Dalam posting saya sebelumnya saya sebutkan beberapa hasil yang aneh yang membawa saya untuk analisis tambahan. Di bawah ini adalah snapshot layar meringkas satu analisis tersebut, asosiasi memerintahkan antara kematian dalam 35-69 dan 70-79 rentang usia dan semua variabel lainnya dalam dataset. baca juga cara Belajar Ilmu Pelet)* Seperti yang saya katakan sebelumnya, ini adalah bagian dari dataset China Study II, yang tidak mencakup semua variabel yang datanya dikumpulkan. Asosiasi yang ditunjukkan di bawah yang dihasilkan oleh HealthCorrelator untuk Excel.
Asosiasi top positif dan dengan mortalitas pada kisaran lain (M006 dan M005 variabel). Hal ini untuk diharapkan jika kesalahan ekologi bukanlah masalah besar dalam hal kesimpulan yang diambil dari dataset ini. Dengan kata lain, hal yang sama menyebabkan kematian naik dalam dua rentang usia, seragam di seluruh kabupaten. Hal ini meyakinkan dari perspektif analisis kuantitatif.
Asosiasi tertinggi kedua di kedua rentang usia dengan SexM1F2 variabel. Variabel ini merupakan variabel dummy dikodekan sebagai 1 untuk seks pria dan 2 Gadis, yang saya ditambahkan ke dataset sendiri tidak ada dalam dataset aslinya. Hubungan di kedua rentang usia negatif, yang berarti bahwa menjadi perempuan pelindung. Mereka mencerminkan sebagian peran gender pada kematian, lebih khusus aspek biologis menjadi perempuan, karena kita telah melihat sebelumnya dalam analisis yang sebelumnya menjadi perempuan umumnya kesehatan-pelindung.
Saya bisa menambahkan variabel gender yang terkait dengan model karena data awalnya disediakan untuk masing-masing kabupaten terpisah untuk pria dan wanita, serta melalui total yang dihitung dengan menggabungkan data dari laki-laki dan perempuan. Jadi saya pada dasarnya de-dikumpulkan data dengan menggunakan data dari laki-laki dan perempuan secara terpisah, dalam hal jumlah yang tidak digunakan (kalau tidak aku akan artifisial mengurangi varians dalam semua variabel, juga mungkin menambahkan keseragaman di mana itu bukan milik). Dengan menggunakan data dari laki-laki dan perempuan secara terpisah adalah kebalikan dari proses agregasi yang dapat menyebabkan masalah kesalahan ekologi.
Pokoknya, asosiasi dengan SexM1F2 variabel membuat saya berpikir tentang kemungkinan. Bagaimana jika wanita mengkonsumsi tepung terigu secara signifikan kurang dan protein hewani lebih dalam dataset ini? Ini bisa menjadi salah satu alasan di balik asosiasi ini kuat antara menjadi wanita dan hidup lebih lama. Jadi saya membangun sebuah model WarpPLS lebih kompleks daripada yang di posting saya sebelumnya, dan berlari analisis linear multivariat di atasnya. Hasilnya ditunjukkan di bawah ini.
Apa hasil ini menunjukkan? Mereka menyarankan ada asosiasi yang kuat antara gender dan tepung terigu atau konsumsi protein hewani. Artinya, ketika Anda melihat rata-rata kabupaten, pria dan wanita mengkonsumsi sekitar jumlah yang sama dari tepung terigu dan protein hewani. Selain itu, hasil menunjukkan bahwa protein hewani adalah pelindung dan tepung terigu merugikan, dalam hal umur panjang, tanpa memandang jenis kelamin. Hubungan antara protein hewani dan tepung terigu pada dasarnya sama dengan yang di posting saya sebelumnya. Koefisien beta yang sedikit lebih rendah, tetapi beberapa nilai P ditingkatkan (yaitu, penurunan); yang terakhir kemungkinan besar karena resample yang lebih baik mengatur stabilitas setelah termasuk variabel berkaitan dengan gender.
Yang paling penting, ada efek perlindungan yang sangat kuat terkait dengan menjadi perempuan, dan efek ini adalah independen dari apa yang peserta makan.
Sekarang, jika Anda adalah seorang pria, tidak terburu-buru untuk mengambil hormon untuk menjadi seorang wanita dengan tujuan hidup lebih lama dulu. Nasihat ini tidak hanya disebabkan oleh masalah kesehatan mungkin berhubungan dengan menjadi transgender orang; juga karena masalah kecil dengan asosiasi ini. Masalahnya adalah bahwa efek perlindungan yang disarankan oleh koefisien hubungan antara gender dan kematian tampaknya terlalu kuat disebabkan oleh laki-laki "menjadi wanita dengan cacat desain beberapa".
Ada faktor X di suatu tempat misterius di sana, dan itu bukan jenis kelamin per se. Kita perlu menemukan calon yang lebih baik.
Satu hal yang menarik untuk menunjukkan di sini adalah bahwa model di atas memiliki kekuatan penjelas yang baik dalam hal kematian. Aku akan mengatakan kekuatan penjelas yang luar biasa baik mengingat bahwa orang mati untuk berbagai alasan, dan di sini kita memiliki model yang menjelaskan banyak variasi itu. Model ini menjelaskan 45 persen dari varians dalam kematian di kisaran 35-69 usia, dan 28 persen dari varians dalam kisaran 70-79 usia.
Dengan kata lain, model di atas menjelaskan hampir setengah dari varians dalam kematian di kisaran 35-69 usia. Ini bisa menjadi dasar disertasi doktor di bidang nutrisi atau epidemiologi dengan implikasi penting bagi kebijakan kesehatan masyarakat di China. Tapi pertama-tama faktor X harus diidentifikasi, dan harus entah bagaimana berhubungan dengan gender.
Posting berikutnya datang segera ...
Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya