Cross-sectional study

This article includes a list of references, but its sources remain unclear because it has

insufficient inline citations. Please help to improve this article by introducing more precise

citations. (April 2009) (Learn how and when to remove this template message)

In medical research and social science, a cross-sectional study (also known as a cross-sectional

analysis, transverse study, prevalence study) is a type of observational study that analyzes data

from a population, or a representative subset, at a specific point in time—that is, cross-sectional

data.

In economics, cross-sectional studies typically involve the use of cross-sectional regression, in

order to sort out the existence and magnitude of causal effects of one or more independent

variables upon a dependent variable of interest at a given point in time. They differ from time

series analysis, in which the behavior of one or more economic aggregates is traced through

time.

In medical research, cross-sectional studies differ from case-control studies in that they aim to

provide data on the entire population under study, whereas case-control studies typically

include only individuals with a specific characteristic, with a sample, often a tiny minority, of

the rest of the population. Cross-sectional studies are descriptive studies (neither longitudinal

nor experimental). Unlike case-control studies, they can be used to describe, not only the odds

ratio, but also absolute risks and relative risks from prevalences (sometimes called prevalence

risk ratio, or PRR).[1][2] They may be used to describe some feature of the population, such

as prevalence of an illness, or they may support inferences of cause and effect. Longitudinal
studies differ from both in making a series of observations more than once on members of the

study population over a period of time.

Contents

1 Healthcare

1.1 Advantages

1.2 Disadvantages

1.2.1 Weaknesses of aggregated data

2 Economics

3 References

3.1 Citations

3.2 Sources

4 External links

Healthcare

Cross-sectional studies involve data collected at a defined time. They are often used to assess

the prevalence of acute or chronic conditions, but cannot be used to answer questions about the

causes of disease or the results of intervention. Cross-sectional data cannot be used to infer

causality because temporality is not known. They may also be described as censuses. Cross-

sectional studies may involve special data collection, including questions about the past, but

they often rely on data originally collected for other purposes. They are moderately expensive,

and are not suitable for the study of rare diseases. Difficulty in recalling past events may also

contribute bias.

Advantages
The use of routinely collected data allows large cross-sectional studies to be made at little or

no expense. This is a major advantage over other forms of epidemiological study. A natural

progression has been suggested from cheap cross-sectional studies of routinely collected data

which suggest hypotheses, to case-control studies testing them more specifically, then to cohort

studies and trials which cost much more and take much longer, but may give stronger evidence.

In a cross-sectional survey, a specific group is looked at to see if an activity, say alcohol

consumption, is related to the health effect being investigated, say cirrhosis of the liver. If

alcohol use is correlated with cirrhosis of the liver, this would support the hypothesis that

alcohol use may be associated with cirrhosis.

Disadvantages

Routine data may not be designed to answer the specific question.

Routinely collected data does not normally describe which variable is the cause and which the

effect. Cross-sectional studies using data originally collected for other purposes are often

unable to include data on confounding factors, other variables that affect the relationship

between the putative cause and effect. For example, data only on present alcohol consumption

and cirrhosis would not allow the role of past alcohol use, or of other causes, to be explored.

Most case-control studies collect specifically designed data on all participants, including data

fields designed to allow the hypothesis of interest to be tested. However, in issues where strong

personal feelings may be involved, specific questions may be a source of bias. For example,

past alcohol consumption may be incorrectly reported by an individual wishing to reduce their

personal feelings of guilt. Such bias may be less in routinely collected statistics, or effectively
eliminated if the observations are made by third parties, for example taxation records of alcohol

by area.

Weaknesses of aggregated data

Cross-sectional studies can contain individual-level data (one record per individual, for

example, in national health surveys). However, in modern epidemiology it may be impossible

to survey the entire population of interest, so cross-sectional studies often involve secondary

analysis of data collected for another purpose. In many such cases, no individual records are

available to the researcher, and group-level information must be used. Major sources of such

data are often large institutions like the Census Bureau or the Centers for Disease Control in

the United States. Recent census data is not provided on individuals, for example in the UK

individual census data is released only after a century. Instead data is aggregated, usually by

administrative area. Inferences about individuals based on aggregate data are weakened by the

ecological fallacy. Also consider the potential for committing the "atomistic fallacy" where

assumptions about aggregated counts are made based on the aggregation of individual level

data (such as averaging census tracts to calculate a county average). For example, it might be

true that there is no correlation between infant mortality and family income at the city level,

while still being true that there is a strong relationship between infant mortality and family

income at the individual level. All aggregate statistics are subject to compositional effects, so

that what matters is not only the individual-level relationship between income and infant

mortality, but also the proportions of low, middle, and high income individuals in each city.

Because case-control studies are usually based on individual-level data, they do not have this

problem.

Economics
In economics, cross-sectional analysis has the advantage of avoiding various complicating

aspects of the use of data drawn from various points in time, such as serial correlation of

residuals. It also has the advantage that the data analysis itself does not need an assumption

that the nature of the relationships between variables is stable over time, though this comes at

the cost of requiring caution if the results for one time period are to be assumed valid at some

different point in time.

An example of cross-sectional analysis in economics is the regression of money demand—the

amounts that various people hold in highly liquid financial assets—at a particular time upon

their income, total financial wealth, and various demographic factors. Each data point is for a

particular individual or family, and the regression is conducted on a statistical sample drawn at

one point in time from the entire population of individuals or families. In contrast, an

intertemporal analysis of money demand would use data on an entire country's holdings of

money at each of various points in time, and would regress that on contemporaneous (or near-

contemporaneous) income, total financial wealth, and some measure of interest rates. The

cross-sectional study has the advantage that it can investigate the effects of various

demographic factors (age, for example) on individual differences; but it has the disadvantage

that it cannot find the effect of interest rates on money demand, because in the cross-sectional

study at a particular point in time all observed units are faced with the same current level of

interest rates.

References

Citations
Schmidt, CO; Kohlmann, T (2008). "When to use the odds ratio or the relative risk?".

International Journal of Public Health. 53 (3): 165–167. doi:10.1007/s00038-008-7068-3.

PMID 19127890.

Lee, James (1994). "Odds Ratio or Relative Risk for Cross-Sectional Data?". International

Journal of Epidemiology. 23 (1): 201–3. doi:10.1093/ije/23.1.201. PMID 8194918.

Studi cross-sectional

Artikel ini termasuk daftar referensi, tetapi sumbernya tetap tidak jelas karena memiliki kutipan

inline yang tidak memadai. Tolong bantu untuk meningkatkan artikel ini dengan

memperkenalkan kutipan yang lebih tepat. (April 2009) (Pelajari bagaimana dan kapan

menghapus pesan template ini)

Dalam penelitian medis dan ilmu sosial, studi cross-sectional (juga dikenal sebagai analisis

cross-sectional, studi transversal, studi prevalensi) adalah jenis studi observasional yang

menganalisis data dari suatu populasi, atau bagian yang representatif, pada titik tertentu dalam

waktu — yaitu, data cross-sectional.

Dalam ilmu ekonomi, studi cross-sectional biasanya melibatkan penggunaan regresi cross-

sectional, untuk memilah keberadaan dan besarnya efek kausal dari satu atau lebih variabel

independen pada variabel dependen yang menarik pada titik waktu tertentu. Mereka berbeda

dari analisis deret waktu, di mana perilaku satu atau lebih agregat ekonomi dilacak melalui

waktu.

Dalam penelitian medis, studi cross-sectional berbeda dari studi kasus-kontrol dalam hal

mereka bertujuan untuk memberikan data pada seluruh populasi yang diteliti, sedangkan studi
kasus-kontrol biasanya hanya mencakup individu dengan karakteristik tertentu, dengan

sampel, seringkali minoritas kecil. , dari sisa populasi. Studi cross-sectional adalah studi
deskriptif (baik longitudinal maupun eksperimental). Tidak seperti studi kasus-kontrol, mereka

dapat digunakan untuk menggambarkan, tidak hanya rasio odds, tetapi juga risiko absolut dan

risiko relatif dari prevalensi (kadang-kadang disebut rasio risiko prevalensi, atau PRR). [1]

[2] Mereka dapat digunakan untuk menggambarkan beberapa fitur dari populasi, seperti

prevalensi suatu penyakit, atau mereka dapat mendukung kesimpulan sebab dan

akibat. Studi longitudinal berbeda dari keduanya dalam membuat serangkaian pengamatan

lebih dari satu kali pada anggota populasi penelitian selama periode waktu tertentu.

Isi

1 Layanan Kesehatan

1.1 Keuntungan

1.2 Kekurangan

1.2.1 Kelemahan data agregat

2 Ekonomi

3 Referensi

3.1 Kutipan

3.2 Sumber

4 Tautan eksternal

Kesehatan

Studi cross-sectional melibatkan data yang dikumpulkan pada waktu yang ditentukan. Mereka
sering digunakan untuk menilai prevalensi kondisi akut atau kronis, tetapi tidak dapat

digunakan untuk menjawab pertanyaan tentang penyebab penyakit atau hasil intervensi. Data

cross-sectional tidak dapat digunakan untuk menyimpulkan kausalitas karena temporalitas

tidak diketahui. Mereka juga dapat digambarkan sebagai sensus. Studi cross-sectional mungkin

melibatkan pengumpulan data khusus, termasuk pertanyaan tentang masa lalu, tetapi mereka
sering mengandalkan data yang awalnya dikumpulkan untuk tujuan lain. Mereka cukup mahal,

dan tidak cocok untuk studi penyakit langka. Kesulitan mengingat peristiwa masa lalu juga
dapat berkontribusi bias.
Keuntungan

Penggunaan data yang dikumpulkan secara rutin memungkinkan studi cross-sectional besar

dilakukan dengan sedikit atau tanpa biaya. Ini adalah keuntungan utama dibandingkan bentuk

lain dari studi epidemiologi. Perkembangan alami telah disarankan dari studi cross-sectional

yang murah dari data yang dikumpulkan secara rutin yang menyarankan hipotesis, untuk studi

kasus-kontrol menguji mereka secara lebih spesifik, kemudian ke studi kohort dan uji coba

yang harganya jauh lebih mahal dan memakan waktu lebih lama, tetapi mungkin memberikan

bukti yang lebih kuat . Dalam survei cross-sectional, sebuah kelompok spesifik diamati untuk

melihat apakah suatu kegiatan, katakanlah konsumsi alkohol, terkait dengan efek kesehatan

yang sedang diselidiki, katakanlah sirosis hati. Jika penggunaan alkohol berkorelasi dengan

sirosis hati, ini akan mendukung hipotesis bahwa penggunaan alkohol dapat dikaitkan dengan

sirosis.

Kekurangan

Data rutin mungkin tidak dirancang untuk menjawab pertanyaan spesifik.

Data yang dikumpulkan secara rutin biasanya tidak menggambarkan variabel mana yang

menjadi penyebab dan mana pengaruhnya. Studi cross-sectional menggunakan data yang

awalnya dikumpulkan untuk tujuan lain sering tidak dapat memasukkan data pada faktor

perancu, variabel lain yang mempengaruhi hubungan antara sebab dan akibat yang
diduga. Misalnya, data hanya pada konsumsi alkohol saat ini dan sirosis tidak akan

memungkinkan peran penggunaan alkohol di masa lalu, atau penyebab lain, untuk dieksplorasi.

Sebagian besar studi kasus-kontrol mengumpulkan data yang dirancang khusus pada semua

peserta, termasuk bidang data yang dirancang untuk memungkinkan hipotesis yang menarik
untuk diuji. Namun, dalam masalah di mana perasaan pribadi yang kuat mungkin terlibat,

pertanyaan spesifik dapat menjadi sumber bias. Misalnya, konsumsi alkohol di masa lalu
mungkin dilaporkan secara tidak benar oleh seseorang yang ingin mengurangi perasaan
bersalah pribadinya. Bias semacam itu mungkin kurang dalam statistik yang dikumpulkan

secara rutin, atau dihilangkan secara efektif jika pengamatan dilakukan oleh pihak ketiga,

misalnya catatan perpajakan alkohol berdasarkan wilayah.

Kelemahan data agregat

Studi cross-sectional dapat berisi data tingkat individu (satu catatan per individu, misalnya,

dalam survei kesehatan nasional). Namun, dalam epidemiologi modern mungkin mustahil

untuk mensurvei seluruh populasi yang diminati, sehingga studi cross-sectional sering

melibatkan analisis sekunder dari data yang dikumpulkan untuk tujuan lain. Dalam banyak

kasus seperti itu, tidak ada catatan individu yang tersedia untuk peneliti, dan informasi tingkat

kelompok harus digunakan. Sumber utama dari data tersebut seringkali adalah institusi besar

seperti Biro Sensus atau Pusat Pengendalian Penyakit di Amerika Serikat. Data sensus terakhir

tidak disediakan pada individu, misalnya di Inggris data sensus individu dirilis hanya setelah

satu abad. Sebaliknya data dikumpulkan, biasanya berdasarkan wilayah

administrasi. Kesimpulan tentang individu yang didasarkan pada data agregat dilemahkan oleh

kekeliruan ekologis. Juga pertimbangkan potensi untuk melakukan "kekeliruan atom" di mana

asumsi tentang jumlah agregat dibuat berdasarkan pada agregasi data tingkat individu (seperti

rata-rata trus sensus untuk menghitung rata-rata county). Misalnya, mungkin benar bahwa

tidak ada korelasi antara kematian bayi dan pendapatan keluarga di tingkat kota, sementara

masih benar bahwa ada hubungan yang kuat antara kematian bayi dan pendapatan keluarga di

tingkat individu. Semua statistik agregat tunduk pada efek komposisi, sehingga yang penting
bukan hanya hubungan tingkat individu antara pendapatan dan kematian bayi, tetapi juga

proporsi individu berpenghasilan rendah, menengah, dan tinggi di setiap kota. Karena studi

kasus-kontrol biasanya didasarkan pada data tingkat individu, mereka tidak memiliki masalah

ini.

Ekonomi

Dalam bidang ekonomi, analisis cross-sectional memiliki keuntungan untuk menghindari

memerlukan asumsi bahwa sifat hubungan antara variabel stabil dari waktu ke waktu,

meskipun ini datang pada biaya yang membutuhkan kehati-hatian jika hasil untuk satu periode

waktu dapat dianggap valid pada beberapa titik waktu.

Contoh analisis cross-sectional dalam ekonomi adalah regresi permintaan uang — jumlah yang

dimiliki berbagai orang dalam aset keuangan yang sangat likuid — pada waktu tertentu atas

pendapatan mereka, kekayaan finansial total, dan berbagai faktor demografis. Setiap titik data

adalah untuk individu atau keluarga tertentu, dan regresi dilakukan pada sampel statistik yang

diambil pada satu titik waktu dari seluruh populasi individu atau keluarga. Sebaliknya, analisis

antarwaktu tentang permintaan uang akan menggunakan data tentang kepemilikan uang

seluruh negara pada setiap titik waktu yang berbeda, dan akan mengundurkannya pada

pendapatan kontemporer (atau hampir kontemporer), total kekayaan finansial, dan beberapa

ukuran bunga. tarif. Studi cross-sectional memiliki keuntungan bahwa ia dapat menyelidiki

efek dari berbagai faktor demografis (usia, misalnya) pada perbedaan individu; tetapi memiliki

kelemahan yaitu tidak dapat menemukan pengaruh suku bunga terhadap permintaan uang,

karena dalam studi cross-sectional pada titik waktu tertentu semua unit yang diamati

dihadapkan pada tingkat suku bunga yang sama saat ini.

Referensi

Kutipan
Schmidt, CO; Kohlmann, T (2008). "Kapan menggunakan odds ratio atau risiko

relatif?" Jurnal Internasional Kesehatan Masyarakat. 53 (3): 165–167. doi: 10.1007 / s00038-

008-7068-3. PMID 19127890.

Lee, James (1994). "Odds Ratio atau Risiko Relatif untuk Data Sectional?". Jurnal

Internasional Epidemiologi. 23 (1): 201–3. doi: 10.1093 / ije / 23.1.201. PMID 8194918.