최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.28 no.2, 2015년, pp.335 - 342
이동환 (이화여자대학교 통계학과) , 유재근 (이화여자대학교 통계학과)
Joint hierarchical generalized linear models proposed by Molas et al. (2013) extend the simple longitudinal model into multiple models fitted jointly. It can easily handle the correlation of multivariate longitudinal data. In this paper, we apply this method to analyze KoGES cohort dataset. Fixed un...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
경시적 자료는 무엇인가? | 경시적 자료(longitudinal data)는 일정 기간 동안 각 개체(subject)마다 시간에 따라 반복 측정되는 자료로써, 코호트 연구 등에서 많이 쓰인다. 따라서, 반복 측정된 개체에서 나온 관측치들은 서로 상관관계가 있고, 이러한 상관관계를 고려하기 위해 다양한 혼합 모형들이 제안되었다. | |
결합 다단계 일반화 선형모형의 장점은 무엇인가? | 최근, Molas 등 (2013)은 각 반응변수들이 HGLM모형을 따르고, 변량효과들을 여러가지 상관구조를 가질 수 있는 일반적인 다변량 정규분포를 따른다고 가정하여, 반응변수 간에 상관성을 고려한 결합 다단계 일반화 선형모형(joint hierarchical generalized linear models; JHGLMs)을 제안하였다. 이 모형의 장점은 각 다변량 반응변수들이 같은 유형이어야 하는 제약 조건이 필요 없다. 즉, 한 반응변수는 정규분포를, 다른 반응변수는 이항분포를 따른다고 가정하는 것이 가능하다. 또한 Molas 등 (2013)은 R 패키지 mdhglm 제공하여, 변량 효과들이 상관관계있을 때 이외에도 서로 독립(independent)일 때, 포화 관계(saturated)일 때의 모형도 제공함으로써 가장 적합한 혼합 모형을 선택하는데 효과적이다. | |
경시적 자료에서 다변량 반응변수 사이의 상관성은 무엇을 고려하면 되는가? | 하지만, 경시적 자료의 수집에 있어서 동일한 개체에서 2개 이상의 반응변수들이 관측이 되고, 이들 간에도 상관관계가 존재한다면, 다변량 경시적 자료를 다룰 수 있는 모형의 확장이 필요하다. 경시적 자료에서 다변량 반응변수 사이의 상관성은 공분산 구조를 가지는 변량효과를 고려하면 된다 (Lee와 Nelder, 2001). Yun과 Lee (2004)는 이변량 이진-정규 혼합 모형을 다단계 우도를 이용하여 적합하였다. |
Breslow, N. E. and Clayton, D. G. (1993). Approximate inference in generalized linear mixed models, Journal of the American Statistical Association, 88, 125-134.
Donohue, M., Overholser, R., Xu, R. and Vaida, F. (2011). Conditional akaike information under generalized linear and proportional hazards mixed models, Biometrika, 98, 685-700.
Kim, J., Kim, E., Yi, H., Joo, S., Shin, K., Kim, J., Kimm, K. and Shin, C. (2006). Short-term incidence rate of hypertension in Korea middle-aged adults, Journal of Hypertension, 24, 2177-2182.
Lee, K., Joo, Y., Yoo, J. K. and Lee, J. (2009). Marginalized random effects models for multivariate longitudinal binary data, Statistics in Medicine, 28, 1284-1300.
Lee, Y. and Nelder, J. A. (1996). Hierarchical generalized linear models (with discussion), Journal of the Royal Statistical Society B, 58, 619-678.
Lee, Y. and Nelder, J. A. (2001). Hierarchical generalised linear models: A synthesis of generalised linear models, random-effect models and structured dispersions, Biometrika, 88, 987-1006.
Lee, Y., Nelder, J. A. and Pawitan, Y. (2006). Generalised Linear Models with Random Effects, Chapman and Hall/CRC, Boca Raton.
Molas, M., Noh, M., Lee, Y. and Lesaffre, E. (2013). Joint hierarchical generalized linear models with multivariate Gaussian random effects, Computational Statistics and Data Analysis, 68, 239-250.
Yun, S. and Lee, Y. (2004). Comparison of hierarchical and marginal likelihood estimators for binary outcomes, Computational Statistics and Data Analysis, 45, 639-650.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.