关于肾炎判别的研究论文Word下载.docx

1、在对B.1样本容量进行初步分析后，选取50组数据用于表达式的计算，剩下的10组数据用于对所得到的表达式进行检验。由于B.1中数据具有随机性，根据分层取样原理，直接选取每组编号最后的五组数据用于检验。5.2 模型建立5.2.1 模型简介01拟合：首先令0为患病，1为健康进行01拟合使用表B.1中用于求取表达式的50组数据，得出判别表达式。然后将用于检验的10组数据代入表达式，将得到的结果和0、1比较，若结果接近于0，则表示患有肾炎病；若结果接近于1，则表示健康。（结果若小于0.5界定为患有肾炎病，结果大于0.5界定为健康，若结果为0.5则无法做出判断）Fisher判别法：从两个总体中抽取具有P个

2、指标的样品观测数据，借助于方差分析的思想构造一个线性判别函数。数据使用同01拟合，对得到的结果与阈值进行比较，当结果小于阈值时界定为患有肾炎病，结果大于阈值界定为健康，若结果等于阈值则无法做出判断。5.2.2 模型建立与求解0-1拟合以就诊人员体内各元素的含量为自变量；就诊人员是否患病为因变量。设0-1拟合模型的一般形式为：（5-1）其中：因变量，为7个对有显著影响的自变量，是8个待估参数，是随机误差项。将用于求取表达式的50组样本数据代入（5-1）式，通过Mathematica软件得到表达式如下（5-2）将用于检验的10组数据代入表达式，检测结果如下表（函数值小于0.5界定为0为患者，函数值

3、大于0.5界定为1为健康人）：表5.1 0-1拟合判断结果序号2627282930函数值0.0348946-0.01605060.1840690.0898412判断结果56575859601.072281.270810.8612390.6938620.4482161Fisher判别分析为自变量，为函数值，设判别式如下式：系数确定的原则是使两组间的组间离差最大，而每个组的组内离差最小，即最小。当建立了判别式以后，对一个新的样品值，将其p个指标值代入判别式中求出y值，然后与某个临界值（阈值）比较，就可以将该样品归某类。用SPSS软件对用于求取表达式的50组样本数据进行fisher判别分析得到结果如

4、下表5.2：标准化的典型判别式函数系数函数Zn.061Cu-1.205Fe.372Ca1.165Mg.524K.052Na-.350表5.2由上表可得表达式如下：（5-3）分类结果a类别预测组成员合计.001.00初始计数4%100.0.013.386.7a. 已对初始分组案例中的 93.3% 个进行了正确分类。表5.3如表中所述：已对初始分组案例中的 93.3% 个进行了正确分类。将患病与健康两组各种元素的均值（见下表）代入以上（53）式可得出判断临界值（阈值）（5-4）、分别表示患者样本、健康人样本因变量均值，分别表示患者样本、健康人样本容量。采用Excel进行相应数据处理，得到临界值为1

5、267.055。组统计量均值标准差有效的 N（列表状态）未加权的已加权的143.103353.6804330.00012.33435.0526523.066713.74954698.1667270.19560113.393346.84606201.1333259.78260526.8333300.58369186.600029.6829221.923723.7549262.011775.778482511.13331271.60449295.1367177.5688590.370051.31813367.2100244.24297164.851748.2747660.00017.129017.

6、7000842.539257.454781604.65001290.85603204.2650158.03303145.7517193.86889447.0217283.21234表5.4得到的结果如下表5.5：病例号判别函数值11315.847.362653.6168627552.112患病50.511.66.360858.9139685.042578.614.69.742170.8133464362.8902903.278.1762252.3770852498.4640917828.832.499211270.21691147.075218217.324.8307324650.710936

7、72.9165健康2112417383642873.53514564.45921.593.2211235471.71952605.223316416.138213515264.32402491.00611792135156022647.93301821.4488表5.5 Fisher判别分析结果根据表5.5判别函数值列与临界值比较可知：剩余用于检验的病例26、27、28、29、30为患病组。56、57、58、59、60为正常组，准确度为100%。5.3 结果分析两种方法的拟合度虽然很高，从一定程度上说明本文所给判别方法可行。然而，有些输出结果很接近临界值，表达式参数并不是很精确，样本数据并不是

8、真实可信。机体内所有元素都存在直接或者间接的联系，彼此相互影响，处于平衡状态，但通过观察数据波动图（如下），有些检测者的部分元素含量偏离均值很大，故认为检验者在化验过程中可能出现异常。我们需要采用相应方法对异常数据进行剔除。5.4 模型改进5.4.1剔除数据 在数据的处理过程中我们发现同一种元素在人体内的波动性很大，为了结果的更优，我们觉得有必要对异常数据进行剔除处理。选择每一种元素中偏离所有样本均值最大的个体进行剔除，由于异常数据的集中最终剔除11、24、40三组数据。5.4.2模型改进在剔除11、24、40号数据，得到0-1拟合修正后的判别表达式如下：判定结果如下表5.6：0.130943

9、0.4710940.201087-0.1185730.3868611.079531.337331.069910.7150120.642139表5.6 0-1拟合修正后判断结果准确率由90%升至100%，说明剔除工作使模型更加优化。在剔除异常数据后采用fisher模型分析得到Fisher判别分析修正后的判别表达式如下：（5-5）得出临界值为852.8785判别值73.7005341.286535.7791-55.179589.2222049.5572507.2011469.2241318.211936.4989表5.7 Fisher判别分析修正结果由结果分析表可知模型已对初始分组案例中的 正确分

10、类由93.3%上升至96.5%，对检验数据的判定准确率保持在100%，剔除也使得模型更加优化。问题二5.5 对待检测者结果分析5.5.1纵向比较将就诊人员的数据代入（5-4）式，得出结果如下表5.8所示：表5.8提出异常数据后01拟合对待测者的判断616263646566676869700.3855870.478520.3417740.0044760.282080.5825381.179370.3455060.2363350.79521771727374757677787980-0.228310.1315770.2339010.6671650.5563590.3345110.6458240.5

11、788560.551530.8781918182838485868788890.9257470.968370.0165181.075030.0557280.6240760.3120611.028691.540740.509404就诊人员30人，其中15人患肾炎，15人健康，患病率为50%。将就诊人员的数据代入（5-5）式，得出结果如下表5.9所示：表5.9提出异常数据后Fisher判别分析对待测者的判断58.25.4229.73231385134.263441061.8740.5542177184427216.87240.812.51332176128646572.534185.51.73.9

12、950362.3238762.6-90.54351440.715.154779.7218.5255.409285.71.094.279017045.8257.9453.48370.39.1141755249.5141.5517.67934.169.32943260155680.8350.39030.5727.331899.4318.883.538091927.0632.919693431035531145.3641888.2822.6120823113141372136.2881535.8734.8328163264672.5-84.71121432.8415.7265123347.526.2

13、250821319.136.22220249465.81291.70220.123.81606156401007.40417110.530.567214547330.5312.257516213.219.81521166984.832031390.8154498.9394.5872.392828.91062161134.5688.023216713.114.1227821236.596.51520.27212.918.6299319765.5237.81892.89615205644.81428.70115814.4371025101180899.5188.184322.831.3163340

14、12282891133.68830.8106899.153817254.60992478.65255424177.5373.51535.9341853.91211190134649.8503.28022096.4386.92157288219.81448.2866.4961.73870432367.52555.07723515.623.4180668.91123.425就诊人员30人，其中16人患肾炎，14人健康，患病率为53.33%。5.5.2 横向比较两种方法均检验出61、62、63、64、65、68、69、71、72、73、83、85、87号为患者，74、75、77、78、80、81、82、84、86、88、89、90号为健康人；而66、67、70、76、79得出判断结果不同。对两种方法进行横向比较结果如下表5.10所示：表5.10剔除异常数据后01拟合与Fisher判别判断结果比较0-1拟合患 病Fisher判别健 康六、 模型二建立与求解问题三6.1 模型建立6.1.1 多元逐步回归向后筛选策略考虑全部自变量中按其对因变量作用大小, 显著程度大小或者说贡献大小, 由大到小地逐个剔除回归方程, 而对那些对因