JOP. A hasnyálmirigy folyóirata

1 Statisztikai Tanszék, Burdwani Egyetem, Burdwan, Nyugat-Bengália, India 2 Matematikai Tanszék, NSHM Tudástábor, Durgapur, Nyugat-Bengál, India

* Levelező szerző: Rabindra Nath Das
Statisztikai Tanszék
A Burdwani Egyetem, Golapbag
Rajbati, Burdwan, Nyugat-Bengália, India
Tel: +91-9232638970
Email: [e-mail védett]

Megkapta 2017. november 14 - Elfogadott 2017. december 24

Absztrakt

Van egy kis tanulmány a szérum lúgos foszfatáz (ALP) magyarázó tényezőiről, figyelembe véve azt a tényt, hogy nem normális, heteroszkedasztikus és pozitív. Megállapítottuk, hogy az ALP válasz heterogén és nem normálisan oszlik el. Ezért az ALP-t közös, általánosított lineáris modellekkel (JGLM) kell elemezni, nevezetesen gamma vagy Log-normal [18, 19, 20, 21]. Az elemzés megerősítése érdekében a jelen figyelembe vett adatsort mind a gamma, mind a Log-normal közös, általánosított lineáris modellekkel elemeztük. Megállapítást nyert, hogy a közös Log-normál modellek jobb eredményeket hoznak. Mindkét elemzési eredményt a cikk tartalmazza.

A cikk megkísérli megismerni a következő kőbányák vagy hipotézisek válaszát. Melyek a szérum lúgos foszfatáz (ALP) magyarázó tényezői vagy meghatározói? Hogyan állnak összefüggésben a magyarázó tényezők az ALP-vel? Melyek az ALP magyarázó tényezőinek funkcionális aktivitásai? Ezeket a kőbányákat vagy hipotéziseket a cikk értékelte, 583 alany valós adatkészletével, 9 folytonos változóval és 2 attribútum karakterrel.

ANYAGOK ÉS STATISZTIKAI MÓDSZERTAN

Anyagok

A jelenlegi jelentés 583 alanyból álló valós adatsort vesz figyelembe 9 folyamatos változóval és 2 attribútum karakterrel. Az adatsort az indiai Andhra Pradesh északkeleti részéről gyűjtötték. Az adathalmaz a következő címen szerezhető be: https://archive.ics.uci.edu/ml/machine-learningdatabases/ 00225 /. A magyarázó változók és az attribútum karakterek szintjeit a Asztal 1. A leíró statisztikák, például a biokémiai paraméterek aránya, átlaga, normál tartománya és szórása megjelenik Asztal 1. 75,82% férfi és 24,18% nő. A májbetegek (71,5%) több, mint a nem májbetegek (28,5%) az adott adatsorban. Az alany populációjának kimutatása és az információgyűjtés módja a [22, 23] -ban jelenik meg. Ezt a jelentés nem írja le újra.

Statisztikai módszerek

A szokásos regressziós modellek szerint a válasz (Y) varianciája a változó teljes tartományán belül állandó. Ez a feltételezés azonban nem mindig igaz [24]. A biokémiai adatok általában heterogének. Például a májbetegek ALP-értékei heterogének. Az adatsor nem állandó varianciájának eltávolítása érdekében általában a log-transzformációt alkalmazzák, de az adatsor heteroszkaszticitása gyakorlatilag nem mindig távolítható el [24, 2. táblázat].

A folytonos változók pozitív adatait állandó varianciával vagy állandó variációs együtthatóval elemezhetjük akár a Log-normal, akár a gamma modellekkel [21]. A fiziológiai adatok általában heterogének, ezért ez a két modell nem biztos, hogy hasonló eredményeket ad [19, 20, 25, 26, 28]. A gyakorlatban általánosított lineáris modell osztályt használnak a nem normális, heteroszkedasztikus és pozitív adatsor elemzésére. Általánosságban a válaszváltozó átlaga és szórása összefüggésben lehet az általánosított lineáris modellekben, ennek eredményeként a válasz varianciája nem állandó lehet. A nem állandó variancia pozitív adatok elemzéséhez yi ’s Nelder és Lee [28] az együttesen általánosított lineáris modellek (JGLM) alkalmazását javasolták. A JGLM-ek részletes tárgyalását a [18, 19, 27, 28]. Könnyű hivatkozás céljából a JGLM-ek rövid leírását itt közöljük.

A Zi = log (Yi) log transzformációt használjuk a Var variancia stabilizálására. Ha jobb modellekre van szükség, továbbfejlesztett statisztikai eszközt használnak. Általában a variancia nem mindig stabilizálható egyszerű átalakítással [24]. Ekkor Nelder és Lee [28] javasolta a JGLM-ek használatát.

Az Yi pozitív függő változóra a Zi = logYi log transzformációt alkalmazzuk. A log-normális eloszlás alatti átlag és variancia együttes modellezését a

ahol xit, illetve git jelöli, a β (átlagmodell) és γ (varianciamodell) regressziós együtthatók sorvektorai.

A yi ’s pozitív függő változóra, ha

hol vannak a diszperziós paraméterek és a variancia függvény. Általánosított lineáris modellekben a varianciának két része van. Az egyik rész az átlagértékektől függ. A másik rész σi 2, amely mentes az átlagértékektől. A variancia függvény azonosítja az elosztási családot a GLM-ekben. Például az eloszlás gamma if, Poisson if és Normal if stb.

A JGLM-ek átlag- és varianciamodellje

ahol g (⋅) és h (⋅) az átlag és a variancia GLM linkfüggvényei, és a β (átlagos modell) és γ (varianciamodell) regressziós együtthatók sorvektorait jelölik. A maximális valószínűség (ML) módszert a β (átlagos modell) becsléséhez, a korlátozott ML (REML) módszert a γ (varianciamodell) becsléséhez [18, 19].

Köztudott, hogy a szérum alkalikus foszfatáz (ALP) máj biomarker. A normálnál magasabb ALP-szint (Asztal 1) a vérben máj- vagy epehólyag-problémára utalhat. Ez magában foglalhatja a májgyulladást (fertőzés), a cirrhosist (hegesedést), a májrákot, az epeköveket vagy az epeutak elzáródását. A cikk az ALP-t függő változónak tekinti a hipotézisek megvizsgálására, a Bevezetés szerint. A szérum alkalikus foszfatáz válasz nem állandó variancia mellett pozitív, és az exponenciális családeloszláshoz tartozik. Ezért ezeket az adatokat általában a Log-normal vagy gamma modellek elemzik, a fentiek szerint. A származtatott eredmények megerősítése érdekében mindkét fenti modellt felhasználjuk az elemzés elvégzésére. Most arra vagyunk kíváncsiak, hogy mindkét modellt felhasználva megvizsgáljuk az alábbiakat. Melyek az ALP hozzávetőleges valódi modelljei a májbetegeknél? Melyek az ALP magyarázó tényezői (vagy meghatározói)? Mi a magyarázó tényezők hatása az ALP-re? Ezekkel a kőfejtőkkel a következő szakaszok foglalkoznak.

Alkáli-foszfát (ALP) értékelemzés, eredmények és értelmezések

Elemzés: Az alkáli-foszfát (ALP) értéke a cikkben szereplő folyamatos pozitív válasz véletlenszerű változó. Megmaradt 8 folyamatos és 2 attribútum magyarázó változó. Attribútumtényezők esetén figyelembe vettük azt a korlátozást, hogy az első szintek hatása nulla. Ennélfogva minden attribútumtényező esetében az első szintet tekintjük referenciaszintnek, nulla becsléssel. A fő hatása A jelöli ai mert i = 1, 2, 3. Figyelembe vettük, tehát. Ezért az A2 hatás becslése a második és az első szint közötti különbség a fő hatásban A.

1. ábra (a) bemutatja a felszerelt Log-normal modellek abszolút maradék diagramját (2. táblázat) az illesztett értékek tekintetében. Ez egyenes lapos diagram, ami azt jelenti, hogy a szórás állandó a futóeszközzel. A Log-normal fit illesztett átlagos modelljének normál valószínűségi diagramja (2. táblázat) adják meg 1. b) ábra. Nem hiányzik az alkalmasság vagy a rendszeres távozás a programban 1. b) ábra. Ezért a felszerelt Log-normal modellek (2. táblázat) az ALP hozzávetőleges valódi modelljei.

1.ábra. Az ALP felszerelt Log-normal modelljeihez (2. táblázat) az (a). az abszolút maradványok ábrázolódnak az illesztett értékekhez viszonyítva, és (b). az átlagos modell normális valószínűségi diagramja