multivariate regression
در نشریات گروه پزشکی-
امروزه میان صاحبنظران این توافق وجود دارد که هوش هیجانی در موفقیت افراد در حیطه های مختلف زندگی نقش به سزایی دارد. در مقابله با درخواست ها و فشارها در محیط کار نیز افرادی که هوش هیجانی بالاتری دارند کمتر دچار استرس می شوند. این پژوهش با هدف بکارگیری هوش مصنوعی برای پیش بینی استرس شغلی افراد و مقایسه عملکرد این مدل با مدل رگرسیون چند متغیره طراحی گردیده است. بدین منظور 892 نفر از بین افراد شاغل در گروه های شغلی مختلف به صورت تصادفی انتخاب شدند. سپس اطلاعات 15 بعد هوش هیجانی پرسشنامه بار-آن، 10 گروه شغلی و سن و تحصیلات به عنوان متغیرهای ورودی و 7 بعد پرسشنامه استرس شغلی HSE به عنوان متغیر خروجی در نظر گرفته شد. نتایج نشان داد که شبکه عصبی مصنوعی با الگوریتم پرسپترون با یک لایه میانی و 375 گره که از توابع تانژانت هایپربولیک در لایه میانی و سیگمویید در لایه خروجی، توانست به طور قابل ملاحظه ای موفق تر از رگرسیون چند متغیره استرس شغلی افراد را در حیطه های مختلف برآورد نماید. به نحوی که، همبستگی بین نمرات برآورد شده از مدل رگرسیون با مقادیر واقعی تنها بین 364/0-192/0 بود اما این مقدار برای مدل شبکه عصبی در کلیه ابعاد استرس شغلی بیشتر از 527/0 بود.
کلید واژگان: هوش هیجانی، استرس شغلی، شبکه عصبی مصنوعی، رگرسیون چند گانهIntroductionThese days, there is a consensus that emotional intelligence plays an important role in the success of individuals in different areas of life. Persons with higher emotional intelligence had lower stress in dealing with demands and pressures in the workplace. The purpose of this study was to use artificial neural network to predict job stress and to compare the performance of this model with the multivariate regression model.
Material and MethodsIn order to do that, 892 participants were selected randomly in different job categories. Then, 15 dimensions of Bar-On questionnaire, 10 job categories, age and education were considered as input variables and 7 dimensions of health and safety executive HSE were determined as output variables in models.
ResultsThe results revealed that an artificial neural network with hyperbolic tangent and sigmoid transfer functions respectively in hidden and output layers with 375 hidden neurons had significantly better performance than multivariate regression. So that, correlation of predicted values and job stress were only between 0.192-0.364 in regression model, but neural network had at least correlation 0.527 in all dimensions of job stress.
ConclusionIn predicting job stress using emotional intelligence, artificial neural network method was much better than multivariate regression model.
Keywords: Emotional Intelligence, Job Stress, Artificial Neural Network, Multivariate Regression -
شهر تهران به عنوان یک کلان شهر، به علت دارا بودن جمعیت زیاد و آلودگی شدید ناشی از منابع و آلاینده های گوناگون، در معرض آسیب های ناشی از آلودگی هوا قرار دارد. پژوهش بر روی آسیب های ناشی از آلودگی هوا در شهر تهران با توجه به آلاینده های مهم و شاخص های موثر امری ضروری به نظر می رسد. مطالعه حاضر با هدف پیش بینی ازن هوای شهر تهران انجام شد. با توجه به مضررات گاز ازن بر سلامت انسان و محیط زیست و افزایش آن در دهه های گذشته، بررسی و پیش بینی میزان آن در هوا از اهمیت بالایی برخوردار است. پیش بینی تراکم گاز ازن در هوا می تواند برای پیشگیری و کنترل توسط مسولان استفاده شود. این پژوهش از نوع روش تحلیلی-کاربردی بوده و با استفاده از داده های روزانه ازن ایستگاه های سنجش کیفیت هوای شهر تهران، هواشناسی، فضای سبز، ترافیکی و متغیرهای زمانی مثل تاخیر زمانی یک روزه به پیش بینی گاز ازن در کلان شهر تهران پرداخته است. در این راستا از مدل شبکه عصبی مصنوعی جهت پیش بینی غلظت گاز ازن با استفاده از نرم افزار MATLAB و با روش کدنویسی استفاده شد. در پایان نتایج مدل شبکه عصبی مصنوعی با مدل رگرسیون خطی مقایسه گردید. ضریب همبستگی و خطای جذر میانگین مربعات مدل شبکه عصبی 734/0 : R2 و566/0 RMSE: با معادلات رگرسیون 608/0 :R2 و 69/11 RMSE: مقایسه شد. بر اساس نتایج حاصل می توان عنوان نمود که خطای مدل شبکه عصبی کمتر از روش رگرسیون است. بر اساس نتایج آنالیز حساسیت پارامترهای فصل از سال، طول ساعات آفتابی به ترتیب بیش ترین تاثیر را در میزان تراکم گاز ازن در هوای شهر تهران دارند
کلید واژگان: آلودگی هوا، گاز ازن، شبکه عصبی مصنوعی، رگرسیون چند متغیره، آنالیز حساسیتIntroductionAs a metropolitan area in Iran, Tehran is exposed to damage from air pollution due to its large population and pollutants from various sources. Accordingly, research on damage induced by air pollution in this city seems necessary. The main purpose of this study was to forecast ozone in the city of Tehran. Considering the hazards of ozone (O3) gas on human health and the environment and its ascending trend over the past decades, it is also essential to study and predict its quantities in the air. Forecasting ozone in the air can be further used to prevent and control pollution by authorities.
Material and MethodsUsing an analytical-applied research method, this study was to predict ozone gas in this metropolitan area via daily ozone data of air quality measurement stations, traffic variables, green space, as well as time factors such as one-day time delay. In this regard, an artificial neural network (ANN) model was employed to forecast ozone concentration using the MATLAB software.
ResultsThe results of the ANN model were compared with a linear regression one. Correlation coefficient and root-mean-square error (RMSE) of the ANN model were subsequently compared with R2=0.734 and RMSE=0.56 as well as R2=0.608 and RMSE=11.69 regression equations.
ConclusionIt was concluded that the error in the ANN model was smaller than that in the regression one. According to the results of the sensitivity analysis of the season parameters, the length of sunshine hours had the most significant effect on the amount of ozone gas in Tehran air.
Keywords: Air pollution, Ozone gas, Artificial neural network, Multivariate regression, Sensitivity analysis -
یکی از موضوعات اساسی در بیمارستان ها، بررسی میزان کارایی و اثربخشی است. به این منظور، شاخص هایی متعدد ارایه شده است که به شاخص های عملکردی، معروف اند. اگر عملکرد بیمارستان ها، از لحاظ رعایت حقوق بیمار، به مشخصات دموگرافیک او وابسته باشد، نادیده گرفتن اثر شاخص های بیمارستانی، به عنوان عامل موثر سطح بالاتر بر میزان رعایت حقوق بیمار، ممکن است موجب نتیجه گیری هایی نادرست درباره ی این روابط شود. در چنین مواردی که داده های مورد مطالعه، به طور ذاتی، چندسطحی است، استفاده از مدل های آماری چندسطحی برای بررسی این نوع داده ها، مفید خواهد بود. نمونه ها، در طی سال 1394، از هشت بیمارستان دانشگاه علوم پزشکی تهران، به صورت خوشه ای دومرحله ای، جمع آوری شده اند. اطلاعات مربوط به میزان رعایت حقوق بیمار و اطلاعات دموگرافیک، از طریق پرسش نامه، از 375 بیمار جمع آوری گردید. میزان رعایت حقوق بیمار، توسط روش آماری چندمتغیره ی تحلیل عاملی، اندازه گیری شد. برای بررسی رابطه ی بین رعایت حقوق بیمار با برخی اطلاعات دموگرافیک، از مدل های رگرسیون خطی دوسطحی استفاده شد که سطح اول آن را عوامل دموگرافیک بیمار و سطح دوم را عوامل بیمارستانی تشکیل می دهند. میزان رعایت حقوق بیمار در بیمارستان ها، در سطح متوسط، رعایت شده بود. حدود شانزده درصد از واریانس متغیر وابسته ی میزان رعایت حقوق بیمار که مقداری زیاد است، به دلیل تغییرات در سطح بیمارستان است و بقیه ی تغییرات، در سطح فردی است؛ همچنین، متغیرهای درصد اشغال تخت، درصد شکایت و درصد فرار از بیمارستان، در سطح بیمارستان، آثاری شایسته ی توجه بر میزان رعایت حقوق بیماران دارند.
کلید واژگان: بیمار، بیمارستان های دانشگاه علوم پزشکی تهران، حقوق بیمار، رگرسیون چندسطحی، عوامل بیمارستانیOne of the main issues in hospitals is evaluation of efficiency and effectiveness. For this purpose, several indicators are presented, which are known as functional indicators. If the performance of hospitals depends on the patientchr('39')s demographic characteristics, overlooking effect of hospital indicators, as an effective factor at a higher level on the patient rights, may lead to inaccurate conclusions about these relationships. In such cases, where the data are intrinsically multilevel, the use of multi-level statistical models for this type of data is useful. Samples were collected from eight hospitals of Tehran University of Medical Sciences during 2013 in a two stage cluster. Data on patient rights and demographic information were collected from 375 patients by a questionnaire. The patientchr('39')s rights rate was measured by multivariate statistical analysis and factor analysis. Two-level linear regression models were used to examine the relationship between patientschr('39') rights and some demographic information. The first level was demographic factors and the second level was hospital factors. The results showed that rate of considering patientschr('39') rights in hospitals were in moderate level. About 16% of the variance of the dependent variable of patientchr('39')s rights, which was significant, is due to variations at the higher level of the hospital and other variations at the individual level. Furthermore, variables of bed occupancy, complaint rate, and hospital escape rate at the higher level (Hospital) have a significant impact on the patientchr('39')s rights.
Keywords: Patient, Patients' rights, Hospital factors, Hospitals of Tehran University of Medical Sciences, Multivariate regression
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.