no comments

Pembolehubah laten dan model persamaan struktur untuk hubungan longitudinal

Pembolehubah laten dan pemodelan persamaan struktur

Kami teringat secara ringkas di sini prinsip pendekatan ini. Pembolehubah laten digunakan untuk menterjemahkan hakikat bahawa beberapa pembolehubah yang diperhatikan (juga dinamakan pembolehubah nyata) adalah pengukuran yang tidak sempurna dari konsep asas tunggal. Setiap pemboleh ubah nyata diandaikan bergantung kepada pemboleh ubah terpendam melalui persamaan linear. Koefisien yang mengaitkan pembolehubah laten dan manifes dipanggil beban. Skala pengukuran harus dipilih untuk pemboleh ubah laten. Oleh konvensyen, secara amnya adalah skala pemboleh ubah manifes pertama, menyiratkan bahawa pemuatan pertama tidak dianggarkan tetapi ditetapkan pada 1. Oleh sebab indikator pembolehubah yang nyata diukur pada berbagai skala, adalah berguna untuk mempertimbangkan anggaran yang ditetapkan dan bukannya mentah beban, dengan menggunakan sisihan piawai yang diperhatikan sebagai unit pengukuran untuk pembolehubah laten dan manifes.

Dalam pemodelan persamaan struktur, hubungan boleh diandaikan antara semua pemboleh ubah nyata dan laten mengikut pengetahuan yang diperoleh. Hubungan ini juga ditakrifkan melalui persamaan linear dan pembolehubah yang diberikan boleh muncul penjelasan dalam satu atau beberapa persamaan dan sebagai hasil yang lain. Oleh itu, adalah mungkin untuk membezakan kesan langsung dan tidak langsung antara pemboleh ubah penjelas X dan hasil Y. Apabila X mempunyai kesan kausal pada M, yang mempengaruhi pengaruh Y, sebahagian atau semua kesan X pada Y dapat dijelaskan dengan jalan X → M → Y, dan M dipanggil pengantara. Kesan tidak langsung X pada Y melalui M diperolehi sebagai hasil daripada koefisien anggaran yang dihubungkan dengan dua anak panah di jalan. Koefisien regresi dan varians dari kesilapan sisa yang muncul dalam persamaan linear model struktur menentukan bagaimana pemboleh ubah manifes bervariasi bersama. Apabila mereka dapat dikenal pasti, mereka dianggarkan dengan mengoptimumkan ukuran kecukupan antara matriks varians-covariance yang diperhatikan dan model-model yang diprediksi (contohnya memaksimumkan kemungkinan).

Model yang dipasang

Untuk mengesahkan penggunaan pendekatan pembolehubah terpendam, kami memasang model pembolehubah terdahulu pendahuluan kepada empat ukuran antropometri asas (BMI, lilitan pinggang, jumlah kulit kulit, lemak badan peratus) untuk mencipta model pengukuran, sebagai satu pemboleh ubah laten dan empat penilaian pembolehubah yang nyata dipertimbangkan. Kami memasang model sedemikian secara berasingan kepada pengukuran pada garis dasar dan dua tahun kemudian, pertama untuk kedua-dua kumpulan jantina, kemudian untuk keseluruhan sampel. Kami juga menganggap model pengukuran untuk ukuran garis dasar dan perubahan dua tahun mereka yang dijelaskan oleh adipositi asas dan perubahan dua tahun dan kami menganggap hubungan yang sama antara adipositi laten dan empat indikator pada garis dasar dan dua tahun kemudian; model ini menghalang empat beban, iaitu pekali regresi, untuk menjadi sama dengan adipositi asas, adipositi dua tahun kemudian dan perubahan adipositi (lihat lampiran I). Kami menganggap variasi dan bukan nilai muktamad untuk mengelakkan masalah anggaran dan tafsiran pekali yang dikeluarkan daripada pembolehubah berkorelasi tinggi

Kedua, kita memasang model persamaan struktur, disesuaikan dengan reka bentuk membujur dataset kami dan soalan-soalan epidemiologi khusus yang menarik. Gambar rajah model ini ditunjukkan, di mana asas adipositi dimodelkan sedikit, manakala kesan adipositi dan CRS perubahan diselaraskan untuk nilai-nilai asas mereka (iaitu, kedua-dua nilai asas dan perubahan yang muncul dalam persamaan yang sama); perubahan CRS juga dianggap bergantung kepada umur, dan perubahan adipositi dianggap bergantung kepada umur dan perubahan CRS. Kerana susulan adalah malar (2 tahun), hanya umur pada kemasukan telah dipertimbangkan. Pengadu yang tidak diingini yang mempengaruhi kedua-dua CRS dan adipositi tidak diwakili pada gambar rajah ini, tetapi mungkin terlibat, biasing hubungan keratan rentas antara CRS asas dan adipositi.

Sebaliknya, kesan adipositi asas pada perubahan CRS diselaraskan untuk CRS asas dan dengan itu dibebaskan, sekurang-kurangnya sebahagian, dari faktor-faktor yang membingungkan kesan keratan rentas. Menguji sama ada kesan ini adalah null boleh memberikan jawapan kepada soalan: Adakah adipositi awal meramalkan variasi CRS dari masa ke masa? Kesan langsung dari CRS asas mengenai adipositi dan perubahan CRS juga diselaraskan untuk adipositi asas dan dibebaskan, sekurang-kurangnya sebahagiannya, dari kesan keretakan rentas keratan. Walau bagaimanapun, mengikut orientasi anak panah, terdapat tiga laluan dari CRS asas kepada perubahan adipositi: satu dan dua laluan tidak langsung, satu melalui perubahan CRS dan satu melalui adipositi asas. Oleh itu, kedua-dua kesan langsung CRS asas mengenai perubahan adipositi dan kesan tidak langsungnya perlu dipertimbangkan untuk menjawab soalan kedua: Bolehkah menghalang makan mendorong peningkatan adipositi dari semasa ke semasa? Kesan tidak langsung melalui adipositi asas tidak bebas daripada kesan yang mengelirukan dan tidak perlu dipertimbangkan. Kesan tidak langsung melalui perubahan CRS boleh ditafsirkan sebagai akibat daripada perubahan pengambilan. Perhatikan bahawa kerana ralat pengukuran pada nilai garis asas juga muncul, dengan tanda minus untuk perubahan yang sama, nilai garis dasar dan perubahannya akan berkait negatif, walaupun tanpa adanya hubungan kausal antara nilai baseline bebas ralat dan perubahan bebas ralat. Lampiran I menyediakan pembentangan formal model yang ringkas.

Semua analisis statistik telah dilakukan pada SAS9.1, menggunakan prosedur CALIS. Kami menukar BMI, ketebalan kulit dan lilitan pinggang untuk menormalkan pengedaran mereka dan diperiksa dengan plot Q-Q dan statistik Kolmogorov-Smirnov bahawa pemboleh ubah yang diubah tidak bererti dengan ketara daripada pengagihan biasa. Kami memilih untuk memaksimumkan kriteria kemungkinan maksimum teori biasa. Di antara pelbagai penilaian kriteria yang sepatutnya, kami memberi tumpuan kepada kesilapan akar kuadrat penghampiran (RMSEA) dan pada indeks kelayakan norma (NFI). Kriteria ini berkisar antara 0 hingga 1, dengan RMSEA hampir dengan 0 dan NFI hampir kepada 1 untuk kesesuaian yang betul. Untuk membina selang keyakinan untuk anggaran kesan tidak langsung atau untuk jumlah kesan langsung dan tidak langsung, variasi mereka diperolehi dengan cara membina subjek sampel. Sebilangan besar sampel bootstrap (1, 000) telah digunakan, untuk menilai secara visual taburan normal penganggar.

Sumber : https://bmcmedresmethodol.biomedcentral.com/

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL