Rad Model Čas výskytu žalúdočné dilatácie-volvulus v populácii dogs

A čas radu modelu výskytu žalúdočné dilatácie-volvulus v populácii psov
abstraktné
pozadia
žalúdočné dilatačné-volvulus ( GDV) je život ohrozujúci stav cicavcov, so zvýšeným rizikom vo veľkých plemien psov. Štúdia z jeho etiologických faktorov je ťažké vzhľadom na rôznorodosť možných životných podmienok. Spojenie medzi meteorologických javov a výskytom GDV bolo nastolila, ale zostáva nejasný. Táto štúdia predstavuje binárny časový rad prístup k vyšetrovaniu možných meteorologických rizikovými faktormi pre vznik GDV. Údaje zhromaždené v populácii vysoko rizikových pracovných psov v Texase bol použitý.
Výsledky
Minimálna a maximálna denná atmosférický tlak v deň GDV udalosti a maximálna denná atmosférický tlak v deň pred akciou GDV boli pozitívne spojené s pravdepodobnosťou GDV. Všetky kurzy /multiplikatívnej faktorov deň bytia GDV deň boli interpretované podmienečne na posledných GDV výskytov. Tam bol minimálny rozdiel medzi binárnymi a Poisson všeobecných lineárnych modelov.
Záver
časové rady modelov za predpokladu, novú metódu pre vyhodnotenie súvislosť medzi meteorologickými premennými a GDV vo veľkej populácii psov. Vhodné uplatnenie tejto metódy bol rozšírený o spoločnom prostredí pre psov a dostupnosti meteorologických dát. Potenciálne interakcie medzi zmenami počasia a rizikové faktory pre vznik GDV pacient si zaslúži ďalšie skúmanie.
Pozadie
žalúdočné dilatácie-volvulus (GDV) je stav, v ktorom je žalúdok rozťahuje a otáča sa na seba, čo vedie k postupnému hypotenzia, šok, a smrť. Veľké plemená psov sú často ovplyvnené, aj keď to môže mať vplyv na mnoho druhov živočíchov vrátane ľudí [1].
Fyzikálne mechanizmus sa podieľajú na tomto stave a ich spracovanie sú dobre známe, ale príčiny nie sú [2]. Príčiny GDV môžu byť považované za predisponujúce (čím sa zvyšuje pravdepodobnosť ochorenia), alebo vyzrážaniu (spustenie prepuknutie choroby). Niekoľko predisponujúce rizikové faktory u psov bolo navrhnuté, vrátane temperamentu psa (rozrušenie), veľká alebo obrieho plemena, zvýšená hrudnej hĺbky k šírke pomeru a rýchle spotreby potravín [2-4]. Avšak, mnoho otázok týkajúcich sa skutočného nástupu tejto život ohrozujúce ochorenia zostávajú nevysvetlené týmito rizikovými faktormi.
Štúdia vyvolávajúcej príčiny pre GDV je dôležitým a nie príliš dobre preskúmané plochu. V mnohých prípadoch GDV, žalúdok je nafúknutý s plynom; Medzi možnými zdrojmi tohto plynu, aerophagia, fermentácia, hniloba, chemický plyn vznik a šírenie plynu boli navrhnuté. To, spolu s pozorovanou sezónnymi zmenami v prípadoch, GDV, dala vzniknúť podozrenie o možnom spojení medzi GDV a poveternostných podmienkach krátko pred jej vzniku [5, 6]. Metódy používané Herbold a kol [5], tj Analýza hlavných komponentov, aby si vybral možno dôležité klimatologické faktory môžu mať zastreté vplyvu jednej premennej počasie účely. Iné štúdie používajú logistickej regresie zistiť pravdepodobnosť bytia dňa na deň GDV, vzhľadom k určitej atmosférický tlak alebo teplotné podmienky [6, 7]. Takéto prístupy sú založené na predpoklade, že GDV udalosti sú navzájom nezávislé a neexistuje žiadna silná korelácia medzi udalosťami v priebehu času, ako by sa vyskytoval v prípade, že choroba boli infekčné. Avšak, ako v skutočnosti, že väčšina meteorologických premennými myšlienka ovplyvňovať výskyt GDV, sú autokorelácie v priebehu času a mala by byť chápaná ako časové rady. Ak sa niektoré z nich neboli zahrnuté do prípadného modelu, ale robia vplyv na výskyt GDV, môže byť GDV incidencia zaznamenanej v priebehu času korelované.
To znamená, prezeranie údaje o výskyte GDV v časových radoch môžu byť vhodné v praxi. Aj keď tradičné časové rady modelovanie má obmedzenú použiteľnosť pri štúdiu nezvyčajných ochorení, bolo v poslednej dobe používa na preukázanie sezónne súčasť do inej ochorenia gastrointestinálneho traktu, a to, koliky u koní [8]. Pretože dáta výskyt GDV je jasne integer ocenená (hodnota odozvy je počet GDV prípadov za deň), tým viac tradičné metódy časové rady, ako sú použité v klasickom autoregresního integrovanej kĺzavý priemer rámec (ARIMA) [9] nemožno použiť. Jeden z predchádzajúcich odkazov [8], vyplýva, že "... Jedna možnosť spočíva v použití Poissonova rozdelení modelovať súčet dát v rámci široko, aký je generalizované lineárne modelovanie ..."; Tento návrh účinne dosahuje použitím prístupu založeného na zovšeobecnený lineárny model (GLM) rámec, ktorý je využívaný v tomto rukopise.
Cieľom tejto štúdie bolo použiť prístup časových radov preskúmať súvislosť medzi meteorologickými premennými a výskytu GDV u psov. K zníženiu variability predisponujúce rizikové faktory a mätúcich premenných, ako je strava a bývanie životné prostredie [2], je použitá dátová sada veľkých plemien psov umiestnených na pracovný pes Vojenskej (MWD) Training Center v Lackland Air Force Base (LAFB). V tejto spoločné životné prostredie, psy sú kŕmené štandardné stravou, ktorý sídli v vonkajších výbehov, a sú pod dohľadom 24 hodín denne. Táto dátová sada bola použitá predtým v logistickej regresie prístupe k skúmajúci meteorologickej premenné a GDV [7] a porovnanie metodických prístupov môžu byť rovnako poskytnuté.
Výsledky
niekoľko modelov, ktoré mali jedny z najnižších hodnôt z AIC (Akaike Information Criterion) sú uvedené v tabuľke 1. u každého z nich, systematické časti je uvedený spolu s typom modelu (binárne GLM alebo Poisson GLM) a hodnôt AIC. boli zahrnuté len modely, ktoré mali logaritmickej pravdepodobnosti pomer p-hodnoty všetkých premenných pod 0,10. Vzhľadom k tomu, pes sčítanie ľudu sa mení zo dňa na deň, je množstvo prítomného expozícia je variabilný. To môže urobiť prísne Poisson /binárne domnienku o dátach nereálne. V prípade, že Poissonova, to znamená, že rozptyl nemusí byť presne rovná priemeru. V binárnom prípade rozptyl nemusí byť presne rovný rozptylu Bernoulliho distribúcie pre danú sadu hodnôt kovariancie. Preto sa zdá rozumné skontrolovať pre prípadnú overdispersion v dátach. Jednoduchý prístup kvázi-pravdepodobnosť bol použitý hľadať dôkazy o overdispersion [10]. Odhadovaný koeficient je vždy blízko k 1 a teda sa nezdá byť akýkoľvek závažný dôkaz overdispersion v tomto setting.Table 1 Posledné modely
Model
systematické časti
Typ modelu
AIC
Overdispersion faktor
1
β
0 + β
1Y
t
-2 + β
2pmin
t
Binary GLM
411,02
1,02
2
β
0 + β
1R
t
-2 + β
2pmin
t
Poisson GLM
407,92
0,98 Sims 3
β
0 + β
1R
t
-2 + β
2pmax
t
-1
Binary GLM
406,47
1
4
β
0 + β
1R
t
-2 + β
2pmax
t
-1
Poisson GLM
403,42
0,95
5
β NETHRY.cz 0 + β
1R
t
-2 + β
2pmax
t
Binary GLM
410.46
1,02
6
β
0 + β
1R
t
-2 + β
2pmax
t
Poisson GLM
407,40
0,97
Vyšetrenie zvyškových autokorelačnej pozemkov je uvedené, že pracovné rezíduá autokorelačnej pozemky boli takmer identické a všetky z nich nepreukázali žiadnu podstatnú zostávajúce autokorelácie. Na tomto základe sa tieto tri modely sa zdajú poskytovať adekvátne fit pre GDV výskyt dát Y
t
.
Koeficienty v týchto modeloch boli interpretované buď ako log kurzy (OR) v binárnom GLM modely alebo multiplikatívnej faktory (MF) v modeloch Poisson GLM. Tabuľka 2 obsahuje hodnoty pomerov kurzy a multiplikačné faktory pre oneskorené reakciu Y
t
-2 a vonkajšie kovariátov pre všetky modely z tabuľky 1. Obsahuje tiež logaritmickej pravdepodobnosti hodnoty p pre všetky pomery šance. Vo menách stĺpcov tabuľky 2, alebo stať pre pomer šancí a MF pre multiplikatívnej faktor; "Iný kovariátov OR" je buď minimálny denný atmosférický tlak na GDV deň pmin
t
, maximálna denná atmosférický tlak v deň GDV pmax
t
alebo maximálneho denná atmosférický tlak v deň pred dňom GDV pmax
t
-1. LL znamená log-pravdepodobnosti. Vzhľadom k tomu, pravdepodobnosť GDV udalosti v daný deň, je malý a hodnoty psie sčítanie sú v stovkách, model môže byť vhodné buď ako binárny GLM alebo Poissonova GLM. Oba prístupy sú použité na účely porovnania. Tam bol veľmi malý rozdiel medzi binárne GLM a Poissonova GLM v prípade všetkých sád premenných considered.Table 2 Model Selection
Model

OR Y
t
-2
LL p-hodnota
Ostatné kovarianciou OR /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 Poslednou skupinou modelov zobrazených tam bolo žiadny, ktorý považuje za externé kovariátov pri oneskorení väčšom ako 1 deň. Takéto modely boli považované pri výbere modelu fáze, však. Vo všetkých týchto prípadoch je hodnota p pomer log-pravdepodobnosť externého kovarianciou zaostáva o viac ako 1 deň bola výrazne vyššia ako 0,10, zatiaľ čo koeficientu 2-dňový oneskorenie odozvy Y
t
-2 mal hodnotu p pomer logaritmickej pravdepodobnosti trvalo nižšie ako 0,10. To znamená, že voľba premenných nie je zaujatý v prospech zaostáva reakcie Y
t
na úkor externého kovarianciou zaostáva.
Na báze týchto modeli, zdá sa, že faktory, ktoré ovplyvňujú rýchlosť GDV najvýraznejšie sú teda minimálny denný atmosférický tlak v deň GDV udalosti, maximálna denná atmosférický tlak v deň konania akcie GDV a maximálna denná atmosférický tlak v deň pred akciou GDV. Šance pomery /multiplikatívnej faktormi vonkajšieho kovarianciou vo všetkých modeloch sú o niečo väčšie ako 1, čo naznačuje pozitívny súvislosť medzi týmito faktormi a pravdepodobnosti udalosti GDV v daný deň. Napríklad, minimálny denný atmosférický tlak v deň GDV prípade má pomer šancí na 1.0455 pre binárne modelu GLM. To naznačuje, že pre každé zvýšenie minimálnej dennej atmosférického tlaku o 1 jednotku, šanca prípadu GDV vyskytujúce sa v ten deň nárast o faktore 1.0455. Pre príslušný modelu Poisson, multiplikatívnej vplyv faktorom je 1,0464, čo znamená, že pre každé zvýšenie minimálnej dennej atmosférického tlaku o 1 jednotku pravdepodobnosť, že bytie dňa na deň GDV dostane násobí faktorom 1.0464. Všimnite si, že všetky výsledky pre vonkajšie kovariancie by mal byť interpretovaný podmienečne na to, čo sa stalo dva dni pred dňom pozorovania. Tak, že je presnejšie povedať, že pravdepodobnosť výskytu GDV v daný deň zvýšenie o faktor 1.0617 pre každé zvýšenie jednotkovej v minimálnej dennej atmosférického tlaku vzhľadom k tomu, že vieme, či bol alebo nebol prípad GDV dva dni skôr
. Uvedené tvrdenie nemôže byť vykonaná bez toho, aby vedel, čo sa stalo dva dni pred dňom pozorovania. To je dôležitý rozdiel medzi naším prístupom a že pravidelné modelovanie GLM, či binárne GLM (logistická regresia) alebo modelu Poisson.
Diskusií a záverom
Po prvé, každý z modelov vybranej za predpokladu, dôležité informácie o možnom etiologický faktor GDV a preto zohráva významnú úlohu. Nie je nutné, aby sa voľby medzi nimi, ak je jediným cieľom je, aby sa zaoberala možnými vysvetľujúcich premenných na výskyt GDV. Avšak, toto bude nutné v prípade, že predpovedanie budúcich GDV výskytu je hlavné zameranie. Nechceme skúmať túto tému v súčasnej novinách.
Druhé premenné identifikované ako faktory významne ovplyvňujú mieru výskytu GDV boli minimálne denné tlak na deň GDV, maximálny denný tlak na deň GDV a maximálny denný tlak na deň pred akciou GDV. Minimálna denná tlak v deň GDV bol tiež identifikovaný ako významné a štatisticky významných faktorov v [7]. Je známe, že existuje asociácia medzi zmenami atmosférického tlaku a na začiatku pôrodu u ľudí a SIDS (syndróm náhleho úmrtia) [11, 12]. Menej je známe o asociáciu medzi atmosferickým tlakom a psích chorôb. Táto štúdia naznačuje, že atmosférický tlak a zmeny v ňom môžu byť najdôležitejšími faktormi vysvetľujúca vzniku GDV u psov.
Hodnotu 2-dňový reakciu časových prieťahov pri modelovaní pre GDV bol trochu neočakávané. Tento 2-dňová lehota nemusí byť nutne korelovať s 48-hodinovej období medzi udalosťami, však. Presný Nástup kaskáde dejov vedúcich k GDV, je ťažké zistiť, a patofyziologické udalosti, ktoré vedú k klinické príznaky sa môžu objaviť v rôznych rýchlostiach v rôznych psov. Žalúdočné distenzia bolo zistené, že rýchlo sa vyskytujú v niektorých psov, a pomalšie v iných. Úloha premenných, ktoré by mohli byť spojené s oneskorenie v klinických prejavov, ako aj možný vzťah (y) medzi meteorologických javov počas takého časového intervalu, treba ešte objasniť.
Prístup pomocou logistického modelu pre binárne dobu série sa zdá byť dostatočné v prípade, keď sú na väčšine niekoľkých denných pozorovaní s viac ako 1 GDV prípade. Avšak, nemusí to byť prípad, ak sa pozoruje väčšia skupina psov a v dôsledku toho, že počet dní s viac ako jeden prípad GDV bude značný. Ak sa tak stane, Poisson GLM prístup musieť využiť výlučne.
Súvisiace papier [8] využíva latentné premennú modelovanie založené na hierarchickom prístupe Bayesova začleniť závislosť medzi pozorovanie. Tento prístup je trochu menej flexibilné než prístupom presadzovaným v tomto dokumente. Dôvodom je skutočnosť, že hierarchický bayesovský prístup vyžaduje určité špecifické predchádzajúce predpoklady, ako je napríklad normality (alebo iného osobitného distribúcia) údajov, ktoré nie sú vždy ľahké zdôvodniť v praxi. Tiež ich voľba autoregresního procese objednávky 1 pre latentné premenné sa zdá byť subjektívne a nie je založený na konkrétnom výbere modelu algoritmom že tento výskum ponúka určitý vhľad do možného mechanizmu výberu na základe kritérií, ako je AIC. V neposlednom rade je dôležité si všimnúť, že tu prístup časového radu je veľmi prirodzené, keď sú radu pozorovanie zaznamenané v priebehu času. Ak sa tak stane, taká pozorovania sú takmer vždy korelované; ignorovanie tento vzťah môže mať za následok skreslené záver týkajúci sa parametrov záujmu. Najmä to má často za následok nadmerných význam pre vysvetľujúcich premenných. Preto prístup časové rady založený je, pravdepodobne vhodným nástrojom výskumu v mnohých klinických štúdiách, kde boli pripomienky boli zaznamenané v priebehu času.
Metódy
dát
GDV výskyt dát sada sa skladá zo všetkých zaznamenané prípady GDV medzi vojenským pracovné psy (MWD) na Lackland Air Force Base (LAFB) od januára 1993 do decembra 1998. V každom prípade je plemeno postihnutého psa, jeho pohlavie, dátum narodenia, vek pri nástupe boli zaznamenané choroba a hmotnosť. Všetci psi boli jedným z troch plemien: nemecký ovčiak, belgický malinois, alebo holandský ovčiak. Prvý zaznamenaný prípad GDV nastal 6. januára 1993 a posledná dňa XII 25, 1998. Z celkového počtu evidovaných prípadov (tj dní, počas ktorých bol GDV prípad registrovaných) je 60. z 60, len dva dni zapojené viac ako jednom prípade GDV; na oboch z nich, boli 2 postihnutých psov. Všetky kenneled psy boli kontrolujú zamestnanci každé 3 hodiny za organizačné štandardných postupov. Prípady boli psy, ktoré preukázali brušné opuch, tympány žalúdka a RTG dôkazy o žalúdočné dilatácie ako bolo určené veterinárnym lekárom. Chirurgický zákrok sa začal o všetkých prípadoch, a to buď z dôvodu ohrozenia života alebo non-skrátenom konaní profylaktické gastropexy. EU Počet psov pod dohľadom pri LAFB nebolo konštantnej, ale skôr meniace sa z mesiaca na mesiac. Mesačný pes sčítanie ľudu dáta boli k dispozícii októbra 1993 prostredníctvom Dec 1997 iba počnúc 357 psov v októbri 1993 a končiac 281 psom v decembri 1997. Vzhľadom na nedostupnosť údajov zo sčítania ľudu z rokov 1998, údaje o výskyte GDV pre daný rok neboli použité.
veľká databázy údajov o počasí bol zostavený z National Climatic dáta Center v Kelly Air Force Base, ktorý sa nachádza hneď vedľa LAFB. Obsahovala hodinové údaje o smere vetra, rýchlosť a Nárazy vetra; hodinové teplota v stupňoch Fahrenheita, ako upraviť a neupravené kvôli vlhkosti a konečne atmosférický tlak v palcoch ortuti, ako upraviť na morskou hladinou, a neupravené jeden (v milibarov).
Modeling prístup
počet boli považované za možné modely pre vznik GDV v psej populácii. Vo všetkých z nich, výskyt GDV v daný deň bol zakódovaný pomocou 1 na deň GDV alebo 0 za deň non-GDV a použitý ako premenná odozvy. Iné veličiny, ako je, napríklad, pri atmosférickom tlaku a teploty vzduchu, boli použité ako prediktorov. Binárne dáta reakcia sa hodí pre množstvo možných prístupov, vrátane binárneho GLM s logistické funkcie vedenia (logistická regresia) a Poissonova GLM s prepojovací funkciu log (Poisson regresné)
Obe reakcie a premenné boli zaznamenané v priebehu času .; to robí to rozumné, aby mohli obaja odozvu a Premenné, ako časové rady. Z tohto dôvodu, namiesto obvyklého zovšeobecneného lineárneho modelu, ktorá predpokladá, že tieto údaje sú iid, sme použili modifikovaná forma tom, kde obe reakcie a premennými sú autokorelácie v priebehu času.
Navyše prístup časového radu je užitočné v tomto nastavení, pretože je dosť pravdepodobné, že mnoho súvisiacich s počasím (a prípadne i ďalšie) premennými nie sú účtované; veľký počet možných etiologických faktorov je to veľmi ťažké, aby zahŕňal všetky z nich v jednom modeli. Okrem teploty a atmosférického tlaku, ktoré boli považované za menej, vlhkosť vzduchu (buď absolútna alebo relatívna) môže byť jedným z možných etiologických faktorov. Vlhkosť je zaznamenaný v priebehu času a zvyčajne vykazuje znateľné autokorelácie. Zvyčajne je myšlienka ako časové rady; v prípade, že premenná odozvy je skutočne závisí od vlhkosti, jeho vynechanie spôsobí, že hodnoty reakcie vykazujú časové autokorelácie. Táto línia myslenia naznačuje, že čas radu modelu v rámci GLM možno lepšie popísať výskyt GDV než bežný logistického modelu GLM uvažovaného [7]. Ostatné kovariátov, ktoré sú bežne uvádzané ako pravdepodobné možných etiologických faktorov GDV, ako je atmosférický tlak, teplotu vzduchu a iní sú tiež náhodné časovo závislé kovariátov (časové rady) sami. To znamená, že vynechanie niektorého z nich
pravdepodobne vyvolá ďalší autokorelácie v odpovedi.
Z niekoľkých možných prístupov modelovania, tento výskum použil ten, ktorý je založený na uvedenie celočíselnú hodnotou časové rady v zovšeobecnené lineárne modelový rámec [13]. Na rozdiel od predchádzajúceho prístupu Markov reťaze, nespôsobuje počet parametrov, ktoré majú byť podľa odhadov porastie exponenciálne s veľkosťou vzorky; to je dostatočne široká, aby zahrnula väčšinu prakticky dôležitých modelov. Všimnite si, že ani majetok Markov ani stacionarita treba predpokladať pri použití tohto prístupu. To je dôležité, pretože obe tieto vlastnosti, môže byť ťažké overiť v praxi. Výsledné modely možno odhadnúť rovnakou metódou (iteratívny prevážané najmenších štvorcov, IWLS v krátkosti) ako pravidelná generalizovaných lineárnych modelov; Jediným rozdielom je, že výsledky musia byť interpretované podmienečne na minulosť.
Výskyt GDV na deň t
bol označený ako Y
t
. Tak, Y
t
bol binárne. Tieto kovariátov môžu zahŕňať minulé i súčasné hodnoty vysvetľujúcich premenných, rovnako ako minulé hodnoty Y
t
. Vektor všetkých premenných bol označený ako, kde p
je počet premenných, k
počtu vysvetľujúcich premenných zaostáva a q
počtu minulosti zaostáva vzoru Y
t
úvahy; Pre každé 1 ≤ i ≤
p stroje a 1 ≤ j ≤ k
, predstavovalo hodnotu aj
tý kovarianciou v čase t
- j
. Pravdepodobnosť vzniku GDV prípadu na daný deň bola definovaná ako p
t
ktorý je tiež závislá na kovarianciou Vektor Z
t
. Existujú najmenej dva možné spôsoby modelovania pravdepodobnosti GDV na daný deň. Prvá voľba je použiť binárny GLM s funkciou logit link - efektívne logistického regresného modelu. Náhodná zložka modelu potom je vektor binárnych hodnôt Y
t
, ktoré sú autokorelácie v priebehu času. Systematické zložka výsledného logistický model sa stáva (1), kde α
je zachytiť, β
je vektor koeficientov a p
t
je pravdepodobnosť javu GDV na daný deň t
, ktorá závisí na množine premenných z t
. Pre každý deň GDV, pravdepodobnosť, že udalosť je definovaná ako počet prípadov, pozorovaných v ten deň delená celkovej populácie psov zaznamenaných v ten deň. Pretože všetky GDV pravdepodobnosťou boli malé v štúdii, je tiež možné modelovať pravdepodobnosť udalosti GDV v daný deň t
pomocou Poissonova regresie. To znamená, že náhodná zložka modelu je vektor Y
t
, ktoré sú vnímané ako sa počíta Poisson. Systematické zložka modelu sa týka priemerného počtu prípadov v deň t μ
t
na premenných pomocou odkazu protokolu ako (2), kde sa ešte raz, α
je zachytiť, β
je vektor koeficientov a μ
t
závisí na sade premenných z t
ako predtým.
ako prvý krok vo výberovom konaní modeli , denné vlastnosti, ako je max, min a znamenajú, zo atmosférický tlak a teplota vzduchu boli považované za možné premenných. Teplota sa neupravujú o vlhkosti. Oneskorené hodnoty atmosférického tlaku a /alebo teploty možno považovať za možné GDV etiologických faktorov, a tým aj ďalších vysvetľujúcich premenných rovnako. Testy pravdepodobnosť-pomer boli použité na overenie štatistickej významnosti modelových premenných. Vysvetľujúce premenné, ktoré mali byť použité ako súčasť Z t
boli vybrané. Označme minimálny denný atmosférický tlak v daný deň pmin
t
, maximálna denná atmosférický tlak pmax
t
, maximálna denná atmosférická teplota tmax
t stroje a minimálna denná atmosférická teplota tmin
t
. Minulé hodnoty (deň pred) vyššie uvedeného boli pmin
t
-1, pmax
t
-1, tmax
t
-1 a tmint
t
-1. Maximálna hodinový nárast /pokles atmosférického tlaku v deň GDV akcie bol označený rp
t stroje a dp
t
, v uvedenom poradí, pričom maximálny hodinový nárast /pokles v teploty v deň GDV akcie bol označovaný rt
t stroje a dt
t
. plemeno psi "nebol považovaný pretože pes populácia bola pomerne homogénna skladajúci sa z troch veľkých plemien bežne používaných ako MWD. Všetky dni non-udalostí boli považované v tejto analýze tiež.
Modely boli vyrobené za použitia procesu postupného dopredného výberu. Tieto premenné boli postupne pridané a pomer logaritmickej pravdepodobnosti pre každý nový kovariancie sa počíta. Aby sa zabránilo predčasnému zastavenie, a to aj v prípade, že kovariátov sa nepridá k veľkému popisné schopnosti modelu, ako je merané jeho pomer logaritmickej pravdepodobnosti štatistiky, proces pokračuje, kým všetky premenných popísaných vyššie bolo snažil. Počet MAS zy
t
zahrnuté v uvažovaných modelov v tomto výskume bola obmedzená na 3, aby bolo zaručené parsimoniousness modelov. Rezíduá každého modelu môžu byť neskôr analyzované na autokorelačnej vzory a pridá ďalšie meškanie, ak je to nutné. Koeficienty Y
t
-1 a Y
t
-3 bol veľmi veľký pomer logaritmickej pravdepodobnosti p-hodnoty, bez ohľadu na to, z ktorých vonkajšej premennej boli zahrnuté do modelu; Presnejšie povedané, ich log-pravdepodobnosti pomer hodnoty p prekročiť 0,1 všade, a preto boli vylúčené z konečných modelov.
Modelov boli vybraní ako finále sú uvedené v tabuľke (1). S výnimkou minimálneho atmosférického tlaku na GDV deň a maximálny atmosférický tlak v deň GDV udalosti a v deň pred akciou GDV, všetky ostatné vonkajších premenných zobrazenie logaritmickej pravdepodobnosti pomer hodnoty p nad zvolenou prahom 0,10 sa nie je súčasťou dodávky.
Všetky modely sú obsiahnuté v tabuľke (1) sú vhodné použitie iteračné prevážané najmenších štvorcov algoritmus sa bežne používa pre montáž zovšeobecnených lineárnych modelov. Vzhľadom k tomu, že sme pomocou kánonický odkaz funkčné protokol pre binárne dáta, iteračné prevážané najmenších štvorcov algoritmus sa zhoduje s pravidelným algoritmu Newton-Raphsonovou v tomto prípade.
Deklarácia
Poďakovanie
Autori ďakujú veterinárov z Department of Defense Military Working Dog veterinárnej služby, ktorý láskavo poskytla súbor údajov a snaží sa znížiť výskyt GDV u všetkých psov. Chceme tiež poďakovať prof Bruce Craiga z katedry štatistiky na Purdue University, s ktorými autori mal rad užitočných diskusií az ktorého pomocou oboch z nich ťažil.
Autorov pôvodné predloženej súbory obrazov
Nižšie sú uvedené odkazy na pôvodné autorov predložený súbory obrazov. "Pôvodný súbor pre Obrázok 1 12917_2008_146_MOESM2_ESM.eps autorského 12917_2008_146_MOESM1_ESM.eps autorov pôvodného súboru na pôvodnom súboru Obrázok 2 12917_2008_146_MOESM3_ESM.eps autorského na obrázku 3

• Systematický prehľad a metaanalýza totálne laparoskopická v porovnaní s laparoskopickú asistenciou distálnej gastrektómii na rakovinu žalúdka
• relaxácie rodine opatrovateľa zlepšuje žalúdočnú motilitu funkcie pacienta: skrížené štúdie