版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、目的:
本研究旨在構(gòu)建一種新的統(tǒng)計(jì)方法,用以評(píng)價(jià)和度量等級(jí)風(fēng)險(xiǎn)預(yù)測(cè)模型的改善效果,以期為統(tǒng)計(jì)模型的評(píng)價(jià)及比較提供新的手段。
方法:
本研究基于風(fēng)險(xiǎn)分級(jí),同時(shí)考慮新模型和原模型風(fēng)險(xiǎn)等級(jí)的變動(dòng)方向和級(jí)數(shù),提出評(píng)價(jià)不同模型預(yù)測(cè)效果的新方法,應(yīng)用統(tǒng)計(jì)模擬比較新方法與現(xiàn)有方法的統(tǒng)計(jì)性能,最后經(jīng)實(shí)例驗(yàn)證。
(1)新指標(biāo)的構(gòu)造
本研究定義新指標(biāo)—平均重分類(lèi)改善(average reclassifica
2、tion improvement,ARI),即個(gè)體在新模型下相對(duì)于原模型,其風(fēng)險(xiǎn)等級(jí)的平均改善,用統(tǒng)計(jì)學(xué)語(yǔ)言可表示為:ARI=K∑i=1 Pi·vi其中,K為所有風(fēng)險(xiǎn)等級(jí)可能變動(dòng)的組合數(shù),K=2H-1,H為風(fēng)險(xiǎn)等級(jí)數(shù),如當(dāng)有3個(gè)風(fēng)險(xiǎn)等級(jí)時(shí),K為5,即有5種可能的風(fēng)險(xiǎn)等級(jí)變動(dòng)組合。
記vi(i=1,2,…,K)為風(fēng)險(xiǎn)等級(jí)變動(dòng)組合,最大變動(dòng)范圍為-(H-1)~+(H-1),其相應(yīng)的概率向量P=(P1,P2,…,PK)。假定陽(yáng)性及陰
3、性結(jié)局相互獨(dú)立,定義新模型相對(duì)原模型的ARI為ARI=ARIevents-ARInonevents=K∑i=1 Pi,events·vi-K∑i=1Pi,nonevents·vi其期望估計(jì)為ARI=ARIevents-ARInonevents=K∑i=1(P)i,events·vi-∑i=1(P)i,nonevents·vi。其方差估計(jì)var ARI由var ARIevent和var ARI nonevent分別估計(jì),基于多項(xiàng)分布var
4、 ARIevents=K∑i=1v2i·var(P)i,events+2∑i≠j vi·vi cov(P)i,events,(P)j,events=K∑i=1 v2i(P)i,events/nevents-(K∑i=1 vi(P)i,evets)2/neventsvar ARInonevents=K∑i=1v2i·var(P)i,nonevents+2∑i≠jvi·vj cov(P)i,nonevents,(P)j,nonevents=
5、K∑i=1v2i(P)i,nonevents/nnonevents-(K∑i=1 vi(P)i,nonevents)2/nnonevents。假定陽(yáng)性及陰性結(jié)局相互獨(dú)立,在原假設(shè)H0∶ARI=0成立的條件下,可構(gòu)造如下檢驗(yàn)統(tǒng)計(jì)量:z=K∑i=1(P)i,events·vi-K∑i=1(P)i,nonevets·vi/√K∑i=1v2i(P)i,events/nevents+K∑i=1v2i(P)i,nonevents/nnonevent
6、s在大樣本情形下,檢驗(yàn)統(tǒng)計(jì)量近似服從正態(tài)分布。
(2)模擬研究
具體參數(shù)設(shè)置為:
樣本量(n):500,1000,3000;
陽(yáng)性事件率(PD):0.05,0.10,0.30;
X的效應(yīng)(ORX): ORx=1.5,2,3,4,5,6,7,8,9;
M的效應(yīng)(ORM): ORM=1,1.25,1.5,1.75,2,2.5,3,4,6,8;
其中,X為現(xiàn)有強(qiáng)預(yù)測(cè)因子或常
7、用預(yù)測(cè)因子的線性組合(linear combinationof predictors),M是具有潛在預(yù)測(cè)價(jià)值的新協(xié)變量。X及M分別從標(biāo)準(zhǔn)正態(tài)分布N(0,1)中隨機(jī)產(chǎn)生?;趌ogistic回歸模型進(jìn)行模擬研究。各參數(shù)情形下均模擬5000次。
風(fēng)險(xiǎn)分級(jí):本研究考慮兩種情形,四分類(lèi)情形下風(fēng)險(xiǎn)等級(jí)設(shè)置為<5%、5%到<10%、10%到<20%以及≥20%;在三分類(lèi)情形下風(fēng)險(xiǎn)等級(jí)設(shè)置為<5%、5%到<20%以及≥20%。
結(jié)
8、果:
ARI的統(tǒng)計(jì)性質(zhì):從標(biāo)準(zhǔn)差估計(jì)及Ⅰ類(lèi)錯(cuò)誤評(píng)價(jià)。
1)標(biāo)準(zhǔn)差估計(jì):當(dāng)陽(yáng)性事件率PD=0.05及PD=0.1時(shí),ARI標(biāo)準(zhǔn)差的估計(jì)比較準(zhǔn)確;當(dāng)PD=0.3時(shí),ARI標(biāo)準(zhǔn)差的估計(jì)略微偏小。
2)Ⅰ類(lèi)錯(cuò)誤:風(fēng)險(xiǎn)等級(jí)為四級(jí)時(shí),當(dāng)PD=0.05時(shí),ARI檢驗(yàn)統(tǒng)計(jì)量的正態(tài)分布性質(zhì)不夠理想;當(dāng)PD=0.1及PD=0.3時(shí),其正態(tài)近似都較好。在相對(duì)極端的參數(shù)情形下(如PD=0.05,n=500),ARI的Ⅰ類(lèi)錯(cuò)誤在0.
9、0171~0.0380范圍內(nèi),小于設(shè)定的檢驗(yàn)水準(zhǔn)0.05;在其它情形下,ARI的Ⅰ類(lèi)錯(cuò)誤在0.0329~0.0621范圍內(nèi),除少數(shù)情形控制不佳外,其余基本在模擬允許的誤差范圍內(nèi),說(shuō)明Ⅰ類(lèi)錯(cuò)誤控制較好。風(fēng)險(xiǎn)等級(jí)為三級(jí)時(shí)與四分類(lèi)的結(jié)果相似。
ARI與其它方法的比較:主要與常用評(píng)價(jià)方法NRI和AUC進(jìn)行比較。
1)與NRI的比較:
?、耦?lèi)錯(cuò)誤:多數(shù)情形下,兩種方法的Ⅰ類(lèi)錯(cuò)誤均控制較好,基本在模擬允許的誤差范圍內(nèi)。在
10、相對(duì)極端的參數(shù)情形下(如PD=0.05,n=500),NRI的Ⅰ類(lèi)錯(cuò)誤率在0.0269~0.0558范圍,ARI的Ⅰ類(lèi)錯(cuò)誤率在0.0259~0.0558范圍,兩種方法均偏保守。
檢驗(yàn)效能:當(dāng)PD=0.05及PD=0.1時(shí),NRI及ARI的檢驗(yàn)效能基本一致;當(dāng)PD=0.3時(shí),ARI的檢驗(yàn)效能較NRI提高0.2%~1.6%,平均提高0.5%。
2)與AUC的比較:
Ⅰ類(lèi)錯(cuò)誤:配對(duì)樣本AUC檢驗(yàn)的DeLong法偏
11、保守。
檢驗(yàn)效能:當(dāng)PD=0.05及PD=0.1時(shí),ARI與DeLong法的檢驗(yàn)效能基本一致,有些參數(shù)情形下后者更高些(如n=1000,PD=0.1);PD=0.3時(shí),ARI的檢驗(yàn)效能比DeLong法平均提高為5.7%。
實(shí)例分析:實(shí)例為探究尿血管緊張素原(uAGT)、尿白蛋白肌酐比(UACR)能否提高對(duì)急性復(fù)合性心臟衰竭病人發(fā)生AKI的預(yù)測(cè)效果。
AUC的比較:不含uAGT的原模型M0(含年齡、性別、慢性
12、病腎臟病、血清白蛋白、N端前腦鈉肽和中性粒細(xì)胞明膠酶相關(guān)脂質(zhì)運(yùn)載蛋白),其AUC為0.814;含有uAGT的新模型M1(M0+uAGT),其AUC為0.874,兩者之差為0.06,差異有統(tǒng)計(jì)學(xué)意義(DeLong檢驗(yàn),P<0.001);含有UACR的新模型M2(M1+UACR),其AUC為0.874,與M1相比,無(wú)統(tǒng)計(jì)學(xué)差異(DeLong檢驗(yàn),P=1.000)。
風(fēng)險(xiǎn)等級(jí)改善:考慮分四個(gè)風(fēng)險(xiǎn)等級(jí)的情形,M1 V.S.M0:有NR
13、I=0.302(P<0.001),ARI=0.423(P<0.001),對(duì)ARI的解釋為將uAGT加入原有模型后,所有病例的平均風(fēng)險(xiǎn)改善等級(jí)為0.423,而NRI無(wú)直觀解釋;M2 V.S.M1:其ARI=0.0(P=0.997),NRI=0.0(P=0.997)。UACR不能提高模型的預(yù)測(cè)效果。
從實(shí)例中可以看出,uAGT能改善風(fēng)險(xiǎn)分級(jí),而UACR不能,故M1為相對(duì)最優(yōu)模型。
結(jié)論:
本研究針對(duì)風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 一種新的短期電力負(fù)荷預(yù)測(cè)方法.pdf
- 一種新的風(fēng)險(xiǎn)度量方式和投資模型.pdf
- 一種基于新的混合模型的pm2.5的預(yù)測(cè)
- 一種新的取向估計(jì)方法
- 一種新的PKI互操作模型.pdf
- 外文翻譯--一種新的工藝計(jì)劃的方法-代理模型法
- 關(guān)于違約時(shí)間的一種新模型.pdf
- 外文翻譯--一種新的工藝計(jì)劃的方法-代理模型法
- 公允價(jià)值計(jì)量——一種新的會(huì)計(jì)評(píng)價(jià)方法【外文翻譯】
- 外文翻譯--一種新的工藝計(jì)劃的方法-代理模型法
- 外文翻譯--一種新的工藝計(jì)劃的方法-代理模型法
- 一種新的ES回測(cè)方法.pdf
- 股票收益率方向預(yù)測(cè):基于一種新的非參數(shù)方法.pdf
- 一種新的盾構(gòu)自動(dòng)引導(dǎo)方法
- 一種新的層次化概率生成模型及場(chǎng)景分析方法.pdf
- 外文翻譯--一種新的工藝計(jì)劃的方法-代理模型法.doc
- 一種新的雙目標(biāo)廣義DEA模型.pdf
- 一種新的信息融合模型及應(yīng)用.pdf
- 外文翻譯--一種新的工藝計(jì)劃的方法-代理模型法.doc
- 一種新的說(shuō)話人確認(rèn)方法研究.pdf
評(píng)論
0/150
提交評(píng)論