Pendekatan saya adalah: Mari kita lihat data, data apapun, hati-hati, dengan menggunakan alat analisis yang tepat, dan melihat apa yang memberitahu kita; mungkin kita akan menemukan bukti kesalahan pengukuran mendistorsi hasil dan mengarah ke kesimpulan salah, atau mungkin tidak. Dengan pemikiran ini, mari kita lihat di bagian atas Tabel 3 yang terbaru (dipublikasikan secara online pada bulan Maret 2012) penelitian yang mengamati hubungan antara konsumsi daging merah dan kematian, ditulis oleh Pan et al. (Frank B. Hu adalah penulis senior) dan dipublikasikan di Archives of Internal Medicine bergengsi (baca juga belajar ilmu pelet wanita ampuh). Ini adalah jurnal terkemuka, dengan rata-rata lebih dari 270 kutipan per artikel menurut Google Scholar. Studi ini telah menerima banyak perhatian media baru-baru ini.
Lihatlah daerah yang disorot dalam warna merah, dengan fokus pada data dari sampel Profesional Kesehatan. Itu adalah tingkat multivariat disesuaikan kardiovaskular kematian, tercatat sebagai persentase normal, dalam kuintil tertinggi (Q5) konsumsi daging merah dari sampel Profesional Kesehatan. Persentase non-disesuaikan adalah kematian persen 1.4 di Q5 dan 1,13 pada Q1 (dari Tabel 1 dari artikel yang sama); sehingga multivariat penyesuaian-normalisasi mengubah nilai-nilai persentase agak, tapi tidak banyak. Disorot nomor 1,35 menunjukkan bahwa untuk setiap kelompok 100 orang yang mengkonsumsi banyak daging merah (Q5), bila dibandingkan dengan kelompok 100 orang yang mengkonsumsi daging merah kecil (Q1), ada rata-rata 0,35 kematian lebih besar atas sama periode waktu (lebih dari 20 tahun).
Pemakan daging merah yang berat di Q5 dikonsumsi 972,37 persen lebih banyak daging merah dibandingkan Q1. Ini dihitung dengan data dari Tabel 1 dari artikel yang sama, seperti: (2,36-0,22) /0.22. Dalam Q5, jumlah 2.36 mengacu pada jumlah porsi daging merah per hari, dengan masing-masing porsi yang sekitar 84 g. Jadi pemakan daging merah berat makan sekitar 198 g per hari (sedikit kurang dari 0,5 pon), sedangkan pemakan daging merah cahaya makan sekitar 18 g per hari. Dengan kata lain, pemakan daging merah berat makan 9,7237 kali lebih, atau 972,37 persen lebih, daging merah.
Jadi, hanya harus jelas, meskipun orang-orang di Q5 mengkonsumsi daging 972,37 persen lebih merah dari orang-orang di Q1, dalam setiap kelompok yang cocok dari 100 Anda tidak akan menemukan kematian tambahan tunggal selama periode waktu yang sama. Jika Anda melihat kelompok cocok dari 1.000 individu, Anda akan menemukan 3 kematian lebih di antara pemakan daging merah berat. Pola umum yang sama, dari perbedaan menit, berulang sepanjang Tabel 3. Seperti yang Anda lihat, semua rasio kematian yang dilaporkan adalah 1-point-sesuatu. Bahkan, pola yang sama ini berulang pada seluruh tabel mortalitas (semua penyebab, jantung, kanker). Ini semua didasarkan pada analisis multivariat yang menurut penulis dikendalikan untuk sejumlah besar variabel, termasuk sejarah awal dari diabetes.
Menariknya, melihat data dari sampel yang sama (Profesional Kesehatan), kejadian diabetes adalah 75 persen lebih tinggi pada Q5 daripada di Q1. Hal yang sama berlaku untuk sampel kedua (Perawat Kesehatan), di mana perbedaan Q5-Q1 kejadian diabetes bahkan lebih besar - 81 persen. Ini tertangkap mata saya, menjadi diabetes seperti penyakit prototipe kemakmuran. Jadi aku memasuki seluruh data yang dilaporkan dalam artikel ke dalam HCE () dan WarpPLS (), dan melakukan beberapa analisis. Grafik di bawah ini dari HCE. Data ini meliputi baik sampel Profesional Kesehatan dan Nurses Health.
HCE menghitung korelasi bivariat, dan begitu juga WarpPLS. Tapi WarpPLS toko angka dengan tingkat yang lebih tinggi presisi, jadi saya menggunakan WarpPLS untuk menghitung koefisien asosiasi, termasuk korelasi. Saya juga mengecek nomor dengan perangkat lunak lain, hanya dalam kasus (misalnya, SPSS dan MATLAB). Berikut adalah korelasi dihitung dengan WarpPLS, yang merujuk pada grafik di atas: 0.030 untuk konsumsi daging merah dan kematian; 0,607 untuk diabetes dan kematian; dan 0,910 untuk asupan makanan dan diabetes. Ya, Anda membacanya dengan benar, korelasi antara konsumsi daging merah dan kematian adalah sangat rendah dan tidak signifikan 0.030 dalam dataset ini. Bukan kejutan besar ketika Anda melihat HCE grafik terkait, dengan garis naik turun hampir secara acak. Perhatikan bahwa saya termasuk data kuintil dari kedua Health Professionals dan Perawat sampel Kesehatan dalam satu dataset.
Orang-orang itu di Q5 memiliki insiden yang lebih tinggi dari diabetes, namun peningkatan angka kematian bagi mereka secara signifikan lebih rendah, dalam hal persentase. Perbedaan utama antara Q5 dan Q1 menjadi apa? Orang-orang Q5 makan daging lebih banyak merah. Hal ini tampak curiga sugestif dari sebuah temuan yang saya datang di sebelumnya, berdasarkan analisa dari data China Study II (). Temuan itu bahwa konsumsi pangan hewani (daging merah dan merupakan makanan hewan) adalah pelindung, sebenarnya mengurangi efek negatif dari konsumsi tepung terigu pada kematian. Analisis yang benar-benar menyarankan bahwa konsumsi tepung terigu mungkin tidak begitu buruk jika Anda makan 221 g atau lebih pangan hewani sehari-hari.
Jadi, saya membangun model di bawah ini dalam WarpPLS, di mana konsumsi daging merah (RedMeat) dihipotesiskan memoderasi hubungan antara kejadian diabetes (Diabetes) dan mortalitas (Mort). Di bawah ini saya juga termasuk grafik untuk efek langsung dan moderasi; data standar, yang mengurangi kesalahan estimasi, khususnya dalam moderat estimasi efek. Saya menggunakan algoritma linear standar untuk perhitungan koefisien jalur (beta sebelah panah) dan jackknifing untuk perhitungan nilai P (confidence value = 1 P). Jackknifing adalah teknik resampling yang tidak memerlukan normalitas multivariat dan yang cenderung bekerja dengan baik dengan sampel kecil; seperti halnya dengan teknik nonparametrik pada umumnya.
Efek langsung dari diabetes pada kematian adalah positif (0.68) dan hampir signifikan secara statistik pada P <0,05 (kepercayaan 94 persen), yang penting karena ukuran sampel di sini sangat kecil hanya 10 titik data, 5 kuintil dari Profesional kesehatan sampel dan 5 dari sampel Nurses Health. Efek moderasi negatif (-0,11), tetapi tidak signifikan secara statistik (kepercayaan 61 persen). Dalam grafik efek moderasi (ditunjukkan sisi-by-side), moderasi negatif ini ditunjukkan dengan kecenderungan sedikit kurang curam dari garis regresi untuk grafik di sebelah kanan, yang mengacu pada konsumsi daging merah yang tinggi. Sebuah kecenderungan kurang curam berarti hubungan kurang kuat antara diabetes dan kematian di antara orang-orang yang makan daging paling merah.
Tidak terlalu mengherankan, setidaknya untuk saya, hasil di atas menunjukkan bahwa daging merah per se juga mungkin pelindung. Meskipun kita harus mempertimbangkan setidaknya dua kemungkinan lain. Salah satunya adalah bahwa asupan daging merah merupakan penanda untuk konsumsi beberapa hal lain, mungkin ada dalam makanan hewani, yang protektif - misalnya, kolin dan vitamin K2. Kemungkinan lain adalah bahwa daging merah pelindung sebagian oleh menggusur makanan yang kurang sehat lainnya. Mungkin apa yang kita lihat di sini adalah kombinasi dari ini.
Apapun alasannya mungkin, konsumsi daging merah tampaknya benar mengurangi efek dari diabetes pada kematian dalam sampel ini. Artinya, menurut data ini, lebih banyak daging merah yang dikonsumsi, semakin sedikit orang meninggal karena diabetes. Efek perlindungan mungkin lebih kuat jika para peserta makan lebih banyak daging merah, atau makanan hewani lainnya mengandung faktor pelindung; ingat bahwa ambang batas untuk perlindungan dalam data China Study II adalah konsumsi 221 g atau lebih dari pangan hewani sehari-hari (). Karena itu, hal ini juga penting untuk dicatat bahwa, jika Anda makan kelebihan kalori ke titik menjadi gemuk, dari daging merah atau sumber lain, risiko Anda terkena diabetes akan naik sebagai awal HCE grafik yang berkaitan asupan makanan dan diabetes berarti.
Harap diingat bahwa catatan ini adalah hasil dari analisis cepat dari data sekunder yang dilaporkan dalam sebuah artikel jurnal, dan kesimpulannya mungkin salah, meskipun saya melakukan yang terbaik untuk tidak membuat kesalahan apapun (misalnya, salah ketik data dari artikel) . Para penulis cenderung menghabiskan bulan, jika tidak lebih, dalam penelitian mereka; dan mendapat dukungan dari salah satu universitas penelitian terkemuka di dunia. Namun, posting ini menimbulkan pertanyaan serius. Saya mengatakan ini dengan hormat, sebagai penulis itu tampaknya mencoba yang terbaik untuk mengendalikan semua pembaur yang mungkin.
Saya juga harus mengatakan bahwa efek moderasi saya menemukan ini diakui efek yang cukup lemah pada sampel kecil ini dan secara statistik tidak signifikan. Tetapi nilainya ternyata lebih besar daripada efek dilaporkan daging merah pada kematian, yang tidak hanya menit tapi mungkin menjadi artefak statistik. Cox proportional hazards analisis yang digunakan dalam studi, yang umum digunakan dalam epidemiologi, adalah tidak lebih dari sebuah ANCOVA canggih; itu adalah versi semi-parametrik dari kasus khusus dari metode analisis yang lebih luas otomatis oleh WarpPLS.
Akhirnya, aku tidak bisa mengendalikan pengacau karena, mengingat sampel yang kecil, dimasukkannya pembaur (misalnya, merokok) menyebabkan collinearity besar. WarpPLS menghitung perkiraan collinearity otomatis, dan sangat teliti dalam melakukan itu (menghitung mereka di berbagai tingkat), sehingga tidak ada cara untuk mengabaikan mereka. Collinearity sangat dapat mendistorsi hasil, seperti yang ditunjukkan dalam video YouTube di WarpPLS (). Collinearity bahkan dapat menyebabkan perubahan tanda-tanda koefisien asosiasi, dalam konteks analisis multivariat - misalnya, asosiasi positif tampaknya negatif. Para penulis memiliki data asli yang jauh, jauh lebih besar sampel - yang membuatnya lebih mudah untuk menangani collinearity.
Moderating analisis efek () kita membutuhkan lebih dari itu dalam penelitian epidemiologi eh?
Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya