Hvad skal med i en sundhedsfremme indsats for at den virker?

Vores plan var at få udviklet nogle analysemodeller og filer, vi kunne anvende i mange fremtidige studier og til fremtidig undervisning. Vi har derfor hele tiden troet, at når det lykkedes, ville vi relativt hurtigt kunne analysere vores datasæt. Artikelmanuskripter er påbegyndt, og det er meget utilfredsstillende, at det ikke lykkedes.

Vores mål var at finde en valid metode til at estimere, i hvilken grad en mediator kunne tilskrives effekten af en intervention på et outcome. Dette for at opnå mere viden om mekanismer af sundhedsfremmende interventioner og for at kunne forbedre disse. Structural equation modelling (SEM) er en velkendt metode, der kan estimere indirekte og direkte effekter samtidig og som også tager højde for målefejl af latente variable. SEM er dog oftest anvendt i studier med 1 eller 2 måletidspunkter, hvilket ikke lever op til kravene i mekanismeforskning. Vi fandt en meget lovende tutorial (Goldsmith, K. A., MacKinnon, D. P., Chalder, T., White, P. D., Sharpe, M., & Pickles, A. (2017). Tutorial: The Practical Application of Longitudinal Structural Equation Mediation Models in Clinical Trials. Psychol Methods. doi:10.1037/met0000154>), som både tog højde for tidsperspektiv og målefejl. Vi har kun kunnet identificere to artikler, der har gjort dette i deres mekanismeforskning. I Goldsmiths tutorial anvendtes simulerede data. Vi ville anvende deres modeller til at analysere vores datasæt med. Vi anvendte samme statistikprogram (MPlus) og analysefiler som forfatterne, som havde gjort analysefiler tilgængelige. Vi (lektor i biostatistik, Morten Frydenberg og jeg) fik imidlertid store udfordringer med at analysere vores data, som modsat forfatternes var rigtige data. Estimaterne kunne i mange tilfælde ikke beregnes, og vi fik resultater med negative varianser. Vi kontaktede K. Goldsmith, som ikke kunne hjælpe os med vores problemer. Vi valgte at gå i dybden med disse problemer, og M. Frydenberg undersøgte den underliggende matematik i modellerne. Det viste sig, at modellerne tilsyneladende ikke holder matematisk. Dette forklarede vores oplevede problemer i dataanalysen. Vi har desværre derfor ikke analyseret vores datasæt, men vi har i stedet skrevet en artikel, som illustrerer problemerne med at analysere ”latent change structural equation models”, som vi har submittet til ”Psychological Methods”. Vi håber, at denne artikel vil sætte fokus på problemstillingen og bidrage til at videreudvikle valide metoder til at estimere mediatoreffekter af komplekse interventioner.

Vi synes stadig, at vi valgte den rigtige tilgang til at analysere vores data. Vi kan på nuværende tidspunkt ikke komme med et bedre forslag. Goldsmith forsøgte at tage højde for målefejl af latente variable, hvilket er essentielt i SEM, ved at sætte målefejl ens over tid. Vi synes, at denne antagelse er yderst vigtig, eftersom det ikke giver mening, at målefejl skulle mindskes over tid, når man bruger samme måleinstrument. Mange forskere overser denne antagelse i deres modeller. Det er meget frustrerende ikke at nå i mål med et projekt – levere det forventede. Omvendt er det også nødvendigt i forskning at forholde sig til væsentlige problemstillinger, selv om de ikke lader sig løse hurtigt. Det ville ikke have været tilfredsstillende at analyse data med metoder, man ikke fandt pålidelige. I bagklogskabets lys havde det været en fordel at have tjekket matematikken i modellerne fra starten – have været mere kritiske, men de anvendte modeller var publiceret i et højt anerkendt tidsskrift, og vi var meget inspireret af tilgangen, som umiddelbart var overbevisende.