栄養補助食品に関する知識と使用の決定要因

I. 調査で評価された対策:

この研究で評価される測定値の選択は、科学文献のレビューと研究者の個人的な関心に基づいています。

1. 栄養補助食品に関する対策：

   1. 栄養補助食品 (KaDS) に関する知識 - Karbownik らによってポーランド版として開発された 17 項目の KaDS アンケートで評価されます。 （2019）。 回答者は、栄養補助食品に関する 17 の記述のそれぞれについて、「正しい」または「間違っている」と評価するよう求められます。 KaDS は主に、一般質問票と特定質問票の両方のサブスケールの合計としてコード化されます。 KaDS は 18 レベルの順序変数として操作可能になります。
   2. KaDS の自己評価ソース - 「医師」、「薬剤師」、「栄養士」、「友人 (医学教育を受けていない)」、「メディア (雑誌、テレビ、ラジオ、インターネット)」の 5 つのカテゴリで個別に評価されました。 カテゴリごとに、「栄養補助食品についてどの程度の知識を持っていますか?」という 1 項目の質問をします。 各カテゴリは、4 レベルの序数変数 (「まったくない」から「かなり」まで) として操作化されます。 テレビ - テレビ。
   3. 栄養補助食品の使用 (UoDS) - 「過去 30 日以内に栄養補助食品を使用しましたか?」という単一項目の質問で評価されます。 UoDS は、2 レベルのカテゴリ変数 (「いいえ」と「はい」) として運用されます。
   4. 栄養補助食品に関する肯定的な個人的経験 - 単一項目の質問で評価: 「栄養補助食品を摂取すると、効果があると思いますか?」 この尺度は、3 レベルのカテゴリ変数 (「いいえ」、「はい」、および「該当せず、栄養補助食品を使用していない」) として運用されます。 「該当なし...」の回答を示すケースは、分析で「いいえ」としてコード化されます。
   5. 栄養補助食品に関する否定的な個人的経験 - 単一項目の質問で評価: 「栄養補助食品を摂取すると、痛みを感じますか?」. この尺度は、3 レベルのカテゴリ変数 (「いいえ」、「はい」、および「該当せず、栄養補助食品を使用していない」) として運用されます。 「該当なし...」の回答を示すケースは、分析で「いいえ」としてコード化されます。
   6. 栄養補助食品への関心 - 単一項目の 5 段階のセマンティック ディファレンシャルで評価: 「No. これは私にはまったく無関心です」から「はい！ 毎日、このトピックに関する情報を探しています。」 メジャーは、5 レベルの序数変数として運用されます。
   7. 栄養補助食品 (TiADS) の広告に対する信頼 - Karbownik らによってポーランド版として開発された 8 項目の TiADS アンケートで評価されます。 （2019）。 回答者は、5 段階のセマンティック ディファレンシャル スケールを使用して、栄養補助食品の広告によって伝えられる情報についての意見を表明するよう求められます。 TiADS は主に、信頼性、理解度、および感情に関するアンケートのサブスケールの合計と見なされます。 TiADS は 33 レベルの序数変数として運用されます。
   8. 栄養補助食品の広告との接触 - 「過去 1 週間以内に栄養補助食品の広告と接触したことがありますか?」という単一項目の質問で評価されます。 メジャーは、2 レベルの序数変数 (「いいえ」と「はい」) として操作可能になります。

2. その他の健康問題に関する対策：

   1. 医薬品に関する一般的な信念 (BMQ-General) - Horne らによって開発された、医薬品に関する信念アンケートの 8 項目の一般的な部分で評価されます。 (1999)、およびポーランド語に適応し、Karbownik らによって検証されました。 （2019）（現在査読中の論文）。 回答者は、5 段階のリッカート尺度 (「完全に同意しない」から「完全に同意する」まで) を使用して、医薬品に関する 8 つのステートメントに同意することを表明するよう求められます。 BMQ-General は、2 つの個別の変数としてコード化されます。BMQ-General-Overuse サブスケールと BMQ-General-Harm サブスケールです。 両方のサブスケールは、17 レベルの順序変数として運用されます。
   2. 自己評価された健康 - 「あなたの健康をどのように評価しますか?」という単一項目の質問で評価されます。 メジャーは、4 レベルの序数変数 (「悪い」、「普通」、「良い」、「非常に良い」) として操作化されます。
   3. 自己評価の食事 - 単一項目の 5 段階の意味的差異で評価: 「ファーストフード、ポテトチップス、スイーツなどをたくさん食べる」から。 「私は健康的でバランスの取れた食事だけを食べます」に。 メジャーは、5 レベルの序数変数として運用されます。
   4. 自己評価の身体活動 - 単一項目の 5 段階の意味的差異で評価: 「身体活動がまったくない」から「週に 5 回集中的にスポーツをする」まで。 メジャーは、5 レベルの序数変数として運用されます。
   5. 従来のたばこの喫煙 - 「あなたは従来のたばこを吸っていますか?」という 1 項目の質問で評価します。 測定値は、3 レベルのカテゴリ変数 (「まったく吸わない」、「いいえ、しかし過去に吸った」、「はい」) として操作化されます。
   6. 電子タバコの使用 - 「電子タバコを使用しますか?」という 1 項目の質問で評価します。 メジャーは、3 レベルのカテゴリ変数 (「まったくない」、「いいえ、しかし以前に使用した」、「はい」) として運用されます。

3. 社会人口学的データの測定:

   1. 年齢 - 年に丸められた連続変数として運用されます。 報告できる値は、「18 未満」、「18」、「19」、「20」、...、「113」です。 現在 (2019 年 10 月 23 日) 生きている最高齢のポーランド人は 113 歳です。
   2. 性別 - 2 レベルのカテゴリ変数 (「男性」と「女性」) として操作可能。
   3. 教育レベル - 5 レベルの序数変数 (「一次」、「二次または職業」、「高等学士」、「高等修士」、「高等博士」) として操作可能。
   4. 医学教育 - 2 レベルのカテゴリ変数 (「医学教育なし」および「医学教育」) として操作可能。 この尺度は、回答者が除外基準を満たしているかどうかを確認するための補助として使用されます。 この変数の欠損値は、「医学教育」としてコード化されます。
   5. 居住地の住民数 - 4 レベルの序数変数 (「5,000 未満」、「5,000-50,000」、「50,000-500,000」、「500,000 以上」) として操作可能。
   6. 家族 1 人あたりの月間純家計収入 - 4 レベルの序数変数 (「1,000 PLN 未満」、「1,000-2,000 PLN」、「2,000-3,000 PLN」、「3,000 PLN 以上」) として操作されます。 PLN - ポーランドの通貨 (ズウォティ)。

Ⅱ．データ分析計画

1. 研究参加者は、オンライン調査 (https://www.survio.com/pl/) に記入するよう求められます。 上記のすべての措置を評価します。
2. 18 歳未満である、または医学教育を受けていると宣言した回答者のケースは、さらなる分析から削除されます (包含および除外基準に記載されているとおり)。

3. オンライン調査ソフトウェアはデフォルトとして中央値 (「3」) を回答に割り当てるため、セマンティック ディファレンシャル スケールで測定されたすべての変数に欠損値はありません。 強制回答オプションやデフォルトの回答がないため、調査内の他の変数で欠損値が発生する可能性があります。 欠損値は、次の方法で管理されます。

   1. 意味微分変数のデフォルト値を除いて、データのないケースは削除されます。
   2. 各変数の欠損値の割合が計算されます。
   3. 欠損値が少なくとも 1 つあるケースの割合が計算されます。
   4. 欠損値が 50% を超える変数と、欠損値が 50% を超えるケースは、データベースから削除されます。
   5. データ欠落のパターンは、リトルの完全無作為欠落データ検定 (MCAR) で評価されます。 MCAR の仮定に重大な違反があった場合、各変数について、欠損値と他のすべての変数との関連性が調べられます。
   6. 少なくとも 1 つの欠損値 (点 "c" を参照) を持つケースの割合が 5% 未満で、Little の MCAR 検定 (点 "e" を参照) の結果が有意でない場合、少なくとも 1 つの欠損値を持つケースは削除され、分析は完全なケースのみで実行されます。
   7. それ以外の場合 (ポイント "f" まで)、欠損値は、さらなるデータ分析が実行される前に、連鎖方程式 (MICE) による多変量代入で代入されます。 KaDS、TiADS、および BMQ を構成する項目の合計は、各項目の欠損値を補完した後に行われます。

4. KaDS は連続変数として扱われ、多変量線形回帰でモデル化されますが、2 レベルのカテゴリ変数である UoDS はロジスティック回帰でモデル化されます。 順序独立変数は、回帰モデルに含まれている間、連続変数と見なされます。 2 レベルを超えるカテゴリ独立変数は、回帰モデルに含まれる前にダミー変数に変換されます。 従属変数 (DV)、KaDS および UoDS は、次の手順でモデル化されます。

   1. DV と残りのすべての測定値との一変量 (未調整) の関連付けが評価されます (KaDS は、結果を表示するために一般サブスケールと特定サブスケールにさらに分割されます)。 さらに、「TiADS」×「栄養補助食品の広告に触れる」という双方向のやり取りが含まれます。 アソシエーションは、テストされたすべての社会人口統計学的尺度について、調整されていない場合と調整されている場合の両方として報告されます (ポイント「I. 3")。 データが帰属されている場合（ポイント「3. g")、DV と残りの測定値との間の単変量 (未調整) 関連の感度分析は、完全なケースのデータセットで実行され、欠損データ補完の精度をテストします。 さらなる多変量モデルは、これらの分析で DV に関連付けられた (未調整分析の生の p 値によると) 統計的に有意な測定値で構築されます。

   2. 最終モデルに保持される予測変数は、次の基準に従って選択されます。

      • 多重共線性。 変数の多重共線性は、ピアソンの相関行列と探索的因子分析で評価されます。 多重共線性の検出の場合、2 つの解決策が考慮されます。 「自己評価された食事」と「自己評価された身体活動」と「禁煙」は、「健康セルフケア」の構成概念を表している可能性があります。または、「従来の喫煙」と「電子タバコの使用」は、「ニコチン」の構成概念を表している可能性があります。依存性」など) または (2) 実質的に同一線上にある変数のセットから 1 つの変数のみを保持し、もう 1 つの変数を削除することができます。
      • 保持されたメジャーの「客観性」。 非常に「客観的な」測定が支持されます。 それらには、有効性のより説得力のある証拠を持つもの、KaDS、TiADS、および BMQ が含まれ、その後に単一項目の質問で評価される「客観的な」尺度が続きます。年齢と性別、さらに「主観的」で、簡単に検証できず、おそらく偏った尺度が続きます。残りの対策。
      • 情報基準。 赤池情報量基準またはベイズ情報量基準の値が低いモデルが優先されます (最良のサブセット選択アルゴリズム)。
   3. 得られたモデルの残差分析を実行して、一般的な線形モデリングの仮定を確認します。 前提条件が大幅に満たされない場合は、モデル構築のプロセスが繰り返される場合があります。
5. 得られたモデルの精度と安定性をテストするために、k 分割交差検証を使用して内部検証が実行されます。

6. サブグループ分析は、公衆衛生にとって重要な回答者のサンプルで実行される場合があります。

   1. 高齢者（60歳以上）、
   2. 農村地域の住民（5,000人未満の住民）、
   3. 低所得者（家族 1 人あたりの月間純世帯収入が 1,000 PLN 未満）など
7. 分析全体で 0.05 未満の P 値は、統計的に有意と見なされます。複数の仮説検定を説明するために、該当する場合は、Benjamini および Hochberg 手順による有意水準補正が適用されます (誤検出率 0.05)。
8. 分析は、STATISTICA ソフトウェア (Statsoft) または R ソフトウェア (R Core Team) を使用して実行されます。