The China Study lagi: Sebuah analisis multivariat menunjukkan bahwa aturan schistosomiasis!

Di bagian komentar dari Denise Mingers posting pada 16 Juli 2010, yang membahas beberapa data dari China Study (sebagai tindak lanjut posting sebelumnya pada topik yang sama), Denise sendiri diposting data dia digunakan dalam nya analisa. Data ini adalah dari China Study. Jadi saya memutuskan untuk mengambil melihat data dan melakukan beberapa dari multivariat dengan menggunakan WarpPLS (warppls.com).

Pertama saya membangun sebuah model yang mengeksplorasi hubungan dengan tujuan menguji asumsi bahwa konsumsi protein hewani menyebabkan kanker kolorektal, melalui efek menengah pada kolesterol total. Saya membangun model dengan ilmu pelet jarak jauh berbagai asosiasi hipotesis untuk mengeksplorasi beberapa hubungan secara bersamaan, termasuk beberapa yang akal sehat. Termasuk hubungan akal sehat biasanya ide yang baik dalam analisis multivariat eksplorasi.

Model ini ditunjukkan pada grafik di bawah ini, dengan hasil. (Klik untuk memperbesar Gunakan "CRTL" dan "+" tombol untuk memperbesar, dan CRTL "dan" -. "Untuk memperkecil.) Panah mengeksplorasi hubungan kausatif antara variabel Variabel ditunjukkan dalam oval Artinya.. masing-masing variabel adalah sebagai berikut: konsumsi protein aprotein = hewan; pprotein = tanaman konsumsi protein; cholest = kolesterol total; crcancer = kanker kolorektal.



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). 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 berarti hubungan yang signifikan (95 persen atau lebih tinggi kemungkinan bahwa hubungan itu nyata). Nilai R-squared mencerminkan persentase perbedaan dijelaskan untuk variabel tertentu; lebih tinggi mereka, semakin baik model fit dengan data. Abaikan (R) 1i bawah nama variabel; itu hanya berarti bahwa setiap variabel diukur melalui indikator tunggal (atau ukuran tunggal, yaitu, variabel tidak variabel laten).

Saya harus mencatat bahwa 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 bagus, karena saya memeriksa data, dan itu tidak terlihat seperti itu biasanya didistribusikan. Jadi, apa model di atas memberitahu kita? Ini memberitahu kita bahwa:

- Sebagai konsumsi protein hewani meningkat, penurunan kanker kolorektal, tetapi tidak dengan cara yang signifikan secara statistik (beta = -0,13; P = 0,11).

- Sebagai konsumsi protein hewani meningkat, penurunan konsumsi protein nabati secara signifikan (beta = -0,19; P <0,01). Hal ini untuk diharapkan.

- Sebagai konsumsi meningkat protein tanaman, meningkat kanker kolorektal secara signifikan (beta = 0,30; P = 0,03). Hal ini signifikan secara statistik karena P lebih rendah dari 0,05.

- Sebagai konsumsi protein hewani meningkat, total meningkat kolesterol secara signifikan (beta = 0,20; P <0,01). Tidak ada kejutan di sini. Dan, dengan cara, kadar kolesterol total dalam penelitian ini cukup rendah; peningkatan secara keseluruhan dalam mereka mungkin akan menjadi sehat.

- Sebagai konsumsi meningkat protein tanaman, kolesterol total menurun secara signifikan (beta = -0,23; P = 0,02). Tidak mengherankan di sini baik, karena konsumsi protein nabati berhubungan negatif dengan konsumsi protein hewani; dan yang terakhir cenderung meningkat kolesterol total.

- Sebagai total meningkat kolesterol, meningkatkan kanker kolorektal secara signifikan (beta = 0,45; P <0,01). Kejutan besar di sini!

Mengapa kejutan besar dengan hubungan yang tampaknya kuat antara kolesterol total dan kanker kolorektal? Alasannya adalah bahwa hal itu tidak masuk akal, karena konsumsi protein hewani tampaknya meningkatkan kolesterol total (yang kita kenal biasanya tidak), namun konsumsi protein hewani tampaknya menurunkan kanker kolorektal.

Ketika sesuatu seperti ini terjadi dalam analisis multivariat, biasanya adalah karena model tidak memasukkan variabel yang memiliki hubungan penting dengan variabel lain. Dengan kata lain, model ini tidak lengkap, maka hasil tidak masuk akal. Seperti yang saya katakan sebelumnya di posting sebelumnya, hubungan antara variabel yang tersirat oleh koefisien asosiasi juga harus masuk akal.

Sekarang, Denise menunjukkan bahwa variabel hilang di sini mungkin adalah infeksi schistosomiasis. Dataset bahwa ia disediakan termasuk yang variabel, meskipun ada beberapa nilai yang hilang (sekitar 28 persen dari data untuk variabel yang hilang), jadi saya menambahkan ke model dengan cara yang tampaknya masuk akal. Model baru ini ditampilkan pada grafik di bawah ini. Dalam model, schisto = infeksi schistosomiasis.



Jadi, apa ini baru, dan lebih lengkap, model yang memberitahu kita? Ini memberitahu kita beberapa hal yang model sebelumnya mengatakan kepada kami, tapi beberapa hal baru, yang membuat lebih banyak rasa. Perhatikan bahwa model ini sesuai dengan data yang jauh lebih baik dari sebelumnya, khususnya mengenai efek keseluruhan pada kanker kolorektal, yang ditunjukkan oleh nilai R-squared tinggi untuk variabel yang (R-squared = 0,73). Terutama, model baru ini memberitahu kita bahwa:

- Seiring dengan peningkatan infeksi schistosomiasis, meningkat kanker kolorektal secara signifikan (beta = 0,83; P <0,01). Ini adalah hubungan yang lebih kuat dari yang sebelumnya antara kolesterol total dan kanker kolorektal; meskipun beberapa data pada infeksi schistosomiasis selama beberapa kabupaten hilang (hubungan mungkin lebih kuat dengan dataset lengkap). Dan hubungan ini kuat masuk akal, karena infeksi schistosomiasis memang dikaitkan dengan tingkat kanker meningkat. Informasi lebih lanjut tentang infeksi schistosomiasis dapat ditemukan di sini.

- Infeksi Schistosomiasis tidak memiliki hubungan yang signifikan dengan variabel-variabel ini: konsumsi protein hewani, konsumsi protein tanaman, atau kolesterol total. Ini masuk akal, karena infeksi disebabkan oleh cacing yang tidak biasanya hadir dalam tumbuhan atau hewan makanan, dan infeksi itu sendiri tidak secara khusus terkait dengan kelainan yang akan membawa kita untuk mengharapkan kenaikan besar dalam kolesterol total.

- Konsumsi Protein hewani tidak memiliki hubungan yang signifikan dengan kanker kolorektal. Beta di sini sangat rendah, dan negatif (beta = -0,03).

- Konsumsi protein Tanaman tidak memiliki hubungan yang signifikan dengan kanker kolorektal. Beta untuk asosiasi ini positif dan trivial (beta = 0,15), tetapi nilai P terlalu tinggi (P = 0,20) bagi kita untuk membuang kesempatan dalam konteks dataset ini. Sebuah dataset lebih bertarget, dengan data pada makanan nabati tertentu (misalnya, makanan berbasis gandum), dapat menghasilkan hasil yang berbeda mungkin asosiasi yang lebih signifikan, mungkin kurang signifikan.

Berikut adalah plot yang menunjukkan hubungan antara infeksi schistosomiasis dan kanker kolorektal. Nilai-nilai yang standar, yang berarti bahwa nol pada sumbu horisontal adalah rata-rata angka infeksi schistosomiasis dalam dataset. Bentuk plot adalah sama satu dengan data unstandardized. Seperti yang Anda lihat, titik data yang sangat dekat dengan garis, yang menunjukkan hubungan linier yang sangat kuat.



Jadi, dalam ringkasan, analisis multivariat ini membenarkan hampir semua yang mengatakan Denise dalam dirinya 16 Juli 2010 posting. Ia bahkan mendukung Denise peringatan tentang melompat ke kesimpulan terlalu dini mengenai kemungkinan hubungan antara konsumsi gandum dan kanker kolorektal (sebelumnya disorot oleh analisis univariat). Bukan berarti mereka kesimpulan yang salah; mereka mungkin benar.

Analisis multivariat ini juga mendukung Dr. Campbell pernyataan tentang kualitas data China Study. Data yang saya menganalisis sudah dikelompokkan berdasarkan daerah, sehingga ukuran sampel (65 kasus) tidak begitu tinggi untuk meragukan nilai-nilai P. (Karena itu, sampel kecil membuat masalah mereka sendiri, seperti kekuatan statistik yang rendah dan peningkatan kemungkinan kesalahan yang disebabkan Bias.) Hasilnya dirangkum dalam posting ini juga masuk akal mengingat penelitian empiris masa lalu.

Ini adalah data yang sangat baik; Data yang perlu dianalisis dengan baik!

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

The China Study sekali lagi: Apakah makanan nabati mentah memberikan kanker orang?

Dalam posting ini sebelumnya saya menganalisa beberapa data dari China Study yang termasuk kabupaten di mana ada kasus infeksi schistosomiasis. Berikut salah satu saran Denise Mingers, saya dihapus semua kabupaten dari data. Aku ditinggalkan dengan 29 kabupaten, ukuran sampel yang lebih kecil. Saya kemudian berlari analisis multivariat menggunakan WarpPLS (warppls.com), seperti di posting sebelumnya, tapi kali ini saya menggunakan sebuah algoritma yang mengidentifikasi hubungan nonlinier antara variabel.

Di bawah ini adalah model dengan hasil. (Klik untuk memperbesar Gunakan "CRTL" dan "+" tombol untuk memperbesar, dan CRTL "dan" ilmu pelet jarak jauh-. "Untuk memperkecil.) Seperti dalam posting sebelumnya, panah mengeksplorasi hubungan antara variabel Variabel yang akan ditampilkan. . dalam oval Arti dari masing-masing variabel adalah sebagai berikut: konsumsi protein aprotein = hewan; pprotein = tanaman konsumsi protein; cholest = kolesterol total; crcancer = kanker kolorektal.

Apa kolesterol total lakukan di bagian kanan grafik? Hal ini ada karena saya menganalisis hubungan antara protein hewani dan konsumsi protein tanaman dengan kanker kolorektal, mengendalikan efek pembaur yang mungkin dari kolesterol total.

Saya tidak hipotesa apa-apa tentang kolesterol total, meskipun variabel ini ditampilkan sebagai menunjuk kanker kolorektal. Saya hanya mengendalikan untuk itu. Ini adalah jenis hal yang bisa dilakukan dalam analisis multivariat. Ini adalah bagaimana Anda mengendalikan pengaruh variabel dalam analisis seperti ini.

Karena sampel ini cukup kecil, kita berakhir dengan koefisien beta signifikan yang biasanya akan signifikan secara statistik dengan sampel yang lebih besar. Tapi membantu bahwa kita menggunakan statistik nonparametrik, karena mereka masih kuat dengan adanya sampel kecil, dan penyimpangan dari normalitas. Juga algoritma nonlinear lebih sensitif terhadap hubungan yang tidak cocok dengan pola linear klasik. Kita bisa merangkum temuan sebagai berikut:

- Sebagai konsumsi protein hewani meningkat, penurunan konsumsi protein nabati secara signifikan (beta = -0,36; P <0,01). Hal ini untuk diharapkan dan membantu dalam analisis, karena membedakan agak hewan dari konsumen protein nabati. Mereka orang-orang yang punya lebih dari protein mereka dari makanan hewani cenderung untuk mendapatkan signifikan kurang protein dari makanan nabati.

- Sebagai konsumsi protein hewani meningkat, penurunan kanker kolorektal, tetapi tidak dengan cara yang signifikan secara statistik (beta = -0,31; P = 0,10). Beta di sini tentu tinggi, dan kemungkinan bahwa hubungan yang sebenarnya adalah 90 persen, bahkan dengan seperti contoh kecil.

- Sebagai konsumsi meningkat protein tanaman, meningkat kanker kolorektal secara signifikan (beta = 0,47; P <0,01). Ukuran sampel yang kecil tidak cukup untuk membuat hubungan ini tidak signifikan. Alasannya adalah bahwa pola distribusi data di sini sangat indikasi dari hubungan yang nyata, yang tercermin dalam nilai P rendah.

Ingat, hasil ini tidak dikacaukan oleh infeksi schistosomiasis, karena kita hanya melihat negara mana tidak ada kasus infeksi schistosomiasis. Hasil ini tidak dikacaukan oleh kolesterol total baik, karena kita dikendalikan untuk efek pembaur mungkin. Sekarang, mengontrol variabel atau tidak, Anda akan benar untuk menunjukkan bahwa hubungan antara kolesterol total dan kanker kolorektal adalah tinggi (beta = 0,58; P = 0,01). Jadi mari kita lihat pada bentuk asosiasi yang:



Apakah grafik ini mengingatkan Anda tentang satu di posting ini; satu dengan beberapa kurva U? Iya nih. Dan mengapa itu? Mungkin itu mencerminkan kecenderungan di antara orang-orang yang memiliki kolesterol rendah untuk memiliki kanker lebih karena tubuh membutuhkan kolesterol untuk melawan penyakit, dan kanker adalah penyakit. Dan mungkin itu mencerminkan kecenderungan di antara orang-orang yang memiliki kadar kolesterol total yang tinggi untuk melakukannya karena kolesterol total (dan khususnya komponen utamanya, kolesterol LDL) adalah sebagian penanda penyakit, dan kanker sering merupakan puncak dari berbagai gangguan metabolik (misalnya , sindrom metabolik) yang tidak lain hanyalah salah satu penyakit demi satu.

Untuk percaya bahwa kolesterol total menyebabkan kanker kolorektal adalah tidak masuk akal karena kolesterol total umumnya meningkat konsumsi produk hewani, yang konsumsi protein hewani adalah proxy. (Dalam dataset berkurang ini, korelasi univariat linier antara konsumsi protein hewani dan kolesterol total adalah signifikan dan positif 0,36.) Dan konsumsi protein hewani tampaknya menjadi pelindung kanker kolorektal lagi dalam dataset ini (asosiasi negatif pada model grafik).

Sekarang sampai pada bagian yang saya temukan paling ironis tentang diskusi ini seluruh di blogosphere yang telah terjadi baru-baru ini tentang China Study; dan jawaban atas pertanyaan yang diajukan dalam judul posting ini: Apakah makanan nabati mentah memberikan kanker orang? Jika Anda berpikir bahwa jawabannya adalah ya, pikirkan lagi. Variabel yang sangat terkait dengan kanker kolorektal adalah konsumsi protein nabati.

Apakah buah-buahan, sayuran, dan makanan nabati lainnya yang dapat dikonsumsi mentah memiliki banyak protein?

Dengan beberapa pengecualian, seperti kacang-kacangan, mereka tidak. Kebanyakan makanan nabati mentah memiliki jumlah jejak protein, terutama bila dibandingkan dengan makanan yang terbuat dari biji-bijian olahan dan biji (misalnya, biji-bijian gandum, biji kedelai). Jadi kontribusi buah-buahan mentah dan sayuran pada umumnya tidak bisa dipengaruhi banyak variabel konsumsi protein nabati. Untuk menempatkan ini dalam perspektif, konsumsi protein tanaman rata-rata per hari dalam dataset ini adalah 63 g; bahkan jika mereka sedang makan 30 pisang sehari, peserta studi tidak akan mendapatkan setengah yang banyak protein dari pisang.

Makanan olahan yang terbuat dari biji-bijian dan biji yang dibuat dari bagian-bagian tanaman yang tanaman benar-benar tidak ingin hewan makan. Mereka adalah anak-anak atau anak-anak tanaman cadangan gizi, sehingga untuk berbicara. Inilah sebabnya mengapa mereka dikemas dengan nutrisi, termasuk protein dan karbohidrat, tetapi juga sering beracun dan / atau enak untuk hewan (termasuk manusia) bila dimakan mentah.

Tapi manusia begitu pintar; mereka belajar bagaimana industri memperbaiki butir dan biji untuk konsumsi. Produk-manusia rekayasa yang dihasilkan (biasanya direkayasa untuk menjual banyak unit mungkin, tidak membuat Anda sehat) biasanya rasa lezat, sehingga Anda cenderung makan banyak dari mereka. Mereka juga cenderung meningkatkan gula darah ke tingkat abnormal tinggi, karena pemurnian industri membuat kandungan karbohidrat yang tinggi yang mudah dicerna. Makanan olahan yang terbuat dari biji-bijian dan biji juga cenderung menyebabkan masalah usus bocor, dan gangguan autoimun seperti penyakit celiac. Yap, kita manusia benar-benar cerdas.

Terima kasih lagi untuk Dr. Campbell dan rekan-rekannya untuk mengumpulkan dan menyusun data China Study, dan Ms Minger untuk membuat data yang tersedia dalam format mudah didownload dan untuk melakukan beberapa analisis yang luar biasa dirinya.

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

The China Study II: Kolesterol tampaknya untuk melindungi terhadap penyakit kardiovaskular

Pertama-tama, banyak terima kasih adalah karena Dr. Campbell dan rekan-rekannya untuk mengumpulkan dan menyusun data yang digunakan dalam analisis ini. Data ini berasal dari situs ini, diciptakan oleh orang-orang peneliti untuk menyebarluaskan data dari studi sering disebut sebagai China Study II. Sudah dianalisa oleh blogger lain. Analisis nyata telah dilakukan oleh Ricardo di Canibais e Reis, Stan di Sesat, dan Denise di Raw Food SOS.

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

The China Study II: Tepung terigu, beras, dan penyakit kardiovaskular

Dalam posting terakhir saya di China Study II, saya menganalisis pengaruh total dan HDL kolesterol pada kematian dari semua penyakit kardiovaskular. Kesimpulan utama adalah bahwa total dan HDL kolesterol yang protektif. Total dan HDL kolesterol biasanya meningkat dengan asupan makanan hewani, dan terutama lemak hewani. Mortalitas terendah dari semua penyakit kardiovaskular di kisaran total kolesterol tertinggi, 172,5-180; dan kematian tertinggi di kisaran total kolesterol termurah, 120-127,5. Perbedaan itu cukup besar; kematian di kisaran terendah adalah sekitar 3,3 kali lebih tinggi daripada di tertinggi.

Posting ini berfokus pada asupan dua makanan nabati utama, yaitu tepung terigu dan asupan nasi, dan hubungan mereka dengan kematian dari semua penyakit kardiovaskular. Setelah banyak analisis multivariat eksplorasi, tepung terigu dan beras muncul sebagai makanan nabati dengan asosiasi terkuat dengan kematian dari semua penyakit kardiovaskular. Selain itu, tepung terigu dan beras memiliki hubungan yang kuat dan terbalik satu sama lain, yang menunjukkan kesenjangan konsumsi. Karena data tersebut dari Cina pada akhir 1980-an, ada kemungkinan bahwa konsumsi tepung terigu bahkan lebih tinggi sekarang. Seperti kamu lihat, gambar ini adalah mengkhawatirkan.

Model utama dan hasil

Semua hasil yang dilaporkan di sini adalah dari analisis yang dilakukan menggunakan WarpPLS. Di bawah ini adalah model dengan hasil utama dari 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; MVASC = angka kematian dari semua penyakit kardiovaskular (usia 35-69); TKCAL = Total asupan kalori per hari; WHTFLOUR = asupan tepung terigu (g / hari ), dan BERAS = dan asupan nasi (g / hari).



Variabel di sebelah kiri MVASC adalah prediktor utama kepentingan dalam model. Yang satu ke kanan adalah kontrol variabel SexM1F2. 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, model di atas tampaknya mengatakan kepada kita bahwa:

- Sebagai beras asupan meningkat, asupan tepung terigu menurun secara signifikan (beta = -0,84; P <0,01). Hubungan ini akan sama jika panah menunjuk ke arah yang berlawanan. Ini menunjukkan bahwa ada kesenjangan yang tajam antara padi memakan dan tepung terigu memakan daerah.

- Sebagai tepung terigu asupan meningkat, angka kematian dari semua penyakit kardiovaskular meningkat secara signifikan (beta = 0,32; P <0,01). Ini setelah mengendalikan efek dari beras dan asupan kalori total. Artinya, tepung terigu tampaknya memiliki beberapa sifat yang melekat yang membuatnya buruk bagi kesehatan yang, bahkan jika salah satu tidak mengkonsumsi banyak kalori.

- Sebagai beras asupan meningkat, angka kematian dari semua penyakit kardiovaskular menurun secara signifikan (beta = -0,24; P <0,01). Ini setelah mengendalikan efek dari tepung gandum dan asupan kalori total. Artinya, efek ini tidak sepenuhnya karena beras yang dikonsumsi di tempat tepung terigu. Namun, seperti yang Anda akan lihat nanti dalam posting ini, hubungan ini tidak linier. Asupan nasi berlebihan tampaknya tidak sangat baik untuk kesehatan yang baik.

- Peningkatan tepung gandum dan asupan beras secara signifikan terkait dengan peningkatan total asupan kalori (beta = 0,25, 0,33; P <0,01). Hal ini mungkin karena tepung gandum dan asupan nasi: (a) menjadi diri sendiri, dalam hal konten kalori mereka sendiri, kontributor utama terhadap total asupan kalori; atau (b) menyebabkan peningkatan asupan kalori dari sumber lain. Yang pertama adalah lebih mungkin, mengingat efek bawah.

- Efek dari total asupan kalori pada kematian dari semua penyakit kardiovaskular tidak signifikan ketika kita mengontrol efek dari beras dan gandum intake tepung (beta = 0,08; P = 0,35). Hal ini menunjukkan bahwa baik tepung terigu atau beras diberikannya efek pada kematian dari semua penyakit kardiovaskular dengan meningkatkan asupan kalori total dari sumber makanan lainnya.

- Menjadi perempuan secara signifikan berhubungan dengan penurunan angka kematian dari semua penyakit kardiovaskular (beta = -0,24; P = 0,01). Hal ini untuk diharapkan. Dengan kata lain, pria adalah perempuan dengan cacat desain sedikit, sehingga untuk berbicara. (Situasi ini membalikkan sendiri sedikit setelah menopause.)

Tepung terigu menggantikan beras

Grafik di bawah ini menunjukkan bentuk hubungan antara asupan tepung terigu (WHTFLOUR) dan asupan nasi (beras). Nilai-nilai yang disediakan dalam format standar; misalnya, 0 adalah mean (alias rata-rata), 1 adalah satu standar deviasi di atas rata-rata, dan sebagainya. Kurva kurva U yang terbaik pas diperoleh oleh perangkat lunak. Sebenarnya memiliki bentuk kurva peluruhan eksponensial, yang dapat dilihat sebagai bagian dari kurva U. Hal ini menunjukkan bahwa konsumsi tepung terigu telah sangat pengungsi konsumsi beras di beberapa daerah di Cina, dan juga bahwa di mana pun konsumsi beras gandum tinggi konsumsi tepung cenderung rendah.



Sebagai asupan tepung terigu naik, begitu juga angka kematian penyakit kardiovaskuler

Grafik di bawah ini menunjukkan bentuk hubungan antara asupan tepung terigu (WHTFLOUR) dan mortalitas dari semua penyakit kardiovaskular (MVASC). Dalam grafik pertama, nilai-nilai yang diberikan dalam format standar; misalnya, 0 adalah mean (atau rata-rata), 1 adalah satu standar deviasi di atas rata-rata, dan sebagainya. Dalam grafik kedua, nilai-nilai yang disediakan dalam format unstandardixed dan terorganisir di terciles (masing-masing tiga interval yang sama).





Kurva dalam grafik pertama adalah kurva U yang terbaik pas diperoleh oleh perangkat lunak. Ini adalah hubungan kuasi-linear. Semakin tinggi konsumsi tepung terigu di daerah, semakin tinggi tampaknya menjadi kematian dari semua penyakit kardiovaskular. Grafik kedua menunjukkan bahwa angka kematian di tercile ketiga, yang merupakan konsumsi tepung terigu dari 501-751 g / hari (banyak!), Adalah 69 persen lebih tinggi dari angka kematian di tercile pertama (0-251 g / hari).

Beras tampaknya menjadi pelindung, selama asupan tidak terlalu tinggi

Grafik di bawah ini menunjukkan bentuk hubungan antara asupan nasi (beras) dan mortalitas dari semua penyakit kardiovaskular (MVASC). Dalam grafik pertama, nilai-nilai yang diberikan dalam format standar. Dalam grafik kedua, nilai-nilai yang disediakan dalam format unstandardixed dan terorganisir di terciles.





Berikut hubungan yang lebih kompleks. Mortalitas terendah jelas di tercile kedua (206-412 g / hari). Ada banyak variasi dalam tercile pertama, seperti yang disarankan oleh grafik pertama dengan kurva U. (Ingat, asupan beras turun, asupan tepung terigu cenderung naik.) U kurva sini terlihat mirip dengan kurva peluruhan eksponensial ditampilkan sebelumnya di pos, untuk hubungan antara beras dan asupan tepung terigu.

Bahkan, bentuk hubungan antara asupan dan kematian beras dari semua penyakit kardiovaskular terlihat sedikit seperti gema dari bentuk hubungan antara beras dan asupan tepung terigu. Berikut adalah apa yang menyeramkan. Gema ini terlihat agak seperti kurva pertama (antara beras dan gandum asupan tepung), tetapi dengan gandum asupan tepung digantikan oleh kematian (yaitu, angka kematian dari semua penyakit kardiovaskular).

Apa arti dari semua ini?

- Beras Tepung terigu menggusur tidak terlihat seperti hal yang baik. Asupan tepung terigu tampaknya memiliki asupan nasi kuat pengungsi di kabupaten mana itu sangat dikonsumsi. Secara umum, yang tampaknya tidak menjadi hal yang baik. Sepertinya ini umumnya dikaitkan dengan peningkatan mortalitas dari semua penyakit kardiovaskular.

- Glikemik indeks konsumsi makanan tinggi tampaknya tidak menjadi masalah di sini. Tepung terigu dan beras memiliki indeks glikemik yang sangat mirip (tapi umumnya tidak banyak glikemik; lihat di bawah). Keduanya menyebabkan glukosa darah dan insulin paku. Namun, konsumsi beras tampaknya pelindung jika tidak berlebihan. Hal ini berlaku di sebagian (tetapi tidak seluruhnya) karena sebagian besar menggantikan tepung terigu. Selain itu, beras atau gandum tidak konsumsi tepung tampaknya secara bermakna dikaitkan dengan penyakit kardiovaskuler melalui peningkatan total konsumsi kalori. Ini adalah sedikit pukulan untuk teori bahwa karbohidrat glisemik tinggi tentu menyebabkan obesitas, diabetes, dan penyakit kardiovaskular akhirnya.

- Masalah dengan tepung terigu sulit untuk menentukan, berdasarkan hasil dirangkum di sini. Mungkin itu adalah kenyataan bahwa itu adalah makanan ultra-halus kaya karbohidrat; kurang bentuk halus dari gandum bisa menjadi lebih sehat. Bahkan, beban glikemik makanan kaya karbohidrat kurang halus cenderung jauh lebih rendah daripada yang lebih halus. (Juga, beras merah rebus memiliki beban glikemik yang sekitar tiga kali lebih rendah dari roti gandum, sedangkan indeks glikemik yang hampir sama.) Mungkin masalahnya adalah konten gluten tepung terigu ini. Mungkin itu adalah kombinasi dari berbagai faktor, termasuk ini.

Referensi

Kock, N. (2010). WarpPLS 1.0 User Manual. Laredo, Texas: ScriptWarp Systems.

Pengakuan dan catatan

- Banyak terima kasih yang disebabkan Dr. Campbell dan rekan-rekannya untuk mengumpulkan dan menyusun data yang digunakan dalam analisis ini. Data tersebut dari situs ini, diciptakan oleh orang-orang peneliti untuk menyebarluaskan karya mereka sehubungan dengan studi sering disebut sebagai China Study II. Sudah dianalisa oleh blogger lain. Analisis nyata telah dilakukan oleh Ricardo di Canibais e Reis, Stan di Sesat, dan Denise di Raw Food SOS.

- 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). Setiap kali hubungan nonlinear dimodelkan, koefisien jalur secara otomatis dikoreksi oleh perangkat lunak untuk memperhitungkan non-linear.

- Perangkat lunak yang digunakan di sini mengidentifikasi hubungan non-cyclical dan mono-cyclical seperti hubungan peluruhan logaritmik, eksponensial, dan hiperbolik. Setelah hubungan diidentifikasi, nilai data dikoreksi dan koefisien dihitung. Ini tidak sama dengan log-transformasi data sebelum analisis, yang secara luas digunakan tetapi hanya bekerja jika hubungan yang mendasarinya adalah logaritmik. Jika tidak, log-transformasi data dapat mendistorsi hubungan bahkan lebih dari asumsi bahwa itu adalah linier, yang adalah apa yang dilakukan oleh sebagian besar perangkat lunak statistik.

- 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 ilmu pelet jarak jauh 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).

- Hanya dua titik data per kabupaten yang digunakan (untuk pria dan wanita). Hal ini meningkatkan ukuran sampel dataset tanpa artifisial mengurangi varians, 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.

- Karena semua data dikumpulkan sekitar waktu yang sama (akhir 1980-an), analisis ini mengasumsikan pola yang agak statis konsumsi tepung beras dan gandum. Dengan kata lain, mari kita asumsikan bahwa variasi dalam konsumsi makanan tertentu yang menyebabkan variasi dalam kematian. Namun, efek yang biasanya akan mengambil tahun untuk mewujudkan diri. Ini adalah keterbatasan utama dari dataset ini dan analisis terkait.

- Kematian dari infeksi schistosomiasis (MSCHIST) tidak mengacaukan hasil yang disajikan di sini. Hanya kabupaten di mana tidak ada kematian akibat infeksi schistosomiasis dilaporkan telah dimasukkan dalam analisis ini. Kematian dari semua penyakit kardiovaskular (MVASC) diukur dengan menggunakan variabel M059 ALLVASCc (usia 35-69). Lihat posting ini untuk catatan lain yang berlaku di sini juga.

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

The China Study II: Apakah pembatasan kalori meningkatkan umur panjang?

Gagasan bahwa pembatasan kalori memperpanjang hidup manusia sebagian besar berasal dari penelitian terhadap spesies lain. Yang paling relevan dari mereka penelitian telah dilakukan dengan primata, di mana telah menunjukkan bahwa primata yang makan diet kalori terbatas hidup lebih lama dan lebih sehat dibandingkan mereka yang diperbolehkan untuk makan sebanyak yang mereka inginkan.

Ada dua masalah utama dengan banyak studi hewan pembatasan kalori. Salah satunya adalah bahwa, sebagai umur alam menurun, menjadi semakin mudah untuk mendapatkan ekstensi eksperimental umur utama relatif. (Artinya, ilmu pelet jarak jauh tampaknya lebih mudah untuk melipatgandakan umur dari suatu organisme yang umur alam adalah salah satu hari dari suatu organisme yang umur alami adalah 80 tahun.) Yang kedua, dan masalah utama dalam pikiran saya, adalah bahwa penelitian sering membandingkan obesitas dengan hewan ramping.

Obesitas jelas mengurangi umur pada manusia, tapi itu adalah klaim yang berbeda daripada yang pembatasan kalori meningkatkan umur. Hal ini sering mengklaim bahwa negara-negara Asia dan daerah di mana asupan kalori berkurang layar meningkat umur. Dan ini mungkin benar, tapi pertanyaannya tetap apakah ini disebabkan meningkatnya pembatasan kalori umur, atau karena tingkat obesitas jauh lebih rendah di negara-negara dan daerah di mana asupan kalori berkurang.

Jadi, apa yang bisa data China Study II memberitahu kami tentang hipotesis bahwa pembatasan kalori meningkatkan umur panjang?

Ternyata, kita bisa melakukan tes awal hipotesis ini didasarkan pada asumsi kunci. Mari kita katakan kami membandingkan dua populasi (misalnya, kabupaten di Cina), berdasarkan rasio berikut: jumlah kematian pada atau setelah usia 70 dibagi dengan jumlah kematian sebelum usia 70. Mari kita sebut ini rasio umur panjang populasi , atau RLONGEV. Asumsinya adalah bahwa populasi dengan RLONGEV tertinggi akan menjadi penduduk dengan umur panjang tertinggi kedua. Alasannya adalah bahwa, sebagai umur panjang naik, orang akan berharap untuk melihat pergeseran pola kematian, dengan semakin banyak orang sekarat orang tua dan sedikit mati muda.

1989 dataset China Study II memiliki dua variabel yang dapat kita gunakan untuk memperkirakan RLONGEV. Mereka dikodekan sebagai M005 dan M006, dan mengacu pada angka kematian 35-69 dan 70-79 tahun, masing-masing. Sayangnya tidak ada variabel untuk kematian setelah 79 tahun, yang membatasi ruang lingkup hasil kami agak. (Ini tidak benar-benar membatalkan hasil karena kita menggunakan rasio sebagai ukuran kami umur panjang, bukan jumlah mutlak kematian 70-79 tahun.) Lihatlah dua posting China Study II ini sebelumnya (di sini, dan di sini) untuk catatan lainnya, yang sebagian besar berlaku di sini juga. Catatan berada di akhir tulisan.

Semua hasil yang dilaporkan di sini adalah dari analisis yang dilakukan menggunakan WarpPLS. Di bawah ini adalah model dengan koefisien asosiasi; itu adalah model sederhana, karena hipotesis yang kami uji juga sederhana. (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: TKCAL = Total asupan kalori per hari; RLONGEV = rasio umur panjang; SexM1F2 = seks, dengan 1 ditugaskan untuk laki-laki dan 2 perempuan.




Sebagai salah satu harapkan, menjadi perempuan dikaitkan dengan peningkatan umur panjang, tetapi asosiasi ini hanya malu menjadi signifikan secara statistik dalam dataset ini (beta = 0,14; P = 0,07). Hubungan antara total asupan kalori dan umur panjang adalah sepele, dan statistik tidak dapat dibedakan dari nol (beta = -0,04; P = 0,39). Selain itu, meskipun asosiasi yang sangat lemah ini secara keseluruhan negatif (atau terbalik), tanda asosiasi sini tidak sepenuhnya mencerminkan bentuk asosiasi. Bentuknya yang dari J-kurva terbalik; a.k.a. U-kurva. Ketika kita membagi data ke dalam jumlah terciles asupan kalori kita mendapatkan gambaran yang lebih baik:



The tercile kedua, yang mengacu pada total asupan kalori harian dari 2193-2844 kalori, adalah salah satu yang terkait dengan umur panjang tertinggi. The tercile pertama (dengan kisaran terendah kalori) dikaitkan dengan umur panjang lebih tinggi dari tercile ketiga (dengan kisaran tertinggi kalori). Hasil ini perlu dilihat dalam konteks. Berat rata-rata dalam dataset ini adalah sekitar 116 lbs. Sebuah perkiraan konservatif dari jumlah kalori yang dibutuhkan untuk menjaga berat badan ini tanpa aktivitas fisik akan menjadi sekitar 1740. Add sekitar 700 kalori untuk itu, untuk tingkat yang wajar dan sehat dari aktivitas fisik, dan Anda mendapatkan 2440 kalori yang dibutuhkan setiap hari untuk pemeliharaan berat badan. Itu adalah tepat di tengah-tengah tercile kedua.

Dalam istilah sederhana, data China Study II tampaknya menunjukkan bahwa mereka yang makan dengan baik, tapi tidak terlalu banyak, hidup paling lama. Mereka yang makan sedikit memiliki umur panjang sedikit lebih rendah. Mereka yang makan terlalu banyak tampaknya memiliki umur panjang terendah, mungkin karena efek negatif dari lemak tubuh yang berlebihan.

Karena tren ini semua sangat lemah dari sudut pandang statistik, kita harus membawa mereka dengan hati-hati. Apa yang kita dapat mengatakan dengan lebih percaya diri adalah bahwa data China Study II tampaknya tidak mendukung hipotesis bahwa pembatasan kalori meningkatkan umur panjang.

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). Setiap kali hubungan nonlinear dimodelkan, koefisien jalur secara otomatis dikoreksi oleh perangkat lunak untuk memperhitungkan non-linear.

- Hanya dua titik data per kabupaten yang digunakan (untuk pria dan wanita). Hal ini meningkatkan ukuran sampel dataset tanpa artifisial mengurangi varians, yang diinginkan karena dataset yang relatif kecil (masing-masing kabupaten, bukan individual, adalah titik data yang terpisah dataset ini). Ini juga memungkinkan untuk uji asumsi akal sehat (misalnya, efek protektif menjadi perempuan), yang selalu ide yang baik dalam multivariat sebuah analisis 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.

- Kematian dari infeksi schistosomiasis (MSCHIST) tidak mengacaukan hasil yang disajikan di sini. Hanya kabupaten di mana tidak ada kematian akibat infeksi schistosomiasis dilaporkan telah dimasukkan dalam analisis ini. Alasan untuk ini adalah bahwa kematian dari infeksi schistosomiasis parah dapat mendistorsi hasil dalam rentang usia dipertimbangkan di sini. Di sisi lain, penghapusan kabupaten dengan kematian akibat infeksi schistosomiasis mengurangi ukuran sampel, dan dengan demikian menurunkan kekuatan statistik analisis.

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

The China Study II: Karbohidrat, lemak, kalori, insulin, dan obesitas

Blogosphere perdebatan besar mengamuk di mengenai efek dari karbohidrat dan insulin pada kesehatan. Banyak tindakan yang telah terjadi baru-baru ini di blog Peters, dengan orang-orang berpengetahuan berdentang di, seperti Petrus sendiri, Dr. Harris, Dr. BG (sista saya dari anotha mista), John, Nigel, CarbSane, Gunther G., Ed, dan banyak lainnya.

Saya ingin melihat debat terbuka antara orang-orang yang memiliki pandangan yang berbeda secara konsisten, bersedia untuk kembali mereka dengan setidaknya beberapa bukti, dan terus menantang satu sama lain pandangan. Hal ini sangat tidak mungkin bahwa setiap satu orang memegang seluruh kebenaran mengenai masalah kesehatan. Sayangnya jenis ini debat juga membingungkan banyak orang, terutama mereka lurkers blog yang ingin mendapatkan semua informasi kesehatan mereka dari satu sumber tunggal.

Bagian dari perdebatan besar blogosphere perdebatan bergantung pada efek rendah atau tinggi karbohidrat diet pada total konsumsi kalori. Nah, mari kita lihat apa data China Study II dapat memberitahu kami tentang hal itu, dan tentang beberapa hal lainnya.

WarpPLS digunakan untuk melakukan analisis di bawah ini. Untuk lainnya China Study analisis, banyak menggunakan WarpPLS serta HealthCorrelator untuk Excel, klik di sini. Untuk dataset yang digunakan di sini, mengunjungi HealthCorrelator untuk situs Excel dan memeriksa di bawah area dataset sampel.

Dua grafik di bawah ini menunjukkan hubungan antara berbagai makanan, karbohidrat sebagai persentase dari total kalori, dan total konsumsi kalori. Sebuah analisis linear dasar dipekerjakan di sini. Sebagai karbohidrat sebagai persentase dari total kalori naik, diet umumnya menjadi diet tinggi karbohidrat. Seperti turun, kita melihat pindah ke akhir karbohidrat rendah skala.



Bagian yang tersisa dari dua grafik di atas sangat mirip. Mereka memberitahu kami bahwa konsumsi tepung terigu sangat kuat dan negatif terkait dengan konsumsi beras; yaitu, tepung terigu menggantikan beras. Mereka memberitahu kami bahwa konsumsi buah secara positif terkait dengan konsumsi beras. Mereka juga mengatakan bahwa gandum tinggi konsumsi tepung kuat dan positif dengan berada di diet karbohidrat tinggi.

Baik konsumsi beras atau buah memiliki pengaruh yang signifikan secara statistik pada apakah diet tinggi atau rendah karbohidrat, dengan beras memiliki beberapa efek dan buah praktis tidak ada. Namun konsumsi tepung terigu tidak. Peningkatan konsumsi gandum tepung menyebabkan langkah yang jelas menjelang akhir diet tinggi karbohidrat skala.

Orang dapat menemukan hasil di atas aneh, tapi mereka harus menyadari bahwa beras ketan putih hanya 20 persen karbohidrat, sedangkan produk tepung terigu biasanya 50 persen karbohidrat atau lebih. Seseorang mengkonsumsi 400 g nasi putih per hari, dan tidak ada karbohidrat lainnya, akan memakan hanya 80 g karbohidrat per hari. Mengkonsumsi 400 g produk tepung terigu seseorang akan memakan 200 g karbohidrat per hari atau lebih.

Buah umumnya memiliki karbohidrat jauh lebih sedikit daripada nasi putih, bahkan buah sangat manis. Sebagai contoh, sebuah apel adalah sekitar 12 persen karbohidrat.

Ada ukuran yang mencerminkan perbedaan di atas agak. Ukuran yang adalah beban glikemik dari makanan; tidak menjadi bingung dengan indeks glikemik.

Bagian kanan grafik di atas memberitahu kita sesuatu yang lain. Mereka memberitahu kami bahwa persentase karbohidrat dalam diet yang sangat terkait dengan konsumsi kalori total, dan bahwa ini tidak terjadi dengan persentase lemak dalam diet yang.

Mengingat di atas, salah satu mungkin tertarik dalam melihat kontribusi makanan individu untuk total konsumsi kalori. Grafik di bawah berfokus pada itu. Hasil mengambil nonlinier menjadi pertimbangan; mereka dihasilkan menggunakan pilihan algoritma Warp3 dari WarpPLS.



Seperti yang Anda lihat, konsumsi tepung terigu yang lebih kuat terkait dengan total kalori dari beras; kedua asosiasi yang positif. Konsumsi pangan hewani berhubungan negatif, agak lemah tetapi secara statistik signifikan, dengan total kalori. Saya ulangi untuk penekanan: negatif terkait. Ini berarti bahwa, konsumsi pangan hewani naik, total kalori yang dikonsumsi turun.

Hasil ini mungkin tampak paradoks, tetapi perlu diingat bahwa makanan hewani menggantikan tepung terigu dalam dataset ini. Perhatikan bahwa saya tidak mengatakan bahwa konsumsi tepung terigu adalah confounder sebuah; itu dikendalikan untuk dalam model di atas.

Apa arti dari semua ini?

Peningkatan baik tepung terigu dan beras memimpin konsumsi untuk peningkatan total asupan kalori dalam dataset ini. Gandum memiliki efek yang lebih kuat. Salah satu mekanisme yang masuk akal untuk ini adalah normal ketinggian glukosa darah tinggi mempromosikan respon insulin tinggi yang tidak normal. Makanan kaya karbohidrat olahan yang sangat baik untuk meningkatkan glukosa darah cepat dan menjaganya agar tetap tinggi, karena mereka biasanya mengandung banyak karbohidrat yang mudah dicerna. Jumlah sini secara signifikan lebih tinggi dari apa pun tubuh kita dirancang untuk menangani.

Dalam orang normoglycemic, yang dapat menyebabkan versi lite hipoglikemia reaktif, yang mengarah ke kelaparan lagi setelah beberapa jam setelah konsumsi makanan. Insulin drive kalori, lemak, dalam adiposit. Hal ini juga membuat kalori di sana. Jika insulin abnormal lebih lama dari yang seharusnya, seseorang menjadi lapar saat menyimpan lemak; lemak yang seharusnya dirilis untuk memenuhi kebutuhan energi tubuh. Seiring waktu, lebih banyak kalori yang dikonsumsi; dan mereka menambahkan.

Interpretasi atas adalah konsisten dengan hasil bahwa persentase lemak dalam diet yang memiliki efek statistik tidak signifikan pada total konsumsi kalori. Asosiasi yang, meskipun tidak signifikan, negatif. Sekali lagi, ini terlihat paradoks, tapi lemak hewani sampel ini menggantikan tepung terigu.

Selain itu, lemak menyebabkan tidak ada respons insulin. Jika berasal dari hewan makanan, lemak satiating bukan hanya karena begitu banyak dalam tubuh kita terbuat dari lemak dan / atau membutuhkan lemak untuk berjalan dengan baik; tetapi juga karena lemak hewan mengandung mikronutrien, dan membantu penyerapan zat gizi mikro tersebut.

Lemak dari minyak, bahkan yang sehat seperti minyak kelapa, hanya tidak memiliki sifat yang terakhir untuk tingkat yang sama seperti lemak diproses dari makanan hewani. Pikirkan lambat-memasak daging dengan air, sehingga melepaskan lemak, dan kemudian memakan semua lemak itu sebagai saus bersama dengan daging.

Dengan tidak adanya makanan industri, biasanya kita merasa lapar bagi mereka makanan yang mengandung nutrisi yang dibutuhkan tubuh kita pada titik tertentu dalam waktu. Ini adalah mekanisme bawah sadar, yang saya percaya bergantung sebagian pada pengalaman masa lalu; alasan mengapa kami telah memperoleh selera.

Kebetulan, fruktosa menyebabkan tidak ada respon insulin baik. Fruktosa alami kebanyakan ditemukan dalam buah-buahan, dalam jumlah yang relatif kecil jika dibandingkan dengan makanan industri kaya gula halus.

Dan tidak, pankreas tidak lelah dari mensekresi insulin.

Semakin halus makanan kaya karbohidrat, semakin karbohidrat cenderung pak per unit berat. Karbohidrat juga berkontribusi kalori; sekitar 4 kalori per gram. Jadi lebih banyak karbohidrat harus diterjemahkan ke dalam lebih banyak kalori.

Jika seseorang mengkonsumsi 50 g karbohidrat per hari lebih dari kebutuhan kalori, yang akan diterjemahkan ke dalam sekitar 22,2 g lemak tubuh disimpan. Lebih dari satu bulan, yang akan menjadi sekitar 666,7 g. Lebih dari setahun, yang akan menjadi 8 kg, atau £ 17,6. Selama 5 tahun, yang akan 40 kg, atau 88 lbs. Ini hanya dari karbohidrat; tidak mempertimbangkan macronutrients lainnya.

Tidak perlu untuk menggunakan teori pankreas lelah resistensi insulin akhir-onset untuk menjelaskan obesitas dalam konteks ini. Resistensi insulin adalah, lebih sering daripada tidak, akibat langsung dari obesitas. Diabetes tipe 2 adalah ilmu pelet jarak jauh jauh jenis yang paling umum dari diabetes; dan yang paling diabetes tipe 2 menjadi gemuk atau kelebihan berat badan sebelum mereka menjadi diabetes. Jelas ada efek genetik di sini juga, yang tampaknya memoderasi hubungan antara gain lemak tubuh dan hati serta disfungsi pankreas.

Hal ini tidak sulit untuk menjadi halus makanan kaya karbohidrat memakan obesitas. Tampaknya menjadi jauh lebih sulit untuk menjadi makanan hewani obesitas mengkonsumsi, atau buah-buahan.

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

The China Study II: konsumsi buah dan mortalitas

Aku berlari beberapa analisis mengenai dampak konsumsi buah pada kematian pada dataset China Study II menggunakan WarpPLS. Untuk lainnya China Study analisis, banyak menggunakan WarpPLS serta HCE, klik di sini.
Hasilnya konsumsi buah cukup jelas tidak berpengaruh signifikan pada kematian.
Sosok bar chart di bawah ini menunjukkan apa yang tampaknya menjadi tren menurun sedikit kematian, di 35-69 dan 70-79 rentang usia, tampaknya akibat konsumsi buah.



Ternyata, bahwa tren sedikit mungkin karena sesuatu yang lain: di dataset China Study II, konsumsi buah secara positif terkait dengan kedua protein hewani dan konsumsi lemak. Dan, seperti yang kita lihat dari analisis sebelumnya (misalnya, ilmu pelet jarak jauh yang satu ini), dua terakhir tampaknya menjadi pelindung. Jadi, jika Anda ingin makan buah, mungkin Anda harus juga memastikan bahwa Anda makan protein hewani dan lemak juga.

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

The China Study II: Gandum mungkin tidak begitu buruk jika Anda makan 221 g atau lebih dari makanan hewani sehari-hari

Dalam posting sebelumnya di blog ini meliputi data China Study II emang melihat efek bersaing dari berbagai makanan, termasuk makanan gandum dan hewan. Sayangnya kita harus tetap berpegang pada kategori kelompok luas tersedia dari subset data tertentu yang digunakan; misalnya, makanan hewani, bukan kategori makanan hewani seperti susu, makanan laut, dan daging sapi. Ini masih masalah, sampai aku bisa menemukan waktu untuk mendapatkan lebih banyak dari data China Study II dalam format yang dapat diandalkan digunakan untuk analisis multivariat.

Apa yang kita lakukan havent belum, bagaimanapun, adalah untuk melihat efek moderasi. Dan itu adalah sesuatu yang bisa kita lakukan sekarang. Sebuah efek moderat adalah efek dari variabel pada pengaruh variabel lain pada ketiga. Terdengar rumit, tapi WarpPLS membuatnya sangat mudah untuk menguji efek moderasi. Yang harus Anda lakukan adalah ilmu pelet jarak jauh untuk membuat sebuah variabel (misalnya, asupan makanan hewani) titik di link langsung (misalnya, antara asupan tepung terigu dan kematian). Efek moderasi ditunjukkan pada grafik sebagai panah melesat pergi dari variabel untuk link antara dua variabel.

Grafik di bawah ini menunjukkan hasil analisis di mana asupan makanan hewani (Afoods) dihipotesiskan untuk memoderasi efek dari asupan tepung terigu (gandum) pada kematian di kisaran 35-69 usia (Mor35_69) dan mortalitas di kisaran 70-79 usia (Mor70_79). Sebuah algoritma linear dasar yang digunakan, dimana standar koefisien regresi parsial, baik moderat dan langsung, dihitung berdasarkan persamaan terbaik pas baris.



Dari grafik di atas kita dapat mengatakan bahwa kematian tepung terigu asupan meningkat secara signifikan di kedua rentang usia; dalam 35-69 rentang usia (beta = 0,17, P = 0,05), dan di 70-79 rentang usia (beta = 0,24, P = 0,01). Ini adalah penemuan yang telah kita lihat sebelumnya di posting sebelumnya, dan yang telah menjadi salah satu temuan utama analisis Denise Mingers dari data China Study. Denise dan saya menggunakan berbeda subset data dan metode analisis, dan mencapai dasarnya hasil yang sama.

Tapi di sini adalah apa yang menarik tentang hasil analisis efek moderating dirangkum pada grafik di atas. Mereka menyarankan bahwa asupan makanan hewani secara signifikan mengurangi efek negatif dari gandum konsumsi terigu pada kematian dalam 70-79 rentang usia (beta = -0,22, P <0,01). Ini adalah efek moderat yang relatif kuat. Efek moderasi dari asupan makanan hewan tidak signifikan untuk 35-69 rentang usia (beta = -0,00, P = 0,50); beta di sini adalah negatif tetapi sangat rendah, menunjukkan efek perlindungan yang sangat lemah.

Berikut adalah dua plot standar yang menunjukkan hubungan antara asupan tepung terigu dan kematian di kisaran 70-79 zaman ketika asupan makanan hewani rendah (kiri plot) dan tinggi (petak kanan). Seperti yang Anda lihat, garis terbaik pas datar pada plot yang tepat, yang berarti bahwa asupan tepung terigu tidak berpengaruh pada kematian di kisaran 70-79 zaman ketika asupan makanan hewani yang tinggi. Ketika asupan makanan hewani rendah (kiri plot), efek dari asupan tepung terigu pada kematian dalam kisaran ini adalah signifikan; kekuatannya ditunjukkan oleh kemiringan ke atas dari garis terbaik pas.



Apa hasil ini tampaknya akan memberitahu kita bahwa konsumsi tepung terigu kontribusi untuk kematian dini bagi beberapa orang, mungkin mereka yang paling sensitif atau tidak toleran terhadap gandum. Orang-orang ini diwakili dalam kematian pengukuran variabel dalam kisaran 35-69 usia, dan tidak dalam 70-79 rentang usia, karena mereka meninggal sebelum mencapai usia 70.

Mereka di kisaran 70-79 usia mungkin menjadi orang-orang paling sensitif, dan untuk siapa asupan makanan hewani tampaknya menjadi pelindung. Tapi hanya jika asupan makanan hewan di atas tingkat tertentu. Ini bukan dukungan dering gandum, tapi jelas membantu menjelaskan konsumsi gandum di kelompok lama-hidup di seluruh dunia, termasuk Perancis.

Berapa banyak makanan hewan yang diperlukan untuk efek pelindung yang diamati? Dalam sampel China Study II, ini adalah tentang 221 g / hari atau lebih. Itulah kira-kira tingkat asupan atas yang hubungan antara asupan tepung terigu dan kematian di kisaran 70-79 usia menjadi statistik tidak dapat dibedakan dari nol. Itu adalah sedikit kurang dari lb, atau 7,9 oz, asupan makanan hewani per hari.

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

The China Study II: Protein hewani, gandum, dan kematian ada sesuatu yang aneh di sini!

WarpPLS dan HealthCorrelator untuk Excel yang digunakan dalam analisis di bawah ini. Untuk lainnya China Study analisis, banyak menggunakan WarpPLS dan HealthCorrelator untuk Excel, klik di sini. Untuk dataset yang digunakan, kunjungi HealthCorrelator untuk situs Excel dan memeriksa di bawah area dataset sampel. Saya berterima kasih kepada Dr. T. Colin Campbell dan rekan-rekannya di Universitas Oxford untuk membuat data tersedia untuk umum untuk analisis independen.

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

The China Study II: Gender, kematian, dan faktor misterius X

WarpPLS dan HealthCorrelator untuk Excel yang digunakan untuk melakukan analisis di bawah ini. Untuk lainnya China Study analisis, banyak menggunakan WarpPLS serta HealthCorrelator untuk Excel, klik di sini. Untuk dataset yang digunakan, kunjungi HealthCorrelator untuk situs Excel dan memeriksa di bawah area dataset sampel. Seperti biasa, saya berterima kasih kepada Dr. T. Colin Campbell dan rekan-rekannya untuk membuat data tersedia untuk umum untuk analisis independen.

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

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.

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

Menemukan sweet spot Anda untuk mendapatkan otot dengan HCE

Dalam rangka untuk mencapai keuntungan otot, kita harus berulang kali memukul jendela supercompensation, yang merupakan periode singkat waktu terjadi di beberapa titik dalam tahap pemulihan otot setelah sesi latihan intens anaerobik. Angka tersebut di bawah ini, dari Vladimir Zatsiorskys dan William Kraemers buku yang beredar Sains dan Praktek Pelatihan Kekuatan () memberi gambaran ide supercompensation. Supercompensation dibahas lebih rinci dalam posting sebelumnya ().

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

The China Study II: terigu Total berpengaruh pada kematian signifikan, kompleks, dan menyoroti efek negatif dari diet rendah lemak hewan

Grafik di bawah ini menunjukkan hasil WarpPLS nonlinear () analisis multivariat termasuk variabel tercantum di bawah ini. Setiap baris dalam dataset mengacu pada daerah di Cina, dari dataset China Study II tersedia untuk umum (). Seperti biasa, saya berterima kasih kepada Dr. Campbell dan rekan-rekannya untuk membuat data tersedia untuk umum. Analisis lainnya berdasarkan dataset yang sama juga tersedia ().

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

Harga Latitude dan kanker di negara bagian AS: Aaron Blaisdells intuisi dikonfirmasi

Pada bagian komentar posting sebelumnya saya pada tingkat kanker di negara bagian AS ( ) teman saya Aaron Blaisdell mencatat bahwa : membandingkan negara-negara yang kira-kira sebanding dalam hal jumlah senior per 1000 orang , lintang tampaknya memiliki efek terbesar pada tingkat kanker . Good point , jadi saya mengumpulkan data lintang dari negara bagian AS , membangun sebuah model yang lebih kompleks ( dengan beberapa kontrol multivariat ) , dan dianalisis dengan WarpPLS 4.0 ( ) .

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

Penuaan dan kanker: Pentingnya mengambil keras melihat nomor

Tabel di bawah ini adalah dari sebuah studi oleh Hayat dan rekan (). Ini menggambarkan satu kecenderungan umum tentang kanker itu meningkat secara dramatis dalam insiden di antara mereka yang lebih tua. Dengan beberapa pengecualian, seperti limfoma Hodgkin, ada peningkatan yang signifikan pada risiko terutama setelah usia 50 tahun.

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