مدل سازی داده های چندمتغیره طولی با استفاده از توابع مفصل جفتی واین
در برخی مطالعات پزشکی ممکن است چندین اندازه گیری بر روی هر بیمار داشته باشیم. در چنین شرایطی یکروش، به کارگیری اثرات تصادفی در مدل سازی داده ها است. گاهی این داده های طولی ممکن است برای چندین متغیرپاسخ اندازه گیری شود، در این حالت اگر چه می توان پاسخ ها را به صورت مجزا مدل بندی کرد اما چنین رویکردی موجبکاهش توان و کارایی در برآورد اثرات متغیرهای کمکی روی متغیر پاسخ می گردد. در چنین مدل هایی علاوه بر تحلیلوابستگی بین اندازه های مکرر مربوط به هریک از متغیرهای پاسخ، وابستگی بین پاسخ ها نیز باید مدل شود. از جملهروش هایی که در سال های اخیر توجه بسیاری از محققان را برای مدل سازی داده های چند متغیره به خود جلب کرده است،مدل سازی داده ها با استفاده از تابع مفصل است. از مهمترین مزیت های بکارگیری تابع مفصل نسبت به مدل سازی چندمتغیره طولی داده ها به روش کلاسیک این است می توان علاوه بر توزیع نرمال هر توزیع دیگری غیر از نرمال را به عنوانتوزیع های حاشیه ای در نظر گرفت. همچنین توزیع های حاشیه ای حتی می توانند توزیع های متفاوتی داشته باشند. درشرایطی که داده ها ساختاری چند متغیره داشته باشند یکی از راه های تشکیل توزیع های چندمتغیره استفاده از مفصل هایجفتی و این است. ما در این مطالعه با استفاده از تابع مفصل های مختلف به کمک مفصل های جفتی واین ساختار طولیچندمتغیره ای را تشکیل می دهیم و این مدل ها را با مدل حاصل از برازش تابع مفصل نرمال چند متغیره مقایسه می کنیم.سپس بهترین مدل را با استفاده از معیار اطلاع آکاییک معرفی کرده و در پایان مدل ارایه شده را بر روی داده های برآورداثر تغذیه بر رشد نوزادان به کار خواهیم گرفت.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.