首页 > 文献资料
-
比例优势boosting算法在高维有序多分类数据分析中的应用
目的 探讨比例优势boosting算法在高维组学多分类有序数据中变量筛选和分类预测的应用.方法 通过模拟实验和实例比较比例优势boosting算法和其他常用的多分类boosting算法在变量筛选和分类效果中的差异.结果 模拟实验表明,比例优势boosting算法的变量筛选效果,尤其在小样本情况下要明显优于其他方式,分类效果略优于其他方式;实例数据分析结果表明,比例优势boosting变量筛选效果要优于其他方式,在分类效果上略低于随机梯度boosting, 但优于其他boosting方式.结论 比例优势boosting算法适用于高维有序多分类数据,具有实用价值.
关键词: 比例优势boosting 有序多分类 高维组学 -
有序多分类重复测量资料的广义线性混合效应模型分析
目的 探讨广义线性混合效应模型在有序多分类重复测量资料分析中的应用及SAS9.1的GLIMMIX和NLMIXED过程实现.方法 为了评价某新药治疗糖尿病神经病变的临床疗效,采用以安慰剂为对照的随机双盲临床试验.在各个随访时间记录各受试者的神经病变主觉症状总分,并根据减分率评定疗效.建立广义线性混合效应模型,并分别用线性化法和数值法积分近似法进行参数估计,利用SAS中的GLIMMIX和NLMIXED过程得以实现.结果 2种参数估计方法 结果 很接近.疗效的组间差别有统计学意义(P<0.000 1),试验组疗效优于安慰剂组;各个疗程间的疗效差别有统计学意义(P<0.000 1),且疗程越大疗效越好; 治疗前神经病变主觉症状总分对疗效有影响(P=0.061 3,接近显著性水平),其值越高,越容易治愈,提示病情严重的患者相比病情轻微的患者治愈效果更好.另外用数值法积分近似法还给出了随机截距和随机斜率的统计显著性检验.结论 采用广义线性混合效应模型对有序多分类重复测量临床资料进行统计分析,可以更客观的进行药物疗效评价.
关键词: 广义线性混合效应模型 重复测量 有序多分类 Glimmix Nlmixed