前言辗转数月，思考了很久，想要以什么角度开始与大家分享一些医学统计学相关的观点，却迟迟没有动笔，直到数天前偶然阅读到郑老师一文——“为什么我不建议随便用逐步回归法构建回归模型？”，觉得较有感触，因此增加了一些自己的观点，希望与各位分享。如果有什么不足，欢迎大家指教。问题1：目前常见的医学研究类型有影响因素分析与模型构建两种，而逐步回归则经常出现在以上两种研究类型的混杂or预测因子筛选过程中（混杂筛选尤其常见于国内学术论文）。那么，这样的研究思路是否毫无问题呢？“事实上，逐步回归都是被应用于预测模型构建的变量筛选过程中的，并不推荐用来探讨影响因素（危险因素、关联等）。以国内众多影响因素研究方法部
前言辗转数月，思考了很久，想要以什么角度开始与大家分享一些医学统计学相关的观点，却迟迟没有动笔，直到数天前偶然阅读到郑老师一文——“为什么我不建议随便用逐步回归法构建回归模型？”，觉得较有感触，因此增加了一些自己的观点，希望与各位分享。如果有什么不足，欢迎大家指教。问题1：目前常见的医学研究类型有影响因素分析与模型构建两种，而逐步回归则经常出现在以上两种研究类型的混杂or预测因子筛选过程中（混杂筛选尤其常见于国内学术论文）。那么，这样的研究思路是否毫无问题呢？“事实上，逐步回归都是被应用于预测模型构建的变量筛选过程中的，并不推荐用来探讨影响因素（危险因素、关联等）。以国内众多影响因素研究方法部
上一篇关注单因素多因素cox模型的构建并在lung数据集中进行了实战survival包学习笔记——cox回归（一）-简书(jianshu.com)接下来我们继续上一篇谈一谈如何评价我们构建的模型，并且进一步可视化回归结果。一、函数介绍上篇我们已经介绍了cox回归的一大函数，survival包中的coxph函数，今天我们来说说另一自产自销的函数，rms::cphcph(formula=formula(data),data=environment(formula),weights,subset,na.action=na.delete,method=c("efron","breslow","exac
上一篇关注单因素多因素cox模型的构建并在lung数据集中进行了实战survival包学习笔记——cox回归（一）-简书(jianshu.com)接下来我们继续上一篇谈一谈如何评价我们构建的模型，并且进一步可视化回归结果。一、函数介绍上篇我们已经介绍了cox回归的一大函数，survival包中的coxph函数，今天我们来说说另一自产自销的函数，rms::cphcph(formula=formula(data),data=environment(formula),weights,subset,na.action=na.delete,method=c("efron","breslow","exac
R语言与统计-1：t检验与秩和检验R语言与统计-2：方差分析R语言与统计-3：卡方检验R语言与统计-4：线性回归分析与模型诊断R语言与统计-5：Logistic回归更详细的可以参考之前分享的：Kaplan-Meier生存分析的结果解读和绘制方法TCGA生存模型的构建以及模型预测和评估1.生存分析导入数据library(coin)data(glioma)head(glioma)#no.agesexhistologygroupeventtime#1141FemaleGrade3RITTRUE53#2245FemaleGrade3RITFALSE28#3348MaleGrade3RITFALSE69
R语言与统计-1：t检验与秩和检验R语言与统计-2：方差分析R语言与统计-3：卡方检验R语言与统计-4：线性回归分析与模型诊断R语言与统计-5：Logistic回归更详细的可以参考之前分享的：Kaplan-Meier生存分析的结果解读和绘制方法TCGA生存模型的构建以及模型预测和评估1.生存分析导入数据library(coin)data(glioma)head(glioma)#no.agesexhistologygroupeventtime#1141FemaleGrade3RITTRUE53#2245FemaleGrade3RITFALSE28#3348MaleGrade3RITFALSE69
Removingoutliersfromlinearregressionwhenusingmultiplemodels我想重新运行我的多元线性回归分析，删除有影响的观察值/异常值以确定它们的影响。我的数据包含30个变量(5个预测变量，25个结果)的大约1000个观察值。1df我对25个结果变量中的每一个执行多元线性回归：12345678library(tidyverse)reg% gather(outcome_name,outcome_value,-(X1:X5))%>% group_by(outcome_name)%>% nest()%>% mutate(model=map(data,~lm
Removingoutliersfromlinearregressionwhenusingmultiplemodels我想重新运行我的多元线性回归分析，删除有影响的观察值/异常值以确定它们的影响。我的数据包含30个变量(5个预测变量，25个结果)的大约1000个观察值。1df我对25个结果变量中的每一个执行多元线性回归：12345678library(tidyverse)reg% gather(outcome_name,outcome_value,-(X1:X5))%>% group_by(outcome_name)%>% nest()%>% mutate(model=map(data,~lm
0-1导包import warningswarnings.filterwarnings("ignore")import numpy as npimport tensorflow as tfimport matplotlib.pyplot as plt1-1构造数据np.random.seed(999)raw_data = np.random.standard_normal((1000, 2)) # 产生 0 均值的 正态分布plt.figure(figsize=(8,6)) # 设置当前图像的长和宽plt.scatter(raw_data[:,0],raw_data[:,1],ma
