Haupt Andere Alters-Perioden-Kohortenanalyse

Alters-Perioden-Kohortenanalyse

Überblick

Software

Beschreibung

Webseiten

Lesungen

Kurse

Überblick

Auf dieser Seite wird die Alters-Perioden-Kohortenanalyse kurz beschrieben und eine kommentierte Ressourcenliste bereitgestellt.

Beschreibung

Altersperioden-Kohorteneffekt

Die Analyse der Altersgruppenkohorte (APC) spielt eine wichtige Rolle beim Verständnis zeitvariabler Elemente in der Epidemiologie. Insbesondere unterscheidet die APC-Analyse drei Arten von zeitlich variierenden Phänomenen: Alterseffekte, Periodeneffekte und Kohorteneffekte. (1)
Alterseffekte sind Variationen, die mit individuellen biologischen und sozialen Alterungsvorgängen verbunden sind. (2) Sie umfassen physiologische Veränderungen und die Anhäufung sozialer Erfahrungen, die mit dem Altern verbunden sind, jedoch nicht mit dem Zeitraum oder der Geburtskohorte, zu der eine Person gehört, verbunden sind. In epidemiologischen Studien werden Alterseffekte in der Regel durch unterschiedliche Erkrankungsraten zwischen den Altersgruppen bezeichnet.
Periodeneffekte resultieren aus externen Faktoren, die zu einem bestimmten Kalenderzeitpunkt alle Altersgruppen gleichermaßen betreffen. Sie kann sich aus einer Reihe von ökologischen, sozialen und wirtschaftlichen Faktoren ergeben, z. Krieg, Hungersnot, Wirtschaftskrise. Methodische Änderungen der Ergebnisdefinitionen, Klassifikationen oder der Methode der Datenerhebung könnten ebenfalls zu Periodeneffekten in den Daten führen. (3)
Kohorteneffekte sind Variationen, die aus der einzigartigen Erfahrung/Exposition einer Gruppe von Probanden (Kohorte) resultieren, während sie sich im Laufe der Zeit bewegen. Die am häufigsten definierte Gruppe in der Epidemiologie ist die Geburtskohorte basierend auf dem Geburtsjahr und wird als Unterschied im Risiko eines gesundheitlichen Outcomes basierend auf dem Geburtsjahr beschrieben. So tritt ein Kohorteneffekt auf, wenn Krankheitsverteilungen, die aus einer Exposition resultieren, Altersgruppen unterschiedlich betreffen. In der Epidemiologie wird ein Kohorteneffekt als Interaktion oder Effektmodifikation aufgrund eines Periodeneffekts konzeptualisiert, der durch altersspezifische Exposition oder Anfälligkeit für dieses Ereignis oder diese Ursache unterschiedlich erfahren wird.(4)
Identifikationsproblem in APC : Die APC-Analyse zielt darauf ab, den unabhängigen Einfluss von Alter, Periode und Kohorte auf das untersuchte Gesundheitsergebnis zu beschreiben und zu schätzen. Die verschiedenen verwendeten Strategien zielen darauf ab, die Varianz in die einzigartigen Komponenten aufzuteilen, die auf Alter, Periode und Kohorteneffekte zurückzuführen sind (4). Es gibt jedoch ein großes Hindernis für die unabhängige Schätzung von Alters-, Perioden- und Kohorteneffekten durch Modellieren der Daten, das als Identifizierungsproblem bei APC bekannt ist. Dies liegt an der exakten linearen Abhängigkeit zwischen Alter, Periode und Kohorte: Periode – Alter = Kohorte; dh aus Kalenderjahr und Alter kann die Kohorte (Geburtsjahr) bestimmt werden (5). Das Vorhandensein perfekt kollinearer Prädiktoren (Alter, Periode und Kohorte) in einem Regressionsmodell erzeugt eine singuläre nicht identifizierbare Designmatrix, aus der es statistisch unmöglich ist, eindeutige Schätzungen für die drei Effekte zu schätzen. (5)

ist es sicher in hiroshima zu leben

Herkömmliche Lösungen für das APC-Identifikationsproblem

GLIM-Schätzer für beschränkte Koeffizienten (CGLIM)
Proxy-Variablen-Ansatz
Nichtlinearer parametrischer (algebraischer) Transformationsansatz
Intrinsische Schätzermethode
Median polnische Analyse
Die epidemiologische Definition eines Kohorteneffekts als Interaktion zwischen Alter und Periode ist Grundlage für die Median-Polnisch-Analyse. Es extrahiert die Nichtlinearität von Alters- und Periodeneffekten und unterteilt die nichtlineare Varianz in Kohorteneffekt und Zufallsfehler (4). Mit anderen Worten, dieser Ansatz bewertet die Interaktion zwischen Alter und Periode, die über das hinausgeht, was man von ihren additiven Einflüssen erwarten würde.

Leitfaden zur Schätzung von APC-Modellen (Basierend auf Yang und Land) (5):

  1. Die deskriptive Datenanalyse durch grafische Darstellung von Daten ist der erste Schritt einer APC-Analyse. Dies hilft bei der qualitativen Bewertung von Mustern zeitbasierter Variationen

  2. Schließen Sie aus, dass die Daten durch ein einzelnes oder zwei Faktorenmodell von Alter, Zeitraum und Kohorte erklärt werden können. Eine Anpassungsgüte-Statistik wird häufig verwendet, um zwischen reduzierten logarithmischen linearen Modellen zu vergleichen: drei separate Modelle für Alters-, Perioden- und Kohorteneffekte; und drei Zwei-Faktor-Modelle, eines für jedes von drei möglichen Effektpaaren, nämlich AP-, AC- und PC-Effektmodelle. Alle diese Modelle werden dann mit einem vollständigen APC-Modell verglichen, bei dem alle drei Faktoren gleichzeitig kontrolliert werden. Es werden zwei am häufigsten verwendete Auswahlkriterien für Penalized-Likelihood-Modelle verwendet, nämlich das Akaike-Informationskriterium (AIC) und das Bayessche Informationskriterium (BIC). das Modell auszuwerten, da Likelihood-Quotienten-Tests Modelle mit einer größeren Anzahl von Parametern bevorzugen. BIC und AIC passen beide den Einfluss von Modelldimensionen auf Modellabweichungen an.

  3. Wenn die deskriptiven Analysen zeigen, dass alle drei der A-, P- und C-Dimensionen nicht funktionsfähig sind, kann die Analyse mit einem reduzierten Modell abgeschlossen werden, das die nicht operative Dimension weglässt und kein Identifikationsproblem besteht.

  4. Wenn diese Analysen jedoch darauf hindeuten, dass alle drei Dimensionen am Werk sind, verwenden Sie eine der spezifischen Methoden der APC-Analyse

Median-Polnisch-Analyse-Praktisches Beispiel (3)

Tabelle (3) zeigt das Identifikationsproblem, bei dem die drei Komponenten (Alter, Periode und Kohorte) perfekt korreliert sind. Um die Kohorten zu identifizieren, müssen wir nur die Periode und die Altersgruppe kennen: Wir ziehen die frühe Altersgruppe von der oberen und unteren Periodengrenze ab (z bezeichne das Kohortenintervall als 1940-1944). (9) Die farblich hervorgehobenen diagonalen Felder zeigen die Rate für jede Kohorte mit zunehmendem Alter an. Kontingenztabellen können das sich gegenseitig ausschließende Kohortenrisiko aufgrund überlappender Kohorten nicht schätzen. Diese Konvention kann zu einer Fehlklassifizierung einiger Personen führen, aber der Hauptzweck einer Alters-Perioden-Kohorten-Analyse besteht darin, allgemeine Trends in kohortenspezifischer Form zu schätzen und nicht eine genaue Quantifizierung eines echten kausalen Risikos. Die überlappende Kohorte erinnert uns an eine Überinterpretation von Schätzungen. Wir sind auch durch fehlende Daten eingeschränkt. Wir haben zum Beispiel nur einen Datenpunkt für die jüngste Bevölkerungsgruppe (diejenigen im Alter von 10-14 Jahren im Zeitraum 2000-2004). Anhand dieser Tabelle können wir eine erste grafische Darstellung mit einem Liniendiagramm in Microsoft Excel durchführen.

Die beiden Diagramme wurden mit den Liniendiagrammen in Microsoft Excel erstellt. Um beide Graphen darzustellen, haben wir die Daten einfach mit der Funktion Switch Row/Column neu angeordnet. Diese beiden grafischen Darstellungen ermöglichen es uns, nach jedem Muster in den Daten zu suchen. Die Einschränkung besteht darin, dass jedes Ergebnis eine Mischung aus zwei oder mehr Effekten darstellen kann.

Medianpolitur entfernt die additiven Effekte von Alter und Periode durch iteratives Subtrahieren des Medianwerts jeder Zeile und Spalte. (6) Der erste Schritt bei der Median-Politur besteht darin, Mediane für jede Reihe zu berechnen, siehe Tabelle 2:

Der nächste Schritt besteht darin, den Zeilenmedian von jedem Wert in der Zeile zu subtrahieren, zum Beispiel werden wir in Zeile eins 0,610 minus 0,790 = -0,18 subtrahieren. In der zweiten Zeile (15-19 Jahre alt) haben wir das gleiche Verfahren 6,330 – 5,770 = 0,56 und dann für jede Zelle in der Tabelle verwendet. Dadurch wurde eine Tabelle mit neuen Werten erstellt, siehe Tabelle 3:

Der nächste Schritt besteht darin, den Spaltenmedian für die neuen Werte zu berechnen und dann den Spaltenmedian von jeder Zelle in der Spalte zu subtrahieren, zum Beispiel -0,18 – 19,08 = -19,26. Nachdem wir die neue Tabelle mit den Werten aus der Subtraktion jeder Medianspalte für jede Zelle erstellt haben, berechnen wir den Zeilenmedian (dritte Iteration). Diese Iterationen erzeugen schließlich Zeilen- und Spaltenmediane gleich Null. Für dieses Beispiel waren 6 Iterationen erforderlich, um Zeilen- und Spaltenmediane gleich Null zu erzeugen, siehe Tabelle 4:

Tabelle 4 enthält die Residuenwerte nach 5 Iterationen. Diese Residuen repräsentieren die Koeffizienten ohne den additiven Effekt von Alters- und Periodeneffekten. Beachten Sie, dass in den Daten für die Altersgruppen 75-79 und 80-84 Jahre zwischen 1910 und 1939 Werte fehlen. Wenn wir die fehlenden Werte für Nullsätze ersetzen, werden die berechneten Residuen verzerrt. Das vollständige Verfahren wurde in Microsoft Excel durchgeführt. Um zu überprüfen, ob diese Residuen korrekt waren, haben wir eine neue Tabelle mit dem Produkt der Subtraktion des Restwerts von der ursprünglichen Wertemenge in Tabelle 1 erstellt. Das Produkt der Subtraktionen wird verwendet, um ein Liniendiagramm zu erstellen. Dieses Liniendiagramm ermöglicht es uns, die Gültigkeit der Residuen zu überprüfen und wir erwarten, dass Linien perfekt parallel sind. Da wir die Residuen, die Kohorteneffekte darstellen, von den ursprünglichen Werten subtrahieren, bewerten wir jeden Alters- oder Periodeneffekt, der frei von Kohorteneffekten ist. Siehe Grafiken 3 und 4:


Das Median-Polish-Verfahren ist in R verfügbar, einer frei verfügbaren Software (8). Siehe die nächste Syntax:

NGOs in New York

mpdata<- read.csv(C:/Users/mydocs/suicidemp.csv, header=FALSE, stringsAsFactors=FALSE)
Zeilennamen (mpdata)<- c(10-14, 15-19, 20-24, 25-29, 30-34, 35-39, 40-44, 45-49, 50-54, 55-59, 60-64, 65-69, 70-74, 75-79, 80-84)
Spaltennamen (mpdata)<- c(1910-1914, 1915-1919, 1920-1924, 1925-1929, 1930-1934, 1935-1939, 1940-1944, 1945-1949, 1950-1954, 1955-1959, 1960-1964, 1965-1969, 1970-1974, 1975-1979, 1980-1984, 1985-1989, 1990-1994, 1995-1999, 2000-2004)
med.p<- medpolish(mpdata, na.rm = TRUE)
med.p

Median-Politur-Ergebnisse können ohne jegliche Transformation der Raten erhalten werden, aber die Verwendung der logarithmischen Transformation der Raten vor der Median-Politur-Prozedur führt zu einer Bewertung der Interaktion auf der multiplikativen Skala (oder logarithmisch-additiven Effekt). Wir wiederholten unser Median-Polish-Verfahren unter Verwendung der logarithmischen Transformation der Suizidraten. Um logarithmisch transformierte Residuen der Originaltabelle mit R-Software zu erzeugen, haben wir eine neue Funktion erstellt, die die Raten für logarithmisch transformierte Raten ersetzt (beachten Sie die fette Schriftart in der Syntax):

medpolish2<- function (x, eps = 0.01, maxiter = 10L, trace.iter = TRUE, na.rm = FALSE)
mit<- as.matrix( log(x) )
Nein<- nrow(z)
nc<- ncol(z)
t<- 0
r<- numeric(nr)
c<- numeric(nc)
Oldsum<- 0
for (Iter in 1L:maxiter) abs(newsum – oldsum)Unterbrechung
Oldsum<- newsum
cat(iter, : , newsum, , sep = )
wenn (konvergiert) {
cat(Finale: , newsum, , sep = )
else warning(sprintf(ngettext(maxiter, medpolish() konvergierte nicht in %d Iteration, medpolish() konvergierte nicht in %d Iterationen), maxiter), domain = NA)
Namen(r)<- rownames(z)
Namen (c)<- colnames(z)
Jahre<- list(overall = t, row = r, col = c, residuals = z, name = deparse(substitute(x)))
Klasse (Jahre)<- medpolish
}

med.p2<- medpolish2(mpdata, na.rm = TRUE)

Die Daten werden als kommagetrennte Datei (.csv) gespeichert, ein einfaches Format, das in R gelesen werden kann. Beachten Sie den Befehl für die Medianpolitur, die Option zum Fehlen von Daten ist aktiviert, andernfalls meldet die Prozedur einen Fehler. Beide mit Excel und R erstellten Residuensätze sind gleich.
Wir haben die Daten nach Kohorte umgeformt und die Residuen gegen die Kohortenkategorie grafisch dargestellt. Siehe nächste Tabelle:

Wir haben den Mittelwert für jede Kohorte berechnet und dann werden diese logarithmisch transformierten Residuen verwendet, um ein Diagramm nach Kohorte zu erstellen. Dieses Diagramm hilft bei der Bewertung der Verteilung der Residuen, wobei jede signifikante Abweichung von Null auf einen starken Kohorteneffekt für diese Kohorte hindeutet, siehe nächste Grafik:

STATA-Code zum Plotten der Residuen:

Diagramm der Ratenmedianpoliturreste, BUCHBEISPIEL (log-Skala)
var2 umbenennen var1
var16 umbenennen var15
lange var umformen, i(Kohorte) j(Anzahl)
Label definieren Kohorte 1 1830-1834 2 1835-1839 … 32 1985-1989 33 1990-1994
umbenennen var Rest
twoway(scatter Restkohorte, msize(vsmall)) (verbundene mittlere Kohorte, msize(vsmall) msymbol(dreieck) lwidth(thin) lpattern(solid)), ytitle(Median Polish Residuals) yscale (range(-2 2)) ylabel (#7) xtitle(Kohorte) xlabel(#33, label labsize(small) angle(vertikal) labgap(minuscule) valuelabel) title(, size(medsmall) ring(0)) legend(size(small))

Diese Residuen helfen uns, das Ausmaß des Kohorteneffekts mithilfe einer linearen Regression der Residuenwerte nach Kohorte zu beurteilen. Als Referenzkohorte wählen wir hier die Jahre 1910 – 1914. Ähnlich wie in Grafik 6 scheint es, dass die nach 1950 geborenen Kohorten ein statistisch signifikant höheres Suizidrisiko hatten als die Kohorte von 1910-1014. Die mit der linearen Regression berechneten Koeffizienten sind im logarithmischen Maßstab, um die Ratenverhältnisse zu schätzen, haben wir die Exponentenfunktion für jeden Koeffizienten [exp(x)] verwendet.

STATA-Code für die Regression von Suizidraten-Residuen.

Zeichenkohorte[auslassen] 17
xi: Regress Rest i.Kohorte

  1. Yang Y, Schulhofer‐Wohl S, Fu WJ, Land KC. Der intrinsische Schätzer für die Alters-Perioden-Kohorten-Analyse: Was er ist und wie man ihn verwendet1. American Journal of Sociology 2008;113(6):1697-736.

  2. Reither EN, Hauser RM, Yang Y. Sind Geburtsjahrgänge wichtig? Alters-Perioden-Kohortenanalysen der Adipositas-Epidemie in den Vereinigten Staaten. Sozialwissenschaften und Medizin 2009;69(10):1439-48.

  3. Keyes KM, Li G. Alter-Perioden-Kohorten-Modellierung. Verletzungsforschung: Springer, 2012:409-26.

  4. Keyes KM, Utz RL, Robinson W, Li G. Was ist ein Kohorteneffekt? Vergleich von drei statistischen Methoden zur Modellierung von Kohorteneffekten bei der Adipositasprävalenz in den Vereinigten Staaten, 1971-2006. Soc Sci Med 2010;70(7):1100-8

  5. Yang, Yang und Kenneth C. Land. Alters-Perioden-Kohortenanalyse: neue Modelle, Methoden und empirische Anwendungen. CRC-Presse, 2013

  6. Mason, Karen Oppenheim et al. Einige methodische Probleme bei der Kohortenanalyse von Archivdaten. Amerikanische soziologische Übersicht (1973): 242-258

  7. O’Brien, R. M. 2000. Altersperioden-Kohortencharakteristikmodelle. Sozialwissenschaftliche Forschung 29:123-139

  8. http://www.r-project.org/

  9. Keyes KM, Li G. Eine mehrphasige Methode zur Schätzung von Kohorteneffekten in Kontingenztabellendaten für Altersperioden. Ann Epidemiol 2010; 20:779-785.

Lesungen


  • Yang, Yang und Kenneth C. Land. Alters-Perioden-Kohortenanalyse: neue Modelle, Methoden und empirische Anwendungen. CRC-Presse, 2013.

  • Keyes, Katherine M. und Guohua Li. Alters-Perioden-Kohorten-Modellierung. Verletzungsforschung. Springer USA, 2012. 409-426.

  • Glenn, Norval D., Hrsg. Kohortenanalyse. vol. 5. Salbei, 2005

  • Hobcraft, John, Jane Menken und Samuel Preston. Alters-, Perioden- und Kohorteneffekte in der Demografie: eine Übersicht. Springer New York, 1985.

Methodische Artikel

  • Ryder, Norman B. Die Kohorte als Konzept in der Erforschung des sozialen Wandels. American Sociological Review (1965): 843-861

    wie installiere ich dban auf usb
  • Mason, Karen Oppenheim et al. Einige methodische Probleme bei der Kohortenanalyse von Archivdaten. Amerikanische soziologische Übersicht (1973): 242-258

  • Mason, William M. und Stephen E. Fienberg. Kohortenanalyse in der Sozialforschung: Jenseits des Identifikationsproblems. (1985)

  • Yang, Yanget al. Der intrinsische Schätzer für die Alters-Perioden-Kohorten-Analyse: Was er ist und wie man ihn verwendet1. American Journal of Sociology 113.6 (2008): 1697-1736.

  • Keyes, Katherine M., et al. Was ist ein Kohorteneffekt? Vergleich von drei statistischen Methoden zur Modellierung von Kohorteneffekten bei der Adipositasprävalenz in den USA, 1971–2006. Sozialwissenschaften und Medizin 70.7 (2010): 1100-1108.

  • Keyes, K. & Li, G., Alters-Perioden-Kohorten-Modellierung. In Li, G. & Baker, S. (Hrsg.), Verletzungsforschung: Theorien, Methoden und Ansätze. Springer, Kapitel 22, Seiten 409-426. New York, 2012

Anwendungsartikel

  • Keyes, Katherine M., et al. Alter, Periode und Kohorteneffekte bei psychischer Belastung in den Vereinigten Staaten und Kanada. Amerikanisches Journal für Epidemiologie (2014): kwu029.

Webseiten

http://yangclaireyang.web.unc.edu/research/age-period-cohort-analysis-new-models-methods-and-empirical-applications/

Interessante Artikel

Tipp Der Redaktion

Alumni veröffentlichen 'Semper Fi' mit Jai Courtney in der Hauptrolle
Alumni veröffentlichen 'Semper Fi' mit Jai Courtney in der Hauptrolle
Drei Columbia-Alumni haben Anfang des Monats Semper Fi veröffentlicht, einen Spielfilm mit Jai Courtney in der Hauptrolle, der von Lionsgate vertrieben wird. Der Film wurde von Alumna Karina Miller '04 produziert, von Alumnus Sean Mullin '06 mitgeschrieben und von Alumnus Henry-Alex Rubin '95 mitgeschrieben und inszeniert.
Neues Samsung Galaxy J3 (2018) Preis, Spezifikation, Erscheinungsdatum
Neues Samsung Galaxy J3 (2018) Preis, Spezifikation, Erscheinungsdatum
Samsung Galaxy J3 2018 kommt mit IPS LCD 5,0 Zoll. Display, Android 8.0 Oreo, 2600 mAh Wechselakku, Single-8MP Blende (f/1.9, AF) hinten, 5MP (f/2.2)
e-Mentor-Programm
e-Mentor-Programm
Willkommen beim e-Mentor-Programm, das vom Career Design Lab und Alumni Relations der Columbia University School of Professional Studies gesponsert wird…
Robert Harris
Robert Harris
Robert Harris, stellvertretender Rechtsberater für Ostasien- und Pazifikangelegenheiten, US-Außenministerium. Robert Harris ist stellvertretender Rechtsberater für ostasiatische und pazifische Angelegenheiten. In dieser Position berät er hochrangige Beamte des Außenministeriums und politische Entscheidungsträger des Nationalen Sicherheitsrats in allen rechtlichen Fragen im Zusammenhang mit der US-Außenpolitik im asiatisch-pazifischen Raum, einschließlich Nord- und Südkorea, China, Japan sowie territorialen und maritimen Streitigkeiten im Süd- und Ostchinesischen Meer. Herr Harris ist seit 1985 Rechtsanwalt im Außenministerium und seit 1992 Mitglied des Senior Executive Service, wo er als stellvertretender Rechtsberater in den Büros für internationale Strafverfolgung und Nachrichtendienste, Ozeane und internationale Umwelt- und Wissenschaftsfragen, Menschenrechte tätig war und Flüchtlinge und als stellvertretender Rechtsberater. Er war Rechtsberater und Delegationsleiter bei mehr als fünfzig verschiedenen bilateralen und multilateralen Verhandlungen zu Themen wie Migration, internationaler Luft- und Dienstleistungsverkehr, Terrorismusbekämpfung, Drogenhandel, Auslieferung krimineller Flüchtlinge, Seevölkerrecht, Meeresverschmutzung und Ablagerungen auf See, Abgrenzung der Meeresgrenzen, grenzüberschreitende Wasserläufe, globaler Umweltschutz (einschließlich persistenter organischer Schadstoffe und gefährlicher Chemikalien, biologische Vielfalt, biologische Sicherheit, internationaler Naturschutz und stratosphärischer Ozonschutz), nachhaltige Entwicklung, internationale Menschenrechte, Schutz von Flüchtlinge, diplomatische Privilegien und Immunitäten sowie nukleare Haftung. Herr Harris ist Absolvent der Stanford Law School (JD), der Woodrow Wilson School of Public and International Affairs der Princeton University (MPA) und der Cornell University (AB History).
Neuer Smart-Helm könnte Gehirnerschütterungen in Echtzeit erkennen
Neuer Smart-Helm könnte Gehirnerschütterungen in Echtzeit erkennen
Columbia-Forscher entwickeln das erste tragbare Diagnosegerät für traumatische Hirnverletzungen bei Fußballspielern.
Das kommende Nokia 5.4 ist mit einem 11-nm-Prozessor Qualcomm SM6115 Snapdragon 662 ausgestattet
Das kommende Nokia 5.4 ist mit einem 11-nm-Prozessor Qualcomm SM6115 Snapdragon 662 ausgestattet
Das kommende Nokia 5.4 ist bereit mit einem 11-nm-Qualcomm SM6115 Snapdragon 662-Prozessor, Nokia 5.4 wird im Monat Januar bis Februar 2021 auf den Markt kommen
iPhone 11 pro Preis, Spezifikationen, Erscheinungsdatum, Funktionen, Preis in Indien, Preis in den USA, Farben
iPhone 11 pro Preis, Spezifikationen, Erscheinungsdatum, Funktionen, Preis in Indien, Preis in den USA, Farben
iPhone 11 pro apple iphone 2019 preis, spezifikationen, farben, größe, iphonexi pro, erscheinungsdatum, batterie, bilder, preis in indien, preis in usa, funktionen