Analisis di posting ini berbeda dari yang lain analisis dalam berbagai aspek. Salah satunya adalah bahwa data untuk pria dan wanita digunakan secara terpisah untuk masing-masing kabupaten, bukan dari jumlah per kabupaten. Hanya dua titik data per kabupaten yang digunakan (untuk pria dan wanita). Hal ini meningkatkan ukuran sampel dataset tanpa artifisial mengurangi varians (untuk lebih jelasnya, lihat Catatan di akhir posting), yang diinginkan karena dataset yang relatif kecil. Ini juga memungkinkan untuk uji asumsi akal sehat (misalnya, efek protektif menjadi perempuan), yang selalu ide yang baik dalam analisis kompleks karena melanggar asumsi akal sehat mungkin menyarankan pengumpulan data atau analisis kesalahan. Di sisi lain, diperlukan dimasukkannya variabel seks sebagai variabel kontrol dalam analisis, yang bukan masalah besar.
Analisis dilakukan dengan menggunakan WarpPLS. Di bawah ini adalah model dengan hasil utama analisis. (Klik untuk memperbesar Gunakan "CRTL" dan "+" tombol untuk memperbesar, dan CRTL "dan" -. "Untuk memperkecil.) Panah mengeksplorasi hubungan antara variabel, yang ditampilkan dalam oval Arti dari masing-masing. variabel adalah sebagai berikut: SexM1F2 = seks, dengan 1 ditugaskan untuk laki-laki dan 2 untuk perempuan; kolesterol HDLCHOL = HDL; TOTCHOL = kolesterol total; MSCHIST = kematian dari infeksi schistosomiasis, dan MVASC = angka kematian dari semua penyakit kardiovaskular.
Variabel di sebelah kiri MVASC adalah prediktor utama kepentingan dalam model HDLCHOL dan TOTCHOL. Yang ke kanan adalah variabel kontrol SexM1F2 dan MSCHIST. Koefisien jalur (diindikasikan sebagai koefisien beta) mencerminkan kekuatan hubungan. Sebuah beta negatif berarti bahwa hubungan negatif; yaitu, peningkatan variabel dikaitkan dengan penurunan variabel yang menunjuk ke. Nilai P menunjukkan signifikansi statistik hubungan; P lebih rendah dari 0,05 umumnya berarti hubungan yang signifikan (95 persen atau lebih tinggi kemungkinan bahwa hubungan itu nyata).
Singkatnya, ini adalah apa yang model di atas memberitahu kita:
- Sebagai HDL meningkatkan kolesterol, kolesterol total meningkat secara signifikan (beta = 0,48; P <0,01). Hal ini untuk diharapkan, karena HDL merupakan komponen utama dari kolesterol total, bersama-sama dengan VLDL dan kolesterol LDL.
- Sebagai total meningkat kolesterol, angka kematian dari semua penyakit kardiovaskular menurun secara signifikan (beta = -0,25; P <0,01). Hal ini untuk diharapkan jika kita menganggap bahwa kolesterol total adalah di bagian variabel intervening antara kolesterol HDL dan kematian dari semua penyakit kardiovaskular. Asumsi ini dapat diuji melalui model terpisah (lebih lanjut di bawah). Juga, ada lebih banyak untuk cerita ini, seperti yang tercantum di bawah ini.
- Pengaruh kolesterol HDL pada kematian dari semua penyakit kardiovaskular tidak signifikan ketika kita mengendalikan efek kolesterol total (beta = -0,08; P = 0,26). Hal ini menunjukkan bahwa peran protektif HDL yang dimasukkan oleh variabel kolesterol total, dan juga bahwa ada kemungkinan bahwa ada sesuatu yang lain yang berhubungan dengan kolesterol total yang membuatnya pelindung. Jika tidak efek kolesterol total mungkin tidak signifikan, dan pengaruh kolesterol HDL yang signifikan (kebalikan dari apa yang kita lihat di sini).
- Menjadi perempuan secara signifikan berhubungan dengan penurunan angka kematian dari semua penyakit kardiovaskular (beta = -0,16; P = 0,01). Hal ini untuk diharapkan. Dengan kata lain, pria adalah perempuan dengan cacat desain beberapa. (Situasi ini membalikkan sendiri sedikit setelah menopause.)
- Kematian dari infeksi schistosomiasis secara signifikan dan berbanding terbalik dikaitkan dengan kematian dari semua penyakit kardiovaskular (beta = -0,28; P <0,01). Hal ini mungkin karena mereka yang meninggal dari infeksi schistosomiasis tidak sedang masuk dalam dataset sebagai kematian akibat penyakit kardiovaskular, dan sebaliknya.
Dua komponen utama lain dari kolesterol total, selain kolesterol HDL, yang VLDL dan kolesterol LDL. Ini dilakukan dalam partikel-partikel, yang dikenal sebagai lipoprotein. VLDL kolesterol biasanya direpresentasikan sebagai sebagian kecil dari trigliserida dalam persamaan kolesterol (misalnya, Friedewald dan persamaan Iran). Biasanya berkorelasi terbalik dengan HDL; yaitu, sebagai HDL kolesterol meningkat, biasanya VLDL kolesterol menurun. Mengingat ini dan asosiasi yang dibahas di atas, tampaknya bahwa kolesterol LDL adalah calon yang baik untuk memungkinkan sesuatu yang lain yang berhubungan dengan kolesterol total yang membuatnya pelindung. Tapi waidaminet! Apakah mungkin bahwa partikel setan, LDL, melayani tujuan apapun selain memberikan kita serangan jantung?
Grafik di bawah ini menunjukkan bentuk hubungan antara kolesterol total (TOTCHOL) dan mortalitas dari semua penyakit kardiovaskular (MVASC). Nilai-nilai yang disediakan dalam format standar; misalnya, 0 adalah rata-rata, 1 adalah satu standar deviasi di atas rata-rata, dan sebagainya. Kurva kurva S terbaik pas diperoleh oleh perangkat lunak (kurva S adalah kurva sedikit lebih kompleks daripada kurva U).
Grafik di bawah ini menunjukkan beberapa data dalam format unstandardixed, dan diatur secara berbeda. Data tersebut dikelompokkan di sini di kisaran kolesterol total, yang ditampilkan pada sumbu horisontal. Terendah dan tertinggi berkisar dalam dataset ditampilkan, untuk menyoroti besarnya efek rupanya pelindung. Berikut dua variabel yang digunakan untuk menghitung angka kematian dari semua penyakit kardiovaskular (MVASC; lihat Catatan di akhir posting ini) ditambahkan. Jelas angka kematian terendah dari semua penyakit jantung adalah dalam kisaran total kolesterol tertinggi, 172,5-180; dan kematian tertinggi di kisaran total kolesterol termurah, 120-127,5. Perbedaannya cukup besar; kematian di kisaran terendah adalah sekitar 3,3 kali lebih tinggi daripada di tertinggi.
Bentuk grafik S-kurva di atas menunjukkan bahwa ada variabel lain yang mengacaukan hasil sedikit. Kematian dari semua penyakit kardiovaskular tampaknya umumnya turun dengan peningkatan kolesterol total, tetapi titik infleksi mulus di tengah grafik S-kurva menunjukkan pola variasi yang lebih kompleks yang dapat dipengaruhi oleh variabel lain (misalnya, merokok, diet pola, atau bahkan infeksi schistosomiasis; lihat Catatan di akhir posting ini).
Seperti disebutkan sebelumnya, kolesterol total sangat dipengaruhi oleh kolesterol HDL, sehingga di bawah ini adalah model dengan hanya kolesterol HDL (HDLCHOL) menunjuk angka kematian dari semua penyakit kardiovaskular (MVASC), dan kontrol seks variabel (SexM1F2).
Grafik di atas menegaskan asumsi bahwa peran pelindung HDL yang dimasukkan oleh variabel kolesterol total. Ketika variabel kolesterol total dihapus dari model, seperti yang dilakukan di atas, efek perlindungan kolesterol HDL menjadi signifikan (beta = -0,27; P <0,01). Kontrol variabel seks (SexM1F2) dipertahankan bahkan dalam model efek HDL ditargetkan karena efek pembaur diharapkan dari seks; betina umumnya cenderung memiliki kolesterol HDL yang lebih tinggi dan penyakit kardiovaskular kurang dari laki-laki.
Di bawah, di bagian Notes (setelah Referensi) beberapa catatan, beberapa di antaranya cukup teknis. Memberikan mereka secara terpisah semoga telah membuat diskusi di atas sedikit lebih mudah untuk mengikuti. Catatan juga menunjukkan beberapa keterbatasan analisis. Data ini perlu dianalisis dari sudut yang berbeda, dengan menggunakan beberapa model, sehingga kesimpulan tegas bisa dicapai. Namun, gambaran keseluruhan yang tampaknya muncul adalah bertentangan dengan keyakinan sebelumnya didasarkan pada dataset yang sama.
Apa yang bisa meningkatkan HDL ternyata pelindung dan kolesterol total dalam dataset ini? Tingginya konsumsi makanan hewani, terutama makanan yang kaya lemak jenuh dan kolesterol, adalah kandidat kuat. Rendahnya konsumsi minyak nabati kaya akan asam linoleat, dan makanan kaya karbohidrat olahan, juga kandidat yang baik. Mungkin itu adalah kombinasi dari ini.
Kita perlu lebih banyak analisis!
Referensi:
Kock, N. (2010). WarpPLS 1.0 User Manual. Laredo, Texas: ScriptWarp Systems.
Catatan:
- Koefisien jalur (diindikasikan sebagai koefisien beta) mencerminkan kekuatan hubungan; mereka adalah sedikit seperti univariat standar (atau Pearson) koefisien korelasi, kecuali bahwa mereka mempertimbangkan hubungan multivariat pertimbangan (yang mereka kontrol untuk efek bersaing pada setiap variabel).
- Nilai R-squared mencerminkan persentase perbedaan dijelaskan untuk variabel tertentu; lebih tinggi mereka, semakin baik model fit dengan data. Dalam fenomena yang kompleks dan multi-faktorial seperti fenomena yang berhubungan dengan kesehatan, banyak yang akan mempertimbangkan R-squared 0,20 sebagai diterima. Namun, R-squared an tersebut akan berarti bahwa 80 persen dari varians untuk terutama variabel dijelaskan oleh data.
- Nilai-nilai P telah dihitung dengan menggunakan teknik nonparametrik, bentuk resampling disebut jackknifing, yang tidak memerlukan asumsi bahwa data yang terdistribusi normal yang harus dipenuhi. Ini dan teknik terkait lainnya juga cenderung menghasilkan hasil yang lebih dapat diandalkan untuk sampel kecil, dan sampel dengan outlier (asalkan outlier adalah data yang baik, dan bukan hasil dari kesalahan pengukuran).
- Kolinearitas merupakan pertimbangan penting dalam model yang menganalisis pengaruh beberapa prediktor pada satu variabel tunggal. Hal ini terutama berlaku untuk model regresi berganda, di mana ada godaan menambahkan banyak prediktor untuk model untuk melihat mana yang keluar sebagai pemenang. Hal ini sering menjadi bumerang, karena kolinearitas parah dapat merusak hasil. Beberapa teknik regresi ganda, seperti regresi bertahap otomatis dengan eliminasi mundur, sangat rentan terhadap masalah ini. Kolinearitas adalah tidak sama dengan korelasi, dan dengan demikian didefinisikan dan diukur berbeda. Dua variabel prediktor dapat secara signifikan berkorelasi dan masih memiliki kolinearitas rendah. Ukuran cukup handal kolinearitas adalah faktor inflasi varians. Kolinearitas diuji dalam model ini, dan ditemukan untuk menjadi rendah.
- Sebuah upaya telah dibuat di sini untuk menghindari beberapa titik data per kabupaten (meskipun ini adalah tersedia untuk beberapa variabel), karena ini artifisial dapat mengurangi varians untuk setiap variabel, dan berpotensi bias hasil. Alasan untuk ini adalah bahwa beberapa jawaban dari county tunggal biasanya akan agak berkorelasi; tingkat yang lebih tinggi dari korelasi intra-county dari korelasi antar kabupaten. Bias yang dihasilkan akan sulit untuk mengendalikan, melalui satu atau lebih variabel kontrol. Dengan hanya dua poin data per kabupaten, satu untuk laki-laki dan yang lainnya untuk perempuan, satu dapat mengontrol korelasi intra-negara dengan menambahkan variabel seks dummy untuk analisis, sebagai variabel kontrol. Hal ini dilakukan di sini.
- Kematian dari infeksi schistosomiasis (MSCHIST) adalah variabel yang cenderung mempengaruhi hasil dengan cara yang membuatnya lebih sulit untuk memahami mereka. Umumnya hal ini berlaku untuk setiap penyakit menular yang secara signifikan mempengaruhi populasi yang diteliti. Masalah dengan infeksi adalah bahwa orang-orang dengan kesehatan dinyatakan baik atau kebiasaan mungkin mendapatkan infeksi, dan orang-orang dengan kesehatan yang buruk dan kebiasaan tidak mungkin. Sejak kolesterol digunakan oleh tubuh manusia untuk melawan penyakit, mungkin naik, memberikan kesan bahwa itu akan naik untuk beberapa alasan lain. Mungkin bukannya mengendalikan efeknya, seperti yang dilakukan di sini, itu akan lebih baik untuk menghapus dari analisis mereka kabupaten dengan kematian akibat infeksi schistosomiasis. (Lihat juga posting ini, dan yang satu ini.)
- Bagian yang berbeda dari data yang dikumpulkan pada waktu yang berbeda. Tampaknya bahwa data kematian adalah untuk periode 1986-1988, dan sisanya dari data tersebut untuk tahun 1989. Ini mungkin bias hasilnya agak, meskipun ilmu pelet jarak jauh jeda waktu tidak terlalu lama, terutama jika ada perubahan dalam kesehatan tertentu tren dari satu periode ke periode lainnya. Misalnya, migrasi besar dari satu daerah ke yang lain bisa secara signifikan mempengaruhi hasil.
- Langkah-langkah berikut ini digunakan, dari dataset online seperti langkah-langkah lain. P002 HDLCHOL, untuk HDLCHOL; P001 TOTCHOL, untuk TOTCHOL; dan M021 SCHISTOc, untuk MSCHIST.
- SexM1F2 adalah variabel dummy yang diberi kode dengan 1 ditugaskan untuk laki-laki dan 2 perempuan. Dengan demikian, pada dasarnya mengukur tingkat keperempuanan dari responden. Menjadi perempuan umumnya perlindungan terhadap penyakit kardiovaskular, situasi yang beralih sendiri sedikit setelah menopause.
- MVASC adalah ukuran gabungan dari dua variabel berikut, disediakan sebagai langkah komponen kematian dari semua penyakit kardiovaskular: M058 ALLVASCb (usia 0-34), dan M059 ALLVASCc (usia 35-69). Beberapa masalah yang jelas: (a) mereka tidak termasuk data pada orang yang lebih tua dari 69; dan (b) mereka tampaknya untuk menangkap banyak penyakit, termasuk beberapa yang tidak tampak seperti penyakit kardiovaskular khas. Sebuah analisis faktor dilakukan, dan beban dan cross-beban yang disarankan validitas yang baik. Reliabilitas komposit juga baik. Jadi pada dasarnya MVASC diukur di sini sebagai variabel laten dengan dua indikator. Mengapa ini? Alasannya adalah bahwa itu mengurangi efek biasing data yang tidak lengkap dan kesalahan pengukuran (misalnya, pengecualian dari orang tua dari 69). By the way, selalu ada beberapa kesalahan pengukuran dalam dataset apapun.
- Catatan ini terkait dengan kesalahan pengukuran sehubungan dengan indikator untuk MVASC. Ada sesuatu yang aneh tentang variabel M058 ALLVASCb (usia 0-34), dan M059 ALLVASCc (usia 35-69). Menurut dataset, angka kematian dari penyakit kardiovaskular untuk usia 0-34 biasanya lebih tinggi daripada 35-69, bagi banyak negara. Mengingat validitas dan keandalan yang baik untuk MVASC sebagai variabel laten, adalah mungkin bahwa nilai-nilai untuk dua variabel indikator tersebut hanya bertukar oleh kesalahan.
Dapatkan Sample GRATIS Produk sponsor di bawah ini, KLIK dan lihat caranya