دانلود مقاله شمارش مدل ها
تعداد کلمات فایل انگلیسی:7811کلمه35صفحه pdf
تعداد صفحات فایل ترجمه:27صفحه word فونت14 Arial
مقدمه
در بسیاری از زمینه های آماری، از جمله بسیاری از معیارهای استفاده از مراقبت های بهداشتی، متغیر نتیجه یا پاسخ به موارد قابل توجه ، یک عدد صحیح غیر منفی یا متغیر شمارش است. نمونه هایی از نتایج شمارش شامل تعداد دفعات مراجعه به دکتر، تعداد شب های بستری در بیمارستان، تعداد نسخه های صادر شده و تعداد نخ های سیگار دود شده در هر روز. چنین متغیرهایی دارای توزیع هایی هستند که مقدار احتمالی را فقط در مقادیر عدد صحیح غیر منفی قرار می دهند. علاوه بر این، این متغیرها به طور معمول به شدت چوله، ذاتا ناهمگون بوده و دارای واریانس هایی هستند که با میانگین افزایش می یابد. برای اکثر نتایج شمارش، مشاهدات بر روی چندین مقدار گسسته کوچک – اغلب صفر – و چند عدد صحیح مثبت کوچک متمرکز می شوند. بنابراین، تمرکز بر اطلاعات گسسته یکی از مهم ترین ویژگی های متمایز چنین نتایجی است.
اگر یک محقق فقط به پیش بینی میانگین شرطی یا در پاسخ میانگین شرطی به یک متغیر توجه داشته باشد، ممكن است وسوسه شود كه گسستگی و چولگی را نادیده بگیرد و به سادگی پاسخ های مورد نظر را با استفاده از روش های رگرسیون خطی برآورد نماید (به فصل 4 مراجعه شود). اگر چولگی نه به صورت گسسته موجب نگرانی شود، محقق ممکن است از مدل های خطی تعمیم یافته (GLMs) استفاده نماید (به فصل 5 مراجعه شود). اگر گسستگی و چولگی هر دو از ویژگی های مهم توزیع نتیجه شمارش باشند، بنابراین مدل هایی که گسستگی را نادیده می گیرند؛ می توانند کاملاً ناکارآمد باشند و باعث ایجاد زیان های قابل توجهی در قدرت و نتایج آماری گردند. علاوه بر این، مدل هایی که گسستگی را نادیده می گیرند، ممکن است میزان قابل توجهی از متغیرهای نمونه به نمونه را در مقایسه با مدل های شمارش که منجر به گسستگی نتایج می شوند را نشان دهند.
Count models
In many statistical contexts, including many measures of healthcare use, the outcome or response variable of interest, , is a nonnegative integer or count variable. Examples of count outcomes include the number of visits to the doctor, the number of nights spent in a hospital, the number of prescriptions filled, and the number of cigarettes smoked per day. Such variables have distributions that place probability mass at nonnegative integer values only. In addition, these variables are typically severely skewed , intrinsically heteroskedastic, and have variances that increase with the mean. For most count outcomes, the observations are concentrated on a few small discrete values—typically zero—and a few small positive integers. Therefore, discrete data density is an important distinguishing feature of such outcomes.
If a researcher is interested only in the prediction of the conditional mean or in the response of the conditional mean to a covariate, it may be tempting to ignore the discreteness and skewness and simply estimate the responses of interest using linear regression methods (see chapter 4). If skewness is a concern, but not discreteness, a researcher might consider the use of generalized linear models (GLMs) (see chapter 5). If discreteness and skewness are both important features of the distribution of the count outcome, then models that ignore discreteness can be quite inefficient, leading to substantial losses in statistical power. In addition, models that ignore discreteness may display considerably greater sample-to-sample variability of estimates than count models that account for the discreteness of the outcomes
کد:2-12712
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله شمارش مدل ها
تعداد کلمات فایل انگلیسی:7811کلمه35صفحه pdf
تعداد صفحات فایل ترجمه:27صفحه word فونت14 Arial
مقدمه
در بسیاری از زمینه های آماری، از جمله بسیاری از معیارهای استفاده از مراقبت های بهداشتی، متغیر نتیجه یا پاسخ به موارد قابل توجه ، یک عدد صحیح غیر منفی یا متغیر شمارش است. نمونه هایی از نتایج شمارش شامل تعداد دفعات مراجعه به دکتر، تعداد شب های بستری در بیمارستان، تعداد نسخه های صادر شده و تعداد نخ های سیگار دود شده در هر روز. چنین متغیرهایی دارای توزیع هایی هستند که مقدار احتمالی را فقط در مقادیر عدد صحیح غیر منفی قرار می دهند. علاوه بر این، این متغیرها به طور معمول به شدت چوله، ذاتا ناهمگون بوده و دارای واریانس هایی هستند که با میانگین افزایش می یابد. برای اکثر نتایج شمارش، مشاهدات بر روی چندین مقدار گسسته کوچک – اغلب صفر – و چند عدد صحیح مثبت کوچک متمرکز می شوند. بنابراین، تمرکز بر اطلاعات گسسته یکی از مهم ترین ویژگی های متمایز چنین نتایجی است.
اگر یک محقق فقط به پیش بینی میانگین شرطی یا در پاسخ میانگین شرطی به یک متغیر توجه داشته باشد، ممكن است وسوسه شود كه گسستگی و چولگی را نادیده بگیرد و به سادگی پاسخ های مورد نظر را با استفاده از روش های رگرسیون خطی برآورد نماید (به فصل 4 مراجعه شود). اگر چولگی نه به صورت گسسته موجب نگرانی شود، محقق ممکن است از مدل های خطی تعمیم یافته (GLMs) استفاده نماید (به فصل 5 مراجعه شود). اگر گسستگی و چولگی هر دو از ویژگی های مهم توزیع نتیجه شمارش باشند، بنابراین مدل هایی که گسستگی را نادیده می گیرند؛ می توانند کاملاً ناکارآمد باشند و باعث ایجاد زیان های قابل توجهی در قدرت و نتایج آماری گردند. علاوه بر این، مدل هایی که گسستگی را نادیده می گیرند، ممکن است میزان قابل توجهی از متغیرهای نمونه به نمونه را در مقایسه با مدل های شمارش که منجر به گسستگی نتایج می شوند را نشان دهند.
Count models
In many statistical contexts, including many measures of healthcare use, the outcome or response variable of interest, , is a nonnegative integer or count variable. Examples of count outcomes include the number of visits to the doctor, the number of nights spent in a hospital, the number of prescriptions filled, and the number of cigarettes smoked per day. Such variables have distributions that place probability mass at nonnegative integer values only. In addition, these variables are typically severely skewed , intrinsically heteroskedastic, and have variances that increase with the mean. For most count outcomes, the observations are concentrated on a few small discrete values—typically zero—and a few small positive integers. Therefore, discrete data density is an important distinguishing feature of such outcomes.
If a researcher is interested only in the prediction of the conditional mean or in the response of the conditional mean to a covariate, it may be tempting to ignore the discreteness and skewness and simply estimate the responses of interest using linear regression methods (see chapter 4). If skewness is a concern, but not discreteness, a researcher might consider the use of generalized linear models (GLMs) (see chapter 5). If discreteness and skewness are both important features of the distribution of the count outcome, then models that ignore discreteness can be quite inefficient, leading to substantial losses in statistical power. In addition, models that ignore discreteness may display considerably greater sample-to-sample variability of estimates than count models that account for the discreteness of the outcomes
کد:2-12712
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com