La réponse courte est non".

La réponse longue est d'utiliser un proxy pour la hauteur. Cette situation est commune lors de l'utilisation IMC chez les personnes âgées qui ont beaucoup plus de cyphose et scoliose (courbures rachidiennes) que les personnes plus jeunes. Il est courant d'utiliser la hauteur du genou (pas bon pour cette application), envergure des bras, ou demi-envergure des bras. Vous devez faire une petite étude d'abord avec environ 60 enfants mesurant à la fois envergure des bras et de la hauteur. Une formule de correction est alors trouvée en utilisant ordinaire régression des moindres carrés. Lorsque vous tombez sur un enfant souffrant de rachitisme vous mesurez l'envergure des bras et utilisez la formule de correction pour estimer la hauteur et utiliser cette estimation dans le calcul WHZ ou WHM.

En utilisant MUAC est tellement plus facile.

Est-ce que cette aide?

Cher marque,

Merci beaucoup!

Permettez-moi savoir si vous voulez un exemple travaillé de la procédure pour trouver un facteur de correction approprié.

Oui, je voudrais voir one.would voudrais savoir comment travailler avec un

Je vais faire un "exemple de jouet" avec seulement quelques points de données. Is est un "exemple de jouet" dans le sens que je vais utiliser seulement 10 paires de mesures. En pratique, vous voudriez utiliser une taille de 60 paires d'échantillons. L'exemple ici est de trouver une correction qui peut être appliqué à la demi-envergure des bras (demispan) pour estimer la hauteur de Somaliens âgés.

Nous avons dix paires de mesures prises à partir Somaliens âgées sans capable de se tenir debout sans le rachitisme, de cyphose et scoliose. Voici les données:
hauteur demispan ------ -------- 173,3 91,5 166,6 86,7 158,9 83,5 158,1 82,3 156,8 80,5 155,3 78,3 175,6 92,8 153,0 76,2 160,6 83,6 154,5 79,2 ------ --------
Si nous traçons ces comme un nuage de points avec la hauteur sur l'axe des x et demispan sur l'axe-y nous obtenons quelque chose comme ceci:
95 - + | | * | * | 90 - + | | | | * 85 - + | | * * | * | 80 - + * | * | * | | * 75 - + + --------- + --------- + --------- + --------- + --------- + --- | | | | | | 155 160 165 150 170 175
Les points sont (plus ou moins) sur la ligne droite. Si elles ne le font pas, alors vous aurez à utiliser une procédure plus compliquée mais cela est habituellement pas requise.

L'analyse est moindres carrés ordinaires (MCO) de régression linéaire. Toutes les statistiques packages et des feuilles de calcul peuvent le faire. Vous nee pour être sûr que la hauteur est la variable (y) et demispan dépendante (ou ce que vous voulez) est la variable prédicteur (x) lorsque vous spécifiez la régression. Ici, je l'utilise R pour faire l'analyse:
> LM (hauteur ~ demispan) Appel: LM (formule = hauteur ~ demispan) Coefficients: (Intercept) demispan 42,491 1,423
Dans cet exemple, la formule d'estimation de hauteur de demispan est:
height = 42,491 + 1,43 * demispan
Si nous avons besoin pour estimer la hauteur d'une personne avec un demispan de 86,7 cm nous utiliserions:
height = 42,491 + 1,43 * demispan height = 42,491 + 1,43 * 86,7 height = 166.47
Il est important de noter que la relation entre la longueur du membre et la hauteur varie entre les populations et, chez les enfants, avec l'âge (les enfants-à-dire les plus jeunes ont tendance à avoir plus assis à des hauteurs debout). Cela signifie que vous avez besoin de faire cela pour chaque population. Cela signifie également que pour les enfants, vous devez recueillir âge et inclure l'âge dans la régression et dans la formule utilisée pour estimer la hauteur. Cette aura besoin d'un plus grand échantillon. Une règle utile est:
n = 50 + 10p
où «p» est le nombre de variables prédictives. Avec (par exemple) demispan et l'âge (c.-à-deux prédicteurs) la taille minimale de l'échantillon serait:
n = 50 + 10p n = 10 * 2 + 50 n = 70
J'espère que cela aide.