مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

832
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

517
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

تحلیل درستنمایی ماکزیمم مدل رگرسیون لجستیک در حالتی که داده های متغیرهای پیشگو کامل نیستند ولی متغیرهای کمکی وجود دارند

صفحات

 صفحه شروع 65 | صفحه پایان 72

چکیده

 مقدمه و هدف: داده های گمشده در بسیاری از مطالعات آماری از جمله مدل های رگرسیونی وجود دارند و باعث کاهش دقت برآورد می شوند. تاکنون روش های گوناگونی برای مقابله با مشکل داده های گمشده ابداع شده که عموما بر داده های گمشده متغیر پاسخ متمرکز بوده است حال آنکه متغیرهای پیشگو نیز می توانند دستخوش تغییر و از دست رفتن اطلاعات شوند. مواد و روش ها: در این تحقیق ضمن بررسی روش جانهی داده های گمشده با استفاده از الگوریتم EM و متغیر کمکی, نتایج حاصل از این روش را با روش تحلیل مورد کامل در یک مدل رگرسیون لجستیک پیرامون عوامل موثر بر انتخاب نوع زایمان مقایسه می کنیم.یافته ها: داده های مورد استفاده در این مقاله از یک مطالعه توصیفی پیرامون عوامل مرتبط با انتخاب نوع زایمان در زنان مراجعه کننده به مراکز بهداشتی و درمانی شهر تهران بدست آمده است. حجم نمونه در این تحقیق 385 نفر بوده و از روش نمونه گیری چند مرحله ای انتخاب شدند و مشخصات فردی, سوابق مامایی, نوع نگرش و عوامل اجتماعی نمونه ها از طریق پرسشنامه ثبت شدند. برای مقایسه میزان کارایی دو روش, برآورد انحراف معیار پارامترها مورد استناد قرار گرفت.بحث و نتیجه گیری: نتایج حاصل نشان می دهد روش تحلیل درستنمایی با الگوریتم EM در مقایسه با روش مورد کامل کارایی بهتری دارد. مشکل داده های گمشده در بسیاری از مطالعات آماری وجود دارد و موجب اریبی و کاهش کارایی می شوند. در این بررسی نشان داده ایم استفاده از الگوریتم EM برای جانهی گمشده ها در یک مدل رگرسیون لجستیک با متغیرهای توضیحی گسسته و سپس تحلیل مدل, از روش مورد کامل که مستلزم حذف گمشده ها به همراه قسمت هایی از اطلاعات است کاراتر است. از سوی دیگر اگر متغیر توضیحی ناکامل پیوسته باشد بدست آوردن مدل, روشی متفاوت می طلبد و یا می توان با تبدیل آن به متغیری گسسته از روش قبل استفاده کرد.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    پورحسینقلی، محمدامین، علوی مجد، حمید، ابدی، علیرضا، و پروانه وار، سیمین. (1384). تحلیل درستنمایی ماکزیمم مدل رگرسیون لجستیک در حالتی که داده های متغیرهای پیشگو کامل نیستند ولی متغیرهای کمکی وجود دارند. مجله اپیدمیولوژی ایران، 1(1)، 65-72. SID. https://sid.ir/paper/120601/fa

    Vancouver: کپی

    پورحسینقلی محمدامین، علوی مجد حمید، ابدی علیرضا، پروانه وار سیمین. تحلیل درستنمایی ماکزیمم مدل رگرسیون لجستیک در حالتی که داده های متغیرهای پیشگو کامل نیستند ولی متغیرهای کمکی وجود دارند. مجله اپیدمیولوژی ایران[Internet]. 1384؛1(1):65-72. Available from: https://sid.ir/paper/120601/fa

    IEEE: کپی

    محمدامین پورحسینقلی، حمید علوی مجد، علیرضا ابدی، و سیمین پروانه وار، “تحلیل درستنمایی ماکزیمم مدل رگرسیون لجستیک در حالتی که داده های متغیرهای پیشگو کامل نیستند ولی متغیرهای کمکی وجود دارند،” مجله اپیدمیولوژی ایران، vol. 1، no. 1، pp. 65–72، 1384، [Online]. Available: https://sid.ir/paper/120601/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button