Avoiding Inferential Errors in Public Health Research: The Statistical Modelling of Physical Activity Behavior
Notice bibliographique
Résumé
Background: A review of the health behavior literature on the statistical modeling of days of physical activity (PA) indicates that in many instances linear regression models have been used. It is inappropriate statistically to model a count dependent variable such as days of physical activity with Ordinary Least Squares (OLS). Many count variables have skewed distributions, and, also, have a preponderance of zeroes. Count variables should not be treated as continuous and unbounded. If OLS is used, estimations of the regression will frequently turn out to be inefficient, inconsistent and biased, and such outcomes could well have incorrect impacts on health programs and policies. Methods: We considered three statistical methods for modelling the distribution of days of PA data for respondents in the 2013 Health Information Trends Survey (HINTS). The three regression models analyzed were: Ordinary Least Squares (OLS), Negative Binomial (NBRM), and Zero-inflated Negative Binomial (ZINB). We used the exact same predictor variables in the three models. Our results illustrate the differences in the results. Results: Our analyses of the PA data demonstrated that the ZINB model fits the observed PA data better than either the OLS or the NBRM models. The coefficients and standard errors differed in the zero-inflated count models from the other models. For instance, the ZINB coefficient for the association between income and PA behavior was not statistically significant (p>0.05), whereas in the NBRM and in the OLS models, it was statistically significant (p<0.05). Conclusions: The inappropriate use of regression models could well lead to wrong statistical inferences. Our analyses of the number of days of moderate PA demonstrated that the ZINB count model fits the observed PA data much better than the OLS model and the NBRM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».