分类树中QUEST算法与多水平logistic模型的联合应用与比较.pdfVIP

·28 · 　中国卫生统计 2004 年 2 月第 2 1 卷第 1 期 分类树中 QU EST 算法与多水平 lo gistic 模型的 联合应用与比较 ( ) 复旦大学公共卫生学院卫生统计与社会医学教研室 200032 　张文彤 　吴擢春 　　【提 　要】　目的　探讨分类树中的 QU EST 算法和多水平 lo gistic 模型联合应用于分析层次资料的可行性 。方法 　 首先介绍模型的原理 ,据此提出联合应用的具体思路 ,然后采用分析实例进行深入探讨 ,并用预测准确率和 ROC 曲线对 模型拟合效果加以比较 。结果 　QU EST 算法能非常准确地搜索出主要影响因素 ,并能更加深入地刻画因变量 、自变量间 的复杂联系 ,在此基础上再进行多水平 lo gistic 模型会更加高效 、准确 。结论 　QU EST 算法和多水平 logistic 模型各有优 势 ,将它们联合用于层次资料的分析将更能保证分析的正确性和完善性 。 【关键词】　分类树 　QU EST 算法 　多水平 logistic 模型 　产前检查 ) 　　多水平 logistic 模型是用于分析结果变量为分类 005 , 如果均小于界值, 则选择 P 值最小的一个作为 变量的层次资料的线性模型, 它在算法上考虑了数据 分支变量; 如果均大于界值, 则当 X 为连续或有序变 组内聚集性的问题, 在参数估计和误差估计上更加准 量时, 分别使用 L evene 方差齐性检验计算 P 值, 并在 确 。但是, 由于其计算方法较为复杂, 在变量筛选 、交 有 P 值小于界值时选择 P 值最小的一个作为分枝变 互作用探索等方面操作远较普通的线性模型困难, 而 量 。如果方差齐性检验的 P 值均大于界值, 则直接选 分类树模型作为一种人工智能分析方法, 能够快速寻 择在第一步中 P 值最小的变量作为分枝变量 。 ( ) 找并发现对因变量的主要影响因素, 并在展示 自变量 3 如果选出的分支变量为无序分类变量, 则将其 ( 间交互作用上有着独到的优势, 如能将这两种模型的 变换为哑变量组 Z , 并计算其最大判别坐标 largest 〔4 〕 优势在分析层次数据时结合起来加以利用, 则会大大 discriminant coor dinate) , 也就是说, 通过变换, 使得 方便研究工作, 本文拟就此问题进行初步探讨 。 不同 X 取值时因变量 Y 取值的差异最大化 。 ( ) 4 如果 Y