隆格达

纵向数据判别分析及其在医学诊断中的应用。纵向数据的分类方法具有识别优于基于横截面数据的分类器的潜力。最近,一元纵向二次判别分析(longQDA)被提出。它的核心思想是利用线性混合模型的边际均值和协方差矩阵作为判别规则的组特定插件估计量。本文研究了一些尚未解决的问题,如模型选择和多变量扩展。提出了一个用R语言实现的补充软件,它满足了最新的设计和用户需求。来自诊断研究的纵向生物标志物数据,评估其将患者分类为抗治疗或不作为激励应用的潜力。首先,我们比较了两种模型选择准则,以确定最合适的单变量线性混合模型结构,并量化了错误决策的相应偏差。第一个准则选择产生最佳分类性能的模型结构。第二种方法选择了贝叶斯信息最小准则的模型,并在仿真研究中取得了较好的效果。对于较长的数据剖面和具有随机效应的更复杂的纵向模型,错误决策的偏差更大。随后,我们给出了长QDA的多变量扩展,提出了两类参数化简洁的多元混合模型类:具有Kronecker积结构的多元随机效应模型和协方差模式模型。在数据的特殊设置下,第一个模型类使用单变量情况下实现的估计算法。Kronecker积模型的限制极大似然估计是通过数值约束优化算法实现的。最后,我们介绍了用于纵向数据二次判别分析的R包long QDA。除了本文提出的统计方法外,还支持从数据分析到结果报告的整个过程。S4-4软件具有良好的面向对象的概念性和可扩展性,具有良好的面向对象性和可扩展性。后一个质量标准被证明有两个特点:多变量数据设置的功能及其在模拟研究中的应用。

zbMATH中的参考文献(参考文献1条)

显示结果1/1。
按年份排序(引用)

  1. Kohlman,Mareike:纵向数据的判别分析及其在医学诊断中的应用(2010年)