Translate Soal
Translate Soal
dari apa yang disebut sindrom metabolik dan prekursor diabetes dan penyakit kardiovaskular.
Siapkan file Word dengan jawaban untuk setiap pertanyaan berikut. Tempelkan output dan
grafik STATA yang relevan ke dalam file untuk mengilustrasikan poin Anda. Secara khusus,
keluaran regresi dan plot diagnostik yang menjadi dasar kesimpulan Anda harus disertakan.
Menggunakan font Monaco ukuran 8 untuk output STATA membuatnya relatif kecil dan
selaras dengan benar. Untuk ujian ini Anda akan membutuhkan midterm.dta, tersedia di kelas
ini. Dataset mencakup pengamatan untuk 10% sub-sampel acak dari kohort HERS.
Pasang model yang mengalami regresi TGL berdasarkan usia, ras/etnis, penggunaan alkohol,
olahraga, WHR, dan BMI, dan dapatkan residunya. Perlakukan BMI sebagai kategoris,
menggunakan kategori 25, 25-30, 30-35, dan >35. Alasan untuk mengendalikan BMI
dieksplorasi di Bagian 2.
1. TGL sering log-transformed karena biasanya memiliki ekor kanan yang panjang. Itu
mungkin tidak berlaku dalam data HERS, karena wanita dengan TGL awal > 300 mg/dL
dikeluarkan. Periksa normalitas residual dari model awal untuk TGL, lalu jalankan kembali
analisis multivariabel Anda menggunakan log natural TGL sebagai hasilnya, dan periksa
a) Menginterpretasikan koefisien untuk WHR baik sebelum dan sesudah transformasi log
TGL. Perhatikan bahwa rentang WHR hanya 0,64 hingga 1,14, sehingga perubahan 1 unit
tidak dapat diinterpretasikan dan melibatkan ekstrapolasi jauh di luar rentang data. Jadi
bandingkan prediksi peningkatan TGL untuk peningkatan WHR hanya 0,05 atau 0,1,
c) Versi hasil mana yang akan Anda pilih untuk analisis akhir, dan mengapa?
2. Periksa linearitas hubungan WHR dengan TGL dalam model yang disesuaikan dengan
usia, ras/etnis, penggunaan alkohol, olahraga, dan BMI, yang dikategorikan di atas.
b) Kategorisasi WHR hampir pasti akan berhasil, dan juga relatif mudah untuk
alkohol, olahraga, dan BMI (dikategorikan lagi), dengan WHR dikategorikan 0,8, 0,8-0,85,
0,85-0,90, dan >0,90. Menafsirkan koefisien untuk variabel WHR. Apakah ada heterogenitas
dalam TGL rata-rata di empat tingkat WHR? (Untuk melihat tingkat TGL rata-rata yang
disesuaikan menurut kategori WHR (i.whrcat), gunakan perintah margin whrcat setelah
memasang model). Apakah kategori kedua dan ketiga secara statistik berbeda secara
signifikan satu sama lain? Bagaimana dengan yang ketiga dan keempat?
3. Periksa poin berpengaruh dalam model untuk TGL memperlakukan WHR dan BMI
sebagai kategoris, statistik jarak Cook. Cut off apa yang akan Anda gunakan, dan apakah
Anda menemukan sensitivitas hasil regresi terhadap penghapusan titik data yang melebihi
itu?
4. Misalkan kita menilai efek potensial dari latihan pada tingkat TGL. Periksa tumpang tindih
5. Jalankan model akhir yang menggantikan versi kategorikal WHR dan BMI dengan splines
linier, menggunakan titik potong yang sama, dan menafsirkan koefisien regresi untuk
variabel WHR. Plot garis regresi untuk WHR bersama dengan smooth LOWESS.
2 Memilih model
Misalkan kita ingin memahami hubungan kausal dari obesitas sentral, yang diukur dengan
WHR, dengan tingkat TGL. Kita dapat menganggap ini sebagai contoh dari tujuan inferensial
a) Secara umum, bedakan perancu dari mediator dalam hal hubungan sebab akibat mereka
dengan hasil.
b) Apakah tepat untuk memasukkan perancu dalam model yang mengevaluasi efek
c) Apakah pantas untuk memasukkan mediator dalam model yang mengevaluasi efek
keseluruhannya?
d) Jika mediator ditambahkan ke model, apa interpretasi kausal dari perkiraan koefisien yang
2. Misalkan kita menganggap BMI sebagai pembaur WHR. Apa interpretasi Anda tentang
hasil BMI dalam model yang kami perkirakan di Bagian 1, menggunakan versi kategoris dari
3. Peninjau mungkin bertanya apakah BMI dan WHR adalah co-linear, mempertanyakan
4. Model dengan kategoris WHR dan BMI dari Bagian 1 menunjukkan bahwa tingkat rata-
rata pas TGL mengikuti pola yang agak rumit di empat kategori WHR.
a) Apakah ada bukti kuat bahwa rata-rata dalam tiga kategori teratas tidak sama? Petunjuk:
hasil ini, apakah Anda akan menyederhanakan model dengan menggabungkan tiga kategori
5. Ini adalah kumpulan data yang cukup kecil (N = 276). Usia, penggunaan alkohol, dan
olahraga adalah kovariat B-list yang termasuk dalam model awal untuk "face validity."
Haruskah salah satu dari ini dibatalkan, mengingat ukuran sampel dan hasil model? Perintah
pemilihan model cic tidak akan bekerja untuk masalah ini karena kategori WHR melibatkan
tiga koefisien, bukan hanya satu, tetapi Anda dapat menyesuaikan model penuh dan model
yang dikurangi, lalu hitung persentase perubahan dalam ketiga koefisien tersebut. Bagaimana