检索结果-南通市图书馆

Lasso方法在基于行为决定因素的宫颈癌早期检测中的应用

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

应用数学进展 2022年第2期11卷 781-789页

作者：黄登香卢春婷广西金融职业技术学院广西南宁

宫颈癌是世界上严重危害女性健康的恶性肿瘤之一,所幸的是,这种疾病是可以预防的。预防或早期发现是一个具有挑战性的难题,本文利用Lasso方法、adaptive Lasso方法、elastic net方法和adaptive elastic net方法通过宫颈癌行为风险数据... 详细信息

宫颈癌是世界上严重危害女性健康的恶性肿瘤之一,所幸的是,这种疾病是可以预防的。预防或早期发现是一个具有挑战性的难题,本文利用Lasso方法、adaptive Lasso方法、elastic net方法和adaptive elastic net方法通过宫颈癌行为风险数据集建立Logistic模型,以帮助进行宫颈癌早期检测和筛查。从实验结果看,Lasso方法表现更优。

关键词： Lasso adaptive Lasso elastic net adaptive elastic net 宫颈癌早期检测

生存数据中基于加速失效时间模型的亚组识别策略

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

生存数据中基于加速失效时间模型的亚组识别策略

作者：康佩南方医科大学

学位级别：硕士

背景亚组识别是精准医学的重要手段,生存数据是临床试验中极为常见的资料类型,如何对这类数据中潜在的获益亚组进行可靠的甄别是亟待解决的问题。对于该类数据的亚组识别,常用的Cox 比例风险模型的前提假设有时是不成立的,而加速失效时... 详细信息

背景亚组识别是精准医学的重要手段,生存数据是临床试验中极为常见的资料类型,如何对这类数据中潜在的获益亚组进行可靠的甄别是亟待解决的问题。对于该类数据的亚组识别,常用的Cox 比例风险模型的前提假设有时是不成立的,而加速失效时间(Accelerated Failure Time,AFT)模型不需要满足该假定,可以作为替代模型。在生存分析中,常规的模型通常适合于协变量少而样本量多的数据。而对于协变量数量超过样本量的数据,常规模型不再适用,需考虑惩罚模型。因此,本研究探索了单变量AFT模型和引入adaptive elastic net的惩罚AFT模型在生存数据中亚组识别的能力。目的针对临床试验中的右删失生存数据,基于AFT模型提出一种新的亚组识别策略。方法在单变量AFT模型以及引入adaptive elastic net的AFT模型(惩罚模型)中,通过检验协变量与治疗组别的交互项来识别亚组相关协变量;并在单变量模型中通过Benjamini-Hochberg法来控制错误发现率。基于所筛选的亚组相关协变量计算患者的预测得分。基于change-point算法建立分类器寻找预测得分的截断点以对患者进行亚组划分。采用适应性设计对所识别的获益亚组的治疗效果进行评价。通过模拟研究,(1)对比含/不含协变量主效应的单变量模型,结合不同分类器在不同样本量、删失比例、亚组比例下的亚组识别效果。(2)对比含/不含协变量主效应的单变量模型和惩罚模型,结合change-point算法在样本量不超过协变量个数(n≤p)、样本量远大于协变量个数(n>p)数据中,不同情形下的亚组识别效果。结果模拟结果显示,(1)不同情形下,不含协变量主效应的单变量模型优于含主效应的单变量模型;亚组比例小于0.5时,基于change-point算法的分类器优于基于中位数的分类器。(2)含协变量主效应的惩罚模型优于不含主效应的惩罚模型;在样本量较小、删失率较高以及样本量不超过协变量个数(n≤p)的情况下,含协变量主效应的惩罚模型在获益亚组的识别上有明显的优势;而其他情况下,则是不含主效应的单变量模型较优。在二阶段适应性设计中,含协变量主效应的惩罚模型、不含主效应的单变量模型的Ⅰ类错误都能控制在0.05左右。当潜在获益亚组时,相比于传统设计,适应性设计很大程度上提高了检验效能。结论不含协变量主效应的单变量AFT模型、含协变量主效应的惩罚AFT模型适用于生存数据的亚组识别。在样本量不大、删失率不低以及n≤p的情况下,后者占优;而其他情况下则是前者占优。相比于传统设计,二阶段适应性设计更适用于潜在获益亚组的疗效评价。

关键词：加速失效时间模型 adaptive elastic net 亚组识别策略右删失生存数据适应性设计 change-point算法

基于混合截断正态分布的分层贝叶斯分位数回归模型及变量选择

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于混合截断正态分布的分层贝叶斯分位数回归模型及变量选择

作者：王帅兰州财经大学

学位级别：硕士

高维数据广泛存在于人们日常生活的各个领域,如社会经济、生物医学、信号处理等等。高维数据通常具有强相关性、数据维度高以及尖峰厚尾分布等特征。高维数据的建模分析也是现代统计学研究的热点和前沿问题。随着感兴趣变量的增多,选择... 详细信息

高维数据广泛存在于人们日常生活的各个领域,如社会经济、生物医学、信号处理等等。高维数据通常具有强相关性、数据维度高以及尖峰厚尾分布等特征。高维数据的建模分析也是现代统计学研究的热点和前沿问题。随着感兴趣变量的增多,选择对响应变量有显著影响且具有较强解释力的变量,提高联合模型的拟合精确度,是统计学中的变量选择问题。本论文研究了分层贝叶斯分位数回归模型在混合截断正态分布条件下的变量选择问题,并通过模拟计算对比分析了这种变量选择方法的优良效果。本论文在变量选择现有模型基础上,基于非对称Laplace分布的混合截断正态分布表达形式,提出了新的Lasso、adaptive Lasso、elastic net和adaptive elastic net分位数回归模型。论文通过贝叶斯分析方法,用Gibbs抽样得到了模型参数的后验分布,进而筛选出了响应的显著影响变量。论文通过数值模拟和真实数据分析,比较不同模型之间变量筛选的优缺点。模拟分析表明,存在大量预测因子、共线性和异质性等情况下,这种基于混合截断正态分布的贝叶斯adaptive elastic net分位数回归模型应用于变量选择时表现最佳。

关键词：贝叶斯惩罚分位数回归 Gibbs抽样 adaptive elastic net 混合截断正态分布

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

几种变量选择方法在Cox模型中的应用

几种变量选择方法在Cox模型中的应用

作者：韦新星广西大学

学位级别：硕士

在生存分析中,Cox模型是处理生存数据的经典模型.随着大数据的盛行,人们面对高维、强相关生存数据的机会越来越多.如何克服传统Cox模型不能处理上述生存数据的缺陷,已成为统计学界共同关注的热点.为解决这一问题,本文将变量选择中比较... 详细信息

在生存分析中,Cox模型是处理生存数据的经典模型.随着大数据的盛行,人们面对高维、强相关生存数据的机会越来越多.如何克服传统Cox模型不能处理上述生存数据的缺陷,已成为统计学界共同关注的热点.为解决这一问题,本文将变量选择中比较重要的两种方法应用于Cox模型中,即elastic net方法和adaptive elastic net方法.具体研究内容及结果如下：一方面,由于elastic net方法能有效处理高维小样本、强相关变量组数据,本文将其运用于Cox模型的变量选择中,探讨Cox模型下elastic net估计的组效应性质,证明得到elastic net方法能将强相关变量组中的变量全部选入模型,即具有组效应性质.通过数值模拟,验证了elastic net估计具有组效应性质,而Lasso方法无此功效.通过具体实例,肯定了elasticnet方法运用于Cox模型的可行性,验证了elastic net方法的拟合效果和预测能力均优于逐步法,表明了与elastic net方法结合后的Cox模型优于传统Cox模型.另一方面,由于adaptive elastic net方法对零变量的估计优于elastic net方法,本文将adaptive elastic net方法运用于Cox模型的变量选择中,探讨Cox模型下adaptive elastic net估计的组效应性质及Oracle性质,证明得到adaptive elastic net方法能将强相关变量全部选入模型,且对零变量的处理更准确,即具有组效应性质及Oracle性质.通过数值模拟,验证了在拟合效果和精确度方面,adaptive elastic net方法优于Lasso方法、adaptive Lasso方法和elastic net方法.

关键词： Lasso adaptive Lasso elastic net adaptive elastic net Cox模型

纵向数据模型的变量选择及其在网络营销中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

纵向数据模型的变量选择及其在网络营销中的应用

作者：许丽庆广西大学

学位级别：硕士

在互联网大数据的背景下,纵向数据因其能将截面数据和时间序列数据有效的结合起来,所以在网络营销中占有非常重要的地位.特别在网络营销中也经常会由于高维数据的稀疏性,导致高维空间中的数据处理方法与低维空间中存在显著差异,有必要... 详细信息

在互联网大数据的背景下,纵向数据因其能将截面数据和时间序列数据有效的结合起来,所以在网络营销中占有非常重要的地位.特别在网络营销中也经常会由于高维数据的稀疏性,导致高维空间中的数据处理方法与低维空间中存在显著差异,有必要进一步解决和研究.传统技术在大数据环境下并不能很好地对高维数据进行研究,因此本文将新型的变量选择方法与传统的纵向数据结合,具体的研究内容和结果如下:首先,将elastic net方法应用于网络营销中经常出现的纵向数据,不仅能够更好地理解大数据对各种营销活动的影响,同时也让企业更好地发挥其有效性.证明了平衡纵向数据模型的elastic net估计具有组效应性质.数据模拟验证了 elastic net方法能将强相关变量全部选入纵向数据模型,而Lasso方法无此功效.其次,尽管elastic net方法相对于Lasso方法在处理强相关变量组问题时具有显著的优越性,但二者均不具备Oracle性质.本文将adaptive elastic net方法与纵向数据模型进行结合,证明了 adaptive elastic net方法能更有效的处理强相关变量和零变量,即具有组效应性质及Oracle性质.并通过数值模拟,表明了 adaptive elastic net方法与纵向数据模型结合后的估计值明显优于Lasso方法和elastic net方法.最后,我们利用网络营销中广告点击率的实际例子,将纵向数据与广告点击率相结合,利用elastic net方法进行变量选择,筛选出重要的关键词,从而更好的提高广告点击率.表明elastic net方法用于纵向数据模型是可行的,且模型的拟合效果和预测能力均强于传统的纵向数据模型.同时它还实现了 elastic net方法在网络营销中的应用.

关键词： elastic net adaptive elastic net 纵向数据模型变量选择网络营销