临床纵向数据缺失的随机效应模式混合模型及SAS实现

目的:临床纵向研究经常发生数据缺失,但处理起来较为棘手。本研究欲阐明一种随机效应模式混合模型用于纵向数据缺失的分析方法。方法:介绍随机效应模式混合模型的原理,给出构建缺失模式变量的方法,借助一个临床试验实例介绍方法的应用和SAS实现过程,并与随机效应模型方法进行比较。结果:随机效应模式混合模型引入缺失模式变量,考虑了缺失的发生特点,其拟合效果优于随机效应模型。结论:随机效应模式混合模型可灵活、有效处理具有缺失数据的纵向研究数据,为敏感性分析提供了新的方法学支持。

基于机器学习的油松人工混交林单木地上生物量混合效应模型构建

利用现地调查数据,构建油松人工混交林单木地上生物量估算模型。通过野外调查,共获取了1313株油松人工混交林单木生物量实测数据,基于最小二乘法、线性混合效应模型和随机森林混合效应模型,分别构建油松人工混交林单木地上生物量模型。结果表明:1)线性混合效应模型(LME)和随机森林混合效应模型(MXRF)结果与普通最小二乘模型(OLS)相比,立地因子作为随机效应能够提升模型的解释能力;2)随机森林混合效应模型(MXRF)的决定系数(0.9907)大于线性混合效应模型(0.9347)和普通最小二乘模型(0.9332),且随机森林混合效应模型的均方根误差(RMSE)和平均绝对误差绝对值(MAE)均小于线性混合效应模型和普通最小二乘模型,说明MXRF模型拟合效果优于OLS模型;3)MXRF模型拟合克服了2种线性模型拟合中存在的异方差问题。本研究构建的模型较好地反映了油松人工混交林地上生物量与生长指标间的关系,形式简单、使用方便,可以为林分生长预测和可持续经营提供依据。

数据非随机缺失机制的混合效应模式混合模型分析与应用

目的阐明混合效应模式混合模型原理,实现数据非随机缺失机制医学纵向资料的模型分析。方法采用限制极大似然法进行参数估计,拟合含非随机缺失数据高血压随访资料的混合效应模式混合模型,利用SAS9.2完成模型参数估计与检验等。结果在混合效应模式混合模型(组间模型和组内模型)中得到四种缺失模式下的参数估计值及可信区间后,根据各缺失模式概率,求得参数总估计值。结论混合效应模式混合模型是分析数据非随机缺失机制资料的最佳选择。

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。

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.

不完全观测数据下混合效应模型的正交投影估计

基于矩阵的QR分解技术,对一类含有不完全观测数据的线性混合效应模型提出了一种基于正交投影的估计方法。在一些正则条件下,证明了固定效应参数的估计渐近服从标准正态分布,得到了固定效应参数的置信区间。另外,所提出的固定效应参数的估计过程不受随机效应的任何影响,具有较好的有效性和稳健性。最后,通过一些数值模拟和一个实例分析研究了所提出估计方法的有限样本性质。

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.

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.

具有随机约束的混合效应模型参数的岭型谱分解估计（英文）

对于具有随机线性约束的线性混合效应模型参数提出一种称之为条件岭型谱分解估计的方法.利用均方误差矩阵和广义均方误差对固定效应参数的几种估计量进行比较,给出条件岭型谱分解估计优于条件谱分解估计的充分条件,并给出这两种估计的相对效率的上下界.最后,模拟算例验证了理论结果的正确性.

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。

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。

基于长期气温模拟的混凝土坝变形预测混合模型

混凝土坝变形预测模型通常采用谐波函数模拟温度效应,但没有考虑不同年份坝体温度变化对混凝土坝变形的影响。针对此问题,利用有限元模型(FEM)计算水压分量,利用长期气温序列代替谐波函数计算温度分量。考虑混凝土坝变形过程的非线性特征,引入麻雀搜索算法(SSA)对随机森林回归(RFR)模型的参数进行优化,获取最优参数对混合模型进行训练,最终构建一种基于长期气温进行温度效应模拟的混凝土坝变形预测混合模型。结果表明,相较于RFR变形预测模型和基于统计学回归方法的变形预测模型,采用SSA优化RFR的变形预测混合模型具有更好的拟合效果和预测能力。

线性混合效应模型中随机效应密度的非参数估计

对于Tao等(1999)提出的一类线性混合效应模型,构造了随机效应密度的非参数估计,并证明了此估计量具有渐近无偏性.

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。

N-of-1无残留效应定量数据混合效应模型的模拟研究

目的通过对不同时间点间存在相关、无残留效应的N-of-1定量数据进行模拟研究,比较不同检验方法的统计性能。方法模拟参数设样本量为10(模型1),研究周期为3(模型2-4),不同时间点间相关系数为0.8(模型5-7),无残留效应,根据固定的效应差值产生多元正态分布数据,建立配对t检验、混合效应模型和差值的混合效应模型。使用效应差值估计值的Ⅰ类错误、检验功效、平均误差(ME),平均绝对误差(AE),均方误差(RMSE)评价各种模型。结果所有模型估计值的均数都非常接近效应差值,所有模型估计值的ME、AE、RMSE都较小。除了模型7,其他模型的Ⅰ类错误概率都约等于0.05。随着效应差值的增大,所有模型的检验功效都随之增大。当两组的效应差值较小时(<1.0),模型5的检验功效最大,模型2至模型4的功效较小。当两组的效应差值较大时(≥1.0),所有模型的功效都小于0.010。结论混合效应模型比配对t检验更适合存在相关关系的N-of-1数据。混合效应模型的效果优于差值的混合效应模型,效果最优的模型是CS结构的混合效应模型。

广义非线性混合效应模型的变离差检验

应用混合效应方法研究了广义族非线性模型的变离差检验问题 .对离散和连续两类指数族分布 ,提出了若干有效的检验统计量 .所有统计量都可用简单、便于计算的矩阵公式来表示 。

纵向数据混合效应模型的统计分析

本文研究了Tao等人在1999年提出的半参数混合效应模型,在不假设随机效应服从正态分布的条件下,用傅立叶变换的方法构造了随机效应的光滑非参数密度估计,给出了密度估计的公式,研究了其渐近性质,还构造了半参数混合效应模型中参数的估计方法并研究了其大样本性质。

两向分类随机效应模型中方差分量的非负估计

两向分类随机效应模型是一种有着广泛应用的统计模型,对其中的方差分量,经常使用方差分析法来估计。本文中,在均方损失意义下,给出了一种简单易行地改进ANOVA估计的方法,并给出了方差分量的正估计,这个估计在均方损失下一致优于ANOVA估计。

混合效应模型中的方差成分检验

在很多科学问题中需要在混合效应模型框架下对随机效应方差成分（暂记为τ^2）进行假设检验,也即检验H0：τ^2=0。除直接科学兴趣外,许多间接医学问题也能转化为对方差成分的检验。例如,为判断在惩罚样条回归中是参数模型还是非参数模型更合适,Claeskens首先建立混合效应模型,将模型选择问题转化为对随机效应方差成分是否等于零的假设检验问题,最后通过限制性似然比检验H0：τ^2=0。