2値データの相関は Multiple R-squared では解りづらいので らしい相関を計算する
・linear model を2値データに適用したとき summayの Multiple R-squared は、実感とずれがある かなり小さな値がでてくる ・yが0,1のデータがそのまま相関x,yでのyとして計算され Multiple R-squared となっている ・推定結果、得た係数をID... 続きをみる
「推定」のまわりをさぐる.教科書では「解析はMHにより行う、因子が多ければ重回帰を用いる」という風で詳しい例は少ない.独自(のつもり)な思いつきで具体に試行.
数理を用いるべきアセスメントにも切り込む.
2値データの相関は Multiple R-squared では解りづらいので らしい相関を計算する
・linear model を2値データに適用したとき summayの Multiple R-squared は、実感とずれがある かなり小さな値がでてくる ・yが0,1のデータがそのまま相関x,yでのyとして計算され Multiple R-squared となっている ・推定結果、得た係数をID... 続きをみる
《真打》因子をどう選ぶか 交互作用をどう組むか 生起因子との重複を記述で&交互図示
■ 因子選びの手順、交互作用項の設定ヒント 生起因子t、曝露の多い因子を知る記述はできた mesi steak は挙げることができたが、生起因子とできるだけ重複する因子を選び出す方がよいと思われた これは、生起因子に対して抑制、阻止の効果が働いてみえるという経験とも一致する Rで記述;重複因子... 続きをみる
■ 因子をできるだけ客観的に選んで、有利な交互作用をもつモデルで組み合わせを試す ■ 因子、モデル 因子 wat mesi tam potesara は 客観的選択 steakは 曝露がmesiに次いで大 mesi steakには、阻止を想定した交互 mesi,wat は抑制を表... 続きをみる
保存したデータ csv ■◇ ただしい症例定義・・ .csv ; 全メニュー cludeなRDデータ名:crd ------------ data = kanzi 記述 dd<- NULL dd<- kanzi # dd= read.csv(file.choose()) # d... 続きをみる
《前座》 交互作用モデルの方がよいのか 4,5因子モデル 全26データ による
■ 元データ ・4因子は客観的に選択した steなど以外を加えるモデルを作るため、26因子全部をデータとした ・症例定義2 ただし症例定義1は考慮せず発生としたもの ■ 4因子モデルと”+適当な因子”で5因子モデル さらに独立と交互作用 切片とRsqで評価する 4因子モデル ・ 因子 ... 続きをみる
■ 因子の選択 cRDは簡便に因子を特徴づけられることを使って、因子選択に利用する ・cRD ・曝露数 の2つから因子を選択するということを記す ■ 全因子 dd= read.csv(file.choose()) # dd:csv 26全因子新データ ... 続きをみる
■ 以前の計算から、 ・線形独立な予測子で推定;logistic回帰 すると観察とズレがあること ・抑制因子は単独で弱生起性、生起因子存在下で抑制 のような、一見二面性を示す可能性があること 【二面性・・】 ・論理式は、因子効果を単一とせず、データと推定とのズレを”補正”しうる それらを再度記して... 続きをみる
・疫学のステップ;観察、仮説、解析;調整によってFBDのデータを調べてきた FBD解析の本来の目的;生起因子の特定 は実際、多くは調整なしで不都合がない また”集団感染”との鑑別も有力な方法がみえた 事例のデータの中で生起因子のみならず、他の因子も発生に関係するようで、規模の小さな一部の事例... 続きをみる