Peut-être que cette question a une réponse en médecine, mais y a-t-il des raisons statistiques pour lesquelles l' indice d'IMC est calculé comme ? Pourquoi pas par exemple juste ? Ma première idée est que cela a quelque chose à voir avec la régression quadratique. poids / taille
Échantillon de données réelles (200 individus avec poids, taille, âge et sexe):
structure(list(Age = c(18L, 21L, 17L, 20L, 19L, 53L, 27L, 22L,
19L, 27L, 19L, 20L, 19L, 20L, 42L, 17L, 23L, 20L, 20L, 19L, 20L,
19L, 19L, 18L, 19L, 15L, 19L, 15L, 19L, 21L, 60L, 19L, 17L, 23L,
60L, 33L, 24L, 19L, 19L, 22L, 20L, 21L, 19L, 19L, 20L, 18L, 19L,
20L, 22L, 20L, 20L, 27L, 19L, 22L, 19L, 20L, 20L, 21L, 16L, 19L,
41L, 54L, 18L, 23L, 19L, 19L, 22L, 18L, 20L, 19L, 25L, 18L, 20L,
15L, 61L, 19L, 34L, 15L, 19L, 16L, 19L, 18L, 15L, 20L, 20L, 20L,
20L, 19L, 16L, 37L, 37L, 18L, 20L, 16L, 20L, 36L, 18L, 19L, 19L,
20L, 18L, 17L, 22L, 17L, 22L, 16L, 24L, 17L, 33L, 17L, 17L, 15L,
18L, 18L, 16L, 20L, 29L, 24L, 18L, 17L, 18L, 36L, 16L, 17L, 20L,
16L, 43L, 19L, 18L, 20L, 19L, 18L, 21L, 19L, 20L, 23L, 19L, 19L,
20L, 24L, 19L, 20L, 38L, 18L, 17L, 19L, 19L, 20L, 20L, 21L, 20L,
20L, 42L, 17L, 20L, 25L, 20L, 21L, 21L, 22L, 19L, 25L, 19L, 40L,
25L, 52L, 25L, 21L, 20L, 41L, 34L, 24L, 30L, 21L, 27L, 47L, 21L,
16L, 31L, 21L, 37L, 20L, 22L, 19L, 20L, 25L, 23L, 20L, 20L, 21L,
36L, 19L, 21L, 16L, 20L, 18L, 21L, 21L, 18L, 19L), Height = c(180L,
175L, 178L, 160L, 172L, 172L, 180L, 165L, 160L, 187L, 165L, 176L,
164L, 155L, 166L, 167L, 171L, 158L, 170L, 182L, 182L, 175L, 197L,
170L, 165L, 176L, 167L, 170L, 168L, 163L, 155L, 152L, 158L, 165L,
180L, 187L, 177L, 170L, 178L, 170L, 170L, NA, 188L, 180L, 161L,
178L, 178L, 165L, 187L, 178L, 168L, 168L, 180L, 192L, 188L, 173L,
193L, 184L, 167L, 177L, 177L, 160L, 167L, 190L, 187L, 163L, 173L,
165L, 190L, 178L, 167L, 160L, 169L, 174L, 165L, 176L, 183L, 166L,
178L, 158L, 180L, 167L, 170L, 170L, 180L, 184L, 170L, 180L, 169L,
165L, 156L, 166L, 178L, 162L, 178L, 181L, 168L, 185L, 175L, 167L,
193L, 160L, 171L, 182L, 165L, 174L, 169L, 185L, 173L, 170L, 182L,
165L, 160L, 158L, 186L, 173L, 168L, 172L, 164L, 185L, 175L, 162L,
182L, 170L, 187L, 169L, 178L, 189L, 166L, 161L, 180L, 185L, 179L,
170L, 184L, 180L, 166L, 167L, 178L, 175L, 190L, 178L, 157L, 179L,
180L, 168L, 164L, 187L, 174L, 176L, 170L, 170L, 168L, 158L, 175L,
174L, 170L, 173L, 158L, 185L, 170L, 178L, 166L, 176L, 167L, 168L,
169L, 168L, 178L, 183L, 166L, 165L, 160L, 176L, 186L, 162L, 172L,
164L, 171L, 175L, 164L, 165L, 160L, 180L, 170L, 180L, 175L, 167L,
165L, 168L, 176L, 166L, 164L, 165L, 180L, 173L, 168L, 177L, 167L,
173L), Weight = c(60L, 63L, 70L, 46L, 60L, 68L, 80L, 68L, 55L,
89L, 55L, 63L, 60L, 44L, 62L, 57L, 59L, 50L, 60L, 65L, 63L, 72L,
96L, 50L, 55L, 53L, 54L, 49L, 72L, 49L, 75L, 47L, 57L, 70L, 105L,
85L, 80L, 55L, 67L, 60L, 70L, NA, 76L, 85L, 53L, 69L, 74L, 50L,
91L, 68L, 55L, 55L, 57L, 80L, 98L, 58L, 85L, 120L, 62L, 63L,
88L, 80L, 57L, 90L, 83L, 51L, 52L, 65L, 92L, 58L, 76L, 53L, 64L,
63L, 72L, 68L, 110L, 52L, 68L, 50L, 78L, 57L, 75L, 55L, 75L,
68L, 60L, 65L, 48L, 56L, 65L, 65L, 88L, 55L, 68L, 74L, 65L, 62L,
58L, 55L, 84L, 60L, 52L, 92L, 60L, 65L, 50L, 73L, 51L, 60L, 76L,
48L, 50L, 53L, 63L, 68L, 56L, 68L, 60L, 70L, 65L, 52L, 75L, 65L,
68L, 63L, 54L, 76L, 60L, 59L, 80L, 74L, 96L, 68L, 72L, 62L, 58L,
50L, 75L, 70L, 85L, 67L, 65L, 55L, 78L, 58L, 53L, 56L, 72L, 62L,
60L, 56L, 82L, 70L, 53L, 67L, 58L, 58L, 49L, 90L, 58L, 77L, 55L,
70L, 64L, 98L, 60L, 60L, 65L, 74L, 99L, 49L, 47L, 75L, 77L, 74L,
68L, 50L, 66L, 75L, 54L, 60L, 65L, 80L, 90L, 95L, 79L, 57L, 70L,
60L, 85L, 44L, 58L, 50L, 88L, 60L, 54L, 68L, 56L, 69L), Gender = c(1L,
1L, 1L, 1L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 2L, 1L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 1L, 2L,
2L, 1L, 1L, 1L, 2L, 2L, 1L, 2L, 1L, 1L, 1L, 2L, 1L, 1L, 2L, 2L,
1L, 1L, 1L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 1L, 1L, 2L,
1L, 2L, 1L, 2L, 2L, 1L, 2L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 2L, 1L,
2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 1L, 2L, 1L, 2L, 2L, 1L, 1L,
1L, 2L, 1L, 1L, 1L, 1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L, 1L, 2L, 1L,
1L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 1L, 1L, 2L,
1L, 1L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 1L, 1L, 2L, 1L,
2L, 1L, 1L, 1L, 2L, 1L, 1L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 1L, 2L,
1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 2L, 1L, 1L, 1L, 2L, 1L, 1L,
1L, 2L, 1L, 1L, 2L, 2L, 1L)), .Names = c("Age", "Height", "Weight",
"Gender"), row.names = 304:503, class = "data.frame")
biostatistics
Miroslav Sabo
la source
la source
library(MASS); rlm(log(Weight) ~ log(Height) + cut(Age, 3) + as.factor(Gender), data=y)
àrlm(Weight ~ Height + cut(Age, 3) + as.factor(Gender), data=y)
(et les diagnostics de tracé pour les deux crises) pour voir l'effet salutaire d'utiliser logarithmes: ils se stabilisent en effet et Symétriser les résidus. Dans les deux modèles, le sexe est important, tout comme l'âge; la relation avec l'âge n'est pas linéaire. Il est très intéressant de noter que le coefficient de log (hauteur) dans le premier modèle se situe désormais autour de au lieu de . ( vos données avec les valeurs manquantes sont supprimées.) Je ne vois aucune interaction. 2,5y
Réponses:
Cette revue, par Eknoyan (2007) a bien plus que ce que vous vouliez probablement savoir sur Quetelet et son invention de l'indice de masse corporelle.
La version courte est que l'IMC semble approximativement normalement distribué, tandis que le poids seul, ou le poids / taille ne le fait pas, et Quetelet était intéressé à décrire un homme "normal" via des distributions normales. Il existe également des arguments sur les premiers principes, basés sur la croissance des gens, et des travaux plus récents ont tenté de relier cette réduction à la biomécanique.
Il convient de noter que la valeur de l'IMC est assez vivement débattue. Cela correspond assez bien à la graisse, mais les seuils pour l'insuffisance pondérale / l'embonpoint / l'obésité ne correspondent pas tout à fait aux résultats des soins de santé.
la source
weight/height^3
ce qui serait interprété comme une densité (intuitivement logique), mais a opté pour l'IMC classique en raison de sa distribution normale, comme vous l'avez dit.Extrait du "Traité sur l'homme et le développement de ses facultés" d'Adolphe Quetelet:
Voyez ici .
Il n'était pas intéressé par la caractérisation de l'obésité mais par la relation entre le poids et la taille car il était très intéressé par la biométrie et les courbes en cloche. Les résultats de Quetelet ont indiqué que l'IMC avait une distribution à peu près normale dans la population. Cela signifiait pour lui qu'il avait trouvé la relation "correcte". (fait intéressant, seulement une décennie ou deux plus tard, Francis Galton aborderait la question de la "distribution de la hauteur" dans les populations et inventerait le terme "régression vers la moyenne").
Il convient de noter que l'IMC a été un fléau de la biométrie dans les temps modernes en raison de l'utilisation poussée de l'IMC dans l'étude de Framingham comme moyen d'identifier l'obésité. Il n'y a toujours pas de bon prédicteur de l'obésité (et de ses effets sur la santé). Le rapport de mesure taille / hanche est un candidat prometteur. Espérons que les échographies deviennent moins chères et meilleures, les médecins les utiliseront pour identifier non seulement l'obésité, mais les dépôts graisseux et la calcification dans les organes et formuler des recommandations de soins en fonction de celles-ci.
la source
L'IMC est principalement utilisé de nos jours en raison de sa capacité à approximer le volume de graisse viscérale abdominale, utile dans l'étude du risque cardiovasculaire. Pour une étude de cas analysant l'adéquation de l'IMC dans le dépistage du diabète, voir le chapitre 15 de http://biostat.mc.vanderbilt.edu/CourseBios330 sous Documents . Plusieurs évaluations sont là. Vous verrez qu'une meilleure puissance de hauteur est plus proche de 2,5 mais vous pouvez faire mieux que d'utiliser la taille et le poids.
la source