|
|
|
|
جستجو در مقالات منتشر شده |
|
|
3 نتیجه برای سربخش
پروین سربخش، دکتر یدالله محرابی، دکتر علی اکبر معبودی، دکتر فرزاد حدائق، جلد 16، شماره 1 - ( بهار و تابستان 1390 )
چکیده
در بسیاری از مسائل آماری، متغیرها اثرات برهمکنشی روی یکدیگر دارند. روشهای آماری موجود برای تعیین مدلهای پیشبینی از جمله روشهای رگرسیونی و درختهای تصمیم، قابلیت تشخیص و لحاظ کردن چنین اثراتی را ندارند و اثرات متقابل بین متغیرها در صورت شناسایی و لحاظ کردن در مدل، به دلیل پیچیده شدن آن، نهایتا از دوطرفه و سه طرفه تجاوز نمی کند. برای غلبه بر این نقص این مطالعه به معرفی رگرسیون منطقی به عنوان یک روش رگرسیونی تعمیم یافته و جدید می پردازد که در آن متغیرهای پیشگو به صورت ترکیبات بولی از متغیرهای دو حالتی ساخته میشود. برای یافتن چنین ترکیباتی در فضای حالتهای ممکن و همچنین برآورد پارامترهای مربوط به این ترکیبات از الگوریتم جستجوی Annealing استفاده می شود. آزمونهای تصادفی سازی برای تایید وجود ارتباط بین داده ها بکار میرود. به منظور اجتناب از بیش برآورد شدن، تعداد بهینه ترکیبات منطقی و متغیرهای مدل به روش اعتبار متقاطع تعیین می گردد. به عنوان کاربردی از این روش، داده های حاصل از مطالعه کوهورت قند و لیپید تهران، با استفاده از رگرسیون منطقی تحلیل شدندکه در آن اثر متغیرهای تنسنجی، قند و لیپیدها، فشار خون و ... بر بروز دیابت بررسی شد و در نهایت مدلی برای پیشبینی ابتلا به دیابت ارائه می گرد
دکتر یدالله محرابی، پروین سربخش، دکتر فرید زایری، دکتر مریم دانشپور، جلد 19، شماره 2 - ( پاییز و زمستان 1393 )
چکیده
برای شناسایی و لحاظ کردن اثرات متقابل بین متغیرهای پیشبین در مدلهای رگرسیونی، میتوان از روش رگرسیون منطقی استفاده کرد که در آن متغیرهای پیشبین جدید به صورت ترکیبات منطقی از متغیرهای دو حالتی اولیه ساخته و وارد مدل میشوند تا تقابل بین متغیرهای مستقل در قالب این ترکیب منطقی لحاظ شود. تاکنون رگرسیون منطقی برای تحلیل دادههایی با پاسخهای مستقل از هم معرفی و استفاده شده2است ولی با وجود اینکه در مطالعات علمی مشاهدات همبسته به دلایل مختلف رخ میدهد، تابه حال رگرسیون منطقی برای تحلیل مشاهدات همبسته طولی انجام نشده است. به دلیل اهمیت بررسی اثرات متقابل در مطالعات طولی، در این مقاله مبانی نظری بسط رگرسیون منطقی برای تحلیل دادههای طولی ارائه و مدل رگرسیون منطقی انتقال برای شناسایی اثرات متقابل تاثیرگذار بر متغیر پاسخ طولی دوحالتی پیشنهاد شد. برنامه رایانهای مربوط به مدل رگرسیون منطقی انتقال با بهکارگیری معیار اطلاع آکائیک (AIC) به عنوان تابع امتیاز مدل نوشته و پارامترهای مدل برآورد شدند. برای ارزیابی عملکرد مدل پیشنهادی مطالعه شبیهسازی در سناریوهای مختلف اجرا شد که نتایج آن نشانگر عملکرد قابل قبول مدل پیشنهادی در یافتن اثرات متقابل موثر بر پاسخ طولی دوحالتی است. به عنوان مثال کاربردی نیز تحلیل ارتباط بین پلی مورفیسمها و سایر عوامل خطر با سطح پایین HDL خون در طول زمان در مطالعه قند و لیپید تهران با مدل پیشنهادی انجام شده است.
خانم لیلی فرجی گاوگانی، دکتر پروین سربخش، دکتر محمد اصغری جعفرآبادی، دکتر مرتضی شمشیرگران، جلد 24، شماره 2 - ( 12-1398 )
چکیده
سطح زیر منحنی راک یک معیار مرسوم برای ارزیابی عملکرد طبقهبندی بیومارکرها است. در عمل یک بیومارکر قدرت طبقهبندی محدودی دارد لذا برای بهبود عملکرد طبقهبندی، علاقهمند به ترکیب مقادیر مربوط به بیومارکرها به صورت خطی و غیرخطی هستیم در این مطالعه ضمن معرفی انواع توابع زیان، به معرفی روش Ramp AUC و برخی ویژگیهای آن به عنوان یک مدل آماری مبتنی بر سطح زیر منحنی راک پرداخته میشود. این مدل جهت ترکیب بیومارکرها به شکل خطی یا غیرخطی باهدف بهبود عملکرد طبقهبندی و مینیمم کردن تابع زیان تجربی بر اساس تابع زیان Ramp AUC ارائهشده است. بهعنوانمثال کاربردی، در این مطالعه از دادههای 378 بیمار دیابتی مراجعهکننده به مراکز دیابتی اردبیل و تبریز در سال 1394-1393 استفادهشده است. جهت طبقهبندی بیماران دیابتی از لحاظ وضعیت محدودیت عملکردی بر مبنای بیومارکرهای جمعیت شناختی و بالینی از روش RAUC استفاده گردید. اعتبارسنجی مدل به روش آموزش و آزمایش انجام شد. بر اساس نتایج گروه آزمایش، مقادیر سطح زیر منحنی بهدستآمده برای مدل RAUC با ترکیبات خطی از بیومارکرها در قالب هسته خطی برابر 0.81 و با هسته تابع پایه شعاعی برابر 1.00 میباشد. نتایج بیانگر وجود یک الگوی غیرخطی قوی در دادهها میباشد به طوری که ترکیبات غیرخطی از بیومارکرها عملکرد طبقهبندی بالاتری نسبت به ترکیبات خطی را دارا میباشند.
|
|
|
|
|
|