タグ付けされた質問 「systematic-review」

1
R / mgcv:なぜte()とti()テンソル積が異なる表面を生成するのですか?
のmgcvパッケージにRは、テンソル積の相互作用をフィッティングするための2つの関数がte()ありti()ます。私は2つの作業の基本的な分業を理解しています(非線形の相互作用を当てはめるか、この相互作用を主効果と相互作用に分解するか)。私が理解していないのは、なぜte(x1, x2)、そしてti(x1) + ti(x2) + ti(x1, x2)(わずかに)異なる結果を生成するのかということです。 MWE(から適応?ti): require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f + rnorm(n)*0.2 par(mfrow = c(2,2)) # …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

1
診断テストの精度調査のネットワークメタ分析を行うための、意味のある堅牢なアプローチはありますか?
背景:冠状動脈疾患のいくつかの画像モダリティを含む系統的レビューに取り組んでいますが、エビデンスネットワークは非常に大きく、さまざまなモダリティも含まれています。 ネットワークメタ分析は、ランダム化比較試験の確立されたアプローチであり、WinBUGS、Stata、R、およびSASでいくつかの潜在的なアプローチを利用できます。 ただし、診断テストの精度調査のネットワークメタ分析を実施できるかどうかは知りません。 質問:診断テストの精度調査のネットワークメタ分析を実施するための、意味のある堅牢なアプローチはありますか? 試み:私の考えでは、診断オッズ比(DOR)を効果の推定値として使用し、たとえばnetmetaRパッケージまたは同様のアプローチを使用して、エビデンスネットワークフレームワーク内の標準的な手法でプールすることができます。(参照:ネットワークのメタ分析に最適な方法はどれですか?) 更新: GGAと広範な検索からのフィードバックに基づいて、潜在的に適切なアプローチとして言及することができます:メンテンとレザッフルが診断テストの精度の研究のベイジアンネットワークメタ分析を実施するために提案したベイジアン法(メンテンとレザッフル、BMC Med Res Methodol 2015) 、およびNyagaらによって提案された2つの異なるベイズ法(Nyagaら、Stat Methods Med Res 2016、Nyagaら、Stat Methods Med Res 2016)。
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.