目的探讨山东省结核病及其影响因素间的局域关系,为制定适宜的结核病防控策略提供依据。方法收集山东省2005—2008年各县区结核病登记报告资料和相关影响因素资料;采用全局空间自相关系数Moran’I检验区域结核病发病的空间自相关性;构...目的探讨山东省结核病及其影响因素间的局域关系,为制定适宜的结核病防控策略提供依据。方法收集山东省2005—2008年各县区结核病登记报告资料和相关影响因素资料;采用全局空间自相关系数Moran’I检验区域结核病发病的空间自相关性;构建地理加权回归(GWR)模型定量分析结核病登记率与各影响因素间的局域关系,并应用ArcGIS9.0绘制地图。山东省2005—2008年各县(区)活动性结核病登记率分别为12.79/10万~107.35/10万、16.01/10万~86.52/10万、17.36/10万~92.10/10万和17.86/10万~114.86/10万。结果空间自相关分析表明2005—2008年各县区结核病登记率在空间分布上具有明显的空间正相关关系(Moran’s I分别为0.3517、0.3505、0.3337和0.3116,P值均<0.05)。GWR模型分析显示其拟合效果优于全局OLS模型[赤池信息准则(akaike information criterion,AIC)下降均大于3,R2均增大],如2008年GWR模型与OLS模型的AIC和R2分别为1168.8380和1173.5410,0.3537和0.1350);各模型的R2均具有明显的空间变异性,如2008年R2为0.1162~0.1798。结论GWR模型能够揭示影响因素对结核病登记率影响的空间异质性;应根据各因素的空间分布特征及其与结核病登记率间的局域关系制定区域化的结核病防控规划和策略。展开更多
目的研究不同缺失率、不同缺失机制下,MICE(multivariate imputation by chained equations)多重填补的效果,探讨该填补方法的适用情况。方法依托某现况调查的完全数据,使用R软件构造不同缺失率、不同缺失机制的缺失数据。计算列表删除...目的研究不同缺失率、不同缺失机制下,MICE(multivariate imputation by chained equations)多重填补的效果,探讨该填补方法的适用情况。方法依托某现况调查的完全数据,使用R软件构造不同缺失率、不同缺失机制的缺失数据。计算列表删除和MICE多重填补后分析结果的标准偏倚,并进行比较。单独对分类变量计算多重填补后的平均错分率。结果在单变量缺失率分别为10%、20%和30%的随机缺失三种情况下,MICE多重填补表现优良;其他模拟情况下,MICE多重填补相比于列表删除并未表现出明显的优势。对于分类变量,MICE填补后的平均错分率均超过60%。结论对于随机缺失数据,且单变量缺失率不超过30%时,建议采用MICE多重填补进行处理;但对于资料中的分类变量,不建议直接引用MICE填补后的具体数值。展开更多
文摘目的探讨山东省结核病及其影响因素间的局域关系,为制定适宜的结核病防控策略提供依据。方法收集山东省2005—2008年各县区结核病登记报告资料和相关影响因素资料;采用全局空间自相关系数Moran’I检验区域结核病发病的空间自相关性;构建地理加权回归(GWR)模型定量分析结核病登记率与各影响因素间的局域关系,并应用ArcGIS9.0绘制地图。山东省2005—2008年各县(区)活动性结核病登记率分别为12.79/10万~107.35/10万、16.01/10万~86.52/10万、17.36/10万~92.10/10万和17.86/10万~114.86/10万。结果空间自相关分析表明2005—2008年各县区结核病登记率在空间分布上具有明显的空间正相关关系(Moran’s I分别为0.3517、0.3505、0.3337和0.3116,P值均<0.05)。GWR模型分析显示其拟合效果优于全局OLS模型[赤池信息准则(akaike information criterion,AIC)下降均大于3,R2均增大],如2008年GWR模型与OLS模型的AIC和R2分别为1168.8380和1173.5410,0.3537和0.1350);各模型的R2均具有明显的空间变异性,如2008年R2为0.1162~0.1798。结论GWR模型能够揭示影响因素对结核病登记率影响的空间异质性;应根据各因素的空间分布特征及其与结核病登记率间的局域关系制定区域化的结核病防控规划和策略。
文摘目的研究不同缺失率、不同缺失机制下,MICE(multivariate imputation by chained equations)多重填补的效果,探讨该填补方法的适用情况。方法依托某现况调查的完全数据,使用R软件构造不同缺失率、不同缺失机制的缺失数据。计算列表删除和MICE多重填补后分析结果的标准偏倚,并进行比较。单独对分类变量计算多重填补后的平均错分率。结果在单变量缺失率分别为10%、20%和30%的随机缺失三种情况下,MICE多重填补表现优良;其他模拟情况下,MICE多重填补相比于列表删除并未表现出明显的优势。对于分类变量,MICE填补后的平均错分率均超过60%。结论对于随机缺失数据,且单变量缺失率不超过30%时,建议采用MICE多重填补进行处理;但对于资料中的分类变量,不建议直接引用MICE填补后的具体数值。