样条Cox回归在随访资料分析中的应用

介绍借助R软件应用样条Cox回归分析不满足Cox比例风险模型两个基本假定条件的随访资料的方法,可同时估计非线性效应和时协效应.结果表明文中实例涉及的连续型协变量多不符合线性假定,3个变量不符合比例风险假定,应用样条Cox回归控制多个协变量后,踝臂指数每降低0.1,全因死亡的风险比(HR)为1.071.随访资料在不满足比例风险Cox回归模型的应用条件时,可选择应用样条Cox回归进行分析.     

误差为平稳m—相依的线性模型的移动区段再抽样法

引　　言对于一般的线性回归模型Ｙ =Ｘβ ε,假定误差ε独立且服从正态分布 ,才能进行有效的参数区间估计及假设检验 ,当ε的分布未知时 ,若按通常的方法 ,参数的区间估计与假设检验就不稳健 ,1981年Ｆｒｅｅｄ ｍａｎ将Ｂｏｏｔｓｔｒａｐ法应用回归模型 ,提出参数及其方差的Ｂｏｏｔｓｔｒａｐ估计 ,1986年Ｗｕ又进一步加以改进 ,使方差的Ｂｏｏｔｓｔｒａｐ估计达到稳健 ,假设检验也能够顺利实现。然而 ,当误差ε或响应变量序列存在一定的相依关系时 ,上述方法就失效 ,而误差或响应变量序列为相依情形的线性模型是广泛存在的 ,比如目前…     

GAM识别非线性相关及其在医学统计建模中的应用

目的介绍广义相加模型(GAM)识别非线性相关及其在医学统计建模中的应用。方法应用SAS软件PROC GAM模块识别实例数据结局变量与自变量之间的非线性相关,通过比较考虑该非线性相关和不考虑该非线性相关时多元线性回归和logistic回归模型的拟合和预测效果,阐明GAM识别非线性相关在统计建模中的重要性。结果与不考虑非线性相关的模型相比,考虑非线性相关的模型拟合和预测效果更优。结论合理使用GAM,在模型中纳入非线性成分,可改善回归模型的建模效果和预测精度。     

空间自相关分析方法在流行病学中的应用

一、前言 在多元统计分析中,如果开展线性回归分析,则至少满足两个基本条件:一是解释变量之间相互正交,二是样本要素(样品或者样点)之间彼此独立.当只有一个解释变量的时候,样品独立性就是最基本的前提条件.假如分析对象是空间取样结果,则样点之间要求不存在显著的空间关系,否则回归模型参数的可靠性不能保证.因此,开展空间回归分析的预备工作是空间样点之间的相关性分析.如果空间样点之间相关性不显著,则可以建立空间回归模型;否则,常规的回归模型失效,这时可以通过样本要素之间的空间相关分析揭示某些统计规律或特征.于是,空间自相关理论和方法应运而生[1].     

偏相关系数和偏回归系数的统计解析与意义

本研究提出了一个解析在多元线性回归时每一个自变量与因变量之间的关系的偏相关与偏回归系数的方法，包括系数的估计和每一个自变量与因变量之间的散点图的绘制。使我们能够在多元的情况下也能象一元回归一样，作出变量间关系的散点图，从而达到深入了解回归分析结果的可靠性和协助进行回归诊断的目的。     

时间序列自相关的检验与排除

时间序列自相关的检验与排除中国卫生统计杂志编辑部孙高，任继萍中国医科大学卫生统计教研室郭海强一、问题的提出在实际应用中，如果线性回归模型中的变量的观测值是时间序列，例如其误差项。；往往是自相关的，例如时，就是这样。这里ｔ是时序变量，ｕ１～Ｎ（Ｏ，２）...     

相关回归分析的作用

相关回归分析的作用上海医科大学２０００３２詹绍康相关回归分析中最简单的是直线相关和直线回归分析。它是指一个自变量Ｘ与一个应变量Ｙ数量之间直线关系的分析，这种方法常用于研究两种变量之间有无直线关系，如果有这种关系，关系（相关）的密切程度如何？存在的是什...     

添加变量时多元线性回归方程的计算

添加变量时多元线性回归方程的计算华西医科大学卫生统计教研室康春阳，杨树勤引言在进行回归分析时，对变量的选择是至关重要的。但往往会出现这样一种现象：当回归分析进行完毕时，才发现与应变量有关的自变量未参加运算，因此应将其添加入方程。本文讨论了添加某自变量...     

两水平方差成分模型与线性回归模型关系的探讨

目的 探讨对于具有两个水平层次结构的数据拟合方差成份模型与线性回归模型的关系。方法 通过三类传统线性回归模型与两水平方差成份模型参数估计的对比分析其内在联系,结果 线性回归模型参数的估计以及估计的稳定性与自变量在水平２单位间和水平２单位内的变异大小有关,线性回归模型与方差成分模型参数估计及其稳定性的关系与水平２残差方差或单位内相关系数大小有关。结论 当数据具有层次结构特征时,三类线性回归模型均存在     

多元线性回归中自变量共线性的处理

多元线性回归中自变量共线性的处理张新民，沈杰，俞顺章在流行病生态学研究中，经常应用多元回归分析方法研究多个因素与某个因素的线性依存关系，但在应用过程中常常因为自变量存在共线性，即自变量彼此相关而使回归研究要么求不出回归系数，要么回归系数不稳定。为此，...     

logistic回归中自变量相对重要性的相对权重估计

目的将相对权重指标扩展应用于logistic回归分析,以更精确评价自变量的相对重要性。方法原始变量通过最小二乘正交变换获得一组独立不相关但与原变量最大相关的新变量集,并对因变量关于新变量集作回归分析获取一组标准回归系数β,再通过分析正交变量对原变量的回归作用返回至原变量集获取一组相关系数λ,最后对这两组估计参数平方乘积和所得结果就是自变量成比例贡献于因变量的重要性。结果相对权重总和等于模型的总变异R2,有效地分配了每个自变量对因变量的贡献大小。结论当存在共线性问题时,相对权重是评价自变量相对重要性的精确量化指标,为许多分类资料分析中希望确定自变量相对重要性的研究者提供一个可行的估计方法 。     

医院季节性时间序列资料的周期自回归模型及其应用

本文利用周期相关序列和自回归模型等概念，对医院的季节性时间序列资料建立了周期自回归预测模型，其分析结果较为满意。     

期望寿命与婴儿死亡率的预测

[目的]预测中国婴儿死亡率与期望寿命。[方法]以人均国民收入(购买力平价)为自变量,同期各国婴儿死亡率为应变量,作曲线拟合,寻找最优预测模型;以婴儿死亡率为自变量,同期各国期望寿命为应变量,作线性回归。[结果]建立乘幂函数模型预测婴儿死亡率,决定系数为0.858,模型拟合效果较好。2007年中国婴儿死亡率预测值为20.86‰,实际报告值为19.00‰;建立线性回归模型预测期望寿命,调整决定系数为0.926,模型拟合效果较好。2007中国人口期望寿命预测值为72.36岁,报告值为74岁。预测2020年中国人口婴儿死亡率为8.46‰,期望寿命为75.25岁。[结论]2007年中国人均国民收入偏低,但是在降低婴儿死亡率和提高期望寿命方面优于同等经济实力国家的平均水平。择选与预测指标关系最为紧密的变量,保证足够大的样本含量,通过传统回归方法同样可以较好预测出婴儿死亡率和期望寿命。     

加权组合预测模型在卫生资源配置中的应用

对卫生资源需要量进行科学预测是制定卫生资源规划的前提和基础。本文对卫生资源预测常用统计模型的适用范围和特点作了总结,引人介绍了自然社会经济预测中常用的各种s型曲线模型并对组合预测模型权重的确定方法进行了梳理归纳,在此基础上提出卫生资源预测研究中,应采取多变量的时间序列模型,或者是在建立预测值的多重线性回归方程和单一时间序列预测模型的基础上构建组合预测模型,以期为相关预测研究提供方法学借鉴。     

线性回归预测模型有效超前期的确定方法

线性回归预测模型是应用线性回归技术,根据历史数据建立回归方程,用此回归方程进行超前预测。然而,建立了一个线性回归模型能否用其做无限期的超前预测呢？显然,一个预测模型的预测精度随着超前期的增加而逐渐降低,即预测误差越来越大。当外推至某一期时,预测误差之...     

广义可加模型及其SAS程序实现

回归分析中，非参数回归以其适用性强，对模型假定要求不严等优点，扩展了参数回归的应用范围，增强了模型的适应性。但非参数回归也有其局限性，当模型中的解释变量个数较多而样本含量并不是很大时，非参数回归拟合的效果并不尽如人意，容易引起方差的急剧增大。这种由于维度的增加而使方差急剧扩大的问题通常被称为“维度的孽根（curse of dimensionality）。而且非参数回归多是建立在核估计和光滑样条基础上的，其解释性也是一个问题。为了解决这些问题，Stone（1985）提出了可加模型（additive models），这种模型对多变量回归方程估计一个可加近似值。可加近似值有两个优点：（1）由于每一个个体的可加项是以单变量平滑估计的，因而“维度的孽根”可以避免；（2）个体项的估计解释了应变量如何随着自变量的变化而变化的。为了使可加模型扩展到更广范围的分布族，Hastie和Tibshirani（1990）又提出了广义可加模型（generalized additive models，GAM）。     

多重共线性的变量分解处理法初探

本文在回归系数方差分解（ＲＣＶＤ）诊断的基础上，对多元回归自变量间存在的多重共线性问题的处理进行了一些探讨。首先通过建立辅助回归得到自变量间的多重共线性关系，其次再将辅助回归中的应变量分解为多个子变量，最后通过建立回归方程组达到解决多重共线性问题的目的。     

多重线性回归模型在公立医院职工总人数影响因素分析中的应用

目的运用多重线性回归模型分析影响医院职工总人数的主要因素。方法根据2013年武汉市公立医院工作量相关数据,采用逐步回归的方法,建立多重线性回归方程,进行职工总人数影响因素分析。结果医院职工总人数受实际开放床位数和门急诊人次数影响(F=49.498,P<0.05)。从标准回归系数可知,实际开放床位数对医院职工总人数的影响最大。从R数值可知,两个自变量解释结果变量变异的70.7%,说明模型的拟合效果较好。结论利用加权最小二乘法剔除方差因素影响后建立的多重线性回归模型在分析医院职工总人数因素中有较好的效果,结果比较准确,可以为医院相关工作者提供方法和模型参考。     

相对权重法在线性模型自变量相对重要性中的估计及其应用

目的 在多元线性回归模型中,估计自变量的相对重要性.方法 运用相对权重法估计各变量的相对重要性,并应用于肝手术病人预计存活时间影响因素的评价.结果 血凝素、预后指数、酶功能的相对权重分别为:0.142、0.341、0.489；各变量对存活时间的贡献比例分别为:14.6％、35.1％、50.3％.结论 酶功能对肝手术病人预计存活时间的影响最大,其次为预后指数,血凝素最小.当自变量间存在相关时,相对权重法估计的自变量相对重要性结果更稳定精确,更加符合实际情况.     

迭代广义最小二乘法的建立及其在重复测量数据中的应用

线性回归模型是处理两个或两个以上变量间线性依存关系的统计方法,是医学研究中最常用的统计学模型之一.在确定了线性回归模型的形式,又确定了自变量选取的情况下,就需要对模型的各个系数进行估计以及对系数估计值的统计学意义进行探讨,在临床研究中有时还需要对不同回归系数估计值之间的差异是否有统计学意义进行检验.对回归系数的估计一般有矩估计、极大似然估计、最小二乘法估计、广义最小二乘法估计和两阶段广义最小二乘法估计等.