重复观测数据的半参数回归分析

目的 研究重复预测数据的回归分析技术。方法 利用半参数回归分析的原理与方法，结合重复观测数据的特点，建立重复观测数据的半参数回归模型，并进一步讨论模型参数的估计方法及假设检验公式。结果 讨论了重复观测数据的半参数回归模型的模型误差，分析了重复因素的效应及参数的影响，给出了其模型的方差分析表。结论 通过实例分析，表明对重复观测数据的处理，半参数回归分析的效果优于普通的最小二乘法和广义最小二乘法。     

折扣最小二乘法及其应用

统计预测的方法很多,各种预测方法都有一定的局限性,预测结果的正确与否,一方面取决于数据的准确性,另一方面也取决于预测方法及数学模型的确定。本文通过用折扣最小二乘法预测出院病人日均费用来说明这一方法的应用。计算步骤与方法所谓折扣最小二乘法,即在预测中,根据“近大远小”的预测原则,将普通最小二乘法加以改进的一种方法。用折扣最小二乘法的准则为:拟合误差的平方和Ｓ=∑ｍ-1ｔ=0αｒｔｅ2ｔ=ｍｉｎ(1)其中ｅ2ｔ为ｔ时刻的拟合误差的平方,即:ｅ2ｔ=(ｙｔ-^ｙｔ)2;α为折扣系数,0<α<1;ｒｔ为折扣指数。若时间数列有ｔ期资料,则令…     

SARIMA模型和BPNN模型在江苏省肺结核发病预测中的应用

目的探讨季节性差分自回归滑动平均（seasonalautoregressiveintegratedmovingaverage,SARIMA）模型与反向传播神经网络（back propagation neural network,BPNN）模型在江苏省结核病发病数中的应用,评价两种模型的精确性,为江苏省制定肺结核防控策略提供参考。方法 本研究以江苏省2011—2020年肺结核发病数据分别建立SARIMA模型和BPNN模型,以2021年1月—2022年6月的实际肺结核发病数进行检验,比较两种模型的预测精度和建模效果。结果 SARIMA模型的均方根误差（root mean squared error,RMSE）、平均绝对误差（mean absolute error,MAE）、平均绝对百分比误差（mean absolute percentage error,MAPE）、总体相对误差值以及最小误差率分别为192、128、5.18%、0.05%、1.14%, BPNN模型的RMSE、 MAE、 MAPE、总体相对误差值以及最小误差率分别为301、 246、11.03%、2.79%、1.44%,均高...     

卫生统计

010436 重复观测数据的相关分析/王文昌…//第三军医大学学报.一1999,21(12).一890～892 建立重复测量数据的相关分析技术。利用半参数回归分析的原理与方法,结合重复观测数据的特点,建立重复观测数据的半参数回归模型,剔除重复因素的影响后,建立重复测定数据的相关系数公式,并讨论了相应的假设检验问题。结果,给出了一个具体的实例,计算得其相关系数为r—O.3645,P>O.05,与分别在各个重复点上计算得到的线性相关系数是吻合的。结果表明对重复观测数据进行相关分析时,所建立的方法是有效的、实用的,并且效果优于普通的最小二乘法和广义最小…     

误差与偏差的区别

在医学实验研究中,经常要用到误差与偏差,但研究人员有时把二个名词混淆,因此有必要对误差和偏差加以区分。一、误差(Error)1.概念:调查或实验的原始数据与真实值之差及样本统计量与相应参数之差。2.计算式绝对误差=X_i(测得值)-μ(真实值)相对误差=(绝对误差/真实值)×100%     

血气分析仪PCO2测定系数误差校正的实验研究

文采用最小二乘法求取回归方程,从而校正血气分析仪PCO_2测定系数的误差.实验证明,回归方程是测定系数误差校正的理想方法.实验结果还表明测量点越多,回归方程在整个测定范围内的准确性就越高.     

基于组合预测模型对门诊量的预测

目的充分利用单个预测模型的有用信息,建立精度更高的组合预测模型。方法用1993--2002年某院门诊量实际数据建立3个单项预测模型,按“误差平方和最小”原则,将自回归预测模型、折扣最小二乘法模型和GM（1,1）模型优化组合成一新模型;然后分别用这4种模型对2003-2008年的门诊量进行预测,并对预测结果进行分析比较。结果折扣最小二乘法模型、GM（1,1）模型、自回归预测模型和组合预测模型的误差平方和分别为97．1885、57．4453、57．9136和49．5918。结论组合预测模型优于单个预测模型。     

重复观测值线性回归分析及其在医学中的应用

本文针对同一受试对象重复观测数据，讨论使用普通最小二乘法出现的问题，介绍解决该问题的调整方法。同时也讨论并介绍了一另一个方法－广义最小二乘方法。文中附有实例说明。．     

变系数模型中稳健估计方法的比较和应用

目的在变系数模型中比较七种常见的稳健估计方法与最小二乘法的表现,为变系数模型中估计方法的选择提供依据。方法通过R软件随机模拟,以变系数模型产生数据并对其进行污染,比较稳健估计方法和最小二乘法估计结果的偏差、方差、均方误差以及积分均方误差的差异。结果当数据存在扰动时,尤其是存在X方向上的异常点时,M-Huber、最小绝对离差(least absolute deviation,LAD)估计、MM以及R这几种稳健方法的四项指标几乎都小于最小二乘法,其中,MM表现最好。而最小截断平方法(least trimmed squares,LTS)、最小中位数平方法(least median of squares,LMS)以及S由于在R软件中稳定性较差,并不适用于变系数模型。结论在变系数模型中,当有异常点存在时,采用MM估计能得到更加准确的结果。     

相对最小二乘法在理化检验中的应用

目的探讨相对最小二乘法在理化检验中的应用。方法举例说明相对最小二乘法计算的直线回归方程回归分析的标准系列的最低浓度理论值与测量值的相对差值总和与最小二乘法的区别。结果相对最小二乘法计算的直线回归方程回归分析的标准系列的最低浓度理论值与测量值的相对差值总和均小于最小二乘法。结论建议在理化分析中用相对最小二乘法替换最小二乘法计算直线回归方程式绘制标准曲线代表标准系列计算被测物质含量。     

ARIMA模型在医院流产数时间趋势分析中的应用

目的采用自回归移动平均混合模型(autoregressive integrated moving average model,ARIMA)预测未来月份流产数可行性,以期为计划生育相关工作决策提供指导。方法选择2013年1月至2016年12月份流产病例构建ARIMA模型,以贝叶斯信息准则(bayesian information criterion,BIC)值最小为最优模型选择标准;以绝对误差平均值、相对误差平均值和决定系数(R~2)来评价模型精度。结果基于2013-2016年历史数据,以BIC值最小为优模型评价指标,最终ARIMA(0,1,1)×(1,0,1)12用于预测每月流产数有较好的拟合优度(BIC=564.07),且季节性自回归参数、非季节性移动平均参数及季节性移动平均参数均有统计学意义(P0.0001)。模型精度评价显示,平均绝对误差、平均绝对百分比误差及决定系数分别为36.7、3.60%和0.751。结论本研究提示ARIMA(0,1,1)×(1,0,1)12模型可用于医院流产数预测。每月流产数较多,进一步加强计划生育措施以遏制流产数依旧很必要。     

基于熵权的医院门诊量组合预测模型

目的：探讨基于熵权理论的组合预测模型预测医院门诊量,以提高预测的精度。方法依据信息熵理论,选取平方和误差（ SSE）、平均绝对误差（ MAE）、均方误差（ MSE）、平均绝对百分比误差（ MAPE）、均方百分比误差（ MSPE）等5个误差指标作为评价指标,根据这些预测误差所反映出的信息熵,确定所选各单项预测方法的权重,得到基于熵权的组合预测模型,并将模型应用于文献的数据,与该文献模型的预测效果作比较。结果文献[1]的折扣最小二乘法模型、GM（1,1）模型、自回归预测模型和组合模型的5个误差指标分别为：115.27911、1.99707、0.71579、0.04408、0.01401;67.53414、1.64571、0.54786、0.03871、0.01229;70.47580、1.37669、0.55967、0.03417、0.01340和58.64677、1.44235、0.51054、0.03471、0.01180。熵权组合模型的5个误差指标为50.39541、1.39713、0.47326、0.03364、0.01116。基于熵权的组合预测方法有较高的拟合精度,预测效果优于单项预测模型和文献的组合模型。结论熵权组合预测模型计算简单,预测效果好,可以在医院门诊量预测中推广应用。     

两种基于偏最小二乘法的分类模型对肿瘤基因表达数据行多分类的比较研究

目的 比较两种基于偏最小二乘法的分类模型对肿瘤基因表达数据行多分类分析的效果,比较不同差异基因选取方法对分类结果的影响.方法 利用NCI60等4个肿瘤基因表达数据库,通过4种不同方法选取差异表达基因,在此基础上,用两种基于偏最小二乘的方法行多分类分析.一是偏最小二乘线性判别,首先运用偏最小二乘法行降维,再利用降维得到的成分作为输入变量作线性判别分析;二是偏最小二乘判别分析,利用偏最小二乘回归直接进行分类.分类效果采用留一法和10倍交叉验证法进行评价.结果 偏最小二乘判别分析的分类效果略优于偏最小二乘降维后的线性判别.以变量重要性指标选取差异表达基因时分类效果较好,其次是SAM法.结论 在对肿瘤基因表达数据行多分类分析时,偏最小二乘法既是一种高效的降维方法,也是一种实用的分类方法.     

稳定回归-分光光度法同时测定3组分食用色素

食用合成色素常混合使用。用光度法测定时,干扰往往较严重。应用以最小二乘法为准则的多波长线性回归光度法。可同时测定多组分混合物。但最小二乘法受异常点影响显著,且对测量波长的位置等条件要求严格。稳定回归法能改进最小二乘法的上述不足。本文利用以最小-乘法为准则的多波长稳定回归光度法,建立了一种定量分析吸收光谱严重重叠的3组分混合色素的方法,用于混合标准试样     

某社区卫生服务站门诊量动态分析

目的分析某社区卫生服务站2003～2012年门诊量的动态发展趋势,预测2013年门诊量。方法用最小二乘法拟合趋势直线方程预测年门诊量,利用变动系数预测月门诊量,并估计95％可信区间。结果2003～2012年门诊量近似直线增长。2013年预测门诊量为76061人次,1～9月实际值与预测值误差2．5％。结论应用最小二乘法对门诊量进行预测,效果满意,可为医院科学管理提供数据依据。     

某综合医院SARS疫情发展的初步数学分析

以某综合医院2003年SARS疫情经过中的有关统计资料为依据，按照最小二乘法的原理，采用MATLABL软件，对疫情暴发流行的变化规律进行了拟合，并分析了SARS传播的特点及控制的效果等相关结论。     

偏最小二乘回归的原理及应用

[目的]探讨偏最小二乘回归的理论及其应用。[方法]应用医学实例计算,对偏最小二乘回归与主成分回归及一般最小二乘回归进行比较。[结果]偏最小二乘回归对数据的拟合度优于主成分回归和一般最小二乘回归法。[结论]偏最小二乘回归适用于处理有多重共线性的资料,当解释变量个数多、样本量少时尤为有效,是稳健的数据“软”建模的统计方法。     

偏最小二乘法降维在微阵列数据判别分析中的应用

目的探讨微阵列数据的判别分析方法。方法首先采用偏最小二乘法对高维数据降维,然后再用Fisher’s线性判别。文中同时介绍了偏最小二乘法的基本原理、基本算法,讨论了成分数选择等问题,并以实际微阵列数据展示了其效果。结果偏最小二乘法降维不但实现了数据的可视化,而且取得了较好的后期判别效果。结论偏最小二乘法是一种新的实用的降维方法,可用于微阵列数据判别分析的前期降维。     

组合预测法在门急诊量预测中的应用

目的 为充分发挥单个预测模型的优点，建立优化组合预测模型。方法 以1990-2000年我院门急诊量作为原始数据建立单个模型，按“误差平方和最小”原则，将GM（1，1）模型和折扣最小二乘法模型优化组合成一新模型，并对三者的预测结果进行比较分析。结果 GM（1，1）模型、折扣最小二乘法模型、组合预测模型的误差平方和分别为92．26，317．77，61．13。结论 组合预测模型优于单个预测模型，适于统计预测。     

折扣最小二乘法预测医院工作量过程中α系数的确定

目的对医院业务工作量进行科学预测。方法运用折扣最小二乘法，以某医院1994--2003年统计报表中的出院人数为资料来源，以作图法和计算拟合误差平方和来确定折扣系数（α系数），预测2004年的出院人数。结果本例中的折扣系数为0．4—0．6之间，据此可预测2004年出院人数为7572—7742人，2004年实际值为7688人，说明预测值与实际值较吻合。结论折扣最小二乘法是医院业务工作量预测当中的一个非常有力的工具，在实际预测过程中，折扣系数α的确定，对预测结果有着非常大的影响。所以，对医院发展前景进行科学预测，就必须先科学合理地确定好α系数。