مقایسه روش بیزی (Bayesian) و کلاسیک در برآرد پارامترهای مدل رگرسیون لجستیک با وجود مقادیر گمشده در متغیرهای کمکی
Publish place: Journal of School of Public Health and Institute of Public Health Research، Vol: 4، Issue: 2
Publish Year: 1385
نوع سند: مقاله ژورنالی
زبان: Persian
View: 83
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SJSPH-4-2_003
تاریخ نمایه سازی: 21 مرداد 1402
Abstract:
زمینه و هدف: رگرسیون لجستیک ابزاری تحلیلی است که بطور وسیعی در تحقیقات پزشکی و اپیدمیولوژیک کاربرد دارد. در بسیاری از مطالعات با مجموعه داده هایی مواجه می شویم که بخشی از آنها گزارش نشده اند یا به عبارت دیگر گمشده می باشند. ساده ترین روش برای تجزیه و تحلیل چنین داده هایی صرف نظر کردن از موردهای دارای مقادیر گمشده و ادامه آنالیز با داده های کامل می باشد که این روش، در عمل کارآمد نیست.روش کار: در این مطالعه روشی برای آنالیز مدلهای رگرسیون لجستیک وقتی که مقادیر متغیر کمکی Z به طور کامل مشاهده شده و مقادیر متغیر کمکی X برای برخی از افراد تحت مطالعه گمشده باشند ارایه شده است. وقتی مقادیر X به طور تصادفی گمشده (MAR) باشند، مدل تابع درست نمایی ارایه شده برای کل داده های مشاهده شده موجود، همانند زمانی که داده ها کامل و بدون گمشدگی اند، عمل می کند.نتایج: با بکار بردن این تابع درستنمایی، برآورد پارامترها هم به روش ماکزیمم درستنمایی و هم به روش بیزی با استفاده از تکنیک زنجیره های مارکوف مونت کارلویی (MCMC) انجام و مقادیر بدست آمده مقایسه گردیده اند. داده های این مطالعه مربوط به اطلاعات سمع ریه به دست آمده از طرح سلامت و بیماری در شهر تهران می باشد.نتیجه گیری: برآوردهای حاصل از مدل ارایه شده در این مطالعه و آنالیز آن به روش بیزی نسبت به سایر روشهای برآورد، مقادیر نزدیکتری به برآوردهای مدل استاندارد برای داده های کامل داشتند.
Keywords:
Missing At Random (MAR) , Markov Chain Monte Carlo (MCMC) , Bayesian Method , Respiratory Diseases , رگرسیون لجستیک , گمشدن تصادفی (MAR) , ماکزیمم درستنمایی , زنجیره های مارکوف مونت کارلویی (MCMC) , روش بیزی , اختلالات تنفسی