利用线性混合随机效应模型评价临床疗效

讨论了线性混合随机效应模型在糖尿病临床试验重复观测数据中的应用,在病人初始入组时,采用不同治疗方案得到重复观测的血糖数据,根据数据的图示以及它们具有相关性的特点,采用线性混合随机效应模型拟合数据,通过参数和标准误差的估计构造检验统计量,对临床疗效进行评价,并给出一种能较客观地评价临床疗效的方法。

基于在线更新的线性混合效应模型的参数估计

本文考虑在线更新数据集下线性混合效应模型的参数估计问题,提出了对应的在线更新估计方法,并证明了所得估计量的相合性.通过数值模拟发现,在不同的参数设置下,该方法的表现良好.将该方法与全局估计进行对比发现,虽然该方法在估计误差方面的表现不如全局估计,但是该方法能适用于在线更新数据集的情形,且大大降低了估计量的估计时间,以及估计时对计算机存储性能与计算性能的要求.

基于正交投影的线性混合效应模型的弹性网变量选择

本文考虑线性混合效应模型的变量选择问题.通过结合QR分解和弹性网惩罚方法,提出了一种线性混合效应模型中固定效应的变量选择方法.先通过QR分解技术消除随机效应对模型的影响,再利用弹性网构造固定效应的惩罚最小二乘目标函数,从而同时进行回归系数的估计和变量选择,证明了所得估计的组效应性质.所提出的变量选择过程不仅可以将固定效应和随机效应分离,使得两者之间互不影响,而且拥有弹性网方法的组效应性质.模拟研究了所提出方法的有限样本性质.

置信区间宽度等高线图在线性混合效应模型样本量规划中的应用

线性混合效应模型在分析具有嵌套结构的心理学实验数据时具有明显优势。本文提出了置信区间宽度等高线图用于该模型的样本量规划。通过等高线图,确定同时符合检验力、效应量准确性以及置信区间宽度要求的被试量和试次数。结合关注被试内实验效应和被试变量调节效应的两类典型模型,通过两个模拟研究,采用基于蒙特卡洛模拟方法,探索效应量、随机效应大小和被试变量类型对置信区间宽度等高线图及样本量规划结果的影响。

非线性混合效应模型和广义线性模型拟合随机效应logistic回归的应用比较

在临床药物试验中药物疗效的评价经常遇到二分类资料,即反应变量有两个水平如有效、无效;成功、失败等。二分类变量服从二项分布,可采用logistic回归模型。运用logistic回归模型对分类资料进行分析,能给实际研究带来很多便利。与多元线性回归相比,logistic回归具有许多独特的优点,如对正态性和方差齐性不做要求,系数的可解释性等。

基于线性混合效应模型双惩罚变量选择研究老年人抑郁影响因素

目的应用线性混合效应模型双惩罚变量选择对老年人抑郁量表得分(GDS)进行分析,旨在研究老年人抑郁的主要影响因素。方法数据来源于美国国家阿尔茨海默协作中心,筛选2018—2023年期间连续随访5次以上的165人的830次随访结果。首先构建线性混合效应模型,然后采用双惩罚变量选择方法同时对固定效应和随机效应进行变量选择,利用坐标下降算法寻找最小的BIC、AIC、EBIC、BICC值,从而找到惩罚参数的最佳组合。结果惩罚参数的最佳组合为λ_(1n)=0.07,λ_(2n)=0.03。模型选择出固定效应:自理能力、静息心率、记忆力损伤,估计值分别为0.0574、0.0121、1.6232;性别、生活状况、烟龄、嗜酒等具有随机效应。结论研究结果表明受试者自理能力、静息心率、记忆力损伤与老年抑郁呈正相关,其中记忆力损伤对老年抑郁的影响最大。此外,老年抑郁影响因素存在个体差异性,个体差异性最大的因素是身高和视力损伤。最后针对变量选择结果本文给出了应对和预防老年抑郁的相关建议。

基于M估计的线性混合效应模型自相关和随机效应检验

对纵向数据的线性混合效应模型,用Fisher得分法得到了参数的M估计(稳健估计),给出了其渐近性质,研究了M估计下模型的自相关性和随机效应存在性检验问题,得到了检验的Score统计量,并通过葡萄糖数据的实例进行了分析论证.

油松树高-胸径非线性混合效应模型的构建

为准确预估油松林木树高生长,探究样地间林分状况差异及样地内观测变量的相关性对树高生长预测的影响,以西宁南北山油松针阔混交林为研究对象,采用2013、2016-2021年的固定样地调查数据,从9个备选树高-胸径模型中选择最优基础模型,根据多元逐步回归结果,加入大于对象木的胸高断面积之和(BAL)、Shannon树种多样指数(H_(ba))、林分总断面积(BA)、坡率和坡向的组合项(SLC)构建广义模型,同时考虑样地水平的随机效应再构建广义混合效应模型,分析比较3种模型,确定最优树高预测模型。结果表明:3种模型的拟合效果和预测精度均表现为广义混合效应模型最优,广义模型次之。广义混合效应模型预测结果表明,树高生长与BAL和H_(ba)呈负相关,与BA和SLC呈正相关;BAL、H_(ba)和SLC对树高预测的影响程度随胸径的增加而增加,BA对树高预测的影响程度随胸径的增加而减小;在胸径≤8 cm时树高增速最快,BAL、H_(ba)、BA越小且SLC越大,树高增速越快。本研究构建的油松树高-胸径广义混合效应模型可为西宁地区及相似生态区油松树高生长预估提供参考。

混合线性回归模型中固定效应和随机效应的G-M估计

文献[1～3]研究了模型（1）当k=1时固定效应β和随机效应ζ1的线性组合λ′1β+λ′2ζ1的估计问题,给出了其G-M估计的表达式;文献[4]考虑具有两个方差分量的情形,同时取消了λ1,λ2为列向量的限制。本文继续文献[1～4]的工作,给出模型（式（1））中线性可估计函数Sβ+A1ζ1+…+Akζk的G-M估计存在的充要条件及其G-M估计全体。

纵向数据下线性混合效应模型的贝叶斯变量选择

在纵向数据下讨论了如何采用贝叶斯方法将线性混合效应模型分别进行固定效应和随机效应选择的问题。针对固定效应选择,首先给出线性混合模型的似然函数,然后对于固定效应引入Spike-and-Slab混合先验,对于随机效应中的协方差矩阵给定Inverse-Wishart分布先验,运用二元潜变量标记固定效应中的活跃协变量,给出满条件分布及相应的Gibbs抽样算法。针对随机效应选择,采用Cholesky分解对线性混合模型中的协方差矩阵进行重新参数化,从而将随机效应分布的协方差参数函数作为标准正态潜在变量的回归系数,通过为随机效应协方差分解后的参数选择Spike-and-Slab混合先验,利用分层贝叶斯模型识别零方差的随机效应,给出满条件分布以及相应的Gibbs抽样算法。使用模拟数据说明方法的有效性,最后将模型应用于2017年2月至2018年2月的26家上市银行的实际数据,验证了方法的优良性。

基于非线性混合效应的华东地区主要优势树种林分水平树高-胸径模型

【目的】使用非线性混合效应(nonlinear mixed-effects,NLME)方法建立华东地区林分水平树高-胸径模型,提供一个较大地域尺度的林分树高预测工具,并与传统非线性回归方法比较,探索非线性混合效应方法在构建树高-胸径模型上的表现。【方法】基于华东地区7个省级单元国家森林资源连续清查数据,构建主要优势树种哑变量,采用非线性混合效应方法建立林分水平树高-胸径模型。【结果】非线性混合效应方法在训练集与测试集上均表现优秀,训练集R2、均方根误差(RMSE)和平均绝对偏差(MAE)分别为0.678 5、2.396 7 m和1.832 6 m,测试集R2、RMSE与MAE分别为0.673 8、2.352 0 m和1.798 5 m。与不加入随机效应的传统回归方法相比,混合效应模型在训练集中,R2提升了8.13%,MAE与RMSE分别下降了7.09%与6.87%;在测试集表现中,R2上升了7.75%,RMSE与MAE分别下降了6.61%和5.97%。【结论】使用非线性混合效应方法建立了华东地区主要树种的林分水平树高-胸径模型,最终模型的拟合精度和预测精度均优于传统回归模型,模型适用的覆盖区域较广,能够为森林经营实践提供依据。

线性混合模型中固定效应与随机效应线性组合两步预测的均方误差

对一般的线性混合模型,研究其固定效应与随机效应线性组合的两步预测问题,给出了两步预测均方误差的一个近似计算公式,为比较不同方差分量估计的优劣性进一步奠定了基础.

线性混合效应模型中方差分量的估计

本文首先研究了含三个方差分量的线性混合随机效应模型改进的ANOVA估计,此估计在均方损失下一致优于ANOVA估计,由于这些方差估计取负值的概率大于零,对得到的估计在某非负点采用截尾的方法得到非负估计是一种常用的方法。对文章中提出的估计,研究了此估计在某非负点截尾之后得到的估计在均方损失意义下优于截尾之前的估计的充分条件,同时给出ANOVA估计在截尾之后优于它本身的充分条件,而且将得到的结论推广到更一般的线性混合随机效应模型。

基于BP-L_(2)混合算法的线性混合效应模型在帕金森病语音信号中的应用

通过对帕金森病语音信号多重共线性纵向高维数据的预处理和分析,可为相关医疗机构提供重要信息。首先采用随机森林对数据进行预处理,得到降维数据集,通过相关性分析得知该数据存在多重共线问题;然后在BP神经网络中引入L_(2)正则化改变其目标函数,解决临床数据经常存在的数据多重共线性,以便更好地拟合线性混合效应模型;最后对比分析引入BP-L_(2)混合算法前后线性混合效应模型的AIC、BIC和-LogLik指标,证明引入该算法的优势。

非线性混合效应生长模型的拟合、随机效应预测和应变量预测间对应关系

【目的】在非线性混合效应模型的拟合、随机效应预测和应变量预测3个环节上,常用一阶泰勒近似法将非线性模型线性化,泰勒近似的基点一般为随机效应参数的数学期望或迭代终值。在林业中,3个环节的基点常常并不完全一致,并可能影响预测精度。本研究以树高生长过程为例,分析了不一致的基点对预测精度的影响程度。【方法】以加拿大哥伦比亚省美国黄松解析木数据为基础,以三参数Logistic为基本模型,随机抽取49株用于拟合,30株用于验证。采用R语言的nlme函数和SAS的nlmixed过程拟合模型。nlme函数以随机效应的数学期望为基点,而nlmixed过程则以迭代终值为基点。利用SAS的IML过程预测随机效应与应变量,并计算预测精度。以预测误差均方(MSPE)、平均相对误差(MPE)、平均相对误差绝对值(MAPE)作为评价预测精度的指标。【结果】预测随机效应与预测应变量的基点不同,预测精度将大幅度下降。【结论】预测随机效应和预测应变量的基点必须一致,且仅需二者一致,与模型拟合的基点基本无关。如果二者一致,以数学期望或迭代终值为基点对预测精度基本上无显著影响;如果预测随机效应和预测应变量的基点不同,将显著降低预测精度。

基于SCAD_L_(2)和SCAD混合惩罚的高维随机效应线性回归模型

大数据时代的到来,使得变量选择问题成为了当前统计界和各重要领域实际工作者研究的重点课题在许多实际问题中,由于数据间存在相关性或异方差,对高维模型进行变量选择时会产生较大的系统性偏差。该文考虑高维随机效应线性回归模型,改进了现有的基于双惩罚思想的变量选择方法,提出了基于SCAD_L_(2)和SCAD的混合惩罚方法,在一定程度上弥补了已有方法不同时具备分组效应和渐近性质的不足:给出了基于混合惩罚的随机效应线性回归模型的两步迭代算法.分别在信噪比和随机效应影响不同的情况下对模型进行蒙特卡洛模拟和实例验证.结果表明:与其他惩罚方法相比,该混合惩罚方法具有分组效应和渐近性质,表现出更优良的变量选择能力和系数估计效果,适用于高维随机效应线性回归模型.

基于混合效应模型的相容性削度-材积方程研究

为构建一个能够准确估计树干从地面到任意部位高度的直径和材积的相容性削度-材积方程,以吉林省汪清林业局金沟岭林场的冷杉解析木数据为例,选择基于材积比方程和基于积分方法这2种方法来构建相容性削度-材积方程系统。在模拟时,采用3种参数估计方法来估计2个系统中的削度方程、全树干材积和商品材材积方程的参数,并考虑样木间的随机效应。选择均方根误差和平均绝对残差等指标,对精度进行比较。最后发展出一个能够准确预测树干任意高度的直径、全树干材积和商品材材积的相容性削度-材积方程系统。结果表明,在2个相容性削度-材积系统中,采用削度方程参数估计方法提供了商品材材积和全树干材积的最差预测,似乎不相关参数方法在材积比方程方法构建的相容性削度-材积方程系统中的精度最高,商品材材积参数方法在积分方法构建的相容性削度-材积方程系统中的精度最高。2个相容性削度-材积系统中无论采用商品材材积参数估计方法还是削度方程参数估计方法,在考虑单木的随机效应后,模型的模拟和验证效果都得到很大的提高。基于积分方法的相容性削度-材积方程系统的模拟和验证精度要高于基于材积比方程方法的相容性削度-材积方程系统的模拟和验证精度。总体来说,相容性削度-材积方程系统可以保证削度方程、商品材材积方程和全树干材积方程在形式和算法上相容。

机器学习方法和线性随机效应混合模型在纵向数据预测上的对比

本文针对牛奶中所含蛋白质的纵向数据,利用R软件,运用机器学习方法中的决策树、boost、bagging、随机森林、神经网络、支持向量机和传统处理纵向数据的线性随机效应混合模型做预测对比。变化训练集并进行八折交叉验证,对得到的标准均方误差分析可知:对于该数据,无论是长期预测(训练集更大)还是短期预测,传统的方法远远不如机器学习方法,机器学习方法有很好的稳健性。

广义线性混合效应模型及其应用

[目的]探讨广义线性混合效应模型在医学研究领域中的应用。[方法]通过实例分析说明模型的实际应用。[结果]将实例中的多中心临床实验数据中不能直观观测到的中心的效应以随机效应项纳入模型来解决由于来自同一中心可能造成的观测间不独立的问题,模型很好地处理了此类数据。[结论]广义线性混合效应模型可以分析观测间相关、因变量为非正态分布的非独立数据。

红松树高-胸径的非线性混合效应模型研究

以吉林省汪清林业局的蒙古栎阔叶混交林和云冷杉阔叶混交林24块固定样地中的2 598株红松为研究对象,利用Chapman-Richards方程建立了不含随机效应与含随机效应的单木树高-胸径简单模型和广义模型。模型拟合和检验的评价指标主要包括调整决定系数(R_a^2)、平均相对误差绝对值(RMA)和均方根误差(RMSE)。对于混合效应模型,设计了随机抽取、抽胸径最大的树、抽胸径最小的树和抽平均木4种抽样方案计算随机参数,通过对比4种抽样设计下模型的误差统计量,分析了不同抽样设计下样本数量和预测精度的关系。结果表明:基于混合效应模型的红松单木树高-胸径模型拟合效果(简单模型的R_a^2在0.753~0.886之间,RMA在11.3%~15.1%之间,RMSE在1.38~2.01 m之间;广义模型的R_a^2在0.754~0.886之间,RMA在11.1%~15.0%之间,RMSE在1.38~2.01 m之间)优于不含随机参数的红松单木树高-胸径模型(简单模型的R_a^2在0.502~0.868之间,RMA在12.2%~17.8%之间,RMSE在1.42~2.65 m之间;广义模型的R_a^2在0.711~0.877之间,RMA在11.6%~17.2%之间,RMSE在1.41~2.10 m之间);包含随机效应的简单模型和广义模型拟合效果没有明显的差异,表明基于混合效应模型的单木树高-胸径简单模型可以很好地描述树高-胸径关系在不同森林类型、不同样地间的差异,因此不需要在树高-胸径模型中增加其他自变量;抽取平均木的抽样设计优于其他3种抽样设计,且抽取4株平均木时,预测精度提升最为明显,综合预测精度和调查成本的考虑,在实践中应用包含随机效应的红松树高-胸径模型时,推荐在样地中抽取4株平均木测量其树高来估计随机参数。