Słownik metodologiczny · Projekt badania

Diagram Lexisa – jak na jednym rysunku pokazać wiek, okres i kohortę?

Diagram Lexisa to układ współrzędnych z rokiem kalendarzowym na jednej osi i wiekiem na drugiej, w którym życie każdej osoby jest odcinkiem nachylonym pod kątem 45°. Wyjaśniamy, jak na nim czytać okno obserwacji, osobolata i kohorty oraz dlaczego pokazuje sedno problemu wiek–okres–kohorta.

Strona główna / Słownik / Diagram Lexisa
W skrócie: Diagram Lexisa to wykres z rokiem kalendarzowym na osi poziomej i wiekiem na osi pionowej. Życie każdej osoby jest na nim odcinkiem nachylonym pod kątem 45°, a wiek, okres i kohorta urodzenia to odpowiednio pas poziomy, pionowy i ukośny.

Co to jest diagram Lexisa?

Diagram Lexisa (ang. Lexis diagram) to układ współrzędnych z czasem kalendarzowym na osi poziomej i wiekiem na osi pionowej. Życie każdej osoby jest na nim odcinkiem o nachyleniu 1 – od punktu urodzenia (rok urodzenia, wiek 0) do zgonu, zdarzenia albo końca obserwacji (Keiding, 1990). Diagram służy do opisu danych demograficznych i epidemiologicznych: pokazuje, kto i jak długo był obserwowany, w jakim wieku i w których latach. Na nim liczy się też osobolata, czyli mianownik współczynników zapadalności i umieralności.

Jak czytać diagram

  • Pas pionowy to okres (np. lata 2005–2009): wszystkie osoby żyjące w tym czasie, w różnym wieku.
  • Pas poziomy to grupa wieku (np. 10–14 lat): osoby w tym wieku, urodzone w różnych latach.
  • Pas ukośny to kohorta urodzenia – osoby, które razem się starzeją. Śledzi ją badanie kohortowe.
  • Długość odcinka w wybranym polu to wkład osoby do osobolat tego pola; punkt na odcinku to zdarzenie, a odcinek ucięty na końcu obserwacji – obserwacja ocenzurowana.

Przykład

Symulowano 12 osób urodzonych w latach 1986–2004 i obserwowanych w latach 2000–2015 do pierwszego zdarzenia (np. diagnozy). W oknie obserwacji znalazło się wszystkich 12 osób; łącznie przeżyły w nim 147.67 osobolat, a zdarzenie wystąpiło u 3 osób. W komórce „wiek 10–14 lat × lata 2005–2009” zebrało się 21.82 osobolat, bez zdarzeń. Wniosło je 7 osób z dwóch kohort: 2 urodzone w latach 1990–1994 i 5 urodzonych w latach 1995–1999. Carstensen (2007) zaleca, by w analizie traktować współczynniki jako obserwacje na diagramie Lexisa, a tabelaryzację przypadków i osobolat robić możliwie drobno. Daty urodzenia i tempo zdarzeń ustawiono ręcznie; ziarna 740 nie zmieniano.

Na rysunku

Diagram Lexisa: oś pozioma rok kalendarzowy od 1990 do 2020, pionowa wiek od 0 do 34 lat, szary pionowy pas okna obserwacji 2000–2015. Dwanaście równoległych linii życia pod kątem 45°: przed rokiem 2000 i po 2015 roku kropkowane, w oknie ciągłe. Trzy linie kończą się pomarańczową kropką zdarzenia (w wieku około 7.7, 5.7 i 15.4 lat), dziewięć – białym kółkiem na granicy 2015 roku. Niebieski kwadrat zaznacza komórkę wiek 10–15 lat × lata 2005–2010, przez którą przechodzi siedem linii
Rysunek 1. Linie życia 12 osób na diagramie Lexisa z oknem obserwacji i jedną komórką wiek × okres. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(740)).

Co widać. Każda osoba wchodzi do obserwacji w 2000 roku albo w chwili urodzenia, jeśli urodziła się później, i wychodzi przy zdarzeniu albo w 2015 roku. Osoby urodzone później są obserwowane w młodszym wieku – okno kalendarzowe wycina z każdej kohorty inny przedział wieku.

Na co uważać. Obie osie muszą mieć tę samą skalę (rok = rok), inaczej linie nie mają nachylenia 45° i przekątne przestają oznaczać kohorty. Diagram nie pokazuje osób, które miały zdarzenie przed wejściem do obserwacji – takie dane są ucięte (lewostronnie), a nie ocenzurowane.

Podpis do pracy:

Rysunek 1. Diagram Lexisa dla 12 osób obserwowanych w latach 2000–2015. Uwaga. Linie ciągłe oznaczają czas obserwacji, kropkowane – czas poza obserwacją; kropka oznacza zdarzenie, puste kółko – koniec obserwacji bez zdarzenia. Kwadrat zaznacza komórkę wiek 10–14 lat × lata 2005–2009.
Diagram Lexisa z trzema zaznaczonymi pasami: poziomy niebieski pas wieku 10–14 lat, pionowy pomarańczowy pas okresu 2005–2009 i ukośny zielony pas kohorty urodzonej w latach 1995–1999. Na przecięciu pasa wieku i okresu powstaje kwadrat podzielony czarną przekątną na dwa trójkąty: górny lewy opisany ur. 1990–1994, dolny prawy ur. 1995–1999; przez dolny trójkąt przechodzi pas kohorty
Rysunek 2. Grupa wieku, okres i kohorta jako pasy poziomy, pionowy i ukośny. Obliczenia: R, pakiet ggplot2.

Co widać. Komórka wiek × okres (kwadrat) zawiera osoby z dwóch kohort, rozdzielonych przekątną – to tzw. trójkąty Lexisa. Pas kohorty przechodzi przez komórkę tylko dolnym trójkątem. Dlatego współczynnik policzony dla kwadratu miesza dwie kohorty, a każda z trzech współrzędnych jest wyznaczona przez dwie pozostałe: rok urodzenia = rok kalendarzowy − wiek.

Na co uważać. Z tej zależności wynika problem identyfikowalności w modelu wiek–okres–kohorta: liniowych składowych trzech efektów nie da się oszacować bez silnych założeń o co najmniej jednym z nich (Bell, 2020). Diagram nie rozwiązuje tego problemu – pokazuje tylko, skąd się bierze.

Podpis do pracy:

Rysunek 2. Wiek, okres i kohorta urodzenia na diagramie Lexisa. Uwaga. Pas poziomy oznacza grupę wieku 10–14 lat, pionowy – lata 2005–2009, ukośny – osoby urodzone w latach 1995–1999. Przekątna dzieli komórkę wiek × okres na dwa trójkąty odpowiadające dwóm kohortom urodzenia.

Jak opisać w pracy

Czas obserwacji uczestników przedstawiono na diagramie Lexisa (Rysunek 1). W latach 2000–2015 obserwowano 12 osób przez łącznie 147.67 osobolat; zdarzenie wystąpiło u 3 osób. Osobolata i zdarzenia tabelaryzowano w komórkach wyznaczonych przez pięcioletnie grupy wieku i pięcioletnie okresy kalendarzowe.

Na co uważać

  • Różne skale osi zniekształcają nachylenie linii i ukrywają kohorty.
  • Zbyt grube komórki (np. dziesięcioletnie) mieszają wiele kohort i zacierają zmiany; Carstensen (2007) uznaje zbyt grubą tabelaryzację za częsty błąd w raportach z rejestrów.
  • Porównanie współczynników między latami bez uwzględnienia struktury wieku – do tego służy standaryzacja względem wieku.
  • Wybór skali czasu. Ta sama osoba ma wiek, czas od włączenia do badania i rok kalendarzowy; w analizie przeżycia trzeba zdecydować, która skala jest główna. Ten sam przebieg na osi czasu od zabiegu i na osi wieku można też pokazać na wykresie pływaka.
Przykład reprodukowalny

Diagram Lexisa w R

Kod symuluje daty urodzenia i zdarzeń, wyznacza wejście i wyjście z obserwacji, liczy osobolata w oknie i w jednej komórce wiek × okres (przecięcie odcinka życia z kwadratem), a potem rysuje oba rysunki w ggplot2. Linie życia to geom_segment() od (rok, wiek) wejścia do (rok, wiek) wyjścia; coord_equal() pilnuje tej samej skali obu osi. Rysunki na stronie powstały z obiektów p1 i p2 z motywem serwisu (krój, siatka); dane, geometrie i skale są identyczne.

Linie życia, osobolata i kohorty

Dane wejściowe: 12 osób: data urodzenia i data zdarzenia (lata z ułamkiem), okno obserwacji 2000–2015 (dane symulowane).

Co odczytać: liczbę osób w oknie (12), zdarzeń (3), osobolata w oknie (147.67) i w komórce wiek 10–14 × lata 2005–2009 (21.82) oraz kohorty, które wniosły czas do tej komórki.

R
# Diagram Lexisa: linie życia, okno obserwacji, osobolata w komórce wiek × okres (dane symulowane)
suppressPackageStartupMessages({library(ggplot2)})
kol <- c(wiek = "#0072B2", okres = "#E69F00", kohorta = "#009E73", zdarzenie = "#D55E00")  # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank())
set.seed(740)
n <- 12
ur <- round(sort(runif(n, 1986, 2004)), 2)            # data urodzenia (rok z ułamkiem)
zd <- round(ur + rexp(n, rate = 1 / 25), 2)           # data zdarzenia (np. diagnozy)
start <- pmax(ur, 2000); koniec <- pmin(zd, 2015)     # badanie obserwuje lata 2000–2015
zdarzenie <- as.integer(zd <= 2015 & zd > start)
obs <- koniec > start                                 # czy linia przecina okno obserwacji
osobolata <- sum(pmax(koniec - start, 0))
# osobolata w komórce: wiek 10–15 lat i lata 2005–2010 (część linii życia w kwadracie)
od <- pmax(start, 2005, ur + 10); do <- pmin(koniec, 2010, ur + 15)
w_komorce <- pmax(do - od, 0)
zd_kom <- zdarzenie == 1 & zd >= 2005 & zd < 2010 & zd - ur >= 10 & zd - ur < 15
c(osoby_w_oknie = sum(obs), zdarzenia = sum(zdarzenie), zdarzenia_w_komorce = sum(zd_kom))
round(c(osobolata = osobolata, osobolata_w_komorce = sum(w_komorce)), 2)
table(kohorta = ifelse(ur[w_komorce > 0] < 1995, "ur. 1990–1994", "ur. 1995–1999"))  # kto wnosi czas do komórki
linie <- data.frame(ur, koniec_zycia = pmin(zd, 2020))
okno <- data.frame(ur, start, koniec, obs)[obs, ]
p1 <- ggplot() +
  annotate("rect", xmin = 2000, xmax = 2015, ymin = 0, ymax = 34, fill = "grey92") +
  annotate("text", x = 2007.5, y = 33, label = "okno obserwacji 2000–2015", size = 3.8) +
  geom_segment(data = linie, aes(x = ur, y = 0, xend = koniec_zycia, yend = koniec_zycia - ur),
               colour = "grey55", linetype = "dotted") +
  geom_segment(data = okno, aes(x = start, y = start - ur, xend = koniec, yend = koniec - ur), linewidth = 1) +
  geom_point(data = subset(data.frame(ur, zd, zdarzenie), zdarzenie == 1), aes(zd, zd - ur, shape = "zdarzenie"),
             colour = kol[["zdarzenie"]], size = 3.2) +
  geom_point(data = subset(okno, koniec == 2015), aes(koniec, koniec - ur, shape = "koniec obserwacji (cenzurowanie)"),
             size = 2.8, fill = "white") +
  annotate("rect", xmin = 2005, xmax = 2010, ymin = 10, ymax = 15, fill = NA, colour = kol[["wiek"]], linewidth = 0.9) +
  scale_shape_manual(values = c("zdarzenie" = 16, "koniec obserwacji (cenzurowanie)" = 21), name = NULL) +
  scale_x_continuous(breaks = seq(1990, 2020, 5)) + scale_y_continuous(breaks = seq(0, 35, 5)) +
  coord_equal(xlim = c(1990, 2020), ylim = c(0, 34), expand = FALSE) +
  labs(title = "A. Linie życia 12 osób", x = "Rok kalendarzowy (okres)", y = "Wiek (lata)") +
  motyw + theme(legend.position = "bottom")
pas_k <- data.frame(x = c(1995, 2000, 2020, 2020), y = c(0, 0, 20, 25))  # kohorta ur. 1995–1999
p2 <- ggplot() +
  annotate("rect", xmin = 1990, xmax = 2020, ymin = 10, ymax = 15, fill = kol[["wiek"]], alpha = 0.25) +
  annotate("rect", xmin = 2005, xmax = 2010, ymin = 0, ymax = 34, fill = kol[["okres"]], alpha = 0.3) +
  geom_polygon(data = pas_k, aes(x, y), fill = kol[["kohorta"]], alpha = 0.3) +
  annotate("segment", x = 2005, y = 10, xend = 2010, yend = 15, linewidth = 0.8) +
  annotate("text", x = 1991, y = 12.5, label = "wiek 10–14 lat", hjust = 0, size = 3.8) +
  annotate("text", x = 2007.5, y = 31, label = "okres\n2005–2009", size = 3.8) +
  annotate("text", x = 2013.5, y = 16, label = "kohorta\nur. 1995–1999", angle = 45, size = 3.6) +
  annotate("text", x = 2006.3, y = 13.9, label = "ur. 1990–\n1994", size = 2.9) +
  annotate("text", x = 2008.8, y = 11.0, label = "ur. 1995–\n1999", size = 2.9) +
  scale_x_continuous(breaks = seq(1990, 2020, 5)) + scale_y_continuous(breaks = seq(0, 35, 5)) +
  coord_equal(xlim = c(1990, 2020), ylim = c(0, 34), expand = FALSE) +
  labs(title = "B. Wiek, okres i kohorta", x = "Rok kalendarzowy (okres)", y = "Wiek (lata)") + motyw
p1
p2
Wynik w R
      osoby_w_oknie           zdarzenia zdarzenia_w_komorce 
                 12                   3                   0 
          osobolata osobolata_w_komorce 
             147.67               21.82 
kohorta
ur. 1990–1994 ur. 1995–1999 
            2             5 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje bazowe runif(), rexp(), pmin(), pmax(), table(); rysunki – pakiet ggplot2). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze pytania

Dlaczego linie życia na diagramie Lexisa są nachylone pod kątem 45°?

Bo z każdym rokiem kalendarzowym człowiek staje się o rok starszy. Przy tej samej skali obu osi przyrost wieku równa się przyrostowi czasu, więc każda linia życia ma nachylenie 1. Linie osób urodzonych w tym samym roku leżą na tej samej przekątnej.

Co to jest trójkąt Lexisa?

Kwadrat diagramu wyznaczony przez jeden rok wieku i jeden rok kalendarzowy przecina przekątna, która dzieli go na dwa trójkąty. Każdy trójkąt zawiera osoby z innego rocznika urodzenia, więc dane tabelaryzuje się w trójkątach, gdy trzeba rozróżnić kohorty.

Jak diagram Lexisa łączy się z modelem wiek–okres–kohorta?

Na diagramie każda kohorta to przekątna wyznaczona przez okres i wiek: rok urodzenia = rok kalendarzowy − wiek. Dlatego trzech efektów nie da się oszacować niezależnie bez dodatkowych założeń – to problem identyfikowalności modelu APC.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bell, A. (2020). Age period cohort analysis: A review of what we should and shouldn’t do. Annals of Human Biology, 47(2), 208–217. https://doi.org/10.1080/03014460.2019.1707872
  2. Carstensen, B. (2007). Age–period–cohort models for the Lexis diagram. Statistics in Medicine, 26(15), 3018–3045. https://doi.org/10.1002/sim.2764
  3. Keiding, N. (1990). Statistical inference in the Lexis diagram. Philosophical Transactions of the Royal Society of London. Series A: Physical and Engineering Sciences, 332(1627), 487–509. https://doi.org/10.1098/rsta.1990.0128

Cytowania BibTeX

@article{bell2020age, author={Bell, Andrew}, title={{Age period cohort analysis: A review of what we should and shouldn’t do}}, journal={Annals of Human Biology}, year={2020}, volume={47}, number={2}, pages={208--217}, doi={10.1080/03014460.2019.1707872}}
@article{carstensen2007age, author={Carstensen, B.}, title={{Age–period–cohort models for the Lexis diagram}}, journal={Statistics in Medicine}, year={2007}, volume={26}, number={15}, pages={3018--3045}, doi={10.1002/sim.2764}}
@article{keiding1990statistical, author={Keiding, Niels}, title={{Statistical inference in the Lexis diagram}}, journal={Philosophical Transactions of the Royal Society of London. Series A: Physical and Engineering Sciences}, year={1990}, volume={332}, number={1627}, pages={487--509}, doi={10.1098/rsta.1990.0128}}
R