Je pense que vous confondez peut-être gestion de données et analyse de données.

Gestion des données: lorsque nous calculons un score z pour un enfant d'un âge et d'un sexe particuliers (score z / score poids-pour-âge, par exemple), nous trouvons la distance qui le sépare d'une attente d'idéal (WGS) ou normale (NCHS , CDC) chez les enfants du même âge et du même sexe. Nous l'utilisons généralement pour identifier les déficits nutritionnels de manière à ce que (par exemple) un enfant avec un indice taille-âge WAZ <-3 puisse être défini comme ayant une insuffisance pondérale grave par rapport à la moyenne d'un enfant du même âge et du même sexe dans la population de référence. Nous tenons compte de l'âge et du sexe, car les enfants grandissent avec le temps et les garçons et les filles grandissent un peu différemment. Si nous n’utilisions qu’un seul seuil de poids, tel que la moyenne de référence pour les enfants de 6 à 59 mois, nous finirions probablement par définir les jeunes enfants comme en surpoids et les enfants plus âgés comme en insuffisance pondérale. Ce que nous avons en calculant l'indice taille-âge (WAZ) en utilisant l'âge et le sexe est une méthode permettant de garantir que (par exemple) WAZ <-3 a la même signification statistique pour tous les enfants. (il est important de réaliser que cela peut ne pas se traduire par un sens fonctionnel). Aucune analyse n’a lieu ici. Nous sommes simplement en train de créer une mesure de distance pour (par exemple) le poids pour l’âge (ou le poids pour l’âge pour le sexe) que nous utiliserons dans l’analyse des données.

Analyse des données: Souvent, nous souhaitons examiner les facteurs associés à un résultat négatif (ou positif). Nous pourrions trouver (par exemple) que le sexe (par exemple, être un homme) est associé à une faible WAZ. Nous pourrions également constater que cette relation est plus forte chez les jeunes enfants. Nous devons inclure le sexe et l'âge dans les modèles pour le découvrir. Vous utilisez le terme "contrôle". Cela suggère un souci de trouver des effets indépendants de l'âge et du sexe. Dans ce cas, vous voudriez également inclure l'âge et le sexe dans les modèles.

J'espère que cela vous aidera.

Cher Mark Myatt,

Merci beaucoup pour votre réponse.

Votre réponse est très précieuse pour mes recherches.

Cordialement

Cher Mark Myatt,

Puis-je également demander comment intrpréter la taille pour le Score d'âge Z (variable dépendante) dans une régression ?

Lorsque le coefficient d’âge (en mois) a une association négative avec l'indice Taille par rapport à l'age (HAZ), devrais-je interpréter ce coefficient négatif quand un enfant est en retard de 0,22 unité de déviation standard du score z ? Ou, à mesure qu'un enfant grandit d'un mois, sa taille par rapport à l'âge z est de 0,22 unité d'écart-type en moins.

Si le sexe (femme) a un coefficient positif, cela signifie-t-il que les filles ont un meilleur score pour la taille en ce qui concerne l'âge pour le score z par rapport aux enfants de sexe masculin?

En espérant votre réponse.

Cordialement,

Je ne suis pas sûr quelles variables et quels modèles sont utilisés ici. Je suppose que vous avez un modèle linéaire avec quelque chose qui ressemble à ceci :

Si vous voyez un coefficient négatif tel que 0,22, nous avons :

Vous interpréteriez cela comme une baisse de -0,22 H / A z-scores par mois. Cela me semble un peu exagéré sauf si vous avez une fourchette d'âge étroite dans vos données.

En ce qui concerne le Genre (le genre est un terme déroutant et fait généralement référence au contexte culturel et social) ... vous devez faire attention à la manière dont vous codez le sexe. Il est généralement préférable d’inclure le sexe en tant que variable binaire (0, 1) (variable factice AKA ou contraste) pour un seul sexe afin d’avoir une variable «femme» codée 1 (femme) et 0 (non-femme == mâle). Si on avait :

J'espère que cela sera utile.

Cher Mark Myatt,

Oui, c'est extrêmement utile.

Je vous suis reconnaissant pour vos conseils techniques et votre mentorat.

Cordialement