Laiko eilučių modelis skrandžio hidronefrozės-Volvulus atsiradimo į šunų gyventojams

Laiko eilučių modelis skrandžio hidronefrozės-Volvulus atsiradimo A Šunų
Anotacija pervežimas Background pervežimas Skrandžio išsiplėtimas-Volvulus (GDV) gyventojų yra gyvybei pavojinga būklė žinduolių, su padidinta rizika didele veisle šunys. Iš jos etiologinėms veiksnių tyrimas yra sunku dėl galimų gyvenimo sąlygų įvairovę. Tarp meteorologinių įvykių bei GDV atsiradimo asociacija buvo postuluojama, tačiau vis dar neaišku. Šis tyrimas pristato dvejetainis laiko eilučių požiūrį į galimus meteorologinius rizikos veiksnių GDV tyrimą. Surinkti į didelės rizikos darbo šunys Teksase gyventojų duomenys buvo naudojami.
Rezultatai
minimalių ir maksimalių dienos atmosferos slėgis apie GDV įvykio ir maksimalios paros atmosferos slėgio dieną prieš GRW įvykio dieną buvo teigiamai susijęs su GDV tikimybė. Visi šansai /multiplikatyviųjų veiksnių dieną Būdamas GRW dieną buvo aiškinama sąlyginai ant pastaruosius GRW įvykių. Nebuvo minimalus skirtumas tarp dviejų ir Puasono bendrųjų linijinių modelių.
Išvada
laiko eilučių modeliavimas pateikė naujovišką metodą vertinant tarp meteorologinių kintamųjų ir GDV asociacija didelėje gyventojų šunims. Tinkamai taikant šį metodą buvo sustiprintas bendrosios aplinkos šunims ir prieinamumo meteorologinių duomenų. Galimas sąveika tarp oro pokyčiams ir pacientas rizikos veiksnių GDV nusipelno tolesnio tyrimo.
Faktai
Skrandžio išsiplėtimas-Volvulus (GDV) yra būklė, kai skrandžio plečia ir sukasi apie save, todėl laipsniškai hipotenzija, šokas, ir mirtis. Didelių veislių šunys dažnai įtakos, nors jis gali turėti įtakos daug gyvūnų rūšių, įskaitant žmonėms [1].
Fizinio mechanizmus, šią sąlygą ir jos gydymą yra gerai suprantama, bet priežastys yra ne [2]. Priežastys GDV gali būti laikomas linkusiems (didinti ligos tikimybę) arba nusodinant (suveikimo ligos atsiradimo). Keletas rizikos faktoriais šunims buvo siūloma, įskaitant temperamento šuns (jautrumą), didelis arba milžinišką veislės, padidėjo krūtinės gylio ir pločio santykis, ir greito maisto vartojimo [2-4]. Tačiau daugelis klausimų, susijusių su faktiniu pradžios šio gyvybei pavojinga liga lieka nepaaiškinamas šių rizikos veiksnių.
Į nusodinti priežastis studiją GRW yra svarbus ir nėra labai gerai ištirtos plotą. Daugeliu atvejų GDV, skrandis išsipūtę su dujomis; tarp galimų šaltinių šios dujos, aerophagia, fermentacijos-puvimas, cheminis dujinis genezė ir dujų difuzijos buvo siūloma. Tai, kartu su stebėtu sezoninio kitimo GRW atvejais sukėlė įtarimų apie galimą ryšį tarp GRW ir oro sąlygas prieš jos atsiradimo [5, 6]. iki Herbold et al [5], t.y. pagrindinių komponenčių analizę taikomi metodai, pasirinkite galbūt svarbūs klimatines veiksniai galėjo neatskleidė vieno oro sąlygomis susijusių kintamųjų poveikį. Kiti tyrimai naudojami logistinę regresiją ištirti dieną būdamas GRW dieną tikimybę, atsižvelgiant į tam tikrų atmosferos slėgio arba temperatūros sąlygos [6, 7]. Tokie metodai remiasi prielaida, kad GRW renginiai, abipusiai nepriklausomi ir nėra stipri koreliacija tarp įvykių, laikui bėgant, galėtų įvykti, jei liga buvo užkrečiamas. Tačiau, kaip iš tiesų, dauguma meteorologinės kintami dydžiai manoma, kad įtakos GDV atsiradimą, yra autocorrelated per laiką ir turėtų būti suvokiami kaip laiko eilučių. Jei kai kurie iš jų nebuvo įtraukti į galimą modelį, tačiau jie įtakos GDV atsiradimo, įrašyti laikui bėgant GRW dažnis gali būti susiję.
Taigi, žiūrint GRW paplitimo duomenis, kaip laiko eilučių gali būti patartina praktikoje. Nors tradicinis laiko eilutė modeliavimas buvo nedidelis taikymo atsižvelgiant į retų ligų tyrimo, ji neseniai buvo naudojama įrodyti sezoninį komponentą į kitą virškinimo trakto liga, būtent, arklių dieglių [8]. Kadangi GRW įvykis duomenys aiškiai sveikas vertinami (atsaką vertė yra GRW atvejų per dieną skaičius), tuo labiau tradiciniai laiko eilučių metodus, pavyzdžiui, tuos, kurie naudojami klasikinio Autoregresijos Integruota Moving Average (ARIMA) pagrindus [9] negali būti naudojami. Vienas iš ankstesnių [8] nuorodomis rodo, kad "... vienas galimybė yra ta, kad Puasono pasiskirstymo naudojimo modelį, skaičiaus duomenis per sistemą iš esmės panašų į generalizuotos linijinio modeliavimo ..."; šis pasiūlymas efektyviai sudaro naudojant metodą, grindžiamą apibendrintas linijinis modelis (GLM) sistemą, kuri yra naudojama šiame rankraštyje.
Šio tyrimo tikslas buvo naudoti laiko eilučių metodą ištirti ryšį tarp meteorologinių kintamųjų ir GDV atsiradimo asociaciją šunims. Siekiant sumažinti lemiantį rizikos veiksnius ir komplikuota kintamuosius, pavyzdžiui, dietos ir būsto aplinką [2], buvo naudojami didelių veislių šunims, laikomiems Karo darbinis šuo (MWd) mokymo centro Lackland oro pajėgų bazės (LAFB) rinkinys kintamumą. Be šio bendro aplinkos, šunys šeriami standartinę dietą, įsikūręs aptvarus, ir yra stebimas 24 valandas per parą. Tai rinkinys buvo naudojami prieš į logistinės regresijos metodu tirti meteorologinių kintamųjų ir GRW [7], ir todėl taip pat padarė iš metodologinių požiūrių palyginimas.
Rezultatai
keli modeliai, kurie turėjo vienas mažiausių reikšmių AIC (Akaike Informacija kriterijus) yra parodyta 1 lentelėje kiekvienam iš jų, sistemingas dalis yra skiriamas kartu su modelio (dvejetainis GLM arba Puasono GLM) ir vertybėmis AIC tipo. Tik modeliai, kurie turėjo log-TIKIMYBĖ santykis p-reikšmės visų kintamųjų žemiau 0,10 buvo įtraukti. Kadangi šuo surašymas skiriasi kiekvieną dieną, poveikio metu suma yra kintama. Tai gali padaryti griežtai Poisson /dvejetainis prielaidą apie duomenis nerealus. Į Puasono atveju, tai reiškia, kad dispersija gali būti ne visai lygus vidutiniam. Dvejetainiu atveju, dispersija gali būti ne visai lygus Bernoulli paskirstymo dispersijos tam tikrą rinkinį kovariantiško verčių. Taigi, atrodo protinga patikrinti galimą overdispersion į duomenis. Paprastas pusiau tikimybė metodas buvo naudojamas ieškoti įrodymų overdispersion [10]. Numatoma koeficientas visada yra arti 1 ir taip neatrodo, kad būtų kokių nors rimtų įrodymų overdispersion šiame setting.Table 1 Galutinis modelių
Modelis

Sisteminis dalis pervežimas pervežimas modelio
DSC
Overdispersion veiksnys
1
β
0 + β 1Y
T
-2 + β
2pmin
T
Dvejetainiai GLM
411,02
1.02
2
β
0 + β
1Y
T
-2 + β
2pmin
T
Puasono GLM
407,92
0.98
3
β
0 + β
1Y
T
-2 + β
2pmax
T
-1
Dvejetainiai GLM
406,47
1
4
β
0 + β
1Y
T
-2 + β
2pmax
T
-1
Puasono GLM
403,42
0.95
5
β
0 + β
1Y
T
-2 + β
2pmax
T
Dvejetainiai GLM
410.46
1.02
6
β
0 + β
1Y
T
-2 + β
2pmax
T
Puasono GLM
407,40
0,97
nagrinėjimas išlikusius autokoreliacijos sklypų nurodė, kad darbo liekanų autokoreliacijos sklypai buvo beveik identiški, ir visi jie neparodė jokio reikšmingo likusį autokoreliacijos. Atsižvelgiant į tai, šie trys modeliai pasirodys suteikti tinkamą tvarkingas GRW įvykis duomenys Y
T
.
Šių modelių koeficientai buvo aiškinama kaip arba rąstų šansai (ARBA) dvejetainiu GLM modeliai ar multiplikacinėje veiksniai (MF), į Puasono GLM modelių. 2 lentelėje pateikiamos su šansų santykį vertybes ir multiplikacinėje veiksnius dėl atsiliko reagavimo Y
T
-2 ir išorės kintamųjų, visiems modeliams nuo stalo 1. Jame taip pat yra log-tikimybę p-reikšmės visiems koeficientų santykį. Atsižvelgiant į 2 lentelės stulpelių pavadinimus, ar stovėti už šansų santykis ir už multiplikacinėje faktorius MF; "Kitus kintamųjų, ARBA" yra arba minimalus kasdien atmosferos slėgis GRW dieną pmin
T
, didžiausia paros atmosferos slėgis GRW dieną Pmax
T
arba maksimalaus kasdien atmosferos slėgis dieną prieš GRW dieną Pmax
T
-1. LL reiškia žurnalo-tikimybę. Kadangi GRW atveju tikimybė bet kurią dieną yra mažas ir šuns surašymo vertės yra šimtai, modelis gali būti tinkamas arba kaip dvejetainis GLM arba Puasono GLM. Abu požiūriai dirba palyginimo tikslais. Nebuvo labai mažas skirtumas tarp dvejetainių GLM ir Puasono GLM byloje dėl visų kintamųjų considered.Table 2 Modelis atranka
Modelis
ARBA Y
T
-2
LL p reikšmė
Kita kovariantą ARBA /MF
LL p-value

1
3.1606
0.0595
1.0455
0.0891
2
3.0862
0.0640
1.0464
0.0833
3
2.9492
0.0741
1.0663
0.0064
4
2.8711
0.0807
1.0664
0.0062
5
3.0198
0.0693
1.0456
0.0633
6
2.9498
0.0741
1.0460
0.0606
Among galutinis grupė modelių parodyta ten nebuvo nė vieno, kad laikoma išorės kintamųjų ne daugiau kaip 1 dieną VVG. buvo laikomi tokie modeliai per modelis atrankos etape, tačiau. Be visų šių atvejų prisijungimo tikimybė santykis p-reikšmė iš išorės kovariantą atsilieka daugiau nei 1 dieną buvo gerokai didesnis 0,10 kadangi į 2 dienų VVG atsakymo koeficiento Y
T
-2 turėjo prisijungimo tikimybė santykis p-reikšmė nuosekliai žemiau 0,10. Taigi kintamųjų pasirinkimas nėra šališkas naudai reagavimo Y
T
VVG ties išorės kovariantą sąskaita atsilieka.
Remiantis šių modelių, atrodo, kad veiksniai, kurie įtaką GDV norma dauguma pastebimai todėl yra minimalus kasdien atmosferos slėgis apie GDV atveju, didžiausią paros atmosferos slėgiui dėl GRW įvykio ir maksimalios paros atmosferos slėgio dieną prieš GRW įvykio dieną dieną. Šansai santykis /multiplikacinėje veiksniai išorės kovariantą visų modelių yra šiek tiek didesnis nei 1, kuris rodo teigiamą ryšį tarp šių veiksnių ir į GDV atveju tikimybe apie tam tikrą dieną. Pavyzdžiui, minimalus kasdien atmosferos slėgis apie GDV įvykio dieną turi šansų santykis su 1.0455 Dvejetainiame GLM modelio. Tai rodo, kad už kiekvieną minimalų kasdienio atmosferos slėgio padidėjimas 1 bloką, kad GDV atveju šansai atsiranda tą dieną padidėjo nuo 1.0455 faktorius. Dėl atitinkamos Puasono modelyje multiplikatyviuosius poveikio koeficientas yra 1,0464, o tai reiškia, kad už kiekvieną minimalų kasdienio atmosferos slėgio padidėjimas 1 vienetu nuo tos dienos, būdama GRW dieną tikimybė bus dauginami iš koeficiento 1.0464. Atkreipkite dėmesį, kad visi už išorės kovariantą rezultatai turėtų būti aiškinami sąlyginai ant kas nutiko prieš dvi dienas iki nustatymo dieną. Taigi, ji yra tikslesnis pasakyti, kad GDV atsiradimo tikimybė bet kurią dieną padidėjo nuo 1.0617 kiekvieno vieneto padidinti minimalų kasdienio atmosferos slėgio veiksnys, kadangi mes žinome, ar buvo ar nebuvo ir GDV atveju dvi dienas anksčiau
. Pirmiau pateiktas teiginys negali būti nežinant, kas nutiko prieš dvi dienas iki stebėjimo dieną. Tai svarbus skirtumas tarp mūsų požiūrio ir kad reguliariai GLM modeliavimo, ar dvejetainio GLM (logistinė regresija) arba Puasono modelio diskusiją ir Išvada pervežimas Pirma,.
Kiekvienas iš modelių pasirinktas jeigu svarbios informacijos apie galimas etiologiniu veiksnys GDV ir taip vaidina svarbų vaidmenį. Tai nėra būtina rinktis tarp jų, jei vienintelis tikslas yra pažvelgti į galimus aiškinamojo kintamųjų už GRW atsiradimo. Tačiau tai tampa būtina, jei ateityje GRW sutrikimus prognozavimas yra pagrindinis dėmesys. Netiriame šią temą dabartinę popieriuje.
Antra, nustatyti veiksniai ženkliai įtakojančių GRW atsiradimo greitį kintamieji buvo minimalus kasdien spaudimas ant GDV, didžiausią dienos spaudimą GDV dieną ir dieną didžiausia paros spaudimas dieną prieš GRW atveju. Minimalus kasdien spaudimas ant GDV dieną taip pat buvo nustatyta, kad svarbiausių ir statistiškai reikšmingų veiksnių [7]. Ji yra žinoma, kad ten yra ryšys tarp pokyčių barometrinio slėgio ir darbo pradžios žmonėms ir MBSV (staigus kūdikių mirties sindromas) [11, 12]. Mažiau žinoma apie tarp atmosferos slėgio ir šunų ligų asociacijos. Dabartinė tyrimas rodo, kad atmosferos slėgis ir pokyčiai joje gali būti svarbiausi veiksniai, paaiškinantys, kad GDV pradžią šunims.
Apie 2 dienų vėlavimo reagavimo į modeliavimo vertę GRW buvo šiek tiek netikėtas. Tai 2-jų dienų laikotarpis gali nebūtinai koreliuoja su 48-valandų laikotarpį tarp įvykių, tačiau. Tikslus prasidėjęs renginių, vedančių į GDV kaskados yra sunku nustatyti, todėl gali pasitaikyti skirtingu greičiu įvairiomis šunų patofiziologiniai įvykiai, dėl kurių klinikinių požymių. Skrandžio pūtimas buvo pastebėta, atsirasti greitai kai kuriems šunims, ir daugiau lėtai kitose. Iš kintamųjų vaidmuo, kuris gali būti susijęs su vėlavimų klinikinio pasireiškimo, taip pat galimo tarp meteorologinių reiškinių tokį laiką lango metu santykių (-ių), dar reikia išsiaiškinti.
Požiūrį naudojant logistinę modelį dvejetainis metu serija atrodo tinkama tuo atveju, kai yra ne daugiau kelių kasdienių stebėjimų daugiau nei 1 GRW atveju. Tačiau, tai gali būti ne tas atvejis, jei didesnis grupė šunų yra stebimas ir, kaip pasekmė, dienų skaičius su daugiau nei vienu atveju GDV tampa didokas. Jei taip atsitinka, Puasono GLM metodas gali būti naudojamas tik.
Susijusios popieriaus [8] naudoja latentinis kintamasis modeliavimas remiantis hierarchinę Bajeso metodą įtraukti tarp pastabas priklausomybę. Šis požiūris yra šiek tiek mažiau lanksti, nei požiūris, šiame dokumente. Priežastis yra ta, kad hierarchinė Bajeso metodas reikalauja tam tikrų konkrečių išankstinių prielaidų, tokių kaip normalumą (ir kitos specialios paskirstymo) duomenis, kurie yra ne visada lengva pateisinti praktikoje. Be to, atrodo, kad jų pasirinkimas užsakymo 1 Autoregresijos proceso latentinis kintamasis subjektyvus ir nėra pagrįstas jokiu konkrečiu modeliu atrankos algoritmas kadangi šis tyrimas suteikia įžvalgų galimą atrankos mechanizmą, grindžiamą tokiais kriterijais, kaip AIC. Pagaliau, ji yra svarbus pranešimas čia, kad laikas, serija požiūris yra labai natūralus, kai ten yra serijos, įrašytų per tam tikrą laiką stebėjimų. Jei tai atsitiks, tokie pastebėjimai yra beveik visada koreliuoja; ignoruojant šią koreliaciją gali sukelti iškreiptas išvadą dėl parametrus interesų. Visų pirma, jis dažnai sukelia perdėtą lygių reikšmės aiškinamuosius kintamuosius. Todėl laiko eilutės remiantis požiūris, tikriausiai, tinkama tyrimų priemonė daugelyje klinikinių tyrimų, kai stebėjimai yra užregistruota per tam tikrą laikotarpį.
Metodai
Duomenų Viesbutis The GRW įvykis duomenų rinkinys apima visus registruojami atvejai GDV tarp karinių dirba šunims (MWd) tuo Lackland oro pajėgų bazėje (LAFB) nuo 1993 sausio iki 1998 gruodžio kiekvienu atveju pažeistos šuo, jo lyties, gimimo datą, amžių veislė ne iš pradžios buvo registruojama liga ir svoris. Visi šunys buvo vienas iš trijų veislių: Vokiečių aviganis, belgų malinua, arba olandų aviganių. Pirmasis užfiksuotas atvejis GDV įvyko Sau 6, 1993 ir paskutinis Grd 25, 1998 Bendras skaičius užregistruotus (ty dieną, kurią buvo registruotas GRW atveju) yra 60. iš 60, tik dvi dienas, dalyvaujančių daugiau negu vienas GDV; apie abu, ten buvo 2 nukentėjo šunys. Visi kenneled šunys buvo tikrinamas personalas kas 3 valandas per organizacinių standartines procedūras. Atvejai buvo šunys, kurie parodė pilvo patinimas, tympani skrandžio ir rentgenologiniai požymiai skrandžio išsiplėtimas, kurią nustato veterinarijos gydytojas. Chirurginės intervencijos buvo pradėta visais atvejais, arba dėl gyvybei pavojingos būklės ar ne avarinio profilaktinis gastropexy tvarka.
Šunų skaičių pagal stebėjimo metu LAFB nebuvo pastovus, o keičiasi kiekvieną mėnesį. Mėnesio šuo surašymo duomenimis buvo galima Spa 1993 per 1997 Gru tik pradedant 357 šunų 1993 spalio ir baigiant 281 šuo 1997 gruodžio Dėl negalėjimo surašymo duomenimis 1998 m GRW paplitimo duomenis, tais metais nebuvo naudojamas.
didelė duomenų bazė orų duomenų buvo surinkti iš Nacionalinės Klimato Data Center prie Kelly oro pajėgų bazės, esančios greta LAFB. Jame valandinius duomenis apie vėjo kryptį, greitį ir vėjo gūsio; valandinis temperatūra pagal Celsijų laipsnių, tiek pakoreguota ir nekoreguoti drėgmės ir, galiausiai, atmosferos slėgis coliais gyvsidabrio, tiek prisitaikė prie jūros lygio, ir originalios vieną (milibarais).
modeliavimas
A skaičių buvo laikomi galimi modeliai GRW atsiradimo šunų populiacijos. Iš viso iš jų, kad GDV įvykis tam tikrą dieną buvo koduojama naudojant 1, kai GDV dieną arba 0 už ne GRW dieną ir naudojamas kaip atsakas kintamasis. Kiti kiekiai, tokių kaip, pavyzdžiui, atmosferos slėgio ir oro temperatūros, buvo naudojami kaip prognozuoti kintamųjų. Dvejetainė duomenys atsakas skolina pati į galimų metodų, įskaitant dvejetainis GLM su logistikos Link funkcija (logistinė regresija) ir Puasono GLM su žurnalo Link funkcija (Puasono regresijos) skaičiaus
Tiek reakcija ir kintami dydžiai buvo užregistruota per tam tikrą laiką. "; tai leidžia pagrįstai peržiūrėti tiek atsaką ir kintamųjų kaip laiko eilučių. Todėl, vietoj įprastų generalizuota linijinį modelį, kad prisiima duomenys yra IID, mes naudojama modifikuota forma apie tai, kur tiek atsakas ir kintami dydžiai yra autocorrelated per tam tikrą laiką.
Be to, laiko eilutė metodas yra naudingas į šį nustatymą, nes jis yra gana tikėtina, kad kai kurios oras susijusių (ir galbūt kitų) kintami dydžiai nėra apskaitomos; daug galimų etiologinėms veiksnių leidžia gana sunku įtraukti juos visus į vieną modelį. Be oro temperatūros ir atmosferos slėgio, kad buvo laikomas anksčiau, oro drėgmės (arba absoliutus arba santykinis) gali būti vienas iš galimų etiologinėms veiksnių. Drėgmė yra registruojamas laikui bėgant ir paprastai demonstruoja pastebimas autokoreliacijos. Paprastai, tai yra suvokiami kaip laiko eilučių; jei tas atsakymas kintamasis yra tikrai priklauso nuo drėgmės, jos nepateikimas sukelia atsako kintamasis eksponuoti laiko autokoreliacijos. Šis mąstymo linija rodo, kad laiko eilutės modelis GLM sistemoje gali būti geriau apibūdinti GDV kelią, nei reguliariai logistikos GLM modelio išnagrinėtos [7]. Kitos kintami dydžiai, kurie paprastai vadinti galimų galimų etiologinėms veiksnių GDV, pavyzdžiui, atmosferos slėgio, oro temperatūros ir kitų, taip pat yra atsitiktiniai laiko priklausančią kintami dydžiai (laiko eilutės) patys. Taigi, vienam iš jų
tikėtina, kad sukelti papildomą autokoreliacijos atsakyme neveikimas.
Iš kelių galimų modeliavimo metodų, šis tyrimas naudojamas vienas, kad yra remiantis pradėti sveikasis vertinami laiko eilutėms apibendrinto tiesinio modelis sistema [13]. Skirtingai nuo ankstesnio Markovo grandinės požiūriu, jis nesukelia parametrų turi būti apskaičiuota eksponentiškai augti kartu su imties dydžio, skaičių; taip pat yra pakankamai plati ir apima daugumą iš praktiškai svarbių modelių. Atkreipkite dėmesį, kad nei Markovo savybė nei stacionarumą turi būti laikoma, kai dirba šį metodą. Tai yra svarbu, nes abiejų šių savybių gali būti sunku patikrinti praktikoje. Gauti modeliai gali būti įvertintas naudojant tą patį metodą (iteracines svertinis mažiausių kvadratų, IWLS trumpam), kaip reguliariai apibendrintas linijinis modelius; vienintelis skirtumas yra tas, kad rezultatai turi būti aiškinama sąlyginai į praeitį.
GDV atsiradimą ant dienos t
buvo žymimi Y
T pervežimas. Taigi, y
T
buvo dvejetainis. Į kintami dydžiai gali apimti praeities ir dabarties vertybių aiškinamųjų kintamųjų, taip pat praeities vertybes y
T pervežimas. Visų kintamųjų vektorius buvo žymimi kur p
yra kintamųjų skaičius k
į aiškinamuosius kintamuosius skaičius atsilieka ir q
praeities skaičius atsilieka nuo Y
T
laikomas; už kiekvieną 1 ≤ i ≤
p parsisiųsti ir 1 ≤ j ≤
K
atstovavo I vertė
oji kovariantą laiku T UAB - j
. Iš GRW atveju bet kurią dieną tikimybė buvo apibrėžtas kaip p
T
kuris taip pat yra iš kovariantą vektoriaus z
T
funkcija. Yra bent du galimi būdai modeliavimo tikimybė GDV apie tam tikrą dieną. Pirmasis pasirinkimas yra naudoti dvejetainis GLM su logit Link funkcija - veiksmingai išspręsti logistinės regresijos modelį. Atsitiktinis komponentas modelio tada yra iš dviejų verčių Y
T
kurie autocorrelated laikui bėgant vektorius. Sistemingas komponentas, dėl logistikos modelį tampa (1) čia α
yra sulaikyti, β
yra koeficientų ir p
vektorius T
yra GRW atveju tikimybės konkrečią dieną T
, kad priklauso nuo kintamųjų z T
rinkinys. Kiekvienam GRW dieną, įvykio tikimybė yra apibrėžiamas kaip stebėtų tą dieną, padalintas iš viso populiacijos iš tą dieną fiksuojamos šunims atvejų. Kadangi visi GRW tikimybių buvo maži tyrime, taip pat galima modeliuoti GRW įvykio tikimybę tam tikrą dieną t
naudojant Puasono regresija. Tai reiškia, kad atsitiktinai komponentas modelio yra Y
vektorius T
, kurie domėjosi dabar kaip Puasono skaičiuoja. Sistemingas komponentas modelio susijęs vidutinį skaičių bylų dėl dieną T μ
T
į kintamuosius naudojant žurnalo nuorodą kaip (2), kur, dar kartą, α
yra sulaikyti, β
yra koeficientų vektorius ir μ
T
priklauso nuo kintamųjų rinkinys Z T
kaip ir anksčiau.
kaip pirmą žingsnį modelis atrankos procedūros "The Daily charakteristikos, pavyzdžiui, max, min, o galvoje, atmosferos slėgis ir oro temperatūra buvo laikomi galimų kintamųjų. Temperatūra buvo ne koreguojama, kad drėgmė. Uždelstas vertės atmosferos slėgyje ir /ar temperatūros gali būti žiūrima kaip galimų GRW etiologinėms veiksnių ir todėl papildomų aiškinamuosius kintamuosius taip pat. Tikimybė-santykio testai buvo naudojami patikrinti statistinį reikšmingumą modelio kintamųjų. Aiškinamuosius kintamuosius, kurie turėjo būti naudojami kaip z dalis T
buvo pasirinktas. Leiskite mums reiškia minimalų paros atmosferos slėgį tam tikrą dieną pmin
T
, didžiausia paros atmosferos slėgis Pmax
T
, didžiausia paros atmosferos temperatūra Tmax
T
ir minimali kasdien atmosferos temperatūra Tmin
T
. Pastarieji vertės (per dieną prieš) dėl pirmiau buvo pmin
T
-1, Pmax
T
-1, Tmax
T
-1 ir tmint
T
-1. Maksimalus valandinis kilimas /kritimas atmosferos slėgio apie GDV įvykio dieną buvo žymimas rp
T parsisiųsti ir DP
T
, atitinkamai, o maksimalus valandinis kilimas /kritimas temperatūros dėl GRW įvykio dieną buvo žymimas RT
T parsisiųsti ir DT
T
. Šunų veislė buvo laikoma nuo šunų populiacija buvo gana homogeniškas, sudarytas iš trijų didelių veislių paprastai naudojami kaip MWD. Visi ne renginio dienas buvo laikomi šioje analizėje taip pat.
Modeliai buvo pagaminti, naudojant atvejinių priekį atrankos procesą. Į kintami dydžiai buvo pridėta iš eilės ir prisijungimo tikimybė santykis kiekvieną naują kovariantą apskaičiuojamas. Norėdami išvengti pirmalaikio sustoti, net jei kintamųjų, nebuvo pridėti daug aprašomajame gebėjimą modelio, kaip matuojamas jo prisijungimo tikimybė santykis statistika, procesas tęsiamas tol, kol visi anksčiau aprašytų kintamųjų buvo teisiami. Iš VVG y
Taškų T
įtraukti į modelių būvio šiame tyrime buvo apribotas iki 3, kad būtų užtikrintas parsimoniousness modelių. Kiekvieno modelio liekanos vėliau galima analizuoti pagal autokoreliacijos modelių ir pridūrė papildomų VVG, jei reikia. Į Y
koeficientai T
-1 ir Y
T
-3 buvo labai didelis žurnalas, tikimybė santykis p-reikšmės nesvarbu iš kokios išorės kintami dydžiai buvo įtraukti į modelį; Tiksliau, jų prisijungimo tikimybė santykis p-reikšmės didesnis kaip 0,1 visur ir todėl buvo pašalinti iš galutinių modelių.
modeliai pasirinktas kaip finale bus parodyta lentelėje (1). Išskyrus minimalaus atmosferos slėgį dėl GRW dieną ir didžiausią atmosferos slėgį dėl GRW įvykio dieną ir kitą dieną prieš GRW atveju, visų kitų išorės kintamųjų rodyti log-tikimybę, santykis p-reikšmės, didesnės už pasirinktą ribinį dydį 0,10 yra neįtraukta.
Visi modeliai esančius lentelėje (1) yra tinkami naudoti pakartoti svertinis mažiausiųjų kvadratų algoritmą paprastai taikomą montavimo bendrųjų linijinių modelių. Atsižvelgiant į tai, kad mes naudojame kanoninę Link funkcija žurnalą dvejetainių duomenų, pasikartojantis svertinis mažiausių kvadratų algoritmas sutampa su reguliariai Niutonas-Raphson algoritmas šiuo atveju.
Deklaracijų
Padėka
Autoriai padėkoti veterinarijos gydytojams gynybos karo darbinis šuo veterinarijos tarnybos, kuris maloningai pateikta duomenų rinkinį ir siekti sumažinti GDV dažnumą visų šunų departamentas. Mes taip pat norime padėkoti prof Bruce Craigas iš Statistikos departamento prie Purdue universiteto, su kuriuo autoriai turėjo naudingų diskusijų skaičių ir iš kurios pagalbos abu naudos. Originalios
Autorių pateikti failai vaizdų
Žemiau nuorodos į autorių originalo pateiktų failų vaizdų. 12917_2008_146_MOESM1_ESM.eps Autorių originalus failas 1 pav 12917_2008_146_MOESM2_ESM.eps Autorių originalios ir 2 pav 12917_2008_146_MOESM3_ESM.eps Autorių originalaus failo 3 paveiksle

• Sisteminė apžvalga ir metaanalizė visiškai laparoskopinės palyginti laparoskopinės remiamoje distalinio pašalintas skrandis skrandžio cancer
• Šeimos globėjo atsipalaidavimas gerina skrandžio peristaltiką funkciją paciento: crossover study