膳食补充剂知识和使用的决定因素

一、研究中评估的措施：

研究中要评估的措施的选择是基于科学文献回顾和研究人员的个人兴趣：

1. 与膳食补充剂有关的措施：

   1. 关于膳食补充剂的知识 (KaDS) - 使用 17 项 KaDS 问卷进行评估，该问卷由 Karbownik 等人开发为波兰语版本。 （2019）。 受访者将被要求对 17 种关于膳食补充剂的陈述中的每一种进行评价，分别为“真”或“假”。 KaDS 将主要编码为一般和特定问卷子量表的总和。 KaDS 将作为 18 级序数变量进行操作。
   2. KaDS 的自评来源 - 分别评估 5 类：“医生”、“药剂师”、“营养师”、“朋友（没有接受过医学教育）”、“媒体（杂志、电视、广播、互联网）”。 将针对每个类别询问一个单项问题：“您在多大程度上从……获得有关膳食补充剂的知识？”。 每个类别将被操作为一个 4 级序数变量（从“完全没有”到“在很大程度上”）。 电视——电视。
   3. 使用膳食补充剂 (UoDS) - 通过单项问题进行评估：“您在过去 30 天内是否使用过任何膳食补充剂？”。 UoDS 将作为 2 级分类变量（“否”和“是”）进行操作。
   4. 对膳食补充剂的积极个人体验 - 通过单项问题进行评估：“如果您服用膳食补充剂，您觉得它对您有帮助吗？”。 该度量将作为 3 级分类变量（“否”、“是”和“不适用，我不使用膳食补充剂”）进行操作。 呈现“不适用...”响应的案例将在分析中编码为“否”。
   5. 对膳食补充剂的负面个人体验——用一个单项问题进行评估：“如果你服用膳食补充剂，你觉得它会伤害你吗？”。 该度量将作为 3 级分类变量（“否”、“是”和“不适用，我不使用膳食补充剂”）进行操作。 呈现“不适用...”响应的案例将在分析中编码为“否”。
   6. 对膳食补充剂的兴趣——通过单项 5 点语义差异进行评估：来自“No. 这对我来说完全无动于衷。”到“是的！ 我每天都在寻找关于这个话题的信息。”。 该度量将作为 5 级有序变量进行操作。
   7. 对广告膳食补充剂 (TiADS) 的信任 - 使用 8 项 TiADS 问卷进行评估，该问卷由 Karbownik 等人开发为波兰语版本。 （2019）。 受访者将被要求使用 5 点语义差异量表表达她/他对膳食补充剂广告所传达信息的看法。 TiADS 将主要被视为可靠性、可理解性和影响问卷子量表的总和。 TiADS 将作为 33 级有序变量进行操作。
   8. 接触过膳食补充剂广告 - 用单项问题进行评估：“您在过去一周内接触过膳食补充剂广告吗？”。 该度量将作为 2 级顺序变量（“否”和“是”）进行操作。

2. 与其他健康问题相关的措施：

   1. 关于药物的一般信念 (BMQ-General) - 使用由 Horne 等人开发的药物信念调查问卷的 8 项一般部分进行评估。 （1999），并适应波兰语并由 Karbownik 等人验证。 (2019)（目前正在同行评审中的论文）。 受访者将被要求使用 5 点李克特量表来表达她/他对 8 项关于药物的陈述的同意：从“完全不同意”到“完全同意”。 BMQ-General 将被编码为 2 个独立的变量：BMQ-General-Overuse 分量表和 BMQ-General-Harm 分量表。 这两个分量表都将作为 17 级序数变量进行操作。
   2. 自评健康 - 用一个单项问题进行评估：“你如何评估你的健康？”。 该措施将作为一个 4 级顺序变量（“差”、“一般”、“好”、“优秀”）进行操作。
   3. 自测饮食——用单项 5 分语义差异进行评估：来自“我吃了很多快餐、薯条、糖果等”。到“我只吃健康、均衡的膳食”。 该度量将作为 5 级有序变量进行操作。
   4. 自评体力活动——用单项 5 分语义差异进行评估：从“我根本没有体力活动”到“我每周进行 5 次密集运动”。 该度量将作为 5 级有序变量进行操作。
   5. 传统香烟吸烟 - 通过单项问题进行评估：“你吸传统香烟吗？”。 该度量将作为 3 级分类变量（“从不”、“不，但我过去吸烟”、“是”）进行操作。
   6. 电子香烟的使用——通过单项问题进行评估：“你使用电子香烟吗？”。 该度量将作为 3 级分类变量（“从不”、“否，但我过去使用过”、“是”）进行操作。

3. 社会人口数据的测量：

   1. 年龄 - 作为连续变量操作，四舍五入为整年。 允许报告的值为：“低于 18”、“18”、“19”、“20”、...、“113”。 目前在世的最年长的波兰人（2019 年 10 月 23 日）是 113 岁。
   2. 性别 - 操作为 2 级分类变量（“男性”和“女性”）。
   3. 教育水平 - 作为 5 级顺序变量（“小学”、“中学或职业”、“高等学士”、“高等硕士”、“高等博士”）进行操作。
   4. 医学教育 - 作为 2 级分类变量（“无医学教育”和“医学教育”）进行操作。 该措施将用作检查受访者是否符合排除标准的辅助措施。 此变量中的缺失值将被编码为“医学教育”。
   5. 居住地的居民人数 - 作为 4 级序数变量（“5,000 以下”、“5,000-50,000”、“50,000-500,000”、“500,000 以上”）进行操作。
   6. 每个家庭成员的每月家庭净收入 - 作为 4 级有序变量（“低于 1,000 波兰兹罗提”、“1,000-2,000 波兰兹罗提”、“2,000-3,000 波兰兹罗提”、“超过 3,000 波兰兹罗提”）进行操作。 PLN - 波兰货币（兹罗提）。

二。数据分析计划

1. 研究参与者将被要求填写在线调查 (https://www.survio.com/pl/) 评估上述所有措施。
2. 任何声称未满 18 岁或受过医学教育的受访者案例将从进一步分析中删除（如纳入和排除标准中所述）。

3. 所有使用语义差异量表测量的变量都没有缺失值，因为在线调查软件默认将中心值（“3”）分配给响应。 调查中的其他变量可能存在缺失值，因为没有强制回答选项，也没有默认回答。 缺失值将通过以下方式进行管理：

   1. 除了语义差异变量中的默认值外，没有数据的案例将被删除。
   2. 将计算每个变量的缺失值分数。
   3. 将计算具有至少一个缺失值的个案比例。
   4. 缺失值超过 50% 的变量和缺失值超过 50% 的个案将从数据库中删除。
   5. 数据缺失的模式将通过 Little 的数据完全随机缺失测试 (MCAR) 进行评估。 在严重违反 MCAR 假设的情况下，对于每个变量，将检查缺失与所有其他变量的关联。
   6. 如果具有至少一个缺失值的个案比例（见“c”点）小于 5%，且 Little 的 MCAR 检验结果（见“e”点）不显着，则具有至少一个缺失值的个案将被删除，分析将只对完整的案例进行。
   7. 否则（指向“f”），在执行任何进一步的数据分析之前，将通过链式方程 (MICE) 对缺失值进行多元插补。 构建 KaDS、TiADS 和 BMQ 的项目的总和将在对每个单个项目中的缺失值进行插补后进行。

4. KaDS 将被视为连续变量并使用多元线性回归建模，而 UoDS 作为 2 级分类变量将使用逻辑回归建模。 序数独立变量将被视为连续变量，同时包含在回归模型中。 超过 2 个水平的分类自变量在被包含到回归模型之前将被转换为虚拟变量。 因变量 (DV)、KaDS 和 UoDS 将按照以下步骤建模：

   1. 将评估 DV 与所有剩余措施的单变量（未调整）关联（KaDS 将另外分为一般和特定子量表以呈现结果）。 此外，还将包括双向互动“TiADS”ד接触膳食补充剂广告”。 这些关联将针对所有经过测试的社会人口学措施报告为未经调整和调整的（参见“I. 3”）。 如果数据被估算（见第“3. g")，DV 与剩余测量之间的单变量（未调整）关联的敏感性分析将在完整案例的数据集中进行，仅用于测试缺失数据插补的准确性。 进一步的多变量模型将使用与这些分析中的 DV 相关的统计显着测量（根据未调整分析中的原始 p 值）构建。

   2. 将根据以下标准选择要保留在最终模型中的预测变量：

      • 多重共线性。 变量的多重共线性将通过 Pearson 相关矩阵和探索性因素分析进行​​评估。 在检测到多重共线性的情况下，将考虑两种解决方案：(1) 基本上共线的变量可以线性组合，如果它们可以表示相同的结构（例如 “自评饮食”加“自评体力活动”加“不吸烟”可能代表“健康自我保健”的构想，或者“传统吸烟”加“电子烟使用”可能代表“尼古丁”的构想依存关系”等）或（2）在一组基本共线的变量中，只保留一个变量，删除另一个变量。
      • 保留措施的“客观性”。 高度“客观”的措施将受到青睐。 它们包括具有更令人信服的有效性证明的方法：KaDS、TiADS 和 BMQ，然后是使用单个项目问题评估的“客观”措施：年龄和性别，然后是更“主观”的、不易验证且可能有偏见的措施：其余措施。
      • 信息标准。 具有较低 Akaike 或贝叶斯信息准则值的模型将是首选（最佳子集选择算法）。
   3. 将对获得的模型进行残差分析，以检查一般线性建模的假设。 在严重违反假设的情况下，可以重复模型构建过程。
5. 将使用 k 折交叉验证执行内部验证，以测试所获得模型的准确性和稳定性。

6. 可以在对公共卫生至关重要的受访者样本中进行亚组分析：

   1. 老年人（60 岁或以上），
   2. 农村地区居民（5,000 人以下），
   3. 低收入人群（每个家庭成员的家庭月净收入低于 1,000 波兰兹罗提）等。
7. 整个分析中的 P 值低于 0.05 将被视为具有统计学意义。为了考虑多重假设检验，如果适用，将应用 Benjamini 和 Hochberg 程序的显着性水平校正（错误发现率 0.05）。
8. 将使用 STATISTICA 软件 (Statsoft) 或 R 软件 (R Core Team) 进行分析。