كاربرد رگرسيون چندك در تعيين عوامل مرتبط با يد دفعي ساكنين شهر تهران

Application of Quantile Regression Model in Assessment of Urine Iodine Related Factors in Tehran Population

مقدمه: رگرسيون چندك بدون داشتن محدوديت مفروضات رگرسيون معمولي، امكان دخالت متغيرهاي مستقل در تمام قسمت‌هاي توزيع به ويژه در دنباله‌هاي ابتدايي و انتهايي را فراهم مي‌نمايد. هدف پژوهش حاضر، به‌كارگيري مدل رگرسيون چندك براي داده‌هاي يد دفعي ساكنين تهران و عوامل مرتبط با آن بود. مواد و روش‌ها: در پژوهش حاضر، از داده‌هاي مطالعه‌ي مقطعي كه در آن 639 فرد 19 ساله و بالاتر با روش نمونه‌گيري تصادفي خوشه‌اي از سطح شهر تهران (88-1387) انتخاب شده بود، استفاده گرديد. به دليل چولگي غلظت يد ادرار 24 ساعته (UIC24) و به منظور بررسي نقاط فرين آن، از مدل رگرسيون چندك خطي استفاده شد. UIC24 بر حسب متغيرهاي محتواي يد نمك مصرفي و ميزان نمك دريافتي مدل‌سازي شد. با جايگزيني اين متغيرها توسط ميزان يد دريافتي، مدل ديگري برازش يافت و هر دو مدل بر اساس سن تعديل شدند. ضرايب مدل‌، از روش برنامه‌ريزي خطي و با استفاده از الگوريتم سيمپلكس‌ برآورد گرديد. معني‌داري متغيرها از روش بوت‌استرپ و نيكويي برازش مدل‌ها با شاخص آكاييك(AIC) بررسي شد. تجزيه و تحليل آماري با نرم‌افزار R نسخه‌ي 2 .12. 2 انجام گرفت. يافته‌ها: برازش مدل 1 نشان داد در طول صدك‌هاي مورد بررسي UIC24، ضريب محتواي يد نمك مصرفي و ميزان نمك دريافتي افزايش و ضريب سن كاهش يافت. مدل 2 يافته‌هاي مشابهي را نشان داد اما در صدك‌هاي پايين‌تر از ميانه برازش بهتري داشت (AIC كمتر). نتيجه‌گيري: براي مدل‌سازي تمام قسمت‌هاي توزيع يد دفعي و ارايه‌ي شكل رگرسيوني كامل، رگرسيون چندك مناسب‌تر از رگرسيون معمولي است.

Introduction: Quantile regression can be applied to model skewed variables, especially, when the objective is to model the tails of a response variable with highly skewed distribution. The aim of this study is to apply quantile regression to analyze urine iodine data and related factors in a Tehranian population. Materials and Methods: Data was collected in a cross-sectional study, in which 639 subjects, aged 19 years and over, were enrolled through randomized cluster sampling in Tehran between 2008-9. Due to the high skewness of 24hr urinary iodine concentrations (UIC24) and to evaluate its extreme points, two linear quantile regression models were fitted. In model I, UIC24 was regressed on iodine content of salt and daily salt intake. These variables were replaced by iodine intake in model II, both models were adjusted by age. Model coefficients were estimated using the linear programming method and simplex algorithm. Significancy of the variables were evaluated by the bootstrap method. The Akaike information criterion (AIC) was used to assess the fitting of the models. All analyses were performed using R software version 2.12.2. Results: Model I showed an increase in coefficients of iodine content of salt, daily salt intake, but a decrease in age coefficient in the length of the urinary iodine concentration percentiles. Model II showed similar results, but better fit (smaller AIC) in percentiles lower than median. Conclusion: Compared to ordinary regression, quantile regression models showed better fit, and a more complete picture and are recommended for modeling all parts of UIC24.