發(fā)布時間：2024-06-23 11:52

　　在生物醫(yī)學等眾多領域中,有時會有幾個不同來源、不同類型的數(shù)據(jù)集針對同一問題進行研究。例如,在嬰幼兒生長的影響因素研究中,研究者既會收集規(guī)模較小的隊列數(shù)據(jù),也會收集規(guī)模較大的基于抽樣調(diào)查的橫截面數(shù)據(jù)。由于兩者數(shù)據(jù)類型不同,研究者通常對他們分別建模分析。但由于這兩類數(shù)據(jù)研究的問題相同,搜集的變量相似,如能將兩者有機結合,進行聯(lián)合建模,將會顯著提高總的樣本量,大大提升研究的效果。目前這方面的研究很少,本文將重點研究將隊列數(shù)據(jù)與橫截面數(shù)據(jù)聯(lián)合建模的方法,并將該方法應用到嬰幼兒生長的影響因素分析中。本文首先介紹了k均值聚類算法,以及如何通過k均值聚類算法,將每個個體只有一次觀測值的橫截面數(shù)據(jù),聚類成每個個體具有多次觀測值的偽隊列數(shù)據(jù)。接著,本文介紹了一種已有的函數(shù)型混合效應模型,并重點介紹如何在此基礎上開發(fā)出一種拓展的函數(shù)型混合效應模型。原模型在對隊列數(shù)據(jù)進行分析的時候,所有個體的隨機效應對應同一個協(xié)方差函數(shù)γ(t,s),所有個體的測量誤差對應同一個時變方差函數(shù)σ²(t)。拓展后的模型中,對于不同組別的隊列數(shù)據(jù),引入了不同的協(xié)方差函數(shù)以及誤差方差函數(shù)。在對真實隊列數(shù)據(jù)與偽隊...

【文章頁數(shù)】：45 頁

【學位級別】：碩士

【部分圖文】：

圖2-1k均值聚類迭代圖

第二章方法介紹聚類算法:具體算法流程如下，其中k是指定的類的個數(shù)，質(zhì)心是每個類的均值向量，距離量度則常用歐幾里得距離和余弦相似度。1，首先確定一個k值，即將數(shù)據(jù)集聚為k個類別。2，從數(shù)據(jù)集中隨機選擇k個數(shù)據(jù)點作為質(zhì)心。3，對數(shù)據(jù)集中每一個點，計算其與每一個質(zhì)心的距離(如歐式距離)....

圖3-3不平衡樣本量下的模擬估計結果:μ(t)

第三章模擬研究圖3-3不平衡樣本量下的模擬估計結果:μ(t)以及它的95%置信帶.(第1,2,3行依次對應情形V,VI,VII;方法JFMM,CW依次對應第1,2列)-20-

圖3-4不平衡樣本量下的模擬估計結果:β(情形V,VI,VII;方法JFMM,CW依次對應第1

§3.2模擬結果分析圖3-4不平衡樣本量下的模擬估計結果:β(t)以及它的95%置信帶.(第1,2,3行依次對應情形V,VI,VII;方法JFMM,CW依次對應第1,2列)-21-

圖4-1橫截面數(shù)據(jù)觀測時間點分布

第四章實際數(shù)據(jù)分析本章對兩組有關嬰幼兒生長的的實際數(shù)據(jù)集進行聯(lián)合建模分析。本章首先介紹了實際數(shù)據(jù)的來源與結構，其次通過k均值聚類將橫截面數(shù)據(jù)聚類成為偽隊列數(shù)據(jù)，最后用本文提出的新方法JFMM以及已有方法CW分別對由偽隊列數(shù)據(jù)及真實隊列數(shù)據(jù)構成的聯(lián)合數(shù)據(jù)集進行分析與比較。§4.1數(shù)....

本文編號：3995425