ЛОЖНЫЙ ТРЕНД И ЧАСТОТНЫЙ ПОДХОД К РЕГРЕССИИ. ПРИМЕР ИССЛЕДОВАНИЯ ПРОФЕССИОНАЛЬНОГО РИСКА
В эпидемиологических исследованиях заболеваемости персонала предприятий широко используется частотный (фишеровский) подход. Однако он эффективен только при большом количестве наблюдений, что не всегда возможно. Мощность исследований снижается, если имеется множество факторов риска и необходимо разли...
Saved in:
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Cifra Publishing House
2025-06-01
|
| Series: | Journal of Bioinformatics and Genomics |
| Subjects: | |
| Online Access: | https://journal-biogen.org/archive/2-28-2025-june/10.60797/jbg.2025.28.2 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1839628838841090048 |
|---|---|
| author | Обеснюк В.Ф. |
| author_facet | Обеснюк В.Ф. |
| author_sort | Обеснюк В.Ф. |
| collection | DOAJ |
| description | В эпидемиологических исследованиях заболеваемости персонала предприятий широко используется частотный (фишеровский) подход. Однако он эффективен только при большом количестве наблюдений, что не всегда возможно. Мощность исследований снижается, если имеется множество факторов риска и необходимо различать их по степени влияния. Применение байесовского подхода к анализу наблюдений позволяет отчасти преодолеть некоторые из ограничений, поскольку он объединяет измерение с математическим моделированием. В статье рассматриваются два таких алгоритма.Один из них сочетает байесовские оценки для страт с традиционными методами косвенной статистической регрессии, напоминающими алгоритм AMFIT взвешенный метод наименьших квадратов. Второй алгоритм позволяет получать прямые интервальные и центральные оценки относительного риска при попарном сравнении страт. Оба алгоритма частично устраняют систематические искажения оценок риска, вызванные небольшим (n < 7) количеством случаев в стратах. Результаты, полученные с их помощью, похожи и лучше выглядят, чем максимально правдоподобные частотные оценки. Алгоритмы основаны на непрерывных распределениях вероятности. Их работоспособность проверена на числовых примерах. |
| format | Article |
| id | doaj-art-a0de0f7f4d234494a450d0fdfc93f5a8 |
| institution | Matheson Library |
| issn | 2530-1381 |
| language | English |
| publishDate | 2025-06-01 |
| publisher | Cifra Publishing House |
| record_format | Article |
| series | Journal of Bioinformatics and Genomics |
| spelling | doaj-art-a0de0f7f4d234494a450d0fdfc93f5a82025-07-15T11:20:58ZengCifra Publishing HouseJournal of Bioinformatics and Genomics2530-13812025-06-0128210.60797/jbg.2025.28.210.60797/jbg.2025.28.2ЛОЖНЫЙ ТРЕНД И ЧАСТОТНЫЙ ПОДХОД К РЕГРЕССИИ. ПРИМЕР ИССЛЕДОВАНИЯ ПРОФЕССИОНАЛЬНОГО РИСКАОбеснюк В.Ф.0https://orcid.org/0000-0002-2446-4390Южно-Уральский институт биофизикиВ эпидемиологических исследованиях заболеваемости персонала предприятий широко используется частотный (фишеровский) подход. Однако он эффективен только при большом количестве наблюдений, что не всегда возможно. Мощность исследований снижается, если имеется множество факторов риска и необходимо различать их по степени влияния. Применение байесовского подхода к анализу наблюдений позволяет отчасти преодолеть некоторые из ограничений, поскольку он объединяет измерение с математическим моделированием. В статье рассматриваются два таких алгоритма.Один из них сочетает байесовские оценки для страт с традиционными методами косвенной статистической регрессии, напоминающими алгоритм AMFIT взвешенный метод наименьших квадратов. Второй алгоритм позволяет получать прямые интервальные и центральные оценки относительного риска при попарном сравнении страт. Оба алгоритма частично устраняют систематические искажения оценок риска, вызванные небольшим (n < 7) количеством случаев в стратах. Результаты, полученные с их помощью, похожи и лучше выглядят, чем максимально правдоподобные частотные оценки. Алгоритмы основаны на непрерывных распределениях вероятности. Их работоспособность проверена на числовых примерах.https://journal-biogen.org/archive/2-28-2025-june/10.60797/jbg.2025.28.2интенсивностьотносительный рискзаболеваемостьперсоналintensityrelative riskmorbiditypersonnel |
| spellingShingle | Обеснюк В.Ф. ЛОЖНЫЙ ТРЕНД И ЧАСТОТНЫЙ ПОДХОД К РЕГРЕССИИ. ПРИМЕР ИССЛЕДОВАНИЯ ПРОФЕССИОНАЛЬНОГО РИСКА Journal of Bioinformatics and Genomics интенсивность относительный риск заболеваемость персонал intensity relative risk morbidity personnel |
| title | ЛОЖНЫЙ ТРЕНД И ЧАСТОТНЫЙ ПОДХОД К РЕГРЕССИИ. ПРИМЕР ИССЛЕДОВАНИЯ ПРОФЕССИОНАЛЬНОГО РИСКА |
| title_full | ЛОЖНЫЙ ТРЕНД И ЧАСТОТНЫЙ ПОДХОД К РЕГРЕССИИ. ПРИМЕР ИССЛЕДОВАНИЯ ПРОФЕССИОНАЛЬНОГО РИСКА |
| title_fullStr | ЛОЖНЫЙ ТРЕНД И ЧАСТОТНЫЙ ПОДХОД К РЕГРЕССИИ. ПРИМЕР ИССЛЕДОВАНИЯ ПРОФЕССИОНАЛЬНОГО РИСКА |
| title_full_unstemmed | ЛОЖНЫЙ ТРЕНД И ЧАСТОТНЫЙ ПОДХОД К РЕГРЕССИИ. ПРИМЕР ИССЛЕДОВАНИЯ ПРОФЕССИОНАЛЬНОГО РИСКА |
| title_short | ЛОЖНЫЙ ТРЕНД И ЧАСТОТНЫЙ ПОДХОД К РЕГРЕССИИ. ПРИМЕР ИССЛЕДОВАНИЯ ПРОФЕССИОНАЛЬНОГО РИСКА |
| title_sort | ложный тренд и частотный подход к регрессии пример исследования профессионального риска |
| topic | интенсивность относительный риск заболеваемость персонал intensity relative risk morbidity personnel |
| url | https://journal-biogen.org/archive/2-28-2025-june/10.60797/jbg.2025.28.2 |
| work_keys_str_mv | AT obesnûkvf ložnyjtrendičastotnyjpodhodkregressiiprimerissledovaniâprofessionalʹnogoriska |