Детерминанты знаний о пищевых добавках и их использовании

I. МЕРЫ, ОЦЕНЕННЫЕ В ИССЛЕДОВАНИИ:

Выбор показателей для оценки в исследовании был основан на обзоре научной литературы и личном интересе исследователей:

1. Меры, связанные с пищевыми добавками:

   1. знания о пищевых добавках (KaDS) - оцениваются с помощью анкеты KaDS из 17 пунктов, которая была разработана как польская версия Karbownik et al. (2019). Респонденту будет предложено оценить каждое из 17 утверждений, касающихся пищевых добавок, как «верное» или «ложное». KaDS в первую очередь будет кодироваться как сумма общих и конкретных подшкал вопросника. KaDS будет функционировать как порядковая переменная с 18 уровнями.
   2. самооценочные источники KaDS - оцениваются отдельно по 5 категориям: "врачи", "фармацевты", "диетологи", "друзья (без медицинского образования)", "СМИ (журналы, ТВ, радио, Интернет)". Для каждой категории будет задан отдельный вопрос: «В какой степени вы получаете знания о пищевых добавках из…?». Каждая категория будет функционировать как 4-уровневая порядковая переменная (от «вовсе нет» до «в значительной степени»). ТВ - телевидение.
   3. употребление пищевых добавок (УОДС) - оценивается одноэлементным вопросом: «принимали ли вы какие-либо биологически активные добавки в течение последних 30 дней?». UoDS будет функционировать как двухуровневая категориальная переменная («нет» и «да»).
   4. положительный личный опыт применения БАДов - оценивается однозначным вопросом: «Если вы принимаете БАД, чувствуете ли вы, что он вам помогает?». Мера будет реализована как трехуровневая категориальная переменная («нет», «да» и «не применимо, я не употребляю пищевые добавки»). Случаи с ответом «неприменимо...» будут кодироваться при анализе как «нет».
   5. отрицательный личный опыт приема БАДов - оценивается одноэлементным вопросом: "если вы принимаете БАД, чувствуете ли вы, что это причиняет вам боль?". Мера будет реализована как трехуровневая категориальная переменная («нет», «да» и «не применимо, я не употребляю пищевые добавки»). Случаи с ответом «неприменимо...» будут кодироваться при анализе как «нет».
   6. интерес к биологически активным добавкам – оценивается однопунктовым 5-балльным смысловым дифференциалом: от «Нет. Мне это совершенно безразлично.» на «Да! Каждый день ищу информацию по этой теме.». Мера будет действовать как порядковая переменная с 5 уровнями.
   7. доверие к рекламе пищевых добавок (TiADS) - оценивается с помощью опросника TiADS из 8 пунктов, который был разработан как польская версия Karbownik et al. (2019). Респонденту будет предложено высказать свое мнение об информации, которую несет реклама пищевых добавок, с использованием 5-балльной семантической дифференциальной шкалы. TiADS в первую очередь будет рассматриваться как сумма подшкал опросника «Надежность», «Разборчивость» и «Влияние». TiADS будет функционировать как порядковая переменная с 33 уровнями.
   8. имели контакт с рекламой пищевых добавок - оценивались с помощью одного вопроса: "Имели ли вы какой-либо контакт с рекламой пищевых добавок в течение прошлой недели?". Мера будет реализована как двухуровневая порядковая переменная («нет» и «да»).

2. Меры, связанные с другими проблемами со здоровьем:

   1. общие представления о лекарствах (BMQ-General) - оценивается с помощью 8-пунктовой общей части опросника представлений о лекарствах, разработанного Horne et al. (1999), адаптированный для польского языка и подтвержденный Karbownik et al. (2019) (документ в настоящее время находится на рецензировании). Респонденту будет предложено выразить свое согласие с 8 утверждениями о лекарственных средствах по 5-балльной шкале Лайкерта: от «полностью не согласен» до «полностью согласен». BMQ-General будет кодироваться как 2 отдельные переменные: подшкала BMQ-General-Overuse и подшкала BMQ-General-Harm. Обе подшкалы будут работать как 17-уровневые порядковые переменные.
   2. самооценка здоровья – оценивается одноэлементным вопросом: «Как Вы оцениваете свое здоровье?». Мера будет действовать как 4-уровневая порядковая переменная («плохо», «удовлетворительно», «хорошо», «отлично»).
   3. самооценка диеты – оценивается однопунктовым 5-балльным смысловым дифференциалом: от «Я ем много фаст-фуда, чипсов, сладостей и т. д.» на «Я ем только здоровую, сбалансированную пищу». Мера будет действовать как порядковая переменная с 5 уровнями.
   4. самооценка физической активности - оценивается с помощью одномоментного 5-балльного смыслового дифференциала: от «вообще не занимаюсь физической активностью» до «интенсивно занимаюсь спортом 5 раз в неделю». Мера будет действовать как порядковая переменная с 5 уровнями.
   5. курение обычных сигарет – оценивается с помощью однозначного вопроса: «Курите ли вы обычные сигареты?». Мера будет операционализирована как трехуровневая категориальная переменная («никогда», «нет, но я курил в прошлом», «да»).
   6. использование электронных сигарет - оценивается одноэлементным вопросом: «употребляете ли вы электронные сигареты?». Мера будет функционировать как трехуровневая категориальная переменная («никогда», «нет, но я использовал в прошлом», «да»).

3. Показатели социально-демографических данных:

   1. возраст - операционализован как непрерывная переменная, округленная до целых лет. Допустимые значения для сообщения: «ниже 18», «18», «19», «20», ..., «113». Самому старому поляку, живущему в настоящее время (23 октября 2019 г.), 113 лет.
   2. пол - используется как двухуровневая категориальная переменная («мужской» и «женский»).
   3. уровень образования - операционализирован как 5-уровневая порядковая переменная («начальное», «среднее или среднее профессиональное», «высшее-бакалавриат», «высшее-магистр», «высшее-докторантура»).
   4. медицинское образование - операционализировано как двухуровневая категориальная переменная ("без медицинского образования" и "медицинское образование"). Этот показатель будет использоваться в качестве вспомогательного для проверки соответствия респондента критериям исключения. Пропущенные значения в этой переменной будут закодированы как «медицинское образование».
   5. количество жителей в месте жительства - операционализируется как 4-х уровневая порядковая переменная ("до 5000", "5000-50000", "50000-500000", "более 500000").
   6. ежемесячный чистый заработок домохозяйства на члена семьи - оперирует как порядковая переменная с 4 уровнями («менее 1000 злотых», «1000-2000 злотых», «2000-3000 злотых», «более 3000 злотых»). PLN - польская валюта (злотый).

II. ПЛАН АНАЛИЗА ДАННЫХ

1. Участнику исследования будет предложено заполнить онлайн-опрос (https://www.survio.com/pl/). оценивая все вышеперечисленные меры.
2. Любые случаи респондентов, заявивших, что они моложе 18 лет или имеют медицинское образование, будут исключены из дальнейшего анализа (как указано в критериях включения и исключения).

3. Все переменные, измеренные с помощью шкалы семантического дифференциала, не будут иметь пропущенных значений, поскольку программное обеспечение для онлайн-опросов по умолчанию присваивает ответу центральное значение («3»). Отсутствующие значения возможны в других переменных в рамках опроса, так как не будет возможности принудительного ответа и ответов по умолчанию. Отсутствующие значения будут обрабатываться следующим образом:

   1. Случаи без данных, кроме значений по умолчанию в семантических дифференциальных переменных, будут удалены.
   2. Будет рассчитана доля пропущенных значений для каждой переменной.
   3. Будет рассчитана доля случаев, в которых отсутствует хотя бы одно значение.
   4. Переменные с более чем 50% отсутствующих значений и наблюдения с более чем 50% отсутствующих значений будут удалены из базы данных.
   5. Характер отсутствия данных будет оцениваться с помощью теста Литтла для полностью случайного отсутствия данных (MCAR). В случае значительного нарушения допущения MCAR для каждой переменной будет проверяться связь отсутствия со всеми другими переменными.
   6. Если доля случаев с хотя бы одним отсутствующим значением (см. пункт «с») меньше 5% и результат теста MCAR Литтла (см. пункт «е») недостоверен, то случаи с хотя бы одним отсутствующим значением будут удалены, и анализ будет выполняться только с полными наблюдениями.
   7. В противном случае (к пункту «f») отсутствующие значения будут импутированы с помощью многомерного вменения с помощью цепных уравнений (MICE) до того, как будет выполнен какой-либо дальнейший анализ данных. Суммирование элементов, составляющих KaDS, TiADS и BMQ, будет выполнено после вменения отсутствующих значений в каждом отдельном элементе.

4. KaDS будет рассматриваться как непрерывная переменная и моделироваться с помощью многомерной линейной регрессии, тогда как UoDS, будучи двухуровневой категориальной переменной, будет моделироваться с помощью логистической регрессии. Порядковые независимые переменные будем считать непрерывными, пока они включены в регрессионные модели. Категориальные независимые переменные с более чем двумя уровнями будут преобразованы в фиктивные переменные перед включением в регрессионные модели. Зависимые переменные (DV), KaDS и UoDS, будут смоделированы в следующие этапы:

   1. Будут оцениваться одномерные (нескорректированные) ассоциации DV со всеми остальными показателями (KaDS будет дополнительно разбит на общую и специфическую субшкалы для представления результатов). Кроме того, будет включено двустороннее взаимодействие «TiADS» × «контакт с рекламой пищевых добавок». Ассоциации будут указаны как нескорректированные, так и скорректированные по всем протестированным социально-демографическим показателям (см. 3"). Если данные вменены (см. пункт «3. g"), анализ чувствительности одномерных (нескорректированных) связей между DV и остальными показателями будет выполняться в наборе данных полных случаев только для проверки точности вменения отсутствующих данных. Дальнейшие многомерные модели будут построены с показателями, статистически значимо (в соответствии с необработанными p-значениями в нескорректированных анализах), связанными с DV в этих анализах.

   2. Предикторы, которые будут сохранены в окончательной модели, будут выбраны в соответствии со следующими критериями:

      • Мультиколлинеарность. Мультиколлинеарность переменных будет оцениваться с помощью корреляционной матрицы Пирсона и исследовательского факторного анализа. В случае обнаружения мультиколлинеарности будут рассмотрены два решения: (1) существенно коллинеарные переменные могут быть линейно объединены, если они могут представлять одну и ту же конструкцию (например, «самооценка диеты» плюс «самооценка физической активности» плюс «отказ от курения сигарет» могут представлять собой конструкт «забота о здоровье» или «обычное курение сигарет» плюс «употребление электронных сигарет» могут представлять конструкт «никотин». зависимости» и т. д.) или (2) может быть сохранена только одна переменная из набора существенно коллинеарных переменных, а другая может быть удалена.
      • «Объективность» сохраненной меры. Предпочтение будет отдаваться высоко «объективным» мерам. Они включают в себя один с более убедительным доказательством достоверности: KaDS, TiADS и BMQ, за которыми следуют «объективные» показатели, оцениваемые с помощью одного вопроса: возраст и пол, за которыми следуют более «субъективные», трудно поддающиеся проверке и, возможно, предвзятые измерения: остальные меры.
      • Информационные критерии. Модели с более низкими значениями информационного критерия Акаике или Байеса будут предпочтительными (наилучший алгоритм выбора подмножества).
   3. Остаточный анализ полученных моделей будет выполнен для проверки допущений общего линейного моделирования. В случае существенного нарушения допущений процессы построения модели могут быть повторены.
5. Внутренняя проверка будет выполняться с k-кратной перекрестной проверкой для проверки точности и стабильности полученных моделей.

6. Анализы подгрупп могут быть выполнены в выборках респондентов, критичных к общественному здоровью:

   1. пожилые люди (60 и более лет),
   2. жители сельской местности (до 5000 жителей),
   3. люди с низким доходом (менее 1000 злотых месячного чистого дохода домохозяйства на члена семьи) и т. д.
7. P-значения во всех анализах ниже 0,05 будут считаться статистически значимыми. Для учета множественной проверки гипотез, если это применимо, будет применяться коррекция уровня значимости с помощью процедуры Бенджамини и Хохберга (коэффициент ложного обнаружения 0,05).
8. Анализы будут выполняться с использованием программного обеспечения STATISTICA (Statsoft) или R Software (R Core Team).