Amélie Quesnel Vallée (Internal/Supervisor)
Format: Others
Language:en
Published: McGill University 2012
Subjects:
Online Access:http://digitool.Library.McGill.CA:80/R/?func=dbin-jump-full&object_id=110661
Description
Summary:This thesis investigates the association between socioeconomic position and self-rated health trajectories among Canadians. Data come from the Survey of Labour and Income Dynamics (SLID), Panel 4 (year 2002 to 2008), conducted by Statistics Canada. These longitudinal data are analyzed using mixed latent Markov model which allows for modeling multiple trajectories of health. Goodness of fit tests showed three trajectories (good health, poor health, and fluctuating health) to provide the best fit to the data. The results show that more than three quarters of Canadians were in the constant good health trajectory whereas 13.95% and 7.99% of Canadians were respectively in the persistent ill health trajectory and fluctuating health trajectory. The relative risk ratios indicate that increasing income and education are independently associated with a greater likelihood of belonging to the persistent good health trajectory rather than the persistent poor health trajectory. Both associations accounted for possible confounders including gender, age, marital status, immigrant status and visible minority status. These results suggest that a socioeconomic gradient exists in the likelihood of belonging to given health trajectories. In addition, the use of mixed latent Markov model is robust in accounting for certain issues inherent to longitudinal analysis. Notably, the Markov chain models the dependency between repeated measurements within the same individual; it allows for the modeling of the latent variables estimate measurement error; the heterogeneity of the population is accounted by finite mixture modeling; and lastly, missing data are dealt with using full information maximum likelihood. === Cette thèse étudie l'association entre la position socioéconomique et les trajectoires de santé perçue parmi la population canadienne. Les données proviennent de l'Enquête sur la dynamique du travail et du revenu (EDTR) de Statistique Canada. Ces données longitudinales couvrant la période 2002-2008 sont analysées à l'aide de chaines de Markov avec variables latentes, qui permettent de modéliser les trajectoires de santé perçue des individus. Les résultats indiquent que plus de trois Canadiens sur quatre appartiennent à la trajectoire de bonne santé stable, alors que 13.95% et 7.99% des Canadiens se trouvent respectivement dans les trajectoires de mauvaise santé persistante et de santé instable. Les ratios de risque indiquent qu'il existe un gradient inverse entre le niveau de revenu et le degré d'instruction et le risque d'appartenir à la trajectoire de mauvaise santé plutôt qu'à celle de bonne santé. Cette association persiste suite à l'ajout des caractéristiques sociodémographiques telles le sexe, l'âge, et les statuts matrimonial, d'immigrant et de minorité visible. Ces résultats établissent la présence d'un gradient socioéconomique dans les trajectoires de santé, démonstration qui n'avait jusqu'à maintenant pas été faite au Canada. Qui plus est, les méthodes utilisées s'avèrent robustes pour l'analyse des données longitudinales et des problèmes qui y sont souvent associés. En effet, les chaines de Markov tiennent explicitement compte de la corrélation entre les réponses fournies à travers le temps par un même individu; l'hétérogénéité dans les trajectoires est prise en compte par un modèle pour un mélange fini de distributions (finite mixture model); les erreurs de mesure sont incorporées dans l'estimation des variables latentes; et enfin, les données manquantes sont estimées à l'aide de l'algorithme du maximum de vraisemblance à information complète (full information maximum likelihood).