The China Study II: Bagaimana jender membawa kita ke sulit dipahami dan mematikan faktor X

Grafik di bawah ini menunjukkan kematian dalam 35-69 dan 70-79 rentang usia untuk pria dan wanita untuk dataset China Study II. Saya membahas hasil lainnya dalam dua posting saya sebelumnya () (), semua membawa kita ke posting ini. Data lengkap untuk studi China Study II tersedia untuk umum (). Angka-angka kematian sebenarnya rata-rata kematian pria dan wanita dengan 1.000 orang pada beberapa kabupaten, di masing-masing dua rentang usia.
Pria cenderung mati lebih awal dari wanita, tetapi perbedaan di atas terlalu besar.
Secara umum, ketika Anda melihat satu set jangka waktu yang cukup lama untuk baik jumlah kematian (tidak harus bingung dengan jumlah kematian yang baik) untuk diamati, Anda cenderung melihat sekitar 5-10 persen lebih banyak kematian diantara pria dibanding wanita. Ini adalah ketika variabel lain dikendalikan untuk, atau ketika pria dan wanita tidak mengadopsi diet secara dramatis berbeda dan gaya hidup. Salah satu dari banyak contoh adalah studi di Finlandia. baca juga cara Belajar Ilmu Pelet)*; Anda harus melampaui abstrak yang satu ini.
Seperti yang dapat Anda lihat dari grafik di atas, dalam dataset China Study II perbedaan dalam kematian sekitar 50 persen!
Perbedaan besar ini bisa disebabkan oleh ada yang secara signifikan lebih banyak pria daripada wanita per kabupaten termasuk dataset. Tetapi jika Anda mengambil hati-hati melihat deskripsi metode pengumpulan data yang digunakan (), hal ini tampaknya tidak menjadi kasus. Bahkan, deskripsi metodologi menunjukkan bahwa para peneliti mencoba untuk memiliki sekitar jumlah yang sama perempuan dan laki-laki belajar di masing-masing kabupaten. Angka-angka yang dilaporkan juga mendukung asumsi ini.
Seperti yang saya katakan sebelumnya, ini adalah proyek penelitian dijalankan dengan baik, yang Dr Campbell dan rekan-rekannya harus dipuji. Saya mungkin tidak setuju dengan semua kesimpulan mereka, tetapi ini tidak mengurangi bahkan sedikit dari kualitas data yang mereka telah disusun dan dibuat tersedia bagi kita semua.
Jadi harus ada faktor lain yang menyebabkan perbedaan X ini sangat besar dalam kematian (dan dengan demikian umur panjang) antara laki-laki dan perempuan dalam dataset China Study II.
Apa yang bisa menjadi faktor ini X?
Situasi ini membantu saya menggambarkan titik yang saya telah dibuat di sini sebelumnya, sebagian besar di komentar di bawah posting lain. Kadang-kadang sebuah variabel, dan dampaknya pada variabel lain, sebagian besar merupakan refleksi dari variabel terukur yang lain. Gender adalah variabel yang sering terlibat dalam situasi seperti ini. Pria dan wanita sering melakukan hal-hal yang sangat berbeda dalam suatu populasi tertentu karena alasan budaya (sebagai lawan alasan biologis), dan hal-hal dapat memiliki pengaruh besar pada kesehatan mereka.
Jadi, pencarian faktor X kami pada dasarnya adalah mencari variabel kesehatan yang relevan yang tercermin dari jenis kelamin tapi itu tidak sepenuhnya disebabkan oleh aspek-aspek biologi yang membuat pria dan wanita yang berbeda (ini bisa menjelaskan hanya perbedaan 5-10 persen mortalitas). Artinya, kita mencari variabel yang menunjukkan banyak variasi antara pria dan wanita, yang perilaku, dan yang memiliki dampak yang jelas pada kesehatan. Selain itu, karena itu harus jelas dari posting terakhir saya, kami sedang mencari variabel yang tidak berhubungan dengan tepung terigu dan konsumsi protein hewani.
Ternyata, kandidat terbaik untuk faktor X adalah merokok, terutama merokok.
Kandidat terbaik kedua untuk faktor X adalah penyalahgunaan alkohol. Penyalahgunaan alkohol bisa sama buruk bagi kesehatan yang merokok, jika tidak lebih buruk, tapi mungkin tidak baik calon faktor X karena perbedaan prevalensi antara laki-laki dan perempuan tidak tampak sama besar Cina (). Tapi itu masih cukup besar bagi kita untuk menganggapnya sebagai dekat kedua sebagai calon faktor X, atau komponen faktor X yang lebih kompleks gabungan dari merokok, penyalahgunaan alkohol dan beberapa faktor lain yang hidup bersama dapat tercermin berdasarkan gender .
Saya memiliki beberapa diskusi tentang hal ini dengan beberapa rekan-rekan dan mahasiswa doktoral yang Cina (terima kasih William dan Wei), dan mereka disebutkan stres bagi saya, berdasarkan bukti anekdotal. Selain itu, mereka menunjukkan bahwa gaya hidup stres, merokok, dan alkohol cenderung terjadi bersama-sama - dengan prevalensi lebih tinggi di kalangan pria daripada wanita.
Apa anti-klimaks untuk seri ini posting eh?
Dengan semua pembicaraan pada Internetz tentang aman dan tidak aman pati, protein hewani, perut gandum, dan yang lainnya! Ayo Ned, memberi saya istirahat! Bagaimana dengan insulin !? Bagaimana dengan kekurangan leusin atau kelebihan zat besi !? Bagaimana dengan kolin !? Bagaimana dengan sesuatu yang benar-benar misterius, yang berkaitan dengan topik mengaburkan atau muncul biokimia; hormon du jour seperti leptin mungkin? Apapun, sesuatu yang keren!
Merokok dan penyalahgunaan alkohol !? Ini terlalu jelas. Hal ini tidak dingin sama sekali!
Nah, kenyataannya sering kurang misterius daripada yang kita ingin percaya itu.
Mari saya fokus pada merokok dari sini, karena merupakan calon utama bagi faktor X, meski jauh dari berikut ini berlaku untuk penyalahgunaan alkohol dan kombinasi dari dua juga.
Satu mendapat statistik yang berbeda tentang merokok di Cina tergantung pada jangka waktu belajar, tapi satu hal tampaknya menjadi denominator umum dalam statistik ini. Pria cenderung merokok di banyak, angka yang jauh lebih tinggi daripada wanita di Cina. Dan ini bukan fenomena baru.
Sebagai contoh, sebuah studi yang dilakukan pada tahun 1996 () menyatakan bahwa merokok terus menjadi umum di kalangan laki-laki lebih (63%) dibandingkan perempuan (3,8%), dan mencatat bahwa hasil ini sangat mirip dengan yang di tahun 1984, sekitar waktu ketika data China Study II dikumpulkan.
Sebuah studi 1995 () melaporkan persentase yang sama: Sebanyak 2.279 laki-laki (67%), tetapi hanya 72 perempuan (2%) asap. Studi lain () mencatat bahwa pada tahun 1976 56% dari laki-laki dan 12% perempuan yang pernah-perokok, yang bersama-sama dengan hasil lain menunjukkan bahwa kesenjangan meningkat secara signifikan di tahun 1980-an, dengan lebih banyak pria daripada wanita merokok. Dan, yang paling penting, merokok industri.
Jadi kita mungkin berbicara tentang perbedaan raksasa di sini; prevalensi rokok merokok industri antara laki-laki mungkin telah lebih dari 30 kali prevalensi di kalangan perempuan di dataset China Study II.
Mengingat di atas, adalah masuk akal untuk menyimpulkan bahwa SexM1F2 variabel mencerminkan sangat kuat yang bebas variabel, yang terkait dengan rokok merokok industri, dan dengan cara yang terbalik. Saya melakukan sesuatu yang, terlalu umum, membuat misterius faktor X eksplisit dalam model WarpPLS dibahas dalam posting saya sebelumnya. Aku menggantikan SexM1F2 variabel dalam model dengan variabel bebas dengan menggunakan skala terbalik (yaitu, 1 dan 2, namun membalikkan kode yang digunakan untuk SexM1F2). Hasil analisis WarpPLS baru disajikan pada grafik di bawah ini. Hal ini tentu saja jauh dari ideal, tetapi memberikan gambaran yang lebih baik kepada pembaca tentang apa yang terjadi daripada menempel dengan SexM1F2 variabel.
Dengan model revisi ini, asosiasi merokok dengan kematian dalam 35-69 dan 70-79 rentang usia yang jauh lebih kuat dibandingkan dengan protein hewani dan konsumsi tepung terigu. Koefisien R-squared untuk kematian pada kedua rentang yang lebih tinggi dari 20 persen, yang merupakan tanda bahwa model ini memiliki kekuatan penjelas yang layak. Protein hewani dan gandum konsumsi terigu masih signifikan berhubungan dengan kematian, bahkan setelah kita mengendalikan untuk merokok; protein hewani tampaknya tepung pelindung dan gandum merugikan. Dan smokings asosiasi dengan jumlah protein hewani dan tepung terigu yang dikonsumsi praktis nol.
Mengganti SexM1F2 dengan merokok akan sangat jauh dari ideal jika kita menganalisis data ini pada tingkat individu. Ini bisa menyebabkan beberapa kesalahan outlier-induced; misalnya, karena kemungkinan adanya sebagian kecil rantai perokok perempuan. Tapi penggantian variabel ini tidak berbahaya bila kita melihat data yang tingkat kabupaten, seperti yang kita lakukan di sini.
Bahkan, ini adalah sebagai baik dan model yang pelit kematian berdasarkan data China Study II sebagai Ive pernah melihat berdasarkan data tingkat kabupaten.
Sekarang, di sini adalah hal yang menarik. Apakah analisis China Study II asli korelasi univariat menunjukkan merokok sebagai masalah besar dalam hal kematian? Tidak juga.
Tabel di bawah ini, dari laporan China Study II (), menunjukkan SEMUA (P <0,05) korelasi signifikan secara statistik univariat dengan mortalitas pada rentang usia 70-79. Saya menyoroti satu-satunya ukuran yang langsung berhubungan dengan merokok; yang dSMOKAGEm, terdaftar sebagai kuesioner AGE PEROKOK PRIA MEMULAI MEROKOK (tahun).
Korelasi positif yang tinggi dengan dSMOKAGEm bahkan tidak membuat banyak akal, sebagai salah satu harapkan korelasi negatif di sini yaitu, sebelumnya dalam kehidupan orang-orang mulai merokok, semakin tinggi harus mortalitas. Tapi korelasi terbalik-menandatangani ini mungkin karena perokok yang mendapatkan lebih awal mati dalam jumlah proporsional tinggi sebelum mereka mencapai usia 70, dan dengan demikian ditangkap oleh variabel kematian rentang usia lain. Fakta bahwa variabel yang berhubungan dengan merokok lainnya tidak muncul di tabel di atas mungkin karena distorsi yang disebabkan oleh inter-korelasi, serta masalah pengukuran seperti yang baru saja disebutkan.
Sebagai salah satu melihat ini korelasi univariat, sebagian besar dari mereka masuk akal, meskipun beberapa dapat dan mungkin terdistorsi oleh korelasi dengan variabel lain, bahkan variabel terukur. Dan beberapa variabel terukur mungkin berubah menjadi kritis. Ingat apa yang saya katakan di posting saya sebelumnya SexM1F2 variabel diperkenalkan oleh saya; itu tidak dalam dataset aslinya. Merokok adalah variabel ini, tetapi dibalik, untuk memperhitungkan fakta bahwa laki-laki adalah perokok berat dan perempuan tidak.
Korelasi univariat dihitung tanpa penyesuaian atau kontrol. Untuk memperbaiki masalah ini kita dapat menyesuaikan variabel berdasarkan variabel lain; seperti dalam menyesuaikan umur. Ini bukan seperti teknik yang baik, menurut pendapat saya; cenderung memakan waktu untuk melaksanakan, dan rentan terhadap kesalahan. Satu alternatif dapat mengontrol dengan dampak dari variabel lain; teknik yang lebih baik, bekerja dalam analisis statistik multivariat. Teknik yang terakhir ini adalah yang digunakan dalam analisis WarpPLS ().
Mengapa dont variabel yang berhubungan dengan merokok lebih muncul di meja korelasi univariat atas? Alasannya adalah bahwa meja merangkum asosiasi dihitung berdasarkan data untuk kedua jenis kelamin. Karena perempuan dalam dataset merokok sangat sedikit, termasuk mereka dalam analisis bersama-sama dengan laki-laki menurunkan kekuatan asosiasi yang berhubungan dengan merokok, yang mungkin akan lebih kuat jika hanya laki-laki yang disertakan. Ini menurunkan kekuatan asosiasi ke titik bahwa nilai P mereka menjadi lebih tinggi dari 0,05, yang mengarah ke eksklusi mereka dari tabel seperti di atas. Di sinilah proses agregasi yang dapat menyebabkan kesalahan ekologi menunjukkan kepalanya yang buruk.
Tidak ada yang bisa menyalahkan Dr. Campbell untuk tidak mengeluarkan peringatan tentang merokok, bahkan saat mereka datang dicampur dengan peringatan tentang konsumsi pangan hewani (). Mantan peringatan, tentang merokok, membuat banyak akal berdasarkan hasil analisis dalam hal ini dan dua tulisan.
Peringatan terakhir, tentang konsumsi pangan hewani, tampaknya semakin keliru. Konsumsi pangan hewani sebenarnya bisa melindungi dalam hal faktor X, karena tampaknya menjadi pelindung dalam hal konsumsi tepung terigu ().


Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya