评估 Planet Water Foundation 的清洁水、环境卫生和个人卫生干预措施的效果

需要采用多维方法来实现千年发展目标 (MDG)，以解决水和环境卫生知识、态度和实践问题。 到 2015 年降低儿童死亡率的千年发展目标需要更加关注儿童死亡率最高的国家和地区，并重新承诺帮助最脆弱的儿童（联合国，2013 年）。 印度和尼日利亚占所有五岁以下儿童死亡人数的三分之一以上（联合国，2013 年）。 结合基于研究的文献综述、专家意见和政策报告，开发了一个多因素模型以确定需要解决的必要变量，以便设计出解决 WASH 相关问题的综合方法。

确定了影响 WASH 结果的变量。 这些变量已分为几类，包括：

1. 社会人口统计学
2. 环境和访问
3. 知识、态度和实践
4. 家庭健康档案
5. 办学特色

拟议的研究是通过开发的多维框架评估 Planet Water Foundation 的计划，进行随机对照临床试验，以满足总体研究目标。 拟议的临床试验将包括 12 所学校（6 所寄宿学校和 6 所非寄宿学校）。 六所学校（n=3 住宅；n=3 非住宅）将分别被纳入第 1 组（无 Planet Water 干预）和第 2 组（有 Planet Water 干预），来自两个地点，包括 Pune 和 Thane 地区马哈拉施特拉邦。 根据学校相似的水源、厕所设施、水质检测、净水技术、地理环境和地理人口规模来匹配地点。

Planet Water Foundation 的计划 (PWP) 提供了一项以学校为基础的计划，旨在通过三个组成部分改善儿童的健康状况：(a) 获得安全用水，(b) 获得洗手设施，以及 (c) 获得水-健康和卫生教育。 作为 PWP 的一部分，通过使用包含超滤 (UF) 系统的 AquaTower 提供安全用水。 PWP 的水健康与卫生教育计划为期四周，包括四个模块：(1) 清洁水的重要性，(2) 如何洗手，(3) 何时洗手，以及 (4) 预防细菌通过结合游戏、戏剧、歌曲和舞蹈的实践活动项目。

混合方法采用问卷形式的开放式和多项选择题。 问卷从英语翻译成当地语言（马拉地语），并回译成英语，供印度 BAIF 发展研究基金会分析。 学生、家庭看护人/父母和教师分别接受了单独的问卷调查。 进行了三种不同的访谈：(1) 在研究中每个学生的家中进行的家庭问卷调查，(2) 在学校进行的教师问卷调查，以及 (3) 由访谈员单独对每个学生进行的学生问卷调查在一个单独的房间里，远离其他学生。 第 1 组和第 2 组接受相同的问卷。 所有问卷都是与印度当地基金会 BAIF 发展研究基金会合作管理的。 该基金会在研究之前接受了数据收集和数据输入培训。 数据将收集在纸质表格上，所有数据都将输入 Microsoft Excel®。 在线数据存储库将以加密方式存储，并受密码保护。 这些信息将存储在印度当地研究基金会提供的安全防火墙后面。 纸质表格上收集的所有数据都将存储在上锁的柜子中，只有直接参与研究的人员才能访问信息。 获得同意将确保 (1) 只有经批准的人员在同意过程中在场，(2) 尽可能少的人知道受试者参与研究，以及 (3) 研究活动是在私人的情况下进行的尽可能的地方。

研究样本将包括六所第 1 组（无 PWP 干预）学校和六所第 2 组（有 PWP 干预）学校，每所学校有 60 名学生，第 1 组学校总共有 360 名学生，第 2 组学校有 360 名学生。 假设集群内相关系数为 p=0.01，计算 12 所学校的样本量，该设计将提供 80% 的功效（Donner 和 Klar，1996 年）来检测 0.50 的中等效应量（Cohen 1992 年）。 用于干预和控制的样本量将增加 15%，达到 414，以解决人员流失问题。

将为所有变量计算描述性统计数据，以确保数据质量并评估统计检验的假设。 变量分布将用直方图、箱形图、中心趋势、变异测量和频率分布来描述。 我们将在 PWP 和对照组内检验结果测量的正态性假设。 此外，我们将检验 PWP 和控制组具有相等方差的假设。 当不满足正态性和等方差的理想条件时，可以应用具有不等方差的广义线性混合模型 (GLMM) (McCulloch et al., 2008)。 COVTEST 语句可用于检验方差相等性，该语句基于残差似然或伪似然的比率。 将检查模型每个级别的残差以评估模型拟合度。 使用 SAS PROC GLIMMIX 的广义线性混合模型还提供了对不同类型的结果变量（二进制、计数和连续数据）建模的灵活性。 所有分析都将使用适用于 Windows 9.2 或更高版本的 SAS/STAT® 软件进行。

在检验研究假设之前，我们将检查可能的协变量的数据。 通过在回归模型中输入这些变量作为协变量来控制潜在的混杂变量。 这些解释变量将通过在 GLMM 中输入这些变量作为协变量来改进治疗效果的检测。 如果比较 PWP 和对照组的单变量双侧卡方检验在 0.20 的 alpha 水平上显着，则这些变量将作为协变量输入。 在初步分析中，我们将使用单水平检查潜在协变量，但我们也会使用分层线性模型检查潜在协变量。 我们将使用 0.20 的自由 alpha 来决定是否针对协变量进行调整，以免忽略重要的混杂效应。

分层的相关数据结构：分层线性模型 (HLM) 方法（Raudenbush 和 Bryk，2002 年）将用于解释嵌套在学校的学生随着时间的推移重复测量所引起的相关性。 学校将被建模为随机效应。 这些 HLM 将使用广义线性混合模型在 SAS 中实施，可用于分析二进制、计数和连续重复测量数据，这些数据按照层次结构以不等时间间隔收集（McCulloch 和 Searle，2001 年；Liang 和 Zeger 1986 年）。 这些模型解决了随着时间的推移来自每个主题的多个测量的相关性。 我们预计广义线性模型将适用于数据，但也将探索使用广义估计方程 (GEE) 的方法（McCulloch 和 Searle，2008 年）。 GEE 方法不需要正态性和等方差假设，但使用的信息少于线性混合模型，因为在 GEE 中仅使用分布的前两个矩。