تحلیل دوسطحی با اثرات تصادفی چوله نرمال و مدل بندی داده های طولی

Authors

  • زایری, فرید گروه آمار زیستی، دانشگاه علوم پزشکی شهید بهشتی
  • غلامی فشارکی, محمد گروه آمار زیستی، دانشگاه تربیت مدرس
Abstract:

مدل سازی داده های دوسطحی با فرض نرمال بودن مولفه تصادفی و خطا انجام می شود. عدم برقراری این فرض باعث استنباط غلط در مورد پارامترهای مدل می گردد. در این مقاله، استفاده از خانواده توزیع چوله نرمال که خانواده ای انعطاف پذیرتر از توزیع نرمال است مطرح می شود. سپس در یک مطالعه شبیه سازی نشان داده می شود عدم در نظر گرفتن چولگی مثبت (منفی) در مدل باعث بیش برآوردی (کم برآوردی) عرض از مبدا و کم برآوردی (بیش برآوردی) شیب مدل می گردد سپس با مدل به دست آمده رابطه نوبت کاری و کلسترول خون تعیین می شود

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

ویژگی های توزیع چوله t- نرمال و مدل بندی داده های آلودگی تالاب شادگان

توزیع چوله t - نرمال که توسط گامز و همکاران (2007) معرفی شده است، دارای دم­های کلفت­تر و ضرایب چولگی و کشیدگی با برد وسیع­تر نسبت به توزیع چوله نرمال آزالینی (1985) است. برخی از ویژگی­های این توزیع توسط گامز و همکاران (2007) و لاین و همکاران (2009) مطرح گردیده است. در این مقاله ویژگی­های دیگری از توزیع چوله t - نرمال مورد بررسی قرار گرفته و چهار روش برای شبیه­سازی از این توزیع ارائه شده است. سپ...

full text

تحلیل بیزی مدل‌های رگرسیون بتای آمیخته‌ی افزوده با اثرهای تصادفی چوله-نرمال

مطالعه‌های بسیاری در حوزه‌های مختلف شامل داده‌هایی به‌صورت نرخ‌ها یا نسبت‌ها هستند که باید تحلیل شوند. این داده‌ها همچنین ممکن است شامل مقادیر صفر و یک نیز باشند. مدل‌های رگرسیونی بتای افزوده انتخاب مناسبی برای متغیرهای پاسخ پیوسته در بازه‌ی بسته‌ی [۰,۱] هستند. داده‌ها در این مدل بر اساس آمیختن سه توزیع شامل دو توزیع تباهیده در صفر و یک با چگالی بتا در بازه‌ی (۰,۱) مدل‌بندی می‌شوند. اثرهای تصاد...

full text

تحلیل ممیزی طولی با اثرات تصادفی برای پیشگویی پره اکلامپسی با استفاده از داده های هماتوکریت

چکیده زمینه و هدف: پره اکلامپسی سومین علت مرگ زنان باردار محسوب می شود و تشخیص زودرس آن از اهمیت زیادی در مطالعات بالینی برخوردار است. این مطالعه توان پیشگویی پره اکلامپسی را بر اساس داده های هماتوکریت طولی مورد ارزیابی قرار داده و دقت آن را با حالت مقطعی مقایسه کرده است. روش بررسی: این مطالعه به صورت همگروهی آینده نگر بر روی 650 زن باردار که از آبان 1389 تا مرداد 1390 که به درمانگاه مراقبت های...

full text

مقایسه کارایی واحدهای تصمیم گیرنده با توزیع نرمال و چوله نرمال به کمک تحلیل پوششی داده ها

با بکارگیری برنامه (dmu) روشی ناپارامتری برای تعیین کارایی واحد های تصمیم گیرنده (dea) تحلیل پوششی داده هاریزی ریاضی است. در اغلب تحقیقات گذشته در تحلیل پوششی داده ها با داده های تصادفی و غیرقطعی، فرض بر این یوده کهتوزیع احتمالی متغیرهای ورودی و خروجی نرمال است اما در مسایل کاربردی ممکن است این فرض برقرار نباشد. بنابراین،بکارگیری توزیع نرمال منجر به نتیجه گیری غلط و تصمیم گیری اشتباده خواهد شد....

full text

مدل های انصراف غیر قابل چشم پوشی برای داده های دودویی طولی همراه با اثرات تصادفی

داده های گمشده یک مسئله رایج در تحلیل مطالعات طولی است. آزمودنی های حاضر در مطالعه ممکن است در همه نقاط زمانی در دسترس نباشند و یا این که مطالعه را قبل از پایان آن ترک کنند. داده های گمشده غیرقابل چشم پوشی اغلب در مطالعات طولی همراه با اندازه گیری های تکراری رخ می دهند. در چنین شرایطی باید یک مدل توأم برای پاسخ ها و مکانیسم داده های گمشده تعیین گردد. داده های طولی نیازمند روش های آماری خاصی ه...

تحلیل بیزی مدل های رگرسیونی عرض از مبدأ تصادفی با توزیع لاپلاس- چوله

فرض متداول در برازش مدل های رگرسیونی عرض از مبدأ تصادفی، نرمال بودن توزیع مؤلفه های خطا و اثرهای تصادفی است. با توجه به این که غیرنرمال بودن این توزیع ها در کاربرد های تجربی امکان پذیر است مطالعه بر روی توزیع های منعطف تر از نرمال در سال های اخیر مورد توجه محققین قرارگرفته است. در این مقاله ما با در نظرگرفتن توزیع لاپلاس- چوله برای مؤلفه های خطا و اثرهای تصادفی، مدل رگرسیونی منعطفی را در برازش ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 7  issue 2

pages  233- 248

publication date 2014-03

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023