Nuoruusiän vaikutus aikuisen painoindeksiin Data-analyysin perusmenetelmät Harjoitustyö. Lassi Miinalainen

Transkriptio

1 Nuoruusiän vaikutus aikuisen painoindeksiin Data-analyysin perusmenetelmät Harjoitustyö Lassi Miinalainen

2 Sisältö 1 Aineisto Muuttujat Painoindeksi Tutkimusongelma Analyysi Hypoteesi Menetelmät Tilastollisten mallien muodostus ja vertailu Vaihtoehtoiset lineaariset mallit aikuisiän painoindeksille Onko teini-iän paino tai pituus kovin hyvä selittäjä? Aikuisiän ylipainolle altistavat tekijät Johtopäätökset A Liitteet 10 A.1 Lineaariset mallit aikuisiän painoindeksille A.2 Ajovirta A.3 R-koodi mallin testiaineiston tutkimiseen liittyen A.4 Python-koodi satunnaisvektorin muodostamiseksi A.5 Ajovirta F-testiin liittyen A.6 Ajovirta riskitasoon liittyen

3 Luku 1 Aineisto Aineistoni on osa vuonna 1966 Lapin ja Oulun läänissä syntyneistä lapsista kerättyä kohorttiaineistoa.[4] Aineisto sisältää 300 tilastoyksikköä. Tietojen keräämistä ei ole kuitenkaan voitu syystä tai toisesta viedä loppuun kaikkien lasten tapauksessa ja niinpä tässä tutkielmassa esitettyjen tilastollisten mallien estimointiin soveltuu vain 201 tilastoyksikköä. Syynä tähän katoon lienee 60- ja 70-luvun maaltapako Helsinkiin ja Ruotsiin suuntautunut muuttoliike. Etenkin Lappi oli tähän aineistoon kuuluvien lasten syntymisen aikaan huomattavasti vähemmän kehittynyttä aluetta kuin muu Suomi.[1] [2] Terveyskeskusjärjestelmä luotiin suomessa 1970-luvun alussa ja aineistoon kuuluvat mittaukset 14-vuotiaana lieneekin toteutettu juuri kuntien terveyskeskuksissa 80-luvun alussa. Aineistosta tai tehtävänannosta ei selviä mitä tarkalleen ottaen tarkoittaa "paino aikuisena". Ilmeisesti nämä nämä mittaukset on kuitenkin tehty 90-luvun kuluessa. 1.1 Muuttujat Koko aineistossa on 146 poikaa ja 154 tyttöä. Mallien estimointiin soveltuvassa osassa on 97 poikaa 104 tyttöä. Aineisto sisältää seuraavat muuttujat: Muuttujan nimi aineistossa yksikkö äidin ikä syntymähetkellä aidika vuodet syntymäpaino syntpain grammat syntymäpituus syntpit senttimetrit paino 14-vuotiaana paino14v kilogrammat pituus 14-vuotiaana paino14v senttimetrit paino aikuisena paino kilogrammat pituus aikuisena pituus senttimetrit 2

4 Muuttujan keskiarvo koko aineistossa tutkimuksessa käytetyssä osassa äidin ikä syntymähetkellä syntymäpaino syntymäpituus paino 14-vuotiaana pituus 14-vuotiaana paino aikuisena pituus aikuisena Vaikuttaisi siltä, että epätäydellisten ja täydellisten tilastoyksiköiden välillä ei ole merkittäviä eroja. Muuttujien väliset korrelaatiot ovat seuraavanlaiset: aidika syntpain syntpit paino14v pit14v paino pituus aidika syntpain syntpit paino14v pit14v paino pituus Painoindeksi Painoindeksi määritellään seuraavalla kaavalla: paino kiloina (pituus metreinä) 2 Tällä tavalla aineistoon saadaan kaksi muuttujaa lisää: bmi eli painoindeksi aikuisena ja bmi14 eli painoindeksi 14-vuotiaana. Havaitaan, että aikuisen painoindeksi korreloi kohtalaisesti 14-vuotiaan painon ja painoindeksin kanssa (ρ = 0, 364 ja ρ = 0, 375). Korrelaatiokerroin 14-vuotiaan pituuden kanssa on yllätyksekseni positiivinen (ρ = 0.169). 14-vuotiaan paino ja pituus ovat kuitenkin keskenään korreloivia, joten on syytä laskea ehdollinen korrelaatiokerroin, joka onkin negatiivinen (ρ X,Y Z = 0.142). Normaalipainoisen ihmisen painoindeksi on alle 25, mutta yli Painoindeksi välillä on merkitsee lievää ylipainoa ja välillä merkittävää ylipainoa. Lähes koko tutkimusaineisto on normaalipainoista tai enintään lievästi ylipainoista. Nämä lukurajat pätevät kuitenkin vain aikuisille. Teini-ikäisille asia on monimutkaisempi. Yhdysvaltojen viranomaisten Center for disease Control and Prevention määrittelee 14-vuotiaan olevan alipainoinen, jos hän kuuluu 5-persentiiliin; normaalipainoinen, jos hän kuuluu persentiiliin; ylipainoinen jos hän kuuluu persentiiliin ja liikalihava jos 95-persentiiliin. [3] Olen estimoinut nämä persentiilirajat tutkimusaineistosta ja verrannut niitä netistä löytämiini virallisissa taulukoissa esitettyihin rajoihin allaolevassa taulukossa. lähde estimoitu aineistosta CDC 5-persentiili persentiili persentiili Ylipainon lisääntyminen viime vuosikymmeninä näkyy selkeästi persentiilien eroissa. 3

5 1.2 Tutkimusongelma Tavoitteena on tutkia 14-vuotiaana mitatun painon ja pituuden vaikutusta aikuisen painoindeksiin. Koska liikalihavuus altistaa esimerkiksi sydän- ja verisuonisairauksille, koetetaan myös tunnistaa aineistosta aikuisiän liikalihavuudelle altistavia tekijöitä. 4

6 Luku 2 Analyysi 2.1 Hypoteesi Koska murrosikä alkaa tavallisesti huomattavasti ennen 14. ikävuotta, voidaan aikuisen ihmisen ruumiinrakennetta jo ennakoida murrosikäisen pituudesta ja painosta. Etenkin tytöillä pituuskasvu on 14-vuotiaana jo lähes pysähtynyt. Ruokailutottumukset, liikkumistavat ja muut painoon vaikuttavat ympäristötekijät ovat yleensä vakiintuneet jo teini-iässä. Vaikka ne voivatkin muuttua aikuistumisen yhteydessä, niin yleistyksenä voidaan sanoa, että teini-iässä lihavat ovat lihavia myös aikuisena: tietokonepelejä pelannut ja sipsejä mussutellut teini on myös aikuisena ylipainoinen, ellei huomattavaa tahdonvoimaa elämäntaparemonttiin löydy. Hypoteesina esitän, että 14-vuotiaan painon ja aikuisen painoindeksin välillä on positiivinen korrelaatio ja 14-vuotiaan pituuden ja aikuisen BMI:n välillä negatiivinen korrelaatio. 2.2 Menetelmät Muodostetaan erilaisia aikuisiän painoindeksiä ennustavia lineaarisia malleja ja tarkastellaan muuttujien kertoimia eri malleissa. Mikäli jokaisessa mallissa 14-vuotiaan painolle ja pituudelle estimoitu painokerroin on saman merkkinen tai jopa samaa suuruusluokkaa, voidaan katsoa tämän sulkevan pois "pelkän"tilastollisen korrelaation ja viittaavan aitoon syy-seuraus-suhteeseen. Ongelmana on, että 14-vuotiaiden painon ja pituuden välillä huomattava tilastollinen riippuvuus. Tämä kollineaarisuus monimutkaistaa tutkimustulosten tulkitsemista. 5

7 Kuva 2.1: hypoteesi muuttujien välisistä kausaalisuhteista 2.3 Tilastollisten mallien muodostus ja vertailu Vaihtoehtoiset lineaariset mallit aikuisiän painoindeksille Yrityksen ja erehdyksen avulla löydetään neljä vaihtoehtoista mallia: Malli 1: bmi paino14v pit14v Malli 2: bmi paino14v sukuptytt pit14v syntpain aidika syntpain aidika Malli 3: bmi bmi e aidika syntpain sukuptytt aidika : syntpain Malli 4: log bmi log paino14v log pit14v sukuptytt Kaikkien mallien determinaatiokerroin R 2 on suunnilleen 0, 2 ja ne vaihtelevat välillä 0, 195 0, 22. Eri mallien sovitteetkin ovat suunnilleen samoja eri tilastoyksiköille. On syytä huomata, että kaikkien mallien 14-vuotiaan painon lineaarikerroin on positiivinen ja vastaavasti pituuden kerroin negatiivinen. Tä- 6

8 mä tukee esitettyä hypoteesia. Mallien tarkemmat tunnusluvut ja muut yksityiskohdat löytyvät liitteestä A.1. Mallista 4 näkee, että mallissa 3 voisi painoindeksin neliöjuuri olla hieman parempi selittäjä. Tämä kuitenkin vaikeuttaisi mallin tulkintaa, eikä parantaisi merkittävästä sen selityskykyä. Mallien QQ-kuvaajissa ei näy merkittäviä anomalioita muutamaa outlieria lukuunottamatta. Determinaatiokerroin on tunnettu kyvyttömyydestään erottaa hyödyllisiä malleja hyödyttömistä. Sen lisäksi on olemassa useita vaihtoehtoisia mallin hyvyyttä mittaavia tunnuslukuja. Yksi näistä on keskihajonta testiaineistossa. Olen liitteessä A.4 esittänyt python-skriptin joka jakaa aineiston satunnaisesti testi- ja opetusaineistoon. Tilastoyksiköistä noin 75% sijoitetaan opetusaineistoon ja loput testiaineistoon. Lineaarinen malli estimoidaan käyttäen opetusaineistoa, minkä jälkeen estimoidulla mallilla koetetaan ennustaa testiaineiston tilastoyksiköitä. Tunnuslukuna mallin toimivuudelle on keskineliösumma tai keskihajonta mallin residuaaleille testiaineistossa. Malli 4 menestyy parhaiten tällä kriteerillä, sen keskihajonta testiaineistossa on 8, 2, kun taas kaikilla muilla malleilla se on noin 8, Onko teini-iän paino tai pituus kovin hyvä selittäjä? Koko tämän tutkielmän lävitse kulkee punaisena lankana, että teini-iän painolla ja pituudella olisi jotain tekemistä aikuisen painon ja pituuden kanssa. Ihmisten elämässä tapahtuu kuitenkin useita muutoksia aikuistumisen yhteydessä, minkä vuoksi tutkimushypoteesin mielekkyyttä on syytä testata. Tämä tapahtuu F-testin avulla. Liitteessä A.5 on esitetty yksityiskohdat. Periaatteena kuitenkin on, että muodostetaan pelkästään syntymäpainon, äidin iän ja sukupuolen avulla aikuisen painoindeksiä ennustava lineaarinen malli. Tämän mallin jäännösvarianssia verrataan tässä tutkielmassa aiemmin esitettyyn malliin 3. Nollahypoteesina on, että mallit ovat yhtä hyviä ennustamaan aikuisen painoindeksiä, eli että teini-ikäisen painoindeksi ei olisi merkittävä selittäjä aikuisen painoindeksille. Tätä nollahypoteesia ei pystytä täysin sulkemaan pois, mutta ei myöskään ole syytä pitää sitä totena (p-arvo 0.22). Vastaava testisuure muodostetaan myös mallille 4, lopputulos on suunnilleen sama (p-arvo 0.13). Tämä viittaisi siihen, että vaikka teini-iän painolla ja pituudella onkin jonkin verran korrelaatiota aikuisen painon ja pituuden kanssa, niin paljon merkittävämpiä tekijöitä ovat esimerkiksi omat elämäntavat Aikuisiän ylipainolle altistavat tekijät Tutkitaan miten aikuisena ainakin lievästi ylipainoiset eroavat normaalipainoisista taustamuuttujiensa suhteen. Huomataan, että ainoa todella merkittävä ero on 14-vuotiaan painoindekseissä. Miehet ovat myös keskimäärin hieman naisia tukevampia, mutta tämän vuoksi jotkin lähteet määrittelevät ylipainon rajan miehille ja naisille hieman eri kohtaan. Arvioidaan miten paljon teini-ikäisen ylipaino altistaa ylipainolle aikuisena. 7

9 bmi14 21,2 bmi14 > 21,2 bmi > bmi n Yksinkertaisella laskutoimituksella nähdään, että teini-iässä ylipainoisilla on kaksinkertainen riski olla myös aikuisena ylipainoisia verrattuna normaalipainoisiin. Toisaalta esimerkiksi molempien vanhempien ylipaino kahdeksankertaistaa ylipainon riskin verrattuna normaalipainoisiin vanhempiin. ([5], s. 122) 2.4 Johtopäätökset Kaikki vaihtoehtoiset mallit viittaavat samansuuntaisiin tuloksiin: 14-vuotiaan pituus korreloi negatiivisesti ja paino positiivisesti aikuisiän painoindeksin kanssa. Ei ole paljoakaan merkitystä mallin selityskyvyn kannalta käytetäänkö mallissa selittävänä tekijänä 14-vuotiaan painoindeksiä vai painoa ja pituutta, sillä molemmat mallit antavat pääsääntöisesti lähes samat sovitteet eri tilastoyksiköille. Koska aineistossa on 14-vuotiaiden painon ja pituuden välillä huomattava korrelaatio (ρ = 0, 64), ei niiden vaikutusta voida erottaa toisistaan täydellisesti tai ainakaan tuloksia ei voida yleistää tämän osapopulaation ulkopuolelle, etenkin kun varsinaisen mallin determinaatiokerroin jää melko vaatimattomaksi. Tämä tarkoittaa, että esimerkiksi nuoruusiän anoreksian vaikutuksesta aikuisiän painoindeksiin ei voida tehdä johtopäätöksiä tämän tutkimusaineiston pohjalta. Itseasiassa F-testissä osassa ei nollahypoteesia voida sulkea kokonaan pois. Tämä ei tarkoita, että syntymäpaino olisi kovin hyvä ennustaja aikuisen painoindeksille, vaan että 14-vuotiaan painoa ja pituutta tärkeämmät taustatekijät aikuisen terveydelle ovat, paitsi perintötekijät, niin etenkin omat elämäntavat ja ruokailutottumukset. Nykyajan nuoriso elää monella tavalla erilaisessa yhteiskunnassa kuin tutkimusaineiston nuoret: tietokoneet ja Internet ovat nousseet television rinnalle ei-fyysisenä ajanvietteenä, pikaruoka on nykyään yleisempää kuin 80-luvulla. Tämän vuoksi tässä tutkielmassa esitettyjä tilastollisia malleja ei voida soveltaa sellaisenaan nykymaailmaan. Arvioisin kuitenkin, että korrelaatiot ovat samanmerkkisiä nykyäänkin eli että teini-iän ylipaino korreloi positiivisesti aikuisiän ylipainon kanssa. 8

10 Tiivistelmä Muodostettiin kolme vaihtoehtoista mallia aikuisen painoindeksin ennustamista varten, jotka kaikki toimivat suunnilleen yhtä hyvin. Tutkimuksessa havaittiin kohtalainen korrelaatio 14-vuotiaan ja aikuisen ylipainon välillä. Ylipainoisella 14-vuotiaalla on kaksinkertainen riski olla aikuisena liikalihava normaalipainoiseen verrattuna. Löydettiin myös viitteitä, että teini-iän painoa merkityksellisempää aikuisen ylipainolle ovat muut tekijät, luultavasti esimerkiksi ruokavalio, geenit ja elämäntavat. 9

11 Liite A Liitteet A.1 Lineaariset mallit aikuisiän painoindeksille Call: lm(formula = bmi paino14v + pit14v, data = aineisto) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-07 *** paino14v e-08 *** --- pit14v * Signif. codes: 0 *** ** 0.01 * Residual standard error: on 199 degrees of freedom (98 observations deleted due to missingness) Multiple R-squared: , Adjusted R-squared: F-statistic: 19.3 on 2 and 199 DF, p-value: 2.188e-08 Call: lm(formula = bmi paino14v + sukup + pit14v + syntpain * aidika, data = aineisto) Residuals: 10

12 Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) 1.345e e paino14v 2.145e e e-09 *** sukuptyttö e e * pit14v e e * syntpain 5.200e e * aidika 6.422e e * syntpain:aidika e e * Signif. codes: 0 *** ** 0.01 * Residual standard error: on 194 degrees of freedom (99 observations deleted due to missingness) Multiple R-squared: , Adjusted R-squared: F-statistic: on 6 and 194 DF, p-value: 5.901e-09 Call: lm(formula = bmi bmi14 + aidika * syntpain + sukup, data = aineisto) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e e bmi e e e-09 *** aidika 5.926e e * syntpain 4.852e e * sukuptyttö e e ** aidika:syntpain e e * Signif. codes: 0 *** ** 0.01 * Residual standard error: on 195 degrees of freedom (99 observations deleted due to missingness) Multiple R-squared: 0.217, Adjusted R-squared: F-statistic: on 5 and 195 DF, p-value: 3.456e-09 > formula <- "log(bmi) log(paino14v) + log(pit14v) + sukup" > m1<-lm(formula, data=subset(aineisto2, aineisto2$random==1)) > summary(m1) Call: lm(formula = formula, data = subset(aineisto2, aineisto2$random == 1)) 11

13 Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-05 *** log(paino14v) e-07 *** log(pit14v) ** sukuptyttö * Signif. codes: 0 *** ** 0.01 * Residual standard error: on 149 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 3 and 149 DF, p-value: 5.909e-07 A.2 Ajovirta aineisto<-read.table("/home/lassimii/desktop/dataapm/aineisto.txt", header=true) aineisto2<-subset(aineisto,!is.na(aineisto$aidika) &!is.na(aineisto$sukup) &!is.na(aineisto$paino14v) &!is.na(aineisto$pit14v) &!is.na(aineisto$paino) &!is.na(aineisto$pituus)) aineisto2$bmi<-aineisto2$paino/((aineisto2$pituus/100)ˆ2) aineisto2$bmi14<-aineisto2$paino14v/((aineisto2$pit14v/100)ˆ2) > (cor(aineisto2$bmi, aineisto2$pit14v)-cor(aineisto2$bmi, aineisto2$paino14v)* cor(aineisto2$pit14v, aineisto2$paino14v))/(sqrt(1-cor(aineisto2$bmi, aineisto2$paino14v)ˆ2) sqrt(1-cor(aineisto2$pit14v, aineisto2$paino14v)ˆ2)) aineisto2$random<-c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 1, 0, 1, 0, 0, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 0, 1, 1, 0, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0, 1) formula<-"bmi > CV formula<-"bmi > CV pit14v + paino14v" paino14v + sukup + pit14v + syntpain * aidika" 12

14 formula <- "bmi > CV bmi14 + aidika * syntpain + sukup" formula <- "log(bmi) log(paino14v) + log(pit14v) + sukup" > CV<-var(exp(sovite)-aineisto2$bmi[aineisto2$random==0]) > CV > cor(aineisto2$bmi, exp(sovite))ˆ A.3 R-koodi mallin testiaineiston tutkimiseen liittyen m1<-lm(formula, data=subset(aineisto2, aineisto2$random==1)) X=model.matrix(m1, data=subset(aineisto2, aineisto2$random==0)) sovite=x%*%m1$coeff CV<-var(sovite-aineisto2$bmi[aineisto2$random==0]) A.4 Python-koodi satunnaisvektorin muodostamiseksi import random vector = c( a=0 while a < 201: a+=1 vector+= ) if random.randint(0, 3)!= 0: vector += 1 else: vector += 0 if a!=201: vector +=, 13

15 A.5 Ajovirta F-testiin liittyen > m1<-lm(formula = bmi sukup + aidika * syntpain) > m2<-lm(formula = bmi sukup + aidika * syntpain + bmi14) > var.test(m1, m2) F test to compare two variances data: m1 and m2 F = , num df = 227, denom df = 195, p-value = alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: sample estimates: ratio of variances > m1<-lm(formula = bmi sukup + aidika * syntpain, data=aineisto2) > m2<-lm(log(bmi) log(paino14v)+log(pit14v)+sukup,data=aineisto2) > summary(m2) t(aineisto2$bmi-exp(m2$fitted.values))%*%(aineisto2$bmi-exp(m2$fitted.values))/ > summary(m1) Residual standard error: on 196 degrees of freedom > 3.222ˆ2/ A.6 Ajovirta riskitasoon liittyen > length(aineisto2$bmi[aineisto2$bmi14<21.2 &aineisto2$bmi>=25]) 55 > length(aineisto2$bmi[aineisto2$bmi14>=21.2 &aineisto2$bmi>=25]) 21 > length(aineisto2$bmi[aineisto2$bmi14<21.2 &aineisto2$bmi<25]) 114 > length(aineisto2$bmi[aineisto2$bmi14>=21.2 &aineisto2$bmi<25]) 11 14

16 Kirjallisuutta [1] Elävä arkisto: Lapin kehityksen ongelmat, raportti kehitysalueelta, Yle, alkuperäinen esitys: [2] Wikipedia, Suomi 1960-luvulla [3] Centers for disease Control and Prevention [4] Pohjois-Suomen syntymäkohortti tutkimus [5] Kolata,Gina Rethinking thin: The new science of weight loss - and the myths and realities of dieting Picador, 2007, ISBN