首页 > 文献资料
-
简单线性相关与回归分析错误辨析与释疑
通过揭示大量相关与回归分析方面的错误案例,说明重视基本概念和基本步骤,对于正确应用线性相关与回归分析方法是至关重要的.由于很多人极度贫乏有关的基本知识,现行的很多统计学教科书在这方面又十分薄弱,因此,广大实际工作者加强这方面知识的学习,是十分必要的.
-
血糖监测的细节
在门店服务中,会发现60%以上的客户不会测血糖,所以指导客户依据自身情况安排血糖监测频率,找到血糖异常点是关键的服务项目.血糖监测的频率应由患者病情的实际需要来决定,过多过少皆不科学.一般来讲,对血糖控制要求越高(如妊娠期间),血糖越不稳定,越需要加强血糖监测.如何安排血糖监测的频率对于血糖控制比较稳定的患者,血糖监测的间隔可拉长一些,可以每周测定一次空腹血糖和餐后2小时血糖,每隔2~3周安排一天测定全天血糖谱:即三餐前、三餐后2小时及睡前血糖,必要时还可加测凌晨3点的血糖.
-
关于SAS与SPSS软件中的异常点诊断
目的介绍利用SAS和SPSS软件诊断不同空间内的异常点.方法通过SAS和SPSS软件实现对异常点的诊断.结果阐述应用SAS和SPSS软件诊断异常点,并且应用两个软件中的诊断方法,来说明诊断是在两个软件实现结果中的相互关系.
-
稳定回归-分光光度法同时测定3组分食用色素
食用合成色素常混合使用.用光度法测定时,干扰往往较严重.应用以小二乘法为准则的多波长线性回归光度法.可同时测定多组分混合物[1,2].但小二乘法受异常点影响显著,且对测量波长的位置等条件要求严格.稳定回归法能改进小二乘法的上述不足[3].本文利用以小-乘法为准则的多波长稳定回归光度法,建立了一种定量分析吸收光谱严重重叠的3组分混合色素的方法,用于混合标准试样及市售饮料中食用合成色素的测定,并与小二乘法进行对比,结果满意.现介绍如下.
-
变系数模型中稳健估计方法的比较和应用
目的 在变系数模型中比较七种常见的稳健估计方法与小二乘法的表现,为变系数模型中估计方法的选择提供依据.方法 通过R软件随机模拟,以变系数模型产生数据并对其进行污染,比较稳健估计方法和小二乘法估计结果的偏差、方差、均方误差以及积分均方误差的差异.结果 当数据存在扰动时,尤其是存在X方向上的异常点时,M-Huber、小绝对离差(least absolute deviation,LAD)估计、MM以及R这几种稳健方法的四项指标几乎都小于小二乘法,其中,MM表现好.而小截断平方法(least trimmed squares,LTS)、小中位数平方法(least median ofsquares,LMS)以及S由于在R软件中稳定性较差,并不适用于变系数模型.结论 在变系数模型中,当有异常点存在时,采用MM估计能得到更加准确的结果.
-
logistic回归诊断
由于构建回归模型都是建立在某种假设之上的,因此对于任何回归模型,都须考察其拟合度(goodness of fit),即拟合优度检验,主要是计算一些综合统计量(如Pearsonχ2、Deviance D2、H-L2值)。同时还须考察构成模型的每一个协变量组合(covariance pattern)对模型的效应,包括识别异常点(outlier)、高杠杆点(high leverage case)以及强影响点(influence point),即所谓的回归诊断。本文主要介绍logistic回归诊断中常用的诊断量。
-
医疗管理中如何应用质量控制图
本文结合本院医疗指标具体完成情况,针对全院近两年治愈者平均住院日应用SPLM统计软件和Ex-cel绘图软件制作分析质控图进行控制,凡在控制限范围内的属正常波动,超出控制范围的属异常波动,剔除异常点,重新计算中心限及控制限,制作管理质控图.
-
时间序列的异常点诊断方法
时间序列是指按照时间先后顺序排列的各个观测记录的有序集合,广泛存在于商业、经济、工程、社会科学和医学等领域.随着时间的推移,时间序列通常包含大量的信息,是建模和预测的主要依据.对时间序列进行分析,可以揭示事物运动、变化和发展的内在规律,对于人们正确认识事物并据此做出科学决策具有重要的现实意义.但在分析时间序列时,经常会发现一些特殊的数据或者数据段,它们的波动与数据集中其他数据的波动有着显著的不同,这种极少出现的数据点或者数据段就称为异常点.Box等(1994)[1]指出异常点对时间序列的模型识别、参数估计、诊断检验乃至预测都有重要的影响.自1972年A.J-Fox在时间序列中首次定义异常点以来,国内外已有大量相关的研究文献[2-7].若序列中含有异常点,就会使传统的建模、估计及检验方法陷入困境,从而给不出准确的预测和控制.因此,近年来关于时间序列中的异常点诊断问题受到统计学界的重视.
-
多元回归分析肺吸虫囊蚴脱囊影响因素中有关异常点的探讨
目的:探讨准确发现、合理处理实验资料中异常点,资料满足多元线性回归分析条件,确保分析结果真实可靠.方法:采用残差图、残差分析、影响分析、稳健回归及根据专业知识判断.结果:第一组资料所对应的点为异常点,删去异常点,小二乘法建立的方程与稳健回归建立的方程一致.结论:多种方法结合判断异常点,进一步提高了专业结论的科学性.
-
标准工作曲线性回归中异常点的判别和两两比较的计算机软件
实验室标准工作曲线的处理广泛采用一元线性回归分析,所得统计参数既可估计工作的精密度,又可用来进一步了解工作的可比性.但由于干扰效应、操作失误、分析方法稳定性等原因,往往会使数据产生偏离线性回归模型的异常点.如何判别和剔除工作曲线的异常点,目前尚未很好地解决.另一方面,在对同一项目分析过程中,又由于仪器稳定性、操作者的改变、操作失误等原因,常发现某一工作曲线偏差较大,制作不理想.在这种情况下,分析工作者有必要对其变化作必要的统计处理.而对回归曲线比较的统计处理复杂,表现性差,严重地妨碍了分析工作者的工作效率.
-
主成分回归中异常点的二步诊断法及其医学应用
[目的]探讨对主成分回归中存在的异常点的诊断方法.[方法]利用PCR的二步诊断法计算出诊断统计量Iij(α)和主成分Cook距离PCDi,通过其值的大小来判定是否为异常点.[结果]在实施PCR的数据中,二步诊断法可以比较好地诊断出异常点.[结论]该诊断方法不仅可以诊断出X空间的异常点,且可以诊断出Y空间的异常点,是一种可行的且易于操作的主成分回归中异常点的诊断方法.
-
多重线性回归分析的核心内容与关键技术概述
目的 本文目的是概述多重线性回归分析的核心内容与关键技术.其核心内容有以下四点:第一,构建多重线性回归模型的方法和求解参数的方法;第二,进行回归诊断的意义和方法;第三,筛选自变量的意义和方法;第四,评价模型拟合效果的方法.其关键技术是如何基于经典统计思想、贝叶斯统计思想和机器学习统计思想实现多重线性回归分析.