Pertanyaannya menyangkut hubungan antara obesitas sentral, yang diukur dengan rasio

pinggang-pinggul (WHR), dan kadar trigliserida (TGL). Keduanya merupakan komponen

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.

1. Memeriksa asumsi model

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

kembali normalitas residual dari model baru.

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,

daripada peningkatan 1 unit.

b) Apakah kesimpulan substantif Anda dipengaruhi oleh transformasi hasil?

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.

a) Apakah WHR transformasi log memperbaiki masalah linearitas?

b) Kategorisasi WHR hampir pasti akan berhasil, dan juga relatif mudah untuk

diinterpretasikan. Sesuaikan kembali model yang mengontrol usia, ras/etnis, penggunaan

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

kovariat antara peserta yang melakukan dan tidak berolahraga.

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

kedua - menilai WHR sebagai prediktor minat utama.

1. Pertimbangkan untuk mengevaluasi efek keseluruhan dari sebuah prediktor utama.

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

keseluruhannya terhadap hasil?

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

dihasilkan untuk prediktor utama?

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

WHR dan BMI?

3. Peninjau mungkin bertanya apakah BMI dan WHR adalah co-linear, mempertanyakan

validitas temuan Anda untuk WHR. Bagaimana tanggapan Anda?

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:

gunakan testparm i(2/4).whrcat, sama.

b) Dapatkah Anda memikirkan penjelasan biologis untuk pola ini?

c) Misalkan Anda telah mengusulkan kategorisasi 4 tingkat ini secara priori. Berdasarkan

hasil ini, apakah Anda akan menyederhanakan model dengan menggabungkan tiga kategori

teratas? Mengapa atau mengapa tidak?

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

ini akan memengaruhi keputusan Anda?