آشنايي با مدل ‌سازي معادلات ساختاري تعميم‌يافته و كاربرد آن در پژوهش‌هاي بهداشتي

Generalized Structural Equation Modeling (GSEM) and its Application in Health Researches

زمينه و هدف: مدل معادلات ساختاري تعميم‌يافته (Generalized Structure Equation Modeling) خانواده اي از تكنيك‌هاي آماري در تجزيه ‌و تحليل داده‌هاي چند متغيره، طبقه‌بندي‌شده و ترتيبي است كه به اندازه‌گيري متغيرهاي پنهان و روابط ميان آن‌ها مي‌پردازد. هدف از اين مطالعه توجه برنوع ساختار داده‌ها و معرفي مدل GSEM به محققان علوم پزشكي و ارائه مثالي كاربردي در پژوهش هاي پزشكي است. روش كار: ابتدا مقدمه‌اي از مدل معادلات ساختاري (Structure Equation Modeling)و نقاط ضعف و قوت آن بيان و سپس به تعريف GSEM و انواع آن پرداخته شد. با ارائه مثالي در بررسي عوامل خطر وضعيت پرفشاري خون در ميان افراد مبتلا به ديابت، روش استفاده از GSEM براي متغيرهاي پاسخ برنولي توضيح داده شد. داده هاي اين مطالعه نمونه اي تصادفي به حجم 2716 نفر از افراد مبتلا به ديابت در مطالعه كوهورت استان گلستان است. نتايج:متغيرهاي سن، شاخص توده بدني، چاقي شكمي، محل سكونت، وضعيت اقتصادي-اجتماعي، ميزان مصرف نمك اثر مستقيمي بر فشار خون بالا داشتند و متغيرهاي نژاد،تحصيلات، ميزان ويتامين دي و فعاليت بدني اثر مستقيم و معكوسي بر فشارخون بالا داشتند (p<0/05). نتيجه گيري: اين مدل برخلاف مدل SEM نياز به فرض محدودكننده نرمال بودن داده‌ها ندارد و ابزاري قدرتمند در تجزيه ‌و تحليل داده‌هاي طبقه‌بندي‌ شده است. با اين حال استفاده از اين روش داراي محدوديت‌هايي است. در حال حاضر در اين روش امكان انجام آزمون نيكويي برازش و برآورد اثرات مستقيم و غيرمستقيم و روش اصلاح و تعديل مدل به ‌طور مستقيم وجود ندارد.

Background and Aims: Generalized Structural Equation Modeling (GSEM) is a family of statistical techniques utilized in the analysis of multivariate, categorical and ordinal data in order to measure latent variables and their connection with each other. The aim of this study is to consider the structure of data, and introducing GSEM to medical science researchers and presenting a practical example of in medical science researches. Materials and Methods: An introduction to Structural Equation Modeling (SEM), along with its advantages and disadvantages was presented, and also GSEM and its all kind of forms was specified. An example to study hypertension risk factors in patients suffering from diabetes was carried out, which was a demonstration of using GSEM method for binary response variables. The data includes a random sample of 2716 people from Golestan province cohort studies. Results: Age, body mass index, abdominal obesity, residence place, socioeconomic status, salt intake had direct effect on hypertension. Race, education, vitamin D and physical activity had direct and reverse effect on hypertension (p.value<0.05). Discussion: Unlike SEM, the limitative hypothesis that our data should have a normal distribution do not needed in this model, also GSEM is powerful tool in the analysis of categorized data. Nevertheless this method cannot perform goodness of fit test, and adjustment and modification method of the model directly, and that they are some limitation in using this method.