Tài liệu hướng dẫn thống kê y học sử dụng SPSS - KHẢO SÁT YẾU TỐ TRUNG GIAN

Tài liệu hướng dẫn thống kê y học sử dụng SPSS SPSS Khảo sát yếu tố trung gian (Mediator) BS Lê Đông Nhật Nam Lời mở đầu Năm 2005 đến Paris bắt đầu chặng đường du học Mùa đơng lạnh đến mức làm tơi co ro suốt ngày góc phịng trọ Phần lớn thời gian biết ôm sách dược lý học phân tử nghe nhạc Chopin thằng tự kỉ Kết bị ám ảnh đủ loại receptor, chất thông tin thứ cấp, inhibitor stimulator… Càng đọc nhiều tài liệu, nhìn thấy đường nghiên cứu y học dài vơ tận Thầy tơi nói để vượt qua hố sâu chế bệnh sinh hoạt chất điều trị có phải 10-20 năm đường cơng trình nhiều nhà khoa học, người đặt viên sỏi nhỏ, người khuân tảng đá lớn, hệ sau tiếp bước hệ trước Trên đường đó, có câu hỏi làm trăn trở người nghiên cứu sinh: Giữa viên đá viên đá khoảng trống, lấp đầy khoảng trống ? Thấm 10 năm trơi qua, hành trình tơi rẽ bước xa so với mục tiêu ban đầu, câu hỏi cịn nằm đầu tơi Trí tưởng tượng giả thuyết đặt vô hạn; để chứng minh giả thuyết thống kê đơi nan giải Có lần tơi mơ tả sức mạnh mơ hình hồi quy, hệ số tương quan, đa số trường hợp chúng khơng cho phép kết luận điều mang tính nhân Một phương pháp thống kê cho phép bạn trả lời câu hỏi : Cái ? Tại ? … thực thú vị Tài liệu giới thiệu phương pháp Hy vọng tài liệu giải phóng trí tưởng tượng bạn bắt tay vào phân tích số liệu làm kết bạn vượt khỏi phân tích tương quan thơng thường Như thường lệ, bác sĩ Khả Nhi giúp bạn nhìn thứ cách đơn giản tối đa Chúc bạn thành cơng Quy ước trình bày Trong tài liệu làm quen với nhân vật Bác sĩ Nguyễn Văn Thái Bác sĩ Thái cao thủ thống kê y học giang hồ Anh ta xuất trước vấn đề khó khăn, nhằm đưa câu trả lời xác ơn lại cho bạn kiến thức chuyên sâu lý thuyết thống kê Tuy nhiên BS Thái lại bận rộn nên không đủ thời gian vào cách thực chi tiết Anh ta hay trình bày lý thuyết túy sử dụng nhiều cơng thức tốn học nên khơng gần gũi với sinh viên gây khơng trở ngại cho bạn vốn dị ứng với thống kê … Bác sĩ Lê Ngọc Khả Nhi Khả Nhi nữ bác sĩ trẻ dễ thương sử dụng thành thạo SPSS Như tên gọi mình, BS Nhi có tính cách hồn nhiên ngây thơ trẻ con, ln có khuynh hướng đơn giản hóa tối đa vấn đề Khả Nhi hướng dẫn bạn sử dụng SPSS qua bước cụ thể, chia sẻ mẹo vặt, thủ thuật để giúp bạn đến kết nhanh dễ dàng Sinh viên Trần Quốc Bảo Bảo sinh viên y khoa năm thứ sáu bắt đầu làm quen với nghiên cứu khoa học Đây cậu sinh viên tị mị ln đặt nhiều câu hỏi liên quan đến thống kê Mặc dù đế tài Bảo thực đơn giản, đồng hành với cậu ta, bạn có hội tích lũy cho nhiều kinh nghiệm cơng việc phân tích số liệu thiết kế nghiên cứu 1.1 Tình thí dụ Trong bệnh lý xơ phổi, cấu trúc phế nang mao mạch bị thay đổi tượng viêm, xơ hóa làm giảm khả trao đổi khí, dẫn đến tình trạng suy hơ hấp mạn tính Một bác sĩ muốn thử nghiệm phương pháp thăm dị chức hơ hấp gọi kỹ thuật đo khuếch tán đôi Kỹ thuật cho phép đo lúc hệ số khuếch tán loại khí CO NO, sau dựa vào TLNO,TLCO để ước tính thơng số Dm hay độ dẫn xuất màng phế nang mao mạch Dm cho phép đánh giá tổng quát đặc tính vật lý màng phế nang mao mạch độ dày, diện tích khả dụng, từ biết phẩm chất lớp màng có bị suy giảm hay khơng Dm giảm khả trao đổi khí từ phế nang vào mao mạch phổi Mao mạch phổi Mô kẽ Màng phế nang Lưu lượng khí Lịng phế nang Dm Sau đo Dm 14 bệnh nhân xơ phổi, bác sĩ cho bệnh nhân thực nghiệm pháp gắng sức hô hấp-tim mạch Bệnh nhân đo lưu lượng O2 CO2 khí thở, kết hợp với phân tích khí máu động mạch đo độ bão hịa O2 (SpO2) Nghiệm pháp gắng sức cho nhiều thông số, giúp đánh giá đồng chức hô hấp, tim mạch để thích nghi với điều kiện tăng nhu cầu trao đổi chất thể Anh bác sĩ muốn chứng minh số giả thuyết sinh lý học có yếu tố nhân tính chất màng phế nang mao mạch (nguyên nhân) mức độ bão hịa oxy ngoại biên (hậu quả) Phân tích tương quan thông thường không cho phép làm việc Chúng ta cịn giải pháp khác khơng ? Bảo thân mến, áp dụng phân tích yếu tố trung gian (Mediator) Phương pháp dựa lý thuyết mơ hình hồi quy tuyến tính đa biến … 1.2 Giới thiệu Mục đích việc khảo sát yếu tố trung gian để giải thích chế tác động yếu tố X lên kết Y thông qua yếu tố M: X Y Yếu tố X dẫn tới thay đổi yếu tố M, từ M gây thay đổi yếu tố Y; hay X tác động lên Y thông qua M Nói cách khác: M giữ vai trị trung gian quan hệ X Y Mơ hình lập luận thường sử dụng nghiên cứu sinh lý bệnh học, ví dụ ta dùng để chứng minh: Một hoạt chất X kích thích (hoặc ức chế) q trình tổng hợp chất trung gian M, từ làm tăng/giảm đáp ứng sinh lý Y Trong thí dụ nghiên cứu chức trao đổi khí bệnh nhân xơ phổi này, ta đặt giả thuyết chế sinh lý sau: M X Độ dẫn xuất màng phế nang mao mạch (Dm) giảm hạn chế hiệu trao đổi khí phế nang tuần hồn ngoại vi, vốn đánh giá thơng số (DA-aO2), từ gây tượng thiếu oxy máu ngoại biên (khảo sát PaO2) bệnh nhân thực test gắng sức Y D(A-a)O2 a b Để chứng minh giả thuyết này, ta lập mô hình với biến số: X = biến số độc lập hay yếu tố dự báo, Dm: độ dẫn xuất màng phế nang mao mạch Y= biến số phụ thuộc hay giá trị dự báo, PaO2 max (ở điều kiện gắng sức tối đa) M= biến số trung gian, chênh lệch áp suất khí O2 phế nang động mạch ; D(A-a)O2 (ở điều kiện bản, nghỉ tĩnh) Dm c’ SaO2 1.2 Giới thiệu Hiệu ứng toàn thể X  Y c X Biến số độc lập Y Biến số phụ thuộc Yếu tố trung gian Hiệu ứng gián tiếp (XM) a X Biến số độc lập Hiệu ứng gián tiếp (MY) M c’ b Y Biến số phụ thuộc Hiệu ứng trực tiếp XY 2.1 Quy trình thực Phân tích hồi quy dựa vào mơ hình Mơ hình Mục đích Xác định Y=bo+c*X Khảo sát hiệu ứng toàn thể Hệ số hồi quy c R2Y,X M = b’o+a*X Khảo sát hiệu ứng gián tiếp XM Hệ số hồi quy a R2M,X Y=b”o+c’*X+b*M Khảo sát hiệu ứng gián tiếp MY hiệu ứng trực tiếp XY Hệ số hồi quy c’, b R2Y,MX M a X A) Phân tích định lượng: b c’ Khảo sát hiệu ứng gián tiếp Tính hệ số hiệu ứng gián tiếp Y Dạng chưa chuẩn hóa: (a*b) Dạng chuẩn hóa phần: a*b/(SD Y), theo Mac Kinnon (2008) Dạng chuẩn hóa tồn phần: = (a*b/SD Y)*(SD X) So sánh hiệu ứng gián tiếp trực tiếp hay toàn thể: c Dựa vào tỉ số X Y Tỉ số hiệu ứng Gián tiếp/Toàn thể = (a*b)/c Tỉ số hiệu ứng Gián tiếp/Trực tiếp = (a*b)/c’ Dựa vào hệ số Kappa bình phương Preacher Kelley (2011) K2 = (a*b)/max(a*b) Tính hệ số R2 hiệu ứng gián tiếp, R2 biểu thị cho phần biến thiên Y giải thích M R2M = R2Y,M – (R2Y,MX-R2Y,X) B) Phân tích định tính : Kiểm định Sobel (1982) 2.2 Tiêu chuẩn đánh giá 1) Cách đánh giá dựa vào tỉ số sử dụng có nhiều nhược điểm : - Kém xác: chúng địi hỏi cỡ mẫu lớn (khoảng vài trăm trường hợp) - Khó diễn giải dễ gây ngộ nhận: Những tỉ số diễn đạt với ý nghĩa phân phối (chúng tỉ số, khơng phải tỉ lệ), (a*b) khơng có liên quan đến c hay c’ Thật vậy, tỉ số > 1, chí nhận giá trị âm (nếu a,b trái dấu) Ví dụ trường hợp: M tỉ lệ nghịch với X, tỉ lệ thuận với Y 2) Giá trị R2M diễn giải hệ số R2 phương trình hồi quy thơng thường, nhiên gây ngộ nhận: R2M không bắt buộc phải nằm khoảng 0-1 ta thường nghĩ, chí nhận giá trị âm 3) Hệ số kappa bình phương giải pháp tối ưu nhất, biểu thị hiệu ứng gián tiếp tỉ lệ kích thước hiệu ứng gián tiếp thực tế quan sát hiệu ứng gián tiếp tối đa đạt tới quần thể Đây tỉ lệ thực sự, giá trị K2 dao động từ tới K2 =0 cho thấy hiệu ứng gián tiếp nhỏ (1 cách tương đối) so với giá trị lớn theo lý thuyết K2 gần cho thấy hiệu ứng gián tiếp lớn, gần với giá trị cao mà đạt K2 diễn giải sau : 0.01 : hiệu ứng gián tiếp nhỏ, không đáng kể 0.09 : hiệu ứng gián tiếp trung bình 0.25 : hiệu ứng gián tiếp lớn, quan trọng điều kiện cần có : (1) X phải cho phép dự báo cách ý nghĩa giá trị Y mơ hình Y(X) (2) X phải dự báo cách ý nghĩa giá trị M mơ hình M(X) (3) M phải dự báo có ý nghĩa giá trị Y mơ hình Y(X,M) (4) Hiệu ứng trực tiếp nhỏ hiệu ứng tồn thể (c’ < c), hay nói cách khác, hiệu ứng gián tiếp có ý nghĩa 2.3 Kiểm định Sobel Test Sobel SPSS không hỗ trợ phân tích yếu tố trung gian dĩ nhiên không tồn cnăng test Sobel, nhiên hồn tồn làm test cách thủ cơng, có ngun lý test t test Z Đầu tiên ta tính giá trị t , tỉ số hệ số hiệu ứng gián tiếp (a*b) sai số chuẩn hiệu ứng gián tiếp : 𝑡= (𝑎𝑏) 𝑎2 + 𝜎 𝑏 + 𝑏 + 𝜎 𝑎 Trong đó: a hệ số hồi quy X M, b hệ số hồi quy Y M 𝜎 phương sai a b Sau ta dùng bảng phân phối t phân phối bình thường cho giá trị chuẩn hóa t (Z) để kiểm tra giả thuyết 0: (a*b) = Nếu test Sobel cho kết dương tính (p0,05) khoảng tin cậy (ab) có chứa giá trị 0, ta phủ nhận tồn hiệu ứng gián tiếp X-M-Y hay nói cách khác M khơng có vai trò trung gian Tuy nhiên, kết test Sobel có ý nghĩa tham khảo Độ xác test Sobel kém, phụ thuộc vào cỡ mẫu, để chắn ta phải áp dụng phương pháp Bootstrap tính khoảng tin cậy 95% hệ số tương quan (a*b) Quan trọng phân tích yếu tố trung gian giá trị p mà khoảng tin cậy 95% hệ số hồi quy gián tiếp không chứa giá trị 3.1 Công cụ Process Hayes Trước năm 2013, bắt buộc phải làm phân tích yếu tố trung gian hồn tồn thủ cơng, cách thực lần phân tích hồi quy cho mơ hình X-Y, X-M X-M-Y, sau dựa vào kết mơ hình để khảo sát hiệu ứng gián tiếp, trực tiếp, tính effect size làm test Sobel Quy trình tốn nhiều thời gian bắt buộc lập trình cú pháp lệnh SPSS nên làm nản lòng sinh viên; họ có nhiều giả thuyết cần kiểm tra Andrew F Hayes, Ph.D Department of Psychology The Ohio State University Columbus, OH 43210, U.S.A Tuy nhiên quy trình phân tích yếu tố trung gian SPSS trở nên đơn giản nhanh chóng nhờ vào công cụ Process tiến sĩ Andrew F Hayes (đại học Ohio, Hoa kỳ) Như ta biết, SPSS cho phép mở rộng chức cách nạp thêm gói macro syntax lập trình sẵn Ít người tận dụng chức lập trình SPSS khơng có nhiều package để xài R Tuy vậy, package SPSS có giao diện đồ họa (GUI) nên thân thiện dễ sử dụng nhiều so với package R Process tập hợp mã lệnh (syntax) SPSS nữa, kèm với giao diện đồ họa tương tác, cho phép bạn thao tác dễ dàng thường làm SPSS Bạn không cần hiểu cú pháp lệnh SPSS xuất kết với vài lần nhấn nút Nếu không nhờ vào Process, tài liệu hướng dẫn phải dài gấp lần Để tưởng nhớ công lao tiến sĩ Hayes, thực luận văn, báo khoa học, xin bạn trích dẫn lại nguồn gốc cơng trình ơng đây: Hayes,AF (2013) Introduction to mediation, moderation, and conditional process analysis New York: The Guilford Press Cơng cụ Process mạnh , cho phép phân tích yếu tố trung gian yếu tố điều tiết 74 loại mơ hình khác nhau, có mơ hình phức tạp nhiều so với ví dụ mà thực Nếu tị mị, bạn tìm đọc sách tác giả để tìm hiểu sâu 3.3 Cài đặt công cụ Process Sau cài đặt xong, menu Analysis> Regression xuất thêm chức Process by Andrew F Hayes Y 4.1 Nhập số liệu M M X X Y Đầu tiên bạn tạo biến số cần khảo sát SPSS Đối với phân tích yếu tố trung gian, giả thuyết nghiên cứu ban đầu gồm có biến số : Biến số kết (hay phụ thuộc ) Y : PaO2 max = áp suất riêng phần oxy máu động mạch trạng thái gắng sức tối đa Đây hiệu q trình cung cấp oxy nhằm thích ứng với tăng nhu cầu chuyển hóa thể nghiệm pháp gắng sức Biến số nguyên nhân (yếu tố dự báo độc lập) X: DmCO = khả dẫn xuất khí CO màng phế nang mao mạch Thông số đại diện cho tính chất vật lý màng phế nang mao mạch Biến số trung gian cần khảo sát (M): DAaO2base = chênh lệch nồng độ Oxy phế nang động mạch, đo điều kiện nghỉ tĩnh Thông số đại diện cho khả trao đổi khí oxy phế nang tuần hồn ngoại biên Lưu ý: Để sử dụng Process, bạn cần ý vài điểm sau: - Process « hiểu » biến kiểu số, bạn dùng kí tự (string) Nếu có biến số định tính bạn phải mã hóa dạng số (1,2,3,4…) hiểu biến định lượng thứ hạng - Process chấp nhận tên biến số dài tối đa kí tự Bạn nên rút gọn tên biến số ngắn tốt dùng chức Label để giải thích ý nghĩa sợ qn - Bạn khơng đặt tên biến số XXX (có vẻ kì cục, đơn giản bạn không dùng tên này, variable riêng mã lệnh Process) - Tiếp theo bạn nhập số liệu vào bảng SPSS - hình bên cạnh 4.2 Khởi động Để kích hoạt gói công cụ Process, bạn truy nhập vào: Analyze > Regression > PROCESS … Hình bên cạnh giao diện Process, bạn thấy, có cấu trúc tương tự hộp thoại SPSS nên bạn làm quen với công cụ nhanh Tên mơ hình Bước bạn làm xác định mơ hình áp dụng Theo mặc định, Process mở sẵn mơ hình số 4, tương ứng với phân tích yếu tố trung gian đơn giản với X,Y M mà ta nhắm tới Process cho phép phân tích tới 74 mơ hình khác Để tìm hiểu sâu bạn đọc thêm tài liệu gốc Hayes Muốn áp dụng mô hình nào, bạn cần chọn danh sách 4 4.3 Xây dựng mơ hình Y X M Ta sử dụng mơ hình số 4, theo mặc định Sau bạn kéo biến số Y,X, M vào ô tương ứng chúng Y =Outcome, X=biến độc lập, M yếu tố trung gian cần khảo sát Lưu ý: * Bước quan trọng, bạn cần vẽ sẵn sơ đồ giấy để hiểu xác vai trị biến số • Mơ hình số cho phép phân tích lúc nhiều biến số M, điều thú vị bạn muốn tuyển chọn M số danh sách nhiều ứng cử viên Bản chất việc làm so sánh effect size biến với Tuy nhiên kiểu phân tích hàng loạt bất tiện bảng kết xuất dài phức tạp Nếu lần đầu làm quen với Process, bạn nên giới hạn phân tích 1-2 biến lần mà M D(A-a)O2 a Dm a b c’ Ví dụ: Sơ đồ phân tích vẽ sẵn giấy SaO2 X b c’ Y 4.4 Tùy chỉnh thông kê a b c d e f Tiếp theo, bạn nhấn để mở hộp thoại tùy chỉnh phương pháp thống kê a Heteroscedasticity consistent SE: Theo lý thuyết, cần phải kiểm tra giả định Homoscedasticity bạn thiết lập mơ hình hồi quy tuyến tính Khi bạn chọn khơng cần phải lo lắng giả định nữa, kết bạn tự động chuẩn hóa có vi phạm b OLS/ML confidence interval : Chọn mục để xuất kết khoảng tin cậy theo phương pháp Ordinary least square maximum likelihood estimator c Effect size: Rất quan trọng, chọn mục để phân tích sâu (định lượng) hiệu ứng gián tiếp d Sobel test: thực kiểm định Sobel nhằm kiểm tra ý nghĩa thống kê yếu tố trung gian hiệu ứng gián tiếp e Total effect model: tính hiệu ứng trực tiếp (toàn phần) X lên Y f Compare indirect effect: Chỉ dùng có nhiều yếu tố trung gian (nhiều M), cho phép tính CI95% khác biệt hiệu ứng gián tiếp/trực tiếp cho mediator M Nếu bạn có yếu tố trung gian M nhất, không cần chọn chức 4.5 Chạy phân tích 10 Sau thiết lập xong tùy chỉnh, nhấn Continue để trở hộp thoại Process 11 Nhấn OK để chạy phân tích Kết có sau vài giây đến vài phút (tùy theo cỡ mẫu lớn hay nhỏ) 5.1 Diễn giải kết quả: Tóm tắt mơ hình Model Y X M = = = = Sample size 14 M D(A-a)O2 PaO2max DmCO DAaO2bas a Dm a b c’ PaO2 X b c’ Y Đầu tiên, chương trình cho ta biết quy ước tên gọi biến số: Y = Biến số dự báo Thường ta đặt biến số “hậu quả” vào vị trí Y Ở PaO2max: áp suất riêng phần oxy máu động mạch trạng thái gắng sức tốt đa X = yếu tố dự báo Thông thường X yếu tố “nguyên nhân” nghiên cứu mà ta muốn khảo sát, ví dụ DmCO hay độ dẫn xuất màng phế nang mao mạch với khí CO (đo trước thực nghiệm pháp gắng sức) M = biến số trung gian, hay yếu tố có khả giải thích mối tương quan X Y Ví dụ DAaO2bas, hay độ chênh lệch áp suất khí oxy phế nang động mạch điều kiện nghỉ tĩnh (DAaO2 = PAO2 – PaO2) Sau đó, Process trình bày kết mơ hình hồi quy, bảng kết diễn giải tương tự bảng kết mơ hình hồi quy tuyến tính quen thuộc: Những thơng tin cung cấp cho mơ hình gồm: Ý nghĩa thống kê mơ hình: hệ số R2, trị số F, độ tự df1, df2 F giá trị P Nội dung mơ hình: Hằng số (constant hay bo), hệ số hồi quy (Coefficient) cho yếu tố dự báo (X M), sai số chuẩn (SE) hệ số này, trị số t giá trị p để kiểm định giả thuyết hệ số hồi quy = (kiểm tra ý nghĩa yếu tố dự báo) Cỡ mẫu = 14 bệnh nhân, thông tin cho phép kiểm tra việc liệu phối kiểm giá trị độ tự df2=(n-2) F mơ hình 5.2 Mơ hình M(X) Tên mơ hình Kiểm tra ý nghĩa thống kê mơ hình Outcome: DAaO2bas Model Summary R ,6071 Hệ số R2 R-sq ,3685 MSE 39,3852 F 8,9349 df1 1,0000 df2 12,0000 p ,0113 Model coeff 24,7114 -,4500 constant DmCO hệ số hồi quy a X M(X) D(A-a)O2 -0,45 Dm a b c’ se 5,4537 ,1506 sai số chuẩn (SE) a t 4,5311 -2,9891 trị số t p ,0007 ,0113 giá trị p LLCI 12,8266 -,7781 ULCI 36,5963 -,1219 Khoảng tin cậy hệ số a để kiểm định giả thuyết 0: a=0 hay kiểm tra ý nghĩa yếu tố dự báo, PaO2 Kết mơ hình hồi quy tuyến tính M(X) với Outcome = M yếu tố dự báo = X, nhằm trả lời câu hỏi : có tương quan X M hay khơng ? Model summary: cho ta biết ý nghĩa thống kê mơ hình M(X) Những thơng tin quan trọng là: giá trị p test F = 0,0113 chứng tỏ mơ hình có ý nghĩa, sau giá trị R2 = 0,3685, diễn giải như: X (hay DmCO) cho phép giải thích 36,85% biến thiên M (DAaO2) Tiếp theo nội dung mô hình Bạn khơng cần quan tâm tới constant mà tập trung vào hàng thứ 2: khảo sát vai trò biến số X M Đầu tiên, bạn quan sát giá trị khoảng tin cậy (LLCI ULCI) hệ số hồi quy, kết trông đợi LLCI ULCI phải dấu (như CI95% khơng chứa giá trị 0) Sau đó, ta xem xét giá trị p = 0,0113 (