- 博客(7)
- 收藏
- 关注
RSS订阅原创 JMbayes2包学习笔记——Day2
使用了自然样条函数 `ns()` 来建模年份（year）和性别（sex）之间的关系。总体来说，第一段代码使用了更灵活的自然样条函数来对年份的非线性关系进行建模，而第二段代码则使用了简单的线性关系。使用了年份（year）和性别（sex）的交互项 `year * sex` 来表示它们之间的关系。这两段代码的目标是拟合相同的纵向模型，但是它们使用了不同的方法来表示年份（year）和性别（sex）之间的关系。# ~ ns(year, 3) | id 表示 id 的随机效应是 year 的自然样条函数。
2023-12-20 22:31:50
390
1
原创 JMbayes2包学习笔记——Day1
在JMbayes2中拟合联合模型的过程可以概括为以下几个步骤：拟合纵向结果的混合效应模型：混合效应模型是一种考虑随机效应和固定效应的统计模型。在JMbayes2中，可以使用函数nlme()或lme()（来自GLMM自适应包）来拟合混合效应模型。拟合事件过程的Cox或加速失效时间（AFT）模型：Cox模型和AFT模型都是用于分析生存数据的方法。在JMbayes2中，可以使用函数coxph()或survreg()（来自生存包）来拟合Cox模型或AFT模型。
2023-12-19 20:43:53
1009
1
原创 lasso回归，岭回归，马蹄钉先验分布
Lasso回归（L1正则化）、岭回归（L2正则化）和马蹄钉（Horseshoe）先验分布都是用于处理回归问题中的过拟合（overfitting）或高维数据时的正则化技术。它们的主要目标是对模型的参数进行惩罚，以防止模型过度复杂，从而提高其在新数据上的泛化能力。总的来说，这些方法都是为了在回归问题中处理高维数据或防止过拟合而设计的，但它们从不同的角度和数学形式出发。岭回归通过在最小化损失函数的过程中添加L2正则化项，对参数进行平滑，避免参数过大。- 马蹄钉先验引入稀疏性，但在全局上有更强的控制。
2023-12-19 19:54:51
496
1
原创 纵向数据分析学习笔记——day4
总结：这个分析结果表明，“measurement”和“(Intercept)”对“distance”有显著影响，而“sex”和“measurement:sex”交互项的影响则不显著。模型中“measurement”和“sex”所有组合的平均响应及其相关的统计信息，帮助我们更详细地了解这两个预测因子是如何影响响应变量的。包的一个函数，用于估计线性模型的平均值。这段代码是在R语言中使用。这个输出为我们提供了。
2023-12-14 16:08:03
63
1
原创 纵向数据分析学习笔记-day3
当LRT的统计量和对应的p值显著时，我们可以拒绝零假设（即该项无贡献），并认为该项对模型的贡献具有统计显著性。这个特定的输出展示了一个ANOVA（Analysis of Variance，方差分析）类似的表格，但是针对的是随机效应模型，而不是常规的ANOVA模型。模型有更小的AIC值，且LRT统计量和p值都显著（p值小于0.001），这表明包含个体随机效应的模型拟合得更好。的影响，同时考虑到数据中可能存在的群体结构（即个体之间的差异），以及它们是如何相互作用的。的影响是随机的（即每个个体的截距是不同的）。
2023-12-12 19:25:10
174
原创 纵向数据分析学习笔记-day1
这表明对于不同的患者群体，需要制定不同的治疗方案以达到更好的治疗效果。患者1：男性，年龄45岁，疾病严重程度为中度，接受药物治疗A，治疗后1个月健康状况为良好，治疗后3个月健康状况为优秀，治疗后6个月健康状况为良好。患者2：女性，年龄32岁，疾病严重程度为轻度，接受药物治疗B，治疗后1个月健康状况为优秀，治疗后3个月健康状况为良好，治疗后6个月健康状况为优秀。患者3：男性，年龄51岁，疾病严重程度为重度，接受药物治疗A，治疗后1个月健康状况为良好，治疗后3个月健康状况为优秀，治疗后6个月健康状况为良好。
2023-11-23 20:51:57
241
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人