2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩98頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、目的:
  本研究旨在構(gòu)建一種新的統(tǒng)計方法,用以評價和度量等級風險預測模型的改善效果,以期為統(tǒng)計模型的評價及比較提供新的手段。
  方法:
  本研究基于風險分級,同時考慮新模型和原模型風險等級的變動方向和級數(shù),提出評價不同模型預測效果的新方法,應(yīng)用統(tǒng)計模擬比較新方法與現(xiàn)有方法的統(tǒng)計性能,最后經(jīng)實例驗證。
  (1)新指標的構(gòu)造
  本研究定義新指標—平均重分類改善(average reclassifica

2、tion improvement,ARI),即個體在新模型下相對于原模型,其風險等級的平均改善,用統(tǒng)計學語言可表示為:ARI=K∑i=1 Pi·vi其中,K為所有風險等級可能變動的組合數(shù),K=2H-1,H為風險等級數(shù),如當有3個風險等級時,K為5,即有5種可能的風險等級變動組合。
  記vi(i=1,2,…,K)為風險等級變動組合,最大變動范圍為-(H-1)~+(H-1),其相應(yīng)的概率向量P=(P1,P2,…,PK)。假定陽性及陰

3、性結(jié)局相互獨立,定義新模型相對原模型的ARI為ARI=ARIevents-ARInonevents=K∑i=1 Pi,events·vi-K∑i=1Pi,nonevents·vi其期望估計為ARI=ARIevents-ARInonevents=K∑i=1(P)i,events·vi-∑i=1(P)i,nonevents·vi。其方差估計var ARI由var ARIevent和var ARI nonevent分別估計,基于多項分布var

4、 ARIevents=K∑i=1v2i·var(P)i,events+2∑i≠j vi·vi cov(P)i,events,(P)j,events=K∑i=1 v2i(P)i,events/nevents-(K∑i=1 vi(P)i,evets)2/neventsvar ARInonevents=K∑i=1v2i·var(P)i,nonevents+2∑i≠jvi·vj cov(P)i,nonevents,(P)j,nonevents=

5、K∑i=1v2i(P)i,nonevents/nnonevents-(K∑i=1 vi(P)i,nonevents)2/nnonevents。假定陽性及陰性結(jié)局相互獨立,在原假設(shè)H0∶ARI=0成立的條件下,可構(gòu)造如下檢驗統(tǒng)計量:z=K∑i=1(P)i,events·vi-K∑i=1(P)i,nonevets·vi/√K∑i=1v2i(P)i,events/nevents+K∑i=1v2i(P)i,nonevents/nnonevent

6、s在大樣本情形下,檢驗統(tǒng)計量近似服從正態(tài)分布。
  (2)模擬研究
  具體參數(shù)設(shè)置為:
  樣本量(n):500,1000,3000;
  陽性事件率(PD):0.05,0.10,0.30;
  X的效應(yīng)(ORX): ORx=1.5,2,3,4,5,6,7,8,9;
  M的效應(yīng)(ORM): ORM=1,1.25,1.5,1.75,2,2.5,3,4,6,8;
  其中,X為現(xiàn)有強預測因子或常

7、用預測因子的線性組合(linear combinationof predictors),M是具有潛在預測價值的新協(xié)變量。X及M分別從標準正態(tài)分布N(0,1)中隨機產(chǎn)生?;趌ogistic回歸模型進行模擬研究。各參數(shù)情形下均模擬5000次。
  風險分級:本研究考慮兩種情形,四分類情形下風險等級設(shè)置為<5%、5%到<10%、10%到<20%以及≥20%;在三分類情形下風險等級設(shè)置為<5%、5%到<20%以及≥20%。
  結(jié)

8、果:
  ARI的統(tǒng)計性質(zhì):從標準差估計及Ⅰ類錯誤評價。
  1)標準差估計:當陽性事件率PD=0.05及PD=0.1時,ARI標準差的估計比較準確;當PD=0.3時,ARI標準差的估計略微偏小。
  2)Ⅰ類錯誤:風險等級為四級時,當PD=0.05時,ARI檢驗統(tǒng)計量的正態(tài)分布性質(zhì)不夠理想;當PD=0.1及PD=0.3時,其正態(tài)近似都較好。在相對極端的參數(shù)情形下(如PD=0.05,n=500),ARI的Ⅰ類錯誤在0.

9、0171~0.0380范圍內(nèi),小于設(shè)定的檢驗水準0.05;在其它情形下,ARI的Ⅰ類錯誤在0.0329~0.0621范圍內(nèi),除少數(shù)情形控制不佳外,其余基本在模擬允許的誤差范圍內(nèi),說明Ⅰ類錯誤控制較好。風險等級為三級時與四分類的結(jié)果相似。
  ARI與其它方法的比較:主要與常用評價方法NRI和AUC進行比較。
  1)與NRI的比較:
  Ⅰ類錯誤:多數(shù)情形下,兩種方法的Ⅰ類錯誤均控制較好,基本在模擬允許的誤差范圍內(nèi)。在

10、相對極端的參數(shù)情形下(如PD=0.05,n=500),NRI的Ⅰ類錯誤率在0.0269~0.0558范圍,ARI的Ⅰ類錯誤率在0.0259~0.0558范圍,兩種方法均偏保守。
  檢驗效能:當PD=0.05及PD=0.1時,NRI及ARI的檢驗效能基本一致;當PD=0.3時,ARI的檢驗效能較NRI提高0.2%~1.6%,平均提高0.5%。
  2)與AUC的比較:
 ?、耦愬e誤:配對樣本AUC檢驗的DeLong法偏

11、保守。
  檢驗效能:當PD=0.05及PD=0.1時,ARI與DeLong法的檢驗效能基本一致,有些參數(shù)情形下后者更高些(如n=1000,PD=0.1);PD=0.3時,ARI的檢驗效能比DeLong法平均提高為5.7%。
  實例分析:實例為探究尿血管緊張素原(uAGT)、尿白蛋白肌酐比(UACR)能否提高對急性復合性心臟衰竭病人發(fā)生AKI的預測效果。
  AUC的比較:不含uAGT的原模型M0(含年齡、性別、慢性

12、病腎臟病、血清白蛋白、N端前腦鈉肽和中性粒細胞明膠酶相關(guān)脂質(zhì)運載蛋白),其AUC為0.814;含有uAGT的新模型M1(M0+uAGT),其AUC為0.874,兩者之差為0.06,差異有統(tǒng)計學意義(DeLong檢驗,P<0.001);含有UACR的新模型M2(M1+UACR),其AUC為0.874,與M1相比,無統(tǒng)計學差異(DeLong檢驗,P=1.000)。
  風險等級改善:考慮分四個風險等級的情形,M1 V.S.M0:有NR

13、I=0.302(P<0.001),ARI=0.423(P<0.001),對ARI的解釋為將uAGT加入原有模型后,所有病例的平均風險改善等級為0.423,而NRI無直觀解釋;M2 V.S.M1:其ARI=0.0(P=0.997),NRI=0.0(P=0.997)。UACR不能提高模型的預測效果。
  從實例中可以看出,uAGT能改善風險分級,而UACR不能,故M1為相對最優(yōu)模型。
  結(jié)論:
  本研究針對風險等級預測

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論