Thông tin

Tính trung bình của một phương pháp điều trị hàm tuyến tính hoặc phi tuyến tính

Tính trung bình của một phương pháp điều trị hàm tuyến tính hoặc phi tuyến tính


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Trong một nghiên cứu giả định về PET, mẫu của tôi bao gồm một quần thể lâm sàng có biểu hiện tăng chuyển hóa não. Tôi chia mẫu của mình thành hai nhóm đồng nhất. Một người được điều trị trong khi người kia thì không (kiểm soát). Phân tích của tôi là một thiết kế giai thừa hỗn hợp 2 x 2 với điều trị (tiếp nhận điều trị, không điều trị) là yếu tố giữa các nhóm và tình trạng điều trị (đẹp nhất, hậu kỳ) là yếu tố bên trong đối tượng.

Nhóm điều trị hoàn thành một nhiệm vụ nhận thức được cho là sẽ làm giảm tình trạng siêu chuyển hóa ở não xuống gần như không có gì khác ngoài việc trở lại tình trạng siêu chuyển hóa tăng cao trong tối đa 2 phút. Nói cách khác, nhiệm vụ nhận thức làm giảm hoạt động trong một khoảng thời gian ngắn nhưng từ từ quá trình siêu chuyển hóa trong não sẽ trở lại mức cao giúp phân biệt mẫu lâm sàng của chúng ta. Người ta không biết liệu hồi quy này đối với các mức tiền xử lý sẽ là tuyến tính hay không tuyến tính.

Trong thiết kế của mình, tôi so sánh mức trung bình của nhóm đối với quá trình tăng trao đổi chất ở não trong quá trình điều trị so với nhóm đối chứng trước và sau kiểm tra. Không có sự khác biệt trong nhóm đối chứng của chúng tôi ở giai đoạn trước và sau thử nghiệm, nhưng phải có sự khác biệt đáng kể trong nhóm điều trị.

Câu hỏi của tôi là, có quy trình chuẩn nào để lấy giá trị trung bình của nhóm trên một hàm tuyến tính không? Nếu chúng ta biết rằng quá trình siêu trao đổi chất ở não trở lại sau <2 phút, chúng ta có nên tính giá trị trung bình của đường này qua 2 phút không? 1 phút? Ở cấp độ người tham gia? Ở cấp độ nhóm?

Ngoài ra, thay vì tính ra giá trị trung bình, người ta có nên tính toán độ dốc của các đường trong điều kiện xử lý so với điều kiện không xử lý và so sánh chúng?

Tôi sẽ đánh giá cao các trích dẫn để xử lý các thủ tục như vậy.


Tính trung bình của một phương pháp điều trị hàm tuyến tính hoặc phi tuyến tính - Tâm lý học

Tại Uber, chúng tôi thử nghiệm hầu hết các tính năng và sản phẩm mới với sự trợ giúp của các thử nghiệm để hiểu và định lượng tác động của chúng đối với thị trường của chúng tôi. Việc phân tích các kết quả thực nghiệm theo truyền thống thường tập trung vào việc tính toán các hiệu quả điều trị trung bình (ATE).

Tuy nhiên, vì giá trị trung bình làm giảm toàn bộ phân phối xuống một con số duy nhất, nên bất kỳ sự không đồng nhất nào về hiệu quả điều trị sẽ không được chú ý. Thay vào đó, chúng tôi nhận thấy rằng việc tính toán các hiệu ứng điều trị lượng tử (QTE) cho phép chúng tôi xác định hiệu quả và hiệu quả việc phân phối đầy đủ các hiệu ứng điều trị và do đó nắm bắt được sự không đồng nhất vốn có trong các hiệu ứng điều trị khi hàng nghìn người lái xe và người lái xe tương tác trong thị trường Uber & # 8217s.

Bên cạnh việc cung cấp một bức tranh sắc thái hơn về tác động của một thuật toán mới, phân tích này có liên quan đến hoạt động kinh doanh của chúng tôi vì mọi người ghi nhớ những trải nghiệm tiêu cực nhiều hơn những trải nghiệm tích cực (xem Baumeister và cộng sự (2001)). Trong bài viết này, chúng tôi mô tả QTE là gì, chính xác cách chúng cung cấp thông tin chi tiết bổ sung ngoài ATE, tại sao chúng có liên quan đến một doanh nghiệp như Uber và cách chúng tôi tính toán chúng.

Phân biệt giữa QTE và ATE

Để hiểu rõ hơn QTE khác với ATE như thế nào, chúng ta hãy tập trung vào một ví dụ cụ thể. Giả sử rằng chúng tôi muốn phân tích tác động của một thuật toán được cải tiến để đối sánh người lái với người lái phù hợp nhất với một điểm đến cụ thể.

Đối với ví dụ giả thuyết này, giả sử rằng số liệu kết quả quan tâm là thời gian người lái xe đến đón người lái, còn được gọi là thời gian đến nơi ước tính (ETA). Sử dụng khung kết quả tiềm năng được phát triển bởi Giáo sư Donald B. Rubin (xem Imbens và Rubin (2015)), chúng tôi biểu thị việc chỉ định người lái cho thuật toán xử lý với và các phương pháp khác. Chúng tôi biểu thị kết quả tiềm năng cho mỗi cá nhân như. Đó là, là ETA dành cho người lái theo thuật toán đương nhiệm hoặc điều khiển và là ETA theo thuật toán mới hoặc thuật toán điều trị. Tất nhiên, chúng tôi chỉ quan sát một kết quả cho người lái vì chúng tôi không thể gán chúng cho cả thuật toán mới và thuật toán cũ. Chúng tôi biểu thị kết quả quan sát được như với

với . Nói cách khác, là hàm phân phối tích lũy (CDF) của các ETA theo thuật toán mới và là CDF của các ETA theo thuật toán đương nhiệm.

Cho đến nay, cách được sử dụng rộng rãi nhất để mô tả sự khác biệt về kết quả là tập trung vào ATE (dân số), tức là,.

Mặc dù chúng tôi không quan sát cùng một người lái theo cả hai thuật toán, giả sử thiết kế thử nghiệm thỏa mãn một tập hợp các giả định về tính đều đặn, chúng tôi có thể ước tính ATE bằng cách so sánh ETA trung bình của những người tiếp xúc với thuật toán mới với ETA trung bình của những người tiếp xúc với thuật toán đương nhiệm.

Số trung bình có hiệu quả trong việc tóm tắt nhiều thông tin thành một con số duy nhất. Ví dụ, chúng ta có thể biết rằng ETA trung bình của thuật toán mới không khác gì ETA trung bình của thuật toán cũ (ATE bằng 0). Nhưng điều này thực sự có nghĩa là không có sự khác biệt có ý nghĩa giữa hai thuật toán? Với lượng lớn dữ liệu tổng hợp và ẩn danh được các nhóm tại Uber tận dụng, liệu chúng ta có thể làm tốt hơn việc chỉ phân tích ATE không?

ATE không cho phép chúng tôi hiểu sự không đồng nhất trong các hiệu quả điều trị

Chính vì số trung bình giảm tất cả thông tin thành một số duy nhất, chúng có thể che giấu một số điểm tinh vi của các phân phối cơ bản. Ví dụ, hãy tưởng tượng rằng Hình 1, bên dưới, mô tả các ETA giữa các tay đua cho nhóm điều trị (đường liền nét màu xanh) và nhóm kiểm soát (đường đứt nét màu đỏ). Cả hai bản phân phối đều có giá trị trung bình như nhau và do đó, ATE sẽ bằng không. Tuy nhiên, hình vẽ cũng tiết lộ rằng phần đuôi bên phải của các ETA theo thuật toán mới béo hơn nhiều so với thuật toán cũ. Có nghĩa là, có một số tay đua trải qua ETA lâu hơn nhiều so với ETA dài nhất theo thuật toán cũ. Những trải nghiệm này của các ETA dài hơn theo thuật toán mới được cân bằng bởi rất nhiều trải nghiệm của các ETA thấp hơn, được thể hiện bằng khối lượng gia tăng về phía đuôi bên trái của phân phối xử lý.

Hình 1: Kết quả của một thí nghiệm giả định cho thấy rằng sự phân bố của các ETA được tạo ra bởi thuật toán mới rộng hơn so với ETA được tạo ra theo thuật toán cũ. Cả ETA ngắn và dài đều phổ biến hơn theo thuật toán mới.

Lưu ý rằng sự không đồng nhất về hiệu quả điều trị giữa các tay đua không nhất thiết phải do các thành phần có thể quan sát được như vị trí yêu cầu, thời gian trong ngày hoặc thời tiết. Nếu đúng như vậy, chúng ta có thể tưởng tượng một phân tích thử nghiệm phức tạp hơn một chút sẽ cố gắng kiểm soát các yếu tố này và có thể dẫn đến các ATE đầy đủ thông tin có điều kiện dựa trên các yếu tố quan sát được này. Nhưng trên thực tế, số lượng tuyệt đối người lái xe và người đi xe tương tác với nhau trên thị trường của Uber cho thấy rằng sẽ có sự không đồng nhất về hiệu quả điều trị mà bất kỳ yếu tố quan sát nào cũng không thể giải thích được. Trong trường hợp này, các QTE thực sự cung cấp những hiểu biết bổ sung không thể tìm thấy bằng cách chỉ đơn giản là nhìn vào ATE, ngay cả sau khi điều chỉnh trên bất kỳ yếu tố có thể quan sát được.

Bỏ qua sự không đồng nhất này với nguy cơ của riêng bạn

Nhưng ngay cả khi có sự khác biệt về hiệu quả điều trị giữa các tay đua, liệu chúng có quan trọng đối với doanh nghiệp không? Việc một số tay đua trải nghiệm ETA lâu hơn theo thuật toán mới có liên quan đến công việc hay tất cả những vấn đề mà các tay đua trải qua trung bình không có sự khác biệt trong các ETA?

Vì hầu hết hành khách tương tác với nền tảng Uber nhiều lần nên họ sẽ trải nghiệm các ETA khác nhau theo thời gian. Và nghiên cứu cho thấy rằng những trải nghiệm tiêu cực ẩn sâu trong ký ức của mọi người hơn là những trải nghiệm tích cực. Có nghĩa là, mặc dù trung bình một người lái xe nhất định trải nghiệm các ETA giống nhau được tạo bởi thuật toán mới, thực tế là sẽ có một số ETA dài hơn theo thuật toán đương nhiệm có thể dẫn đến người lái xe cụ thể đó tư duy rằng các ETA đã trở nên tồi tệ hơn. Điều này ngụ ý rằng việc tính toán sự khác biệt trong phân phối kết quả ngoài việc so sánh các ETA trung bình là rất quan trọng đối với doanh nghiệp, đó là nơi các QTE đi vào bức tranh.

Hiệu ứng xử lý số lượng cho phép chúng tôi nắm bắt được sự không đồng nhất này

Để nắm bắt được ý tưởng rằng các ETA dài đã kéo dài hơn, chúng tôi định nghĩa QTE là sự khác biệt trong một lượng tử cụ thể của phân phối kết quả đang được xử lý và cùng một lượng tử của phân phối kết quả được kiểm soát. Đó là,

Sử dụng các phân phối tương tự cho các ETA như trong Hình 1, Hình 2, bên dưới, mô tả bằng đồ thị QTE cho phân vị thứ 95, tức là,. Lưu ý rằng QTE được định nghĩa theo cách này không thể cho chúng tôi biết sự khác biệt trong ETA đối với riêng người lái là. Nói cách khác, QTE như được định nghĩa ở đây không cho phép chúng tôi tìm hiểu thời gian ETA được tạo bởi thuật toán mới cho một người lái cụ thể có ETA ở phân vị thứ 95 theo thuật toán đương nhiệm. Nó chỉ cho phép chúng tôi so sánh phân vị thứ 95 của ETA trong phân phối trên tất cả các tay đua của nhóm điều trị với phân vị thứ 95 trong phân bố trên tất cả các tay đua của nhóm đối chứng. Nhưng bởi vì chúng tôi không quan sát cùng một người lái theo cả hai thuật toán, chúng ta không thể nói bất cứ điều gì về mối tương quan giữa và đối với một người lái nhất định (mà không đưa ra bất kỳ giả định nào khác). Do đó, tất cả những gì chúng ta có thể hy vọng học được từ một thử nghiệm là thông tin về các phân phối cận biên của các kết quả quan tâm.

Hình 2: ETA phân vị thứ 95 theo thuật toán mới lớn hơn ETA phân vị thứ 95 theo thuật toán đương nhiệm, dẫn đến QTE dương.

Với lượng lớn dữ liệu mà chúng ta có thể phân tích sau một thử nghiệm, tất nhiên, chúng ta có thể tính toán QTE cho nhiều lượng tử khác nhau, ví dụ từ ngày 1 đến ngày 99. Nếu chúng ta vẽ tất cả chúng trong một hình duy nhất, hình kết quả có thể giống như Hình 3, bên dưới:

Hình 3: Đồ thị các QTE trên trục tung so với các lượng tử cho thấy rằng chúng âm cho đến khoảng phân vị thứ 60 và dương trên phân vị thứ 60. Đây là một cách khác để thấy rằng cả ETA ngắn và dài đều thường xuyên hơn theo thuật toán mới so với thuật toán đương nhiệm.

Hình cho thấy rằng, như được thấy từ việc kiểm tra hai phân bố kết quả khác nhau trong Hình 1, QTE âm tính với lượng tử thấp và dương tính với lượng tử cao. Nói cách khác, ngắn ETA dài là cả hai thường xuyên hơn theo thuật toán mới.

Những con số như thế này đã cho phép chúng tôi có được những hiểu biết sâu sắc hơn về tác động của các thử nghiệm của chúng tôi tại Uber. Ví dụ: các phân tích về QTE đã cho phép chúng tôi phát hiện sự suy giảm đối với thị trường của chúng tôi từ các thuật toán cụ thể. Những suy giảm này xảy ra ở các kết quả cực đoan đối với một thước đo và dễ dàng được phát hiện trong QTE ở phân vị thứ 95. Đồng thời, ATE đủ nhỏ để không gây ra bất kỳ mối lo ngại nào.

Tính toán QTE thông qua hồi quy lượng tử

Tương tự như sử dụng hồi quy tuyến tính để tính toán ATE, chúng ta có thể sử dụng hồi quy lượng tử để tính QTE (xem Koenker (2005)). Một lợi thế của việc làm như vậy là khả năng dựa vào các tài liệu hiện có, được trích dẫn dưới đây, phát triển các phương pháp suy luận mạnh mẽ cho các ước lượng, có thể so sánh với suy luận mạnh mẽ cho hồi quy tuyến tính.

Trong khi hồi quy tuyến tính mô hình hóa hàm trung bình có điều kiện của kết quả quan tâm, thì hồi quy lượng tử mô hình hóa hàm lượng tử có điều kiện. Để ước tính QTE, chúng tôi chỉ định hàm lượng tử có điều kiện

Sau đó và (xem Koenker (2005)). Do đó, hồi quy lượng tử của kết quả quan tâm trên một hằng số và một chỉ số điều trị cho phép chúng ta ước tính QTE ở lượng tử thứ-, giống như một hồi quy tuyến tính cùng loại ước tính ATE.

Tương tự như hệ số hồi quy tuyến tính, hệ số hồi quy lượng tử có thể được xác định là giải pháp cho một bài toán tối ưu hóa cụ thể. Đối với một lượng tử nhất định, các hệ số và là giải pháp cho

và là chức năng chỉ báo (xem Koenker (2005)). Ngược lại với trường hợp hồi quy tuyến tính, hàm mục tiêu cho hồi quy lượng tử không thể phân biệt được và có một số cách tính giá trị nhỏ nhất khác nhau. Một khả năng là viết bài toán tối thiểu hóa dưới dạng một chương trình tuyến tính và sử dụng một bộ giải thích hợp. Tuy nhiên, tại Uber, chúng tôi giải quyết việc tối ưu hóa thông qua một thuật toán được đề xuất bởi David R. Hunter và Kenneth Lange trong một bài báo cho Tạp chí Thống kê Tính toán và Đồ thị. Bằng cách phát triển việc triển khai hiệu quả thuật toán này bằng cách sử dụng các quy trình đại số tuyến tính được tối ưu hóa, chúng tôi nhận thấy rằng thuật toán này chia tỷ lệ khá tốt với hàng triệu quan sát mà chúng ta cần phân tích cho một thử nghiệm.

Bằng cách mô tả các hệ số hồi quy lượng tử là giải pháp cho một bài toán tối thiểu hóa, chúng ta có thể suy ra các phân bố giới hạn của chúng bằng cách sử dụng lý thuyết cho các bộ ước lượng M (không phân biệt). Với phân phối giới hạn, sau đó chúng ta có thể tính được khoảng tin cậy cho các QTE. Tương tự như trường hợp hồi quy tuyến tính, một số kết quả suy luận mạnh mẽ có sẵn trong tài liệu. Vì vậy, ví dụ, có các kết quả cho phép suy luận mạnh đến phương sai thay đổi (Kim và White (2003)), tự tương quan (Gregory và cộng sự (2018)) và sai số chuẩn mạnh theo cụm (Parente và Santos Silva (2015)).

Tiến về phía trước

Hiệu ứng xử lý định lượng (QTE) cho phép các nhà khoa học dữ liệu tại Uber xác định tốt hơn khi nào sự suy thoái trong các thuật toán của chúng tôi dẫn đến, ví dụ: thời gian đón khách của người lái xe lâu hơn, cung cấp một giải pháp thay thế chính xác hơn cho các hiệu ứng xử lý trung bình (ATE). Điều này giúp tăng độ chính xác trong việc phân tích tác động của các thử nghiệm, sau đó cho phép chúng tôi tinh chỉnh cơ học đằng sau thời gian đến ước tính (ETA) và các chỉ số khác theo cách có mục tiêu hơn, dẫn đến trải nghiệm người lái được cải thiện trên nền tảng của chúng tôi.

Nếu bạn quan tâm đến việc giải quyết một số thách thức lớn nhất về khoa học dữ liệu trong ngành, hãy cân nhắc đăng ký vai trò trong nhóm của chúng tôi !

Sự nhìn nhận

Akshay Jetli, Stephan Langer và Yash Desai là công cụ để thực hiện kỹ thuật các ý tưởng được thảo luận trong bài viết này. Ngoài ra, tôi đã được hưởng lợi từ nhiều cuộc thảo luận hữu ích với Sergey Gitlin.


Chẩn đoán hồi quy: kiểm tra các giả định của hồi quy tuyến tính

bốn giả định chính biện minh cho việc sử dụng các mô hình hồi quy tuyến tính cho các mục đích suy luận hoặc dự đoán:

(i) tuyến tính và sự bổ sung về mối quan hệ giữa các biến phụ thuộc và độc lập:

(a) Giá trị kỳ vọng của biến phụ thuộc là một hàm đường thẳng của mỗi biến độc lập, giữ cho các biến khác cố định.

(b) Hệ số góc của đường thẳng đó không phụ thuộc vào giá trị của các biến khác.

(c) Tác động của các biến độc lập khác nhau lên giá trị kỳ vọng của biến phụ thuộc là cộng gộp.

(ii) tính độc lập về thống kê của các lỗi (đặc biệt, không có mối tương quan giữa các lỗi liên tiếp trong trường hợp dữ liệu chuỗi thời gian)

(iii) đồng biến (phương sai không đổi) của các lỗi

(a) so với thời gian (trong trường hợp dữ liệu chuỗi thời gian)

(c) so với bất kỳ biến độc lập nào

(iv) tính bình thường của phân phối lỗi.

Nếu bất kỳ giả định nào trong số này bị vi phạm (tức là nếu có các mối quan hệ phi tuyến giữa các biến phụ thuộc và độc lập hoặc các lỗi thể hiện mối tương quan, phương sai thay đổi hoặc không chuẩn), thì các dự báo, khoảng tin cậy và hiểu biết khoa học do mô hình hồi quy mang lại có thể (tốt nhất là) không hiệu quả hoặc (tệ nhất) bị sai lệch hoặc sai lệch nghiêm trọng. Thông tin chi tiết về các giả định này và lý do cho chúng (hoặc không) trong các trường hợp cụ thể, được đưa ra trên phần giới thiệu về trang hồi quy.

Lý tưởng nhất là phần mềm thống kê của bạn sẽ tự động cung cấp các biểu đồ và số liệu thống kê để kiểm tra xem các giả định này có được thỏa mãn đối với bất kỳ mô hình nhất định nào hay không. Thật không may, nhiều gói phần mềm không cung cấp đầu ra như vậy theo mặc định (các lệnh menu bổ sung phải được thực hiện hoặc phải viết mã) và một số (chẳng hạn như bổ trợ hồi quy tích hợp trong Excel & # 8217s) chỉ cung cấp các tùy chọn hạn chế. RegressIt cung cấp đầu ra như vậy và chi tiết đồ họa. Xem trang này để biết ví dụ về kết quả đầu ra từ một mô hình vi phạm tất cả các giả định ở trên, nhưng vẫn có khả năng được người dùng na & iumlve chấp nhận trên cơ sở giá trị lớn của R bình phương và xem trang này để biết ví dụ về Mô hình thỏa mãn các giả định một cách hợp lý, thu được từ mô hình đầu tiên bằng một phép biến đổi phi tuyến tính của các biến. Các đồ thị lượng tử thông thường từ các mô hình đó cũng được hiển thị ở cuối trang này.

Đôi khi bạn sẽ thấy các giả định bổ sung (hoặc khác) được liệt kê, chẳng hạn như & # 8220 các biến được đo lường chính xác & # 8221 hoặc & # 8220mẫu đại diện cho dân số & # 8221, v.v. Đây là những cân nhắc quan trọng trong bất kỳ hình thức mô hình thống kê nào và chúng cần được chú ý thích đáng, mặc dù chúng không đề cập đến các thuộc tính của phương trình hồi quy tuyến tính. (Quay trở lại đầu trang.)

Vi phạm tuyến tính hoặc cộng tính cực kỳ nghiêm trọng: nếu bạn phù hợp mô hình tuyến tính với dữ liệu có liên quan phi tuyến tính hoặc không thường xuyên, thì các dự đoán của bạn có thể bị sai lầm nghiêm trọng, đặc biệt là khi bạn ngoại suy vượt ra ngoài phạm vi của dữ liệu mẫu.

Làm thế nào để chẩn đoán : tính phi tuyến tính thường rõ ràng nhất trong một âm mưu của quan sát được so với dự đoán giá trị hoặc một âm mưu của phần dư so với giá trị dự đoán , là một phần của đầu ra hồi quy chuẩn. Các điểm phải được phân bố đối xứng xung quanh một đường chéo trong ô trước hoặc xung quanh đường ngang trong ô sau, với phương sai gần như không đổi. (Biểu đồ còn lại so với dự đoán tốt hơn âm mưu được quan sát so với dự đoán cho mục đích này, bởi vì nó loại bỏ sự phân tâm thị giác của một mẫu dốc.) Hãy xem xét cẩn thận để tìm bằng chứng về mẫu & quotbowed & quot, cho thấy rằng mô hình tạo ra hệ thống lỗi bất cứ khi nào nó đưa ra các dự đoán lớn hoặc nhỏ bất thường. Trong các mô hình hồi quy nhiều lần, tính phi tuyến tính hoặc không nhạy cảm cũng có thể được tiết lộ bởi các mô hình hệ thống trong các biểu đồ của phần dư so với các biến độc lập riêng lẻ.

Làm thế nào để khắc phục: cân nhắc việc áp dụng một biến đổi phi tuyến cho các biến phụ thuộc và / hoặc độc lập nếu như bạn có thể nghĩ về một sự chuyển đổi có vẻ phù hợp. (Đừng chỉ tạo ra điều gì đó!) Ví dụ: nếu dữ liệu là số dương, thì phép biến đổi nhật ký là một tùy chọn.(Cơ số logarit không quan trọng - tất cả các hàm log đều giống nhau theo tỷ lệ tuyến tính - mặc dù log tự nhiên thường được ưu tiên hơn vì những thay đổi nhỏ trong log tự nhiên tương đương với thay đổi phần trăm. Xem các ghi chú này để biết thêm chi tiết.) Nếu a Phép biến đổi log chỉ được áp dụng cho biến phụ thuộc, điều này tương đương với việc giả định rằng nó tăng (hoặc giảm) theo cấp số nhân như một hàm của các biến độc lập. Nếu một phép biến đổi nhật ký được áp dụng cho cả hai biến phụ thuộc và các biến độc lập, điều này tương đương với việc giả định rằng tác động của các biến độc lập là nhân thay vì phụ gia trong các đơn vị ban đầu của chúng. Điều này có nghĩa là, về lợi nhuận, một tỷ lệ phần trăm thay đổi ở một trong các biến độc lập tạo ra một tỷ lệ thuận tỷ lệ phần trăm thay đổi giá trị kỳ vọng của biến phụ thuộc, những thứ khác bằng nhau. Các mô hình kiểu này thường được sử dụng trong mô hình hóa mối quan hệ giá cả - nhu cầu, như được minh họa trong ví dụ bán bia trên trang web này.

Một khả năng khác cần xem xét là thêm một hồi quy khác đó là một hàm phi tuyến của một trong các biến khác. Ví dụ: nếu bạn đã hồi quy Y trên X và đồ thị phần dư so với giá trị dự đoán gợi ý một đường cong parabol, thì có thể hợp lý khi hồi quy Y trên cả X và X ^ 2 (tức là X bình phương). Sự chuyển đổi thứ hai có thể thực hiện được ngay cả khi X và / hoặc Y có giá trị âm, trong khi ghi nhật ký thì không. Các thuật ngữ bậc cao của loại này (khối, v.v.) cũng có thể được xem xét trong một số trường hợp. Nhưng đừng bỏ qua! Loại & quot điều chỉnh đường cong đa thức & quot này có thể là một cách hay để vẽ một đường cong mượt mà thông qua một mô hình lượn sóng của các điểm (trên thực tế, nó là một tùy chọn đường xu hướng trên biểu đồ phân tán trên Excel), nhưng nó thường là một cách khủng khiếp để ngoại suy bên ngoài phạm vi dữ liệu mẫu.

Cuối cùng, có thể bạn đã bỏ qua một số biến độc lập hoàn toàn khác giải thích hoặc sửa chữa cho mô hình phi tuyến tính hoặc tương tác giữa các biến mà bạn đang thấy trong các đồ thị còn lại của mình. Trong trường hợp đó, hình dạng của mô hình, cùng với lý luận kinh tế hoặc vật lý, có thể gợi ý một số khả năng nghi ngờ. Ví dụ, nếu độ mạnh của mối quan hệ tuyến tính giữa Y và X1 phụ thuộc vào mức độ của một số biến khác X2, điều này có thể được giải quyết bằng cách tạo một biến độc lập mới là sản phẩm của X1 và X2. Trong trường hợp dữ liệu chuỗi thời gian, nếu xu hướng trong Y được cho là đã thay đổi tại một thời điểm cụ thể, thì việc bổ sung tuyến tính mảnh biến xu hướng (biến có chuỗi giá trị trông giống như 0, 0, & # 8230, 0, 1, 2, 3, & # 8230) có thể được sử dụng để khớp với đường gấp khúc trong dữ liệu. Một biến như vậy có thể được coi là sản phẩm của một biến xu hướng và một biến giả. Tuy nhiên, một lần nữa, bạn cần phải đề phòng việc trang bị quá nhiều dữ liệu mẫu bằng cách đưa vào các biến được xây dựng nhân tạo có động cơ kém. Vào cuối ngày, bạn cần có khả năng diễn giải mô hình và giải thích (hoặc bán) nó cho người khác. (Quay trở lại đầu trang.)

Vi phạm độc lập có khả năng rất nghiêm trọng trong hồi quy chuỗi thời gian mô hình: tương quan nối tiếp trong các sai số (nghĩa là tương quan giữa các lỗi liên tiếp hoặc các lỗi được phân tách bằng một số khoảng thời gian khác) có nghĩa là có chỗ để cải thiện trong mô hình và tương quan nối tiếp cực đoan thường là dấu hiệu của một mô hình được chỉ định sai. . Tương quan nối tiếp (còn được gọi là tự tương quan & # 8221) đôi khi là sản phẩm phụ của việc vi phạm giả định về độ tuyến tính, như trong trường hợp của một đường xu hướng đơn giản (tức là thẳng) phù hợp với dữ liệu đang tăng theo cấp số nhân theo thời gian.

Tính độc lập cũng có thể bị vi phạm trong các mô hình không theo chuỗi thời gian nếu các lỗi có xu hướng luôn có cùng dấu hiệu trong các điều kiện cụ thể, tức là nếu mô hình dự đoán thiếu hoặc kiểm định quá mức một cách có hệ thống thì điều gì sẽ xảy ra khi các biến độc lập có cấu hình cụ thể.

Cách chẩn đoán: Thử nghiệm tốt nhất cho mối tương quan nối tiếp là xem xét cốt truyện chuỗi thời gian còn lại (số dư so với số hàng) và một bảng hoặc ô của tự tương quan dư . (Nếu phần mềm của bạn không cung cấp những điều này theo mặc định cho dữ liệu chuỗi thời gian, bạn nên tìm ra vị trí trong menu hoặc mã để tìm chúng.) Lý tưởng nhất là phần lớn các phép tự tương quan còn lại nên nằm trong dải tin cậy 95% xung quanh 0, đó là nằm ở khoảng cộng hoặc trừ 2-over-the-square-root-of-n, trong đó n là kích thước mẫu. Do đó, nếu cỡ mẫu là 50, thì tự tương quan nên nằm trong khoảng +/- 0,3. Nếu kích thước mẫu là 100, chúng phải nằm trong khoảng +/- 0,2. Đặc biệt chú ý đến các mối tương quan đáng kể ở một vài lần trễ đầu tiên và trong vùng lân cận của thời kỳ giao mùa, bởi vì những mối tương quan này có thể không phải do ngẫu nhiên và cũng có thể sửa chữa được. Các Thống kê Durbin-Watson cung cấp một bài kiểm tra cho tự tương quan dư đáng kể ở độ trễ 1: chỉ số DW xấp xỉ bằng 2 (1-a) trong đó a là tự tương quan dư độ trễ-1, vì vậy lý tưởng là nó phải gần bằng 2.0 - giả sử là từ 1,4 đến 2,6 cho kích thước mẫu là 50.

Làm thế nào để khắc phục: Các trường hợp nhỏ của khả quan tương quan nối tiếp (giả sử tự tương quan dư lag-1 trong phạm vi 0,2 đến 0,4, hoặc thống kê Durbin-Watson giữa 1,2 và 1,6) chỉ ra rằng có một số chỗ để tinh chỉnh trong mô hình. Xem xét thêm độ trễ của biến phụ thuộc và / hoặc độ trễ của một số biến độc lập. Hoặc, nếu bạn có sẵn quy trình ARIMA + bộ hồi quy trong phần mềm thống kê của mình, hãy thử thêm thuật ngữ AR (1) hoặc MA (1) vào mô hình hồi quy. Thuật ngữ AR (1) thêm độ trễ của biến phụ thuộc vào phương trình dự báo, trong khi thuật ngữ MA (1) thêm độ trễ của lỗi dự báo. Nếu có mối tương quan đáng kể ở độ trễ 2, thì độ trễ bậc 2 có thể phù hợp.

Nếu có quan trọng phủ định tương quan trong phần dư (tự tương quan lag-1 âm hơn -0,3 hoặc chỉ số DW lớn hơn 2,6), hãy coi chừng khả năng bạn có thể mắc phải quá chênh lệch một số biến của bạn. Sự khác biệt có xu hướng đẩy tự tương quan theo hướng tiêu cực và chênh lệch quá nhiều có thể dẫn đến các mẫu tương quan nghịch nhân tạo mà các biến trễ không thể sửa chữa.

Nếu có mối tương quan đáng kể ở theo mùa khoảng thời gian (ví dụ: ở độ trễ 4 đối với dữ liệu hàng quý hoặc độ trễ 12 đối với dữ liệu hàng tháng), điều này cho thấy rằng tính thời vụ đã không được tính toán đúng trong mô hình. Tính thời vụ có thể được xử lý trong mô hình hồi quy theo một trong những cách sau: (i) điều chỉnh theo mùa các biến (nếu chúng chưa được điều chỉnh theo mùa), hoặc (ii) sử dụng độ trễ theo mùa và / hoặc các biến khác biệt theo mùa (thận trọng: hãy cẩn thận để không chênh lệch quá mức!), hoặc (iii) thêm biến giả theo mùa vào mô hình (tức là các biến chỉ báo cho các mùa khác nhau trong năm, chẳng hạn như MONTH = 1 hoặc QUARTER = 2, v.v.) Phương pháp tiếp cận biến giả cho phép điều chỉnh phụ gia theo mùa được thực hiện như một phần của mô hình hồi quy: một hằng số cộng khác nhau có thể được ước tính cho mỗi mùa trong năm. Nếu biến phụ thuộc đã được ghi lại, thì điều chỉnh theo mùa là cấp số nhân. (Một điều khác cần chú ý: có thể mặc dù biến phụ thuộc của bạn đã được điều chỉnh theo mùa, nhưng một số biến độc lập của bạn có thể không, khiến các mẫu theo mùa của chúng bị rò rỉ vào dự báo.)

Các trường hợp chính tương quan nối tiếp (thống kê Durbin-Watson thấp hơn 1,0, tự tương quan trên 0,5) thường chỉ ra một vấn đề cấu trúc cơ bản trong mô hình. Bạn có thể muốn xem xét lại các phép biến đổi (nếu có) đã được áp dụng cho các biến phụ thuộc và độc lập. Nó có thể giúp cố định tất cả các biến thông qua các kết hợp thích hợp của sự khác biệt, ghi nhật ký và / hoặc xì hơi.

Để kiểm tra các vi phạm độc lập không theo chuỗi thời gian, bạn có thể xem các đồ thị của phần dư so với các biến độc lập hoặc đồ thị của phần dư so với số hàng trong các tình huống mà các hàng đã được sắp xếp hoặc nhóm theo một số cách phụ thuộc (chỉ) vào giá trị của các biến độc lập. Phần dư phải được phân phối ngẫu nhiên và đối xứng xung quanh 0 trong mọi điều kiện, và cụ thể là không được có mối tương quan giữa các lỗi liên tiếp cho dù các hàng được sắp xếp như thế nào, miễn là nó dựa trên một số tiêu chí không liên quan đến biến phụ thuộc. Nếu điều này không đúng, nó có thể là do vi phạm giả định về độ tuyến tính hoặc do sự thiên vị có thể giải thích được bởi các biến bị bỏ qua (ví dụ, các thuật ngữ tương tác hoặc hình nộm cho các điều kiện có thể xác định).

Vi phạm tính tương đồng (được gọi là & quotheteroscedasticity & quot) gây khó khăn cho việc đánh giá độ lệch chuẩn thực của các lỗi dự báo, thường dẫn đến khoảng tin cậy quá rộng hoặc quá hẹp. Đặc biệt, nếu phương sai của các sai số tăng dần theo thời gian, khoảng tin cậy cho các dự đoán ngoài mẫu sẽ có xu hướng thu hẹp một cách phi thực tế. Phương sai thay đổi cũng có thể có tác động tạo ra quá nhiều trọng số cho một tập con nhỏ của dữ liệu (cụ thể là tập con có phương sai sai lớn nhất) khi ước lượng các hệ số.

Cách chẩn đoán: nhìn vào một âm mưu của phần dư so với giá trị dự đoán và, trong trường hợp dữ liệu chuỗi thời gian, một biểu đồ của số dư so với thời gian . Hãy cảnh giác khi có bằng chứng về phần dư lớn hơn theo hàm số của thời gian hoặc hàm số của giá trị dự đoán. Để thực sự kỹ lưỡng, bạn cũng nên tạo ra các ô số dư so với độc lập biến để tìm kiếm sự nhất quán ở đó. Do không chính xác trong các ước lượng hệ số, các sai số có thể có xu hướng khinh bỉ lớn hơn đối với các dự báo liên quan đến dự đoán hoặc giá trị của các biến độc lập có giá trị cực đoan theo cả hai hướng, mặc dù ảnh hưởng không được quá lớn. Những gì bạn hy vọng không phải để xem là những sai số có hệ thống lớn hơn theo một hướng với một lượng đáng kể.

Làm thế nào để khắc phục: Nếu biến phụ thuộc là hoàn toàn dương và nếu biểu đồ phần dư so với dự đoán cho thấy kích thước của sai số tỷ lệ với kích thước của các dự đoán (tức là, nếu sai số có vẻ phù hợp về tỷ lệ phần trăm thay vì theo số tuyệt đối), thì một phép biến đổi log áp dụng cho biến phụ thuộc có thể phù hợp. Trong các mô hình chuỗi thời gian, phương sai thay đổi thường phát sinh do ảnh hưởng của lạm phát và / hoặc tăng trưởng kép thực. Một số kết hợp của ghi nhật ký và / hoặc xì hơi thường sẽ ổn định phương sai trong trường hợp này. Dữ liệu thị trường chứng khoán có thể hiển thị các giai đoạn biến động tăng hoặc giảm theo thời gian. Điều này là bình thường và thường được mô hình hóa với cái gọi là mô hình ARCH (phương sai thay đổi có điều kiện tự động hồi quy) trong đó phương sai sai được điều chỉnh bởi một mô hình tự động hồi quy. Các mô hình như vậy nằm ngoài phạm vi của cuộc thảo luận này, nhưng một cách khắc phục đơn giản là làm việc với các khoảng thời gian ngắn hơn của dữ liệu, trong đó sự biến động gần như không đổi. Phương sai thay đổi cũng có thể là một sản phẩm phụ của sự vi phạm đáng kể các giả định về độ tuyến tính và / hoặc tính độc lập, trong trường hợp đó, nó cũng có thể được sửa chữa như một sản phẩm phụ của việc khắc phục những vấn đề đó.

Các mẫu theo mùa trong dữ liệu là một nguồn phổ biến của phương sai thay đổi trong các sai số: các biến thể không giải thích được trong biến phụ thuộc trong suốt thời gian của một phần có thể nhất quán về tỷ lệ phần trăm chứ không phải là tuyệt đối, trong trường hợp đó, sai số lớn hơn sẽ xảy ra trong các mùa có hoạt động lớn hơn, sẽ hiển thị dưới dạng phương sai thay đổi theo mùa trên biểu đồ thời gian còn lại. Một phép biến đổi nhật ký thường được sử dụng để giải quyết vấn đề này. Ví dụ: nếu mô hình theo mùa đang được lập mô hình thông qua việc sử dụng các biến giả cho các tháng hoặc quý trong năm, thì một phép biến đổi log được áp dụng cho biến phụ thuộc sẽ chuyển đổi hệ số của các biến giả thành các hệ số điều chỉnh nhân hơn là các hệ số điều chỉnh cộng, và các lỗi trong việc dự đoán biến đã ghi sẽ (gần đúng) có thể hiểu là sai số phần trăm trong việc dự đoán biến ban đầu. Điều chỉnh theo mùa của tất cả dữ liệu trước khi phù hợp với mô hình hồi quy có thể là một lựa chọn khác.

Nếu một phép biến đổi nhật ký đã được áp dụng cho một biến, thì (như đã lưu ý ở trên) thay vì điều chỉnh theo mùa nhiều lần nên được sử dụng, nếu đó là một tùy chọn mà phần mềm của bạn cung cấp. Điều chỉnh cộng theo mùa về nguyên tắc tương tự như bao gồm các biến giả cho các mùa trong năm. Việc bạn có nên thực hiện điều chỉnh bên ngoài mô hình hơn là với hình nộm hay không phụ thuộc vào việc bạn có muốn tự mình nghiên cứu dữ liệu được điều chỉnh theo mùa hay không và liệu có các mẫu theo mùa chưa được điều chỉnh trong một số biến độc lập hay không. (Cách tiếp cận biến giả sẽ giải quyết vấn đề thứ hai.) (Trở lại đầu trang.)

Vi phạm quy tắc tạo ra các vấn đề để xác định xem các hệ số của mô hình có khác đáng kể so với 0 hay không và để tính toán khoảng tin cậy cho các dự báo. Đôi khi việc phân phối lỗi & quot; lệch lạc & quot bởi sự hiện diện của một số ngoại lệ lớn. Vì ước tính tham số dựa trên việc giảm thiểu bình phương lỗi, một vài quan sát cực đoan có thể gây ảnh hưởng không cân đối đến các ước tính tham số. Việc tính toán khoảng tin cậy và các phép thử ý nghĩa khác nhau cho các hệ số đều dựa trên các giả định về sai số phân phối chuẩn. Nếu phân phối lỗi là không bình thường đáng kể, khoảng tin cậy có thể quá rộng hoặc quá hẹp.

Về mặt kỹ thuật, giả định phân phối chuẩn là không cần thiết nếu bạn sẵn sàng giả sử phương trình mô hình là đúng và mục tiêu duy nhất của bạn là ước tính các hệ số của nó và tạo ra các dự đoán theo cách để giảm thiểu sai số bình phương trung bình. Các công thức để ước tính hệ số không yêu cầu nhiều hơn thế và một số tài liệu tham khảo về phân tích hồi quy không liệt kê các lỗi phân phối chuẩn giữa các giả định chính. Nhưng nói chung, chúng tôi quan tâm đến việc đưa ra các suy luận về mô hình và / hoặc ước tính xác suất mà một sai số dự báo nhất định sẽ vượt quá ngưỡng nào đó theo một hướng cụ thể, trong trường hợp đó, các giả định về phân phối là quan trọng. Ngoài ra, vi phạm đáng kể giả định phân phối chuẩn thường là & quot; cờ được đánh giá & quot chỉ ra rằng có một số vấn đề khác với các giả định của mô hình và / hoặc có một vài điểm dữ liệu bất thường cần được nghiên cứu kỹ lưỡng và / hoặc rằng một mô hình tốt hơn là vẫn đợi ngoài kia đâu đó.

Cách chẩn đoán: kiểm tra tốt nhất cho các lỗi được phân phối bình thường là âm mưu xác suất bình thường hoặc âm mưu lượng tử bình thường của phần dư. Đây là các đồ thị của các phân số của phân phối lỗi so với các phân số của phân phối chuẩn có cùng giá trị trung bình và phương sai. Nếu phân phối là bình thường, các điểm trên một biểu đồ như vậy sẽ nằm gần đường tham chiếu chéo. MỘT hình cánh cung mô hình sai lệch so với đường chéo cho thấy rằng phần dư có quá nhiều sự lệch lạc (nghĩa là chúng không được phân phối đối xứng, với quá nhiều lỗi lớn trong một phương hướng). Mô hình sai lệch hình chữ S chỉ ra rằng phần dư có quá kurtosis- tức là, có quá nhiều hoặc hai lỗi lớn trong cả hai hướng. Đôi khi vấn đề được tiết lộ là có một vài điểm dữ liệu ở một hoặc cả hai đầu lệch đáng kể so với đường tham chiếu (& quotoutlier & quot), trong trường hợp đó, chúng nên được chú ý.

Ngoài ra còn có nhiều loại kiểm tra thống kê cho tính bình thường, bao gồm thử nghiệm Kolmogorov-Smirnov, thử nghiệm Shapiro-Wilk, thử nghiệm Jarque-Bera và thử nghiệm Anderson-Darling. Kiểm tra Anderson-Darling (được sử dụng bởi RegressIt) thường được coi là tốt nhất, vì nó dành riêng cho phân phối chuẩn (không giống như kiểm tra KS) và nó xem xét toàn bộ phân phối chứ không chỉ là độ lệch và kurtosis (giống như bài kiểm tra JB). Nhưng tất cả các bài kiểm tra này đều quá & quot nhanh & quot theo ý kiến ​​của tác giả & # 8217s này. Dữ liệu thực hiếm khi có lỗi được phân phối hoàn toàn bình thường và có thể không khớp dữ liệu của bạn với một mô hình có lỗi không vi phạm giả định thông thường ở mức ý nghĩa 0,05. Thông thường tốt hơn là nên tập trung nhiều hơn vào các vi phạm của các giả định khác và / hoặc ảnh hưởng của một số ngoại lệ (dù sao cũng có thể chịu trách nhiệm chính cho các vi phạm quy tắc) và xem xét biểu đồ xác suất bình thường hoặc biểu đồ định lượng bình thường và tự rút ra kết luận xem vấn đề có nghiêm trọng hay không và nó có hệ thống hay không.

Dưới đây là một ví dụ về một biểu đồ lượng tử bình thường trông xấu (một mô hình hình chữ S với P = 0 cho chỉ số A-D, cho thấy sự không bình thường đáng kể) từ phân tích doanh số bán bia trên trang web này:

& # 8230và đây là một ví dụ về một mẫu đẹp (một mẫu tuyến tính với P = 0,5 cho chỉ số A-D, cho thấy không có sự khác biệt đáng kể so với chuẩn mực):

Làm thế nào để khắc phục: vi phạm quy tắc thường phát sinh bởi vì (a) phân phối của các biến phụ thuộc và / hoặc độc lập bản thân chúng không bình thường đáng kể, và / hoặc (b) giả định tuyến tính bị vi phạm. Trong những trường hợp như vậy, một phép biến đổi phi tuyến tính của các biến có thể giải quyết được cả hai vấn đề. Trong trường hợp của hai biểu đồ lượng tử thông thường ở trên, mô hình thứ hai thu được áp dụng phép biến đổi log tự nhiên cho các biến trong mô hình đầu tiên.

Các biến phụ thuộc và độc lập trong mô hình hồi quy không cần phải được phân phối chuẩn cho chính chúng - chỉ các lỗi dự đoán cần được phân phối chuẩn. (Trên thực tế, các biến độc lập thậm chí không cần phải ngẫu nhiên, như trong trường hợp xu hướng hoặc giả hoặc biến điều trị hoặc giá cả.) Nhưng nếu phân phối của một số biến ngẫu nhiên là cực kỳ bất đối xứng hoặc dài, có thể khó đưa chúng vào một mô hình tuyến tính mà lỗi sẽ được phân phối bình thường và việc giải thích hình dạng của các phân bố của chúng có thể là một chủ đề thú vị. Hãy nhớ rằng giả định sai số thông thường thường được chứng minh bằng cách tuân theo định lý giới hạn trung tâm, định lý này áp dụng trong trường hợp nhiều biến ngẫu nhiên được cộng lại với nhau. Nếu các nguồn ngẫu nhiên cơ bản không tương tác cộng với nhau, thì lập luận này không giữ được.

Một khả năng khác là có hai hoặc nhiều tập hợp con dữ liệu có các thuộc tính thống kê khác nhau, trong trường hợp đó, các mô hình riêng biệt nên được xây dựng, hoặc nếu không, một số dữ liệu chỉ nên bị loại trừ, miễn là có một số tiêu chí tiên nghiệm có thể được áp dụng để đưa ra quyết định này.


Kết quả

Mô hình chuẩn dự đoán 16,6% phương sai trong HRSD sau điều trị. Mô hình tổng hợp dự đoán thêm 8% phương sai trong HRSD sau điều trị (xem Bảng 1). Các biến dự báo quan trọng nhất là tổng điểm trầm cảm trước khi điều trị, bệnh tâm thần, rối loạn nhịp tim, một số triệu chứng trầm cảm, việc sử dụng một số mô-đun Deprexis, tình trạng khuyết tật, uy tín điều trị và sự sẵn sàng của bác sĩ trị liệu (xem Hình 2).

Hình 2. Biểu đồ sự phụ thuộc một phần cho 16 yếu tố dự đoán hàng đầu về các triệu chứng trầm cảm sau điều trị do người phỏng vấn đánh giá.

Bảng 1. Dự đoán trầm cảm sau điều trị bằng mô hình hồi quy tuyến tính chỉ bao gồm đánh giá kết quả trước khi điều trị (điểm chuẩn), phương sai bổ sung được giải thích ngoài mô hình chuẩn bằng mô hình tổng hợp (mô hình độ lợi) và phương sai tổng được giải thích.

95% CI để dự đoán NS 2 dựa trên công thức sai số chuẩn được áp dụng cho các ước tính xác thực chéo 10 × 10, 95% CIs để đạt được (sự gia tăng trong dự đoán NS 2 so với điểm chuẩn) được ước tính bằng bootstrap.

Không có gì đáng ngạc nhiên, các đồ thị phụ thuộc một phần chỉ ra mối quan hệ khá tuyến tính giữa HRSD trước điều trị và rối loạn nồng độ máu khi chứng trầm cảm / rối loạn nhịp tim trước điều trị tăng lên, HRSD dự đoán sau điều trị cũng vậy. Bệnh đi kèm tâm thần có mối quan hệ cong hơn, vì HRSD sau điều trị tăng nhẹ khi tỷ lệ mắc bệnh tăng dần cho đến khi mức độ bệnh đi kèm tương đối cao trong đó HRSD sau điều trị tăng nhanh hơn nhiều. Mức độ cao hơn của các triệu chứng trầm cảm cụ thể, bao gồm chậm chạp, lo lắng tâm thần và giảm cân, có liên quan đến tình trạng khuyết tật trầm cảm sau điều trị cao hơn liên quan đến các triệu chứng tâm thần cũng có mối liên quan tương tự.

Đáng chú ý, việc sử dụng các mô-đun mối quan hệ, chấp nhận và thư giãn được xác định là những yếu tố dự báo quan trọng. Sử dụng các mô-đun này trong ít nhất 30 phút có liên quan đến việc giảm điểm HRSD nhiều hơn 1,2 điểm (tất cả các yếu tố dự đoán khác bằng nhau), xấp xỉ một phần tư sự khác biệt kết quả trung bình được quan sát đối với điều trị bằng Deprexis v. nhóm danh sách chờ. Như có thể thấy trong nhiều biểu đồ phụ thuộc một phần cho 16 yếu tố dự báo tác động cao nhất (Hình 2), mối liên hệ giữa yếu tố dự báo và HRSD sau điều trị thường là phi tuyến tính và ảnh hưởng tương đối nhỏ (ngoại trừ ba biến đầu tiên ). Chú thích 3 Điểm quan trọng cũng được trình bày riêng cho các mô hình rừng ngẫu nhiên và mô hình lưới đàn hồi trong Tài liệu bổ sung trực tuyến, phần 6.0.

Khuyết tật liên quan đến triệu chứng

Phù hợp với công việc trước đây, để tạo ra kết quả về khuyết tật, các câu hỏi về khuyết tật trong công việc, xã hội và gia đình (tổng cộng ba mục) từ SDS được tính trung bình để tạo thành một chỉ số duy nhất về khuyết tật liên quan đến triệu chứng. Mô hình chuẩn với tình trạng khuyết tật trước điều trị dự đoán 20,4% phương sai về khuyết tật liên quan đến triệu chứng sau điều trị. Mô hình tổng hợp dự đoán thêm 5% phương sai về khuyết tật sau điều trị (Bảng 1).

Như có thể thấy trong Hình 3, tổng hợp khuyết tật trước khi điều trị có điểm quan trọng cao nhất, gần tương đương với mức độ quan trọng của khuyết tật trong phạm vi gia đình. Tuy nhiên, một số biến số khác cũng góp phần vào việc dự đoán tình trạng khuyết tật. Một số mục QIDS-SR được xác định là các yếu tố dự báo quan trọng, bao gồm không hứng thú, mất ngủ sớm và mệt mỏi. Thời gian dành nhiều hơn cho cả mô-đun thư giãn và nhận thức (lợi ích giảm dần sau khoảng 60 phút trên mỗi mô-đun) đều có liên quan đến tỷ lệ khuyết tật sau điều trị thấp hơn. Tỷ lệ mã vùng cao hơn với dân tộc Tây Ban Nha và ít năm điều trị hơn cũng có liên quan đến tình trạng khuyết tật thấp hơn. Điểm quan trọng cũng được trình bày riêng cho các mô hình rừng ngẫu nhiên và mô hình lưới đàn hồi trong tài liệu bổ sung trực tuyến, phần 6.1.

Hình 3. Biểu đồ sự phụ thuộc một phần cho 16 yếu tố dự báo hàng đầu của tình trạng khuyết tật sau điều trị.

Sức khỏe liên quan đến trầm cảm

Mô hình chuẩn với tình trạng sức khỏe trước khi điều trị (ảnh hưởng tích cực) dự đoán 17,8% phương sai về tình trạng sức khỏe liên quan đến triệu chứng sau điều trị. Mô hình tổng hợp giải thích thêm 11,6% phương sai trong tình trạng sức khỏe sau điều trị (Bảng 1). Như có thể thấy trong Hình 4, không có gì ngạc nhiên khi sức khỏe trước khi điều trị cao hơn có liên quan đến sức khỏe sau điều trị cao hơn.

Hình 4. Biểu đồ sự phụ thuộc một phần cho 16 yếu tố dự báo hàng đầu của các triệu chứng sau điều trị (ảnh hưởng tích cực thấp).

Bệnh lý tâm thần mắc bệnh cũng là một yếu tố dự báo quan trọng về tình trạng sức khỏe sau điều trị. Các dạng bệnh đi kèm quan trọng nhất bao gồm các triệu chứng hưng cảm, rối loạn nhịp tim, thờ ơ và nóng nảy. Sự tin cậy về điều trị được nhận thức cao hơn và sự tin tưởng hơn rằng điều trị sẽ giúp ích đều có liên quan đến những cải thiện lớn hơn về hạnh phúc theo một cách khá tuyến tính (xem Hình 4). Tuổi trẻ hơn có liên quan đến một kết quả tốt hơn như sự lo lắng của người cha và bệnh tâm thần. Sử dụng mô-đun thư giãn cao hơn cũng có liên quan đến sức khỏe sau điều trị tốt hơn. Điểm tầm quan trọng cũng được trình bày riêng cho các mô hình rừng ngẫu nhiên và mô hình lưới đàn hồi trong các tài liệu bổ sung trực tuyến, phần 6.2.

Sử dụng mô-đun Deprexis

Biểu đồ cuối cùng nêu bật tác động tương đối của việc sử dụng mô-đun đối với từng kết quả trong số ba kết quả (xem Hình 5). Để tạo ra những điểm số này, điểm số quan trọng của mô-đun cho mỗi kết quả được chia tỷ lệ thành tổng 1. Một vài mẫu đáng chú ý xuất hiện. Đầu tiên, mô-đun quan trọng nhất dường như là mô-đun thư giãn được sử dụng nhiều hơn có liên quan đến ít triệu chứng trầm cảm hơn, ít khuyết tật hơn và hạnh phúc hơn. Ngoài ra, việc sử dụng các mô-đun chấp nhận và mối quan hệ là quan trọng nhất để dự đoán các triệu chứng trầm cảm HRSD. Mô-đun nhận thức rất quan trọng để dự đoán mức độ giảm thiểu khuyết tật, cũng như mô-đun chẩn đoán. Thời gian dành cho hầu hết các mô-đun khác không liên quan chặt chẽ đến việc cải thiện triệu chứng, ít nhất là đối với người dùng bình thường. Điều quan trọng cần lưu ý là việc sử dụng tất cả các mô-đun đã đóng góp (yếu) vào dự đoán cuối cùng và các mô-đun không quan trọng đối với người dùng bình thường, nhưng vẫn có thể rất quan trọng khi dự đoán kết quả cho một số cá nhân.

Hình 5. Tầm quan trọng của việc sử dụng mô-đun Deprexis để dự đoán trầm cảm, khuyết tật và hạnh phúc sau điều trị (ảnh hưởng tích cực).


Mô hình thống kê, suy luận nhân quả và khoa học xã hội

Hôm nay tôi tình cờ đọc được bài viết này. Theo học giả của Google & # 8212, nó hầu như không tối nghĩa & # 8212it có hơn 3000 trích dẫn, theo học giả của Google & # 8212, nhưng nó là mới đối với tôi.

Đây là một bài báo tuyệt vời. Bạn nên đọc nó ngay lập tức.

OK, nhấp vào liên kết trên và đọc bài viết.

Xong? OK, sau đó đọc tiếp.

Bạn biết câu nói đó, rằng mọi ý tưởng hay trong số liệu thống kê đã được xuất bản năm mươi năm trước đó trong đo lường tâm lý? Đó & # 8217 là những gì & # 8217 đang xảy ra ở đây. Cronbach nói về tầm quan trọng của các tương tác, khó khăn trong việc ước tính chúng từ dữ liệu, cách mà các nhà nghiên cứu quản lý để tìm thấy những gì họ & # 8217 đang tìm kiếm, ngay cả trong những môi trường mà dữ liệu quá yếu để thực sự hiển thị các mẫu như vậy, anh ấy thậm chí còn nói về vấn đề cá piranha trong bối cảnh & # 8220Aptitude x Tương tác đối xử & # 8221:

Trong một thế giới mà các nhà nghiên cứu đang lảm nhảm về cái gọi là người kiểm duyệt và người trung gian như thể họ biết họ đang làm gì, Cronbach là một tiếng nói của sự tỉnh táo.

Và đây là tất cả năm mươi năm trước! Tất cả điều này nghe có vẻ giống Meehl, và Meehl rất tuyệt, nhưng Cronbach tăng thêm giá trị bằng cách đưa ra nhiều ví dụ ứng dụng cụ thể.

Trong bài báo, Cronbach chỉ ra mối liên hệ rõ ràng giữa các tương tác và cuộc khủng hoảng sao chép phát sinh từ bậc tự do của nhà nghiên cứu, một điểm mà tôi đã khám phá lại & # 821240 năm sau & # 8212 trong bài báo của mình về mối liên hệ giữa các hiệu ứng điều trị khác nhau và cuộc khủng hoảng của nghiên cứu không thể giải thích được. Thật tệ là tôi đã không nhận thức được công việc này sớm hơn.

Hừ! . . hãy để tôi kiểm tra bài báo của Simmons, Nelson và Simonsohn (2011) đã giới thiệu cho thế giới về thuật ngữ hữu ích & # 8220researcher bậc tự do & # 8221: Họ có trích dẫn Cronbach không? Không. Điều thú vị là, ngay cả các nhà nghiên cứu tâm lý học cũng không biết về công việc quan trọng đó trong đo lường tâm lý. Tôi & # 8217m không nói xấu Simons và các cộng sự. & # 8212Tôi cũng không biết gì về Cronbach! & # 8212I & # 8217m chỉ lưu ý rằng, ngay cả trong tâm lý học, công việc của anh ấy cũng không được nhiều người biết đến.

Xem qua các bài báo đề cập đến Cronbach (1975), tôi bắt gặp chương sách này từ Denny Borsboom, Rogier A. Kievit, Daniel Cervone và S. Brian Hood, bắt đầu:

Bất kỳ ai quen thuộc với các tài liệu nghiên cứu trong tâm lý học khoa học, chắc hẳn lúc này hay lúc khác đều nghĩ, 'Chà, tất cả những phương tiện và mối tương quan này đều rất thú vị, nhưng chúng liên quan gì đến tôi, với tư cách là một cá nhân?' . Câu hỏi, tưởng chừng như vô thưởng vô phạt, lại là một câu hỏi sâu sắc và phức tạp. Ngược lại với khoa học tự nhiên, nơi các nhà nghiên cứu có thể giả định một cách an toàn rằng, chẳng hạn như tất cả các electron đều là những đặc tính lưu có thể trao đổi được như vị trí và động lượng, con người khác xa nhau. . . .

Vấn đề này tràn ngập hầu hết mọi phân ngành của tâm lý học, và trên thực tế có thể là một trong những lý do khiến sự tiến bộ trong tâm lý học bị hạn chế.

Với tầm quan trọng của các vấn đề liên quan đến việc xây dựng các lý thuyết và mô hình dành riêng cho con người, chưa nói đến việc thử nghiệm chúng, không có gì ngạc nhiên khi các học giả đã tìm cách tích hợp sự khác biệt giữa các cá nhân và động lực nội bộ cá nhân một cách có hệ thống. . . .

Lời kêu gọi tích hợp các truyền thống nghiên cứu ít nhất đã có từ thời Cronbach’s (1957). . .:

Tâm lý học tương quan chỉ nghiên cứu phương sai giữa các sinh vật, tâm lý học thực nghiệm chỉ nghiên cứu phương sai giữa các phương pháp điều trị. Một ngành thống nhất sẽ nghiên cứu cả hai điều này, nhưng nó cũng sẽ quan tâm đến các tương tác bị bỏ quên giữa các biến số sinh vật và điều trị. . .

Không có nhiều thay đổi trong các bộ phận cơ bản trong tâm lý học khoa học kể từ khi Cronbach (1957) viết bài diễn văn tổng thống của mình. Đúng vậy, ngày nay chúng tôi có các phân tích hòa giải và kiểm duyệt, cố gắng tích hợp sự khác biệt giữa các cá nhân và quá trình nội bộ cá nhân, và ngoài ra có thể hình thành các mô hình hiệu ứng ngẫu nhiên ở một mức độ nào đó kết hợp sự khác biệt giữa các cá nhân trong bối cảnh thử nghiệm nhưng bằng cách và Các thiết kế nghiên cứu lớn được đặc trưng bởi sự tập trung chủ yếu vào tác động của các thao tác thực nghiệm hoặc vào các liên kết cấu trúc của sự khác biệt giữa các cá thể, giống như trường hợp năm 1957. . .

Trong nghiên cứu thực nghiệm, nhà nghiên cứu thường hy vọng chứng minh được sự tồn tại của các tác động nhân quả của các thao tác thực nghiệm (thường tạo thành các mức của 'biến độc lập') trên một tập hợp các thuộc tính được coi là phụ thuộc vào các thao tác (các mức của chúng tạo thành ' biến phụ thuộc'). . . .

Một sự thật thú vị và rất chung về nghiên cứu thực nghiệm là những tuyên bố như vậy không bao giờ đúng theo nghĩa đen. Việc đọc các kết luận theo nghĩa đen như Bargh và cộng sự, rất phổ biến ở những người đọc chưa qua đào tạo về công trình khoa học, là tất cả những người tham gia trong điều kiện thử nghiệm đều chậm hơn tất cả những người trong điều kiện đối chứng. Nhưng điều đó, tất nhiên, là không chính xác - nếu không thì sẽ không cần đến số liệu thống kê. . . .

Từ quan điểm thống kê, người ta thường nói về hiệu quả điều trị trung bình. Tuy nhiên, khi xem xét từ góc độ hiểu biết về hành vi của con người, điều quan trọng là các tác động thường chỉ xuất hiện trong tổng thể chứ không phải trên từng cá nhân.

Câu chuyện thông thường mà chúng tôi kể là hiệu quả điều trị trung bình (mà chúng tôi thường gọi đơn giản là & # 8220 hiệu quả điều trị & # 8221) là có thật & # 8212 thực tế, chúng tôi thường lập mô hình nó là không đổi giữa mọi người và theo thời gian & # 8212và sau đó chúng tôi gắn nhãn các độ lệch so với mức trung bình này dưới dạng & # 8220noise. & # 8221

Nhưng tôi ngày càng đi đến kết luận rằng chúng ta cần nghĩ về các hiệu quả điều trị là khác nhau: do đó, khó khăn trong việc ước tính hiệu quả điều trị là không phải chỉ đơn thuần là vấn đề & # 8220 tìm tín hiệu bị nhiễu & # 8221 có thể được giải quyết bằng cách tăng kích thước mẫu của chúng tôi, đó là một thách thức cơ bản.

Để sử dụng các phép loại suy ở vùng nông thôn, khi chúng tôi & # 8217 đang làm khoa học xã hội và hành vi, chúng tôi & # 8217không phải mò kim đáy bể, đúng hơn là chúng tôi đang cố bắt một con cá trơn trượt luôn di chuyển.

Tất cả điều này thậm chí còn khó hơn trong khoa học chính trị, kinh tế học hoặc xã hội học. Một khía cạnh thiết yếu của xã hội khoa học là nó hiểu mọi người không phải cô lập mà trong các nhóm. Do đó, nếu tâm lý học cuối cùng yêu cầu một mô hình khác nhau cho mỗi người (hoặc một mô hình giải thích sự khác biệt giữa mọi người), thì khoa học xã hội yêu cầu một mô hình khác cho mỗi cấu hình của con người (hoặc một mô hình giải thích sự phụ thuộc của kết quả vào cấu hình) .

Nói cách khác, nếu bất kỳ lý thuyết tâm lý học nào bao hàm 7.700.000.000 lý thuyết (tương ứng với dân số thế giới ngày nay, và bây giờ bỏ qua mô hình của những người không còn sống), thì khoa học chính trị, kinh tế học, v.v. ngụ ý 2 ^ 7.700.000.000 & # 8211 1 lý thuyết (tương ứng với tất cả các tập hợp con có thể có của dân số, ngoại trừ tập hợp trống, không cần khoa học xã hội). Đó & # 8217 là một tuyên bố cực đoan & # 8212có lẽ chúng tôi làm việc với các lý thuyết đơn giản hơn nhiều chỉ có ý nghĩa đối với từng cá nhân hoặc từng tập hợp con của dân số & # 8212, nhưng điểm mấu chốt là các lý thuyết đó đều rõ ràng hoặc ngụ ý trong bất kỳ mô hình khoa học xã hội nào nhằm mục đích có ứng dụng chung.


Người giới thiệu

Allen, N. B., & amp Badcock, P. B. (2003). Giả thuyết rủi ro xã hội của tâm trạng chán nản: Các quan điểm tiến hóa, tâm lý xã hội và sinh học thần kinh. Bản tin Tâm lý, 129(6), 887–913. https://doi.org/10.1037/0033-2909.129.6.887.

Hiệp hội Nghiên cứu Ý kiến ​​Công chúng Hoa Kỳ. (2011). Định nghĩa tiêu chuẩn: Các vị trí cuối cùng của các mã trường hợp và tỷ lệ kết quả cho các cuộc khảo sát. Lấy từ http://www.aapor.org/AM/Template.cfm?Section=Standard_Definitions2&Template=/CM/ContentDisplay.cfm&ContentID=3156

Bandura, A. (1986). Cơ sở xã hội của suy nghĩ và hành động: Một lý thuyết nhận thức xã hội. Vách đá Englewood: Prentice-Hall.

Bandura, A. (2009). Lý thuyết nhận thức xã hội về giao tiếp đại chúng. Trong J. Bryant & amp M. B. Oliver (Eds.), Hiệu ứng phương tiện (Xuất bản lần thứ 3, trang 94–124). New York: Lawrence Erlbaum.

Baumeister, R. F., & amp Leary, M. R. (1995). Nhu cầu được thuộc về: Mong muốn gắn bó giữa các cá nhân như một động lực cơ bản của con người. Bản tin Tâm lý, 117(3), 497–529. https://doi.org/10.1037/0033-2909.117.3.497.

Bavishi, A., Slade, M. D., & amp Levy, B. R. (2016). Một chương một ngày: Hiệp hội đọc sách với tuổi thọ. Khoa học xã hội & y học, 164, 44–48. https://doi.org/10.1016/j.socscimed.2016.07.014.

Beck, A. T. (1967). Trầm cảm: Nguyên nhân và cách điều trị. Philadelphia: Nhà xuất bản Đại học Pennsylvania.

Beck, A. T. (1987). Các mô hình nhận thức về trầm cảm. Tạp chí Trị liệu Tâm lý Nhận thức: An International Quarterly, 1(1), 5–37.

Beck, A. T., Rush, A. J., Shaw, B. F., & amp Emery, G. (1979). Liệu pháp nhận thức về trầm cảm. New York: Guilford.

Becker, M. W., Alzahabi, R., & amp Hopwood, C. J. (2013). Đa nhiệm trên phương tiện truyền thông có liên quan đến các triệu chứng trầm cảm và lo âu xã hội. Tâm lý học mạng, Hành vi và Mạng xã hội, 16(2), 132–135. https://doi.org/10.1089/cyber.2012.0291.

Bickham, D. S., Hswen, Y., & amp Rich, M. (2015). Sử dụng phương tiện truyền thông và trầm cảm: Tiếp xúc, các quy tắc gia đình và các triệu chứng ở thanh thiếu niên trẻ tuổi ở Hoa Kỳ. Tạp chí Y tế Công cộng Quốc tế, 60(2), 147–155. https://doi.org/10.1007/s00038-014-0647-6.

Breunig, C., & amp Engel, B. (2015). Massenkommunikation 2015: Funktionen und images der Medien im Vergleich [truyền thông đại chúng 2015: Chức năng và hình ảnh của các phương tiện truyền thông]. Media Perspektiven, 7-8, 323–341.

Brinkmann, K., & amp Franzen, J. (2015). Trầm cảm và tự điều chỉnh: Phân tích động lực và hiểu biết sâu sắc từ phản ứng tim mạch liên quan đến nỗ lực. Trong G. H. E. Gendolla, M. Tops, & amp S. L. Koole (Eds.), Cẩm nang về các phương pháp tiếp cận hành vi sinh học để tự điều chỉnh (trang 333–347). New York, NY: Springer New York.

Burke, M. & amp Kraut, R. (2016). Mối quan hệ giữa việc sử dụng Facebook và hạnh phúc phụ thuộc vào loại hình giao tiếp và độ bền của mối quan hệ. Tạp chí Truyền thông Trung gian Máy tính, 21(4), 265–281. https://doi.org/10.1111/jcc4.12162.

Cameron, E. M., & amp Ferraro, F. R. (2004). Sự hài lòng về cơ thể ở phụ nữ đại học sau khi tiếp xúc ngắn với hình ảnh tạp chí. Kỹ năng tri giác và vận động, 98(3), 1093–1099. https://doi.org/10.2466/pms.98.3.1093-1099.

Thợ mộc, S. (2017). Mười bước trong phát triển quy mô và báo cáo: Hướng dẫn cho các nhà nghiên cứu. Các Phương pháp và Biện pháp Truyền thông, Xuất bản trực tuyến trước, 1–20. https://doi.org/10.1080/19312458.2017.1396583.

Cotten, S. R., Ford, G., Ford, S., & amp Hale, T. M. (2012). Sử dụng Internet và trầm cảm ở người lớn tuổi. Máy tính trong hành vi con người, 28(2), 496–499. https://doi.org/10.1016/j.chb.2011.10.021.

Dilling, H., Mombour, W., & amp Schmidt, M. H. (2011). Nhà tâm thần học quốc tế Klassifikation Störungen [phân loại quốc tế về rối loạn tâm thần]. Bern: Huber.

Draper, N., & amp Smith, H. (1998). Phân tích hồi quy ứng dụng. New York: Wiley.

Dunn, J. C., Whelton, W. J., & amp Sharpe, D. (2012). Rút lui về nơi an toàn: Kiểm tra mô hình giả thuyết rủi ro xã hội của bệnh trầm cảm. Sự tiến hóa và hành vi của con người, 33(6), 746–758. https://doi.org/10.1016/j.evolhumbehav.2012.06.002.

Dutta-Bergman, M. (2005). Trầm cảm và thu thập tin tức sau ngày 11 tháng 9: Sự ảnh hưởng lẫn nhau của ảnh hưởng và nhận thức. Báo cáo Nghiên cứu Truyền thông, 22(1), 7–14. https://doi.org/10.1080/0882409052000343471.

Escobar-Viera, C. G., Shensa, A., Bowman, N. D., Sidani, J. E., Knight, J., James, A. E., & amp Primack, B. A. (2018). Sử dụng phương tiện truyền thông xã hội thụ động và tích cực và các triệu chứng trầm cảm ở người lớn Hoa Kỳ. Tâm lý học mạng, Hành vi và Mạng xã hội, 21(7), 437–443. https://doi.org/10.1089/cyber.2017.0668.

Fardouly, J., Pinkus, R. T., & amp Vartanian, L. R. (2017). Tác động của so sánh ngoại hình được thực hiện thông qua mạng xã hội, phương tiện truyền thống và trực tiếp trong cuộc sống hàng ngày của phụ nữ. Hình ảnh cơ thể, 20, 31–39. https://doi.org/10.1016/j.bodyim.2016.11.002.

Frison, E., & amp Eggermont, S. (2015a). Khám phá mối quan hệ giữa các hình thức sử dụng Facebook khác nhau, hỗ trợ xã hội trực tuyến được nhận thức và tâm trạng chán nản của thanh thiếu niên. Tạp chí Máy tính Khoa học Xã hội, 34(2), 153–171. https://doi.org/10.1177/0894439314567449.

Frison, E., & amp Eggermont, S. (2015b). Hướng tới một cách tiếp cận tích hợp và khác biệt đối với các mối quan hệ giữa sự cô đơn, các kiểu sử dụng Facebook khác nhau và tâm trạng chán nản của thanh thiếu niên. Nghiên cứu truyền thông, 0093650215617506. https://doi.org/10.1177/0093650215617506.

Fuchs, C., & amp Diamantopoulos, A. (2009). Sử dụng các biện pháp đơn mục để đo lường xây dựng trong nghiên cứu quản lý: Các vấn đề khái niệm và hướng dẫn áp dụng. Tạp chí Quản trị Kinh doanh, 69(2), 195–210.

George, M. J., Russell, M. A., Piontak, J. R., & amp Odgers, C. L. (2018). Mối liên hệ đồng thời và tiếp theo giữa việc sử dụng công nghệ kỹ thuật số hàng ngày và các triệu chứng sức khỏe tâm thần của thanh thiếu niên có nguy cơ cao. Phát triển trẻ em, 89(1), 78–88. https://doi.org/10.1111/cdev.12819.

Goldfield, G. S., Murray, M., Maras, D., Wilson, A. L., Phillips, P., Kenny, G. P. ,. Sigal, R. J. (2016). Thời gian sử dụng thiết bị có liên quan đến triệu chứng trầm cảm ở thanh thiếu niên béo phì: Một nghiên cứu HEARTY. Tạp chí Nhi khoa Châu Âu, 175(7), 909–919. https://doi.org/10.1007/s00431-016-2720-z.

Harvey, S. B., Hotopf, M., Øverland, S., & amp Mykletun, A. (2010). Hoạt động thể chất và các rối loạn tâm thần thông thường. Tạp chí Tâm thần học của Anh, 197(5), 357–364. https://doi.org/10.1192/bjp.bp.109.075176.

Houghton, S., Lawrence, D., Hunter, S. C., Rosenberg, M., Zadow, C., Wood, L., & amp Shilton, T. (2018). Mối quan hệ tương hỗ giữa quỹ đạo của các triệu chứng trầm cảm và việc sử dụng phương tiện truyền thông trong thời kỳ thanh thiếu niên. Tạp chí Tuổi trẻ và Vị thành niên. https://doi.org/10.1007/s10964-018-0901-y.

Katz, E., Blumler, J. G., & amp Gurevitch, M. (1973). Nghiên cứu sử dụng và công nhận. Ý kiến ​​công khai hàng quý, 37(4), 509–523. https://doi.org/10.1086/268109.

Kraut, R., Patterson, M., Lundmark, V., Kiesler, S., Mukophadhyay, T., & amp Scherlis, W. (1998). Nghịch lý Internet: Một công nghệ xã hội làm giảm sự tham gia của xã hội và sức khỏe tâm lý? Nhà tâm lý học người Mỹ, 53 tuổi(9), 1017–1031. https://doi.org/10.1037/0003-066X.53.9.1017.

LaRose, R., & amp Eastin, M. S. (2004). Một lý thuyết nhận thức xã hội về việc sử dụng internet và sự hài lòng: Hướng tới một mô hình mới về sự tham gia của các phương tiện truyền thông. Tạp chí Phát thanh Truyền hình & Phương tiện Điện tử, 48(3), 358–377. https://doi.org/10.1207/s15506878jobem4803_2.

Lee, E. W. J., Ho, S. S., & amp Lwin, M. O. (2016). Giải thích cách sử dụng các trang mạng xã hội có vấn đề: Đánh giá các khái niệm, khung lý thuyết và định hướng tương lai cho việc lý thuyết hóa truyền thông. Hiệp hội Truyền thông & amp mới, 19(2), 308–326. https://doi.org/10.1177/1461444816671891.

Lim, G. Y., Tam, W. W., Lu, Y., Ho, C. S., Zhang, M. W., & amp Ho, R. C. (2018). Tỷ lệ trầm cảm trong cộng đồng từ 30 quốc gia từ năm 1994 đến năm 2014. Báo cáo Khoa học, 8(1), 2861. https://doi.org/10.1038/s41598-018-21243-x.

Lin, L. Y., Sidani, J. E., Shensa, A., Radovic, A., Miller, E., Colditz, J. B.,. Primack, B. A. (2016). Mối liên hệ giữa việc sử dụng mạng xã hội và chứng trầm cảm ở thanh niên Hoa Kỳ. Trầm cảm và lo âu, 33(4), 323–331. https://doi.org/10.1002/da.22466.

Liu, M., Wu, L., & amp Yao, S. (2015). Mối liên hệ giữa liều lượng và phản ứng của hành vi ít vận động dựa trên thời gian sử dụng thiết bị ở trẻ em và thanh thiếu niên và trầm cảm: Một phân tích tổng hợp các nghiên cứu quan sát. Tạp chí Y học Thể thao Anh, 50, 1–8. https://doi.org/10.1136/bjsports-2015-095084.

Lucas, M., Mekary, R., Pan, A., Mirzaei, F., O’Reilly, É. J., Willett, W. C.,. Ascherio, A. (2011). Mối liên quan giữa nguy cơ trầm cảm lâm sàng với hoạt động thể chất và thời gian xem tivi ở phụ nữ lớn tuổi: Một nghiên cứu tiếp theo trong 10 năm. Tạp chí Dịch tễ học Hoa Kỳ, 174(9), 1017–1027. https://doi.org/10.1093/aje/kwr218.

Maddux, J. E., & amp Meier, L. J. (1995). Hiệu quả bản thân và trầm cảm. Trong J. E. Maddux (Ed.), Hiệu quả bản thân, thích ứng và điều chỉnh: Lý thuyết, nghiên cứu và ứng dụng (trang 143–169). Boston: Springer US.

Mares, M.-L., & amp Cantor, J. (1992). Phản ứng của người xem cao tuổi đối với những bức chân dung về tuổi già trên truyền hình: Sự đồng cảm và quản lý tâm trạng so với sự so sánh xã hội. Nghiên cứu Truyền thông, 19(4), 459–478. https://doi.org/10.1177/009365092019004004.

Minnebo, J. (2005). Đau khổ về tâm lý, nhận thức được sự hỗ trợ của xã hội và xem truyền hình vì lý do đồng hành: Một thử nghiệm về giả thuyết bồi thường trong một quần thể nạn nhân tội phạm. Truyền thông: Tạp chí Nghiên cứu Truyền thông Châu Âu, 30(2), 233–250. https://doi.org/10.1515/comm.2005.30.2.233.

Morgan, C., & amp Cotten, S. R. (2003). Mối quan hệ giữa các hoạt động internet và các triệu chứng trầm cảm trong một mẫu sinh viên năm nhất đại học. Tâm lý học mạng & Hành vi amp, 6(2), 133–142. https://doi.org/10.1089/109493103321640329.

Nimrod, G. (2017). Đối tượng lớn tuổi trong môi trường truyền thông kỹ thuật số. Thông tin, Truyền thông & amp Xã hội, 20(2), 233–249. https://doi.org/10.1080/1369118X.2016.1164740.

Nowakowski, M. E., Atkey, S. K., & amp Antony, M. M. (2015). Tự trợ giúp / liệu pháp thư viện. Trong R. L. Cautin & amp S. O. Lilienfeld (Eds.), Bách khoa toàn thư về tâm lý học lâm sàng (trang 1–8). Chichester: Wiley.

Perloff, R. M., Quarles, R. C., & amp Drutz, M. (1983). Cô đơn, trầm cảm và việc sử dụng tivi. Báo chí và Truyền thông đại chúng hàng quý, 60(2), 352–356.

Trung tâm nghiên cứu Pew. (2012). Đánh giá tính đại diện của các cuộc điều tra dư luận xã hội. Lấy từ http://www.people-press.org/2012/05/15/assaken-the-representativeness-of-public-opinion-surveys

Peytchev, A., & amp Neely, B. (2013). Các cuộc khảo sát qua điện thoại RDD: Hướng tới thiết kế điện thoại di động khung đơn. Ý kiến ​​công khai hàng quý, 77(1), 283–304. https://doi.org/10.1093/poq/nft003.

Pforr, K., Blohm, M., Blom, A. G., Erdel, B., Felderer, B., Fräßdorf, M.,. Rammstedt, B. (2015). Các tác động khuyến khích đối với tỷ lệ phản hồi và sự thiên vị không phản hồi trong các cuộc khảo sát trực tiếp, quy mô lớn có thể khái quát được đối với Đức không? Bằng chứng từ mười thí nghiệm. Công luận hàng quý, 79(3), 740–768. https://doi.org/10.1093/poq/nfv014.

Potter, F. (1990). Nghiên cứu các quy trình để xác định và cắt các trọng lượng lấy mẫu cực hạn. Kỷ yếu Phần Phương pháp Nghiên cứu Khảo sát, 225–230. Lấy từ http://www.amstat.org/section/srms/Proceedings/papers/1990_034.pdf

Potts, R., & amp Sanchez, D. (1994). Xem tivi và chán nản: Không có tin tức nào là tin tốt. Tạp chí Phát thanh Truyền hình & Truyền thông Điện tử, 38(1), 79–90. https://doi.org/10.1080/08838159409364247.

Pratt, L. A., & amp Brody, D. J. (2014). Suy thoái trong Dân số Hộ gia đình Hoa Kỳ, 2009–2012. Lấy từ https://www.cdc.gov/nchs/data/databriefs/db172.pdf.

Primack, B. A., Swanier, B., Georgiopoulos, A. M., Land, S. R., & amp Fine, M. J. (2009). Mối liên hệ giữa việc sử dụng phương tiện truyền thông ở tuổi vị thành niên và chứng trầm cảm ở tuổi thanh niên. Lưu trữ của Khoa tâm thần tổng quát, 66(2), 181–188. https://doi.org/10.1001/archgenpsychiatry.2008.532.

Primack, B. A., Shensa, A., Sidani, J. E., Whaite, E. O., Lin, L. y., Rosen, D.,. Miller, E. (2017). Việc sử dụng mạng xã hội và nhận thức sự cô lập về mặt xã hội trong giới trẻ ở Hoa Kỳ Tạp chí Y học Dự phòng Hoa Kỳ, 53(1), 1–8. https://doi.org/10.1016/j.amepre.2017.01.010.

Primack, B. A., Bisbey, M. A., Shensa, A., Bowman, N. D., Karim, S. A., Knight, J. M., & amp Sidani, J. E. (2018). Mối liên quan giữa giá trị của trải nghiệm mạng xã hội và các triệu chứng trầm cảm. Trầm cảm và lo âu, 35(8), 784–794. https://doi.org/10.1002/da.22779.

Przybylski, A. K., & amp Weinstein, N. (2017). Một bài kiểm tra quy mô lớn về giả thuyết goldilocks: Định lượng mối quan hệ giữa việc sử dụng màn hình kỹ thuật số và sức khỏe tinh thần của thanh thiếu niên. Khoa học Tâm lý, 28(2), 204–215. https://doi.org/10.1177/0956797616678438.

Quinn, K. (2018). Ảnh hưởng nhận thức của việc sử dụng phương tiện truyền thông xã hội: Một trường hợp của người lớn tuổi. Truyền thông xã hội + Xã hội, 4(3), 1–9. https://doi.org/10.1177/2056305118787203.

Reinemann, C., & amp Scherr, S. (2011). Der Werther-Defekt: Plädoyer für einen neuen Blick auf den Zusammenhang von suizidalem Verhalten und Medien [Khiếm khuyết của Werther: Cầu xin một cái nhìn mới về mối liên hệ giữa hành vi tự sát và phương tiện truyền thông]. Publizistik, 56 tuổi(1), 89–94. https://doi.org/10.1007/s11616-010-0109-y

Ridder, C.-M., & amp Engel, B. (2010). Massenkommunikation 2010: Mediennutzung im Intermediavergleich. Media Perspektiven, 11, 523–536.

Rottenberg, J., Kasch, K. L., Gross, J. J., & amp Gotlib, I. H. (2002). Sự buồn bã và phản ứng vui chơi dự đoán một cách khác biệt về hoạt động đồng thời và tương lai trong rối loạn trầm cảm nặng. Cảm xúc, 2(2), 135–146. https://doi.org/10.1037/1528-3542.2.2.135.

Rubin, A. M. (2009). Quan điểm sử dụng và hài lòng về hiệu ứng phương tiện. Trong J. Bryant & amp M. B. Oliver (Eds.), Hiệu ứng phương tiện (Xuất bản lần thứ 3, trang 165–184). New York: Lawrence Erlbaum.

Scherr, S., & amp Reinemann, C. (2011). Niềm tin vào hiệu ứng Werther: Ảnh hưởng của người thứ ba trong nhận thức về nguy cơ tự tử đối với người khác và vai trò điều hòa của chứng trầm cảm. Hành vi tự tử và đe dọa tính mạng, 41(6), 624–634. https://doi.org/10.1111/j.1943-278X.2011.00059.x

Scherr, S. (2013). Medien und Suizide: Überblick über die kommunikationswissenschaftliche Forschung zum Werther-Effekt [Truyền thông và tự sát: Đánh giá nghiên cứu về hiệu ứng Werther trong khoa học truyền thông]. Suizidprophylaxe, 40 tuổi(3), 96–107.

Scherr, S. (2016). Trầm cảm - Medien - Suizid: Zur empirischen Relevanz von Depressionen und Medien für die Suizidalität [Trầm cảm - Truyền thông - Tự tử: Về mối liên quan thực nghiệm của trầm cảm và phương tiện truyền thông đối với hành vi tự tử]. Wiesbaden: Springer VS.

Scherr, S., & amp Brunet, A. (2017). Những ảnh hưởng khác nhau của chứng trầm cảm và đặc điểm tính cách đến việc sử dụng Facebook. Truyền thông xã hội + Xã hội, 3(1), 1–14. https://doi.org/10.1177/2056305117698495

Scherr, S., Toma, C. L., & amp Schuster, B. (2018). Trầm cảm như một yếu tố dự báo cho sự giám sát và ghen tị của Facebook: Bằng chứng dọc từ một nghiên cứu hội đồng trình độ trễ ở Đức. Tạp chí Tâm lý học Truyền thông. Xuất bản trực tuyến trước. https://doi.org/10.1027/1864-1105/a000247

Schmitt, M., Altstötter-Gleich, C., Hinz, A., Maes, J., & amp Brähler, E. (2006). Normwerte für das Vereinfachte Beck-Depressions-Inventar (BDI-V) in der Allgemeinbevölkerung. Diagnostica, 52(2), 51–59. https://doi.org/10.1026/0012-1924.52.2.51.

Schmitt, M., Hübner, A., & amp Maes, J. (2010). Validierung des Vereinfachten Beck-depressions-Inventars (BDI-V) an Fremdeinschätzungen [xác nhận phiên bản ngắn của kiểm kê trầm cảm Beck (BDI-V) với đánh giá bên ngoài]. Diagnostica, 56 tuổi(3), 125–132. https://doi.org/10.1026/0012-1924/a000019.

Seabrook, E. M., Kern, M. L., & amp Rickard, N. S. (2016). Các trang mạng xã hội, trầm cảm và lo lắng: Một đánh giá có hệ thống. Tạp chí Nghiên cứu Internet Y tế: Sức khỏe Tâm thần, 3(4), e50. https://doi.org/10.2196/mental.5842.

Selfhout, M. H. W., Branje, S. J. T., Delsing, M., ter Bogt, T. F. M., & amp Meeus, W. H. J. (2009). Các kiểu sử dụng Internet khác nhau, trầm cảm và lo âu xã hội: Vai trò của nhận thức về chất lượng tình bạn. Tạp chí Tuổi thanh xuân, 32(4), 819–833. https://doi.org/10.1016/j.adolescence.2008.10.011.

Shannon, C. E., & amp Weaver, W. (1964). Các lý thuyết toán học về truyền thông. Urbana: Nhà xuất bản Đại học Illinois.

Shensa, A., Escobar-Viera, C. G., Sidani, J. E., Bowman, N. D., Marshal, M. P., & amp Primack, B. A. (2017). Việc sử dụng mạng xã hội có vấn đề và các triệu chứng trầm cảm ở thanh niên Hoa Kỳ: Một nghiên cứu đại diện trên toàn quốc. Khoa học xã hội & y học, 182, 150–157. https://doi.org/10.1016/j.socscimed.2017.03.061.

Sigerson, L., & amp Cheng, C. (2018). Thang đo để đo lường mức độ tương tác của người dùng với các trang mạng xã hội: Đánh giá một cách có hệ thống về các thuộc tính đo lường tâm lý. Máy tính trong hành vi con người, 83, 87–105. https://doi.org/10.1016/j.chb.2018.01.023.

Smith, A., & amp Anderson, M. (2018). Sử dụng mạng xã hội vào năm 2018: Phần lớn người Mỹ sử dụng Facebook và YouTube, nhưng những người trẻ tuổi đặc biệt là những người sử dụng Snapchat và Instagram. Lấy từ http://www.pewinternet.org/2018/03/01/social-media-use-in-2018/

Steger, M. F., & amp Kashdan, T. B. (2009). Trầm cảm và hoạt động xã hội hàng ngày, thuộc về và hạnh phúc. Tạp chí Tâm lý học Tư vấn, 56(2), 289–300. https://doi.org/10.1037/a0015416.

Sundar, S. S., & amp Limperos, A. M. (2013). Sử dụng và grats 2.0: Niềm vui mới cho phương tiện truyền thông mới. Tạp chí Phát thanh Truyền hình & Truyền thông Điện tử, 57(4), 504–525. https://doi.org/10.1080/08838151.2013.845827.

Thompson, R. J., Mata, J., Jaeggi, S. M., Buschkuehl, M., Jonides, J., & amp Gotlib, I. H. (2010). Đối phó không thích nghi, đối phó thích nghi và các triệu chứng trầm cảm: Sự thay đổi theo độ tuổi và trạng thái trầm cảm. Nghiên cứu hành vi và trị liệu, 48(6), 459–466. https://doi.org/10.1016/j.brat.2010.01.007.

Tromholt, M. (2016). Thử nghiệm của Facebook: Bỏ Facebook dẫn đến mức độ hạnh phúc cao hơn. Tâm lý học mạng, Hành vi và Mạng xã hội, 19(11), 661–666. https://doi.org/10.1089/cyber.2016.0259.

Twenge, J. M., Joiner, T. E., Rogers, M. L., & amp Martin, G. N. (2017). Sự gia tăng các triệu chứng trầm cảm, kết quả liên quan đến tự tử và tỷ lệ tự tử ở thanh thiếu niên Hoa Kỳ sau năm 2010 và liên quan đến việc tăng thời gian sử dụng phương tiện truyền thông mới. Khoa học Tâm lý Lâm sàng, 6(1), 3–17. https://doi.org/10.1177/2167702617723376.

Valenzuela, S., Park, N., & amp Kee, K. F. (2009). Có vốn xã hội trong một trang mạng xã hội không ?: Sử dụng Facebook và sự hài lòng, tin tưởng và tham gia vào cuộc sống của sinh viên đại học. Tạp chí Truyền thông Trung gian Máy tính, 14(4), 875–901. https://doi.org/10.1111/j.1083-6101.2009.01474.x

Valkenburg, P. M., & amp Peter, J. (2007). Giao tiếp trực tuyến và hạnh phúc ở tuổi vị thành niên: Kiểm tra sự kích thích so với giả thuyết dịch chuyển. Tạp chí Truyền thông Trung gian Máy tính, 12(4), 1169–1182. https://doi.org/10.1111/j.1083-6101.2007.00368.x.

Wittchen, H.-U., Jacobi, F., Rehm, J., Gustavsson, A., Svensson, M., Jönsson, B.,. Steinhausen, H.-C. (2011). Quy mô và gánh nặng của các rối loạn tâm thần và các rối loạn khác của não ở Châu Âu 2010. Khoa sinh lý thần kinh Châu Âu, 21(9), 655–679. https://doi.org/10.1016/j.euroneuro.2011.07.018.

Zillmann, D. (1988a). Quản lý tâm trạng thông qua các lựa chọn giao tiếp. Nhà khoa học hành vi người Mỹ, 31 tuổi, 327–340.

Zillmann, D. (1988b). Quản lý tâm trạng: Sử dụng giải trí để phát huy hết tác dụng. Trong L. A. Donohew, H. E. Sypher, & amp E. T. Higgins (Eds.), Giao tiếp, nhận thức xã hội và ảnh hưởng (trang 147–172). Hillsdale: Hiền giả.


Chức năng phân tích, có sẵn trong gói tâm lý, chuyển đổi một đối tượng phù hợp với mô hình thành các đầu ra thân thiện với người dùng.

Tóm tắt một đối tượng được phân tích trả về một khung dữ liệu, khung này có thể dễ dàng được lưu và đưa vào báo cáo. Nó cũng bao gồm các hệ số chuẩn hóa, cũng như khoảng tin cậy khởi động (CI) và kích thước hiệu ứng.

Biến đổi Rạn san hô SE NS df Coef.std SE.std P Độ hiệu quả CI_lower CI_higher
(Đánh chặn) 25.52 4.24 6.02 31.50 0.00 0.00 & lt .001 *** Rất nhỏ 17.16 33.93
Emotion_ConditionNeutral 6.14 2.67 2.30 895.13 0.10 0.04 & lt .05 * Rất nhỏ 0.91 11.37
Subjective_Valence 0.06 0.03 1.68 898.47 0.09 0.06 = 0.09° Rất nhỏ -0.01 0.12
Emotion_ConditionNeutral: Subjective_Valence 0.16 0.05 3.22 896.27 0.13 0.04 & lt .01 ** Rất nhỏ 0.06 0.26

Bộ phân loại tuyến tính và phi tuyến tính

Trong phần này, chúng tôi chỉ ra rằng hai phương pháp học tập Naive Bayes và Rocchio là các thể hiện của bộ phân loại tuyến tính, nhóm có lẽ quan trọng nhất của bộ phân loại văn bản và đối chiếu chúng với bộ phân loại phi tuyến. Để đơn giản hóa cuộc thảo luận, chúng tôi sẽ chỉ xem xét bộ phân loại hai lớp trong phần này và định nghĩa bộ phân loại tuyến tính là bộ phân loại hai lớp quyết định tư cách thành viên của lớp bằng cách so sánh kết hợp tuyến tính của các đối tượng với một ngưỡng.

Trong hai chiều, bộ phân loại tuyến tính là một đường. Năm ví dụ được thể hiện trong Hình 14.8. Các dòng này có dạng chức năng. Quy tắc phân loại của bộ phân loại tuyến tính là gán tài liệu cho if b $ -> và if. Đây, là biểu diễn vectơ hai chiều của tài liệu và là vectơ tham số xác định (cùng với) ranh giới quyết định. Một giải thích hình học thay thế của bộ phân loại tuyến tính được cung cấp trong Hình 15.7 (trang).

Chúng ta có thể tổng quát hóa bộ phân loại tuyến tính 2D này thành các kích thước cao hơn bằng cách xác định siêu phẳng như chúng ta đã làm trong Phương trình 140, được lặp lại ở đây dưới dạng Phương trình 144:

Tiêu chí gán khi đó là: gán cho if b $ -> và cho if. Chúng tôi gọi một siêu phẳng mà chúng tôi sử dụng làm bộ phân loại tuyến tính là một siêu phẳng quyết định.

Thuật toán tương ứng để phân loại tuyến tính theo kích thước được thể hiện trong Hình 14.9. Phân loại tuyến tính thoạt đầu có vẻ tầm thường do tính đơn giản của thuật toán này. Tuy nhiên, khó khăn là trong việc huấn luyện bộ phân loại tuyến tính, tức là xác định các tham số và dựa trên tập huấn luyện. Nói chung, một số phương pháp học tập tính toán các tham số tốt hơn nhiều so với các phương pháp khác trong đó tiêu chí của chúng tôi để đánh giá chất lượng của một phương pháp học tập là hiệu quả của bộ phân loại tuyến tính đã học trên dữ liệu mới.

Bây giờ chúng tôi chỉ ra rằng Rocchio và Naive Bayes là các bộ phân loại tuyến tính. Để thấy điều này đối với Rocchio, hãy quan sát rằng một vectơ nằm trên ranh giới quyết định nếu nó có khoảng cách đến hai tâm lớp bằng nhau:

Một số số học cơ bản cho thấy rằng điều này tương ứng với một bộ phân loại tuyến tính với vectơ pháp tuyến và (Bài tập 14.8).

Chúng ta có thể suy ra tính tuyến tính của Naive Bayes từ quy tắc quyết định của nó, quy tắc này chọn danh mục có giá trị lớn nhất (Hình 13.2, trang 13.2) trong đó:

và là số lượng mã thông báo trong tài liệu là một phần của từ vựng. Biểu thị danh mục bổ sung là, chúng tôi có được tỷ lệ cược đăng nhập:

Chúng tôi chọn hạng nếu tỷ lệ cược lớn hơn 1 hoặc tương đương, nếu tỷ lệ cược đăng nhập lớn hơn 0. Dễ dàng thấy rằng Công thức 147 là một ví dụ của Công thức 144 cho, số lần xuất hiện của in, và. Ở đây, chỉ mục, đề cập đến các thuật ngữ của từ vựng (không liên quan đến các vị trí cũng như đối với biến thể) và và là các vectơ-thứ nguyên. Vì vậy, trong không gian log, Naive Bayes là một bộ phân loại tuyến tính.

nguyên tố 0.70 0 1 dlrs -0.71 1 1
tỷ lệ 0.67 1 0 thế giới -0.35 1 0
lãi 0.63 0 0 nhìn -0.33 0 0
giá 0.60 0 0 năm -0.25 0 0
chiết khấu 0.46 1 0 tập đoàn -0.24 0 0
Bundesbank 0.43 0 0 dlr -0.24 0 0
Một bộ phân loại tuyến tính. Kích thước và tham số của bộ phân loại tuyến tính cho lợi ích tập thể (như lãi suất) trong Reuters-21578. Ngưỡng là. Các thuật ngữ như dlr và world có trọng số âm vì chúng là các chỉ số cho loại tiền tệ cạnh tranh.

Ví dụ về công việc. Bảng 14.4 xác định bộ phân loại tuyến tính cho danh mục quan tâm trong Reuters-21578 (xem Phần 13.6, trang 13.6). Chúng tôi gán tài liệu `` lãi suất chiết khấu thế giới dlrs '' cho lãi suất từ ​​0 = b $ ->. Chúng tôi gán `` các dlrs nguyên tố '' cho lớp bổ sung (không quan tâm) kể từ đó. Để đơn giản, chúng tôi giả sử một biểu diễn vectơ nhị phân đơn giản trong ví dụ này: 1 cho các số hạng xuất hiện, 0 cho các số hạng không xuất hiện. Kết thúc công việc ví dụ.

Một vấn đề tuyến tính với nhiễu. Trong kịch bản phân loại trang web giả định này, các trang web chỉ tiếng Trung là hình tròn đặc và các trang web hỗn hợp tiếng Trung-Anh là hình vuông. Hai lớp được phân tách bằng ranh giới lớp tuyến tính (đường đứt nét, dấu gạch ngang ngắn), ngoại trừ ba tài liệu nhiễu (được đánh dấu bằng mũi tên).

Hình 14.10 là một ví dụ đồ họa của một bài toán tuyến tính, mà chúng tôi xác định có nghĩa là các phân phối cơ bản và của hai lớp được phân cách bằng một đường thẳng. Chúng tôi gọi đường phân cách này là ranh giới lớp. Đó là ranh giới `` đúng '' của hai lớp và chúng tôi phân biệt nó với ranh giới quyết định mà phương pháp học tập tính toán để gần đúng với ranh giới lớp.

Như điển hình trong phân loại văn bản, có một số tài liệu nhiễu trong Hình 14.10 (được đánh dấu bằng mũi tên) không phù hợp với phân bố tổng thể của các lớp. Trong Phần 13.5 (trang 13.5), chúng tôi đã định nghĩa đặc điểm nhiễu là một đặc điểm gây hiểu nhầm, khi được đưa vào biểu diễn tài liệu, về trung bình sẽ làm tăng lỗi phân loại. Tương tự, một tài liệu nhiễu là một tài liệu, khi được đưa vào tập huấn luyện, làm sai phương pháp học và làm tăng lỗi phân loại. Một cách trực quan, phân bố cơ bản phân chia không gian biểu diễn thành các vùng có các phép gán lớp gần như đồng nhất. Một tài liệu không phù hợp với tầng lớp thống trị trong khu vực của nó là một tài liệu nhiễu.

Các tài liệu nhiễu là một lý do tại sao việc đào tạo một bộ phân loại tuyến tính là khó. Nếu chúng ta quá chú ý đến các tài liệu nhiễu khi chọn siêu phẳng quyết định của bộ phân loại, thì dữ liệu mới sẽ không chính xác. Về cơ bản hơn, thường rất khó xác định tài liệu nào là tài liệu nhiễu và do đó có khả năng gây hiểu nhầm.

Nếu tồn tại một siêu phẳng phân tách hoàn hảo hai lớp, thì chúng ta gọi hai lớp là phân tách tuyến tính. Trên thực tế, nếu khả năng phân tách tuyến tính được duy trì, thì sẽ có vô số đường phân cách tuyến tính (Bài tập 14.4) như được minh họa trong Hình 14.8, trong đó số lượng siêu phẳng phân tách có thể có là vô hạn.

Hình 14.8 minh họa một thách thức khác trong việc đào tạo một bộ phân loại tuyến tính. Nếu chúng ta đang giải quyết một vấn đề có thể phân tách tuyến tính, thì chúng ta cần một tiêu chí để lựa chọn trong số tất cả các siêu máy bay quyết định tách biệt hoàn hảo dữ liệu huấn luyện. Nhìn chung, một số siêu máy bay này sẽ hoạt động tốt trên dữ liệu mới, một số thì không.

Một ví dụ về bộ phân loại phi tuyến là kNN. Tính phi tuyến của kNN là rõ ràng trực quan khi nhìn vào các ví dụ như Hình 14.6. Các ranh giới quyết định của kNN (các đường kép trong Hình 14.6) là các đoạn tuyến tính cục bộ, nhưng nhìn chung có hình dạng phức tạp không tương đương với một đường trong 2D hoặc một siêu phẳng ở các chiều cao hơn.

Hình 14.11 là một ví dụ khác về bài toán phi tuyến: không có dải phân cách tuyến tính tốt giữa các phân bố và do `` vùng bao quanh '' hình tròn ở phần trên bên trái của biểu đồ. Bộ phân loại tuyến tính phân loại sai vùng mã hóa, trong khi bộ phân loại phi tuyến tính như kNN sẽ có độ chính xác cao đối với loại vấn đề này nếu tập huấn luyện đủ lớn.

Nếu một vấn đề là phi tuyến tính và các ranh giới lớp của nó không thể được xấp xỉ gần đúng bằng siêu phẳng tuyến tính, thì các bộ phân loại phi tuyến thường chính xác hơn các bộ phân loại tuyến tính. Nếu một vấn đề là tuyến tính, tốt nhất là sử dụng một bộ phân loại tuyến tính đơn giản hơn.

    Chứng minh rằng số lượng đường phân cách tuyến tính của hai lớp là vô hạn hoặc bằng không.


PHƯƠNG PHÁP

Đánh giá tổng hợp này nhằm mục đích tổng hợp một cách có hệ thống các bằng chứng hàng đầu, gần đây nhất về vai trò của “các yếu tố lối sống” trong việc phòng ngừa và điều trị các rối loạn tâm thần, tuân theo tuyên bố của PRISMA để đảm bảo báo cáo toàn diện và minh bạch 19. Các tìm kiếm có hệ thống được thực hiện vào ngày 3 tháng 2 năm 2020 đối với các cơ sở dữ liệu sau: Đồng minh và Thuốc bổ sung (AMED), PsycINFO, Ovid MEDLINE, Health Management Information Consortium, EMBASE và các cơ sở dữ liệu Đánh giá Kinh tế và Đánh giá Công nghệ Y tế NHS.

Thuật toán tìm kiếm PICOS sau đây đã được sử dụng: Những người tham gia ['sức ​​khỏe tâm thần hoặc sức khỏe tâm lý hoặc kết quả tâm lý hoặc sức khỏe tâm thần hoặc tâm thần * hoặc bệnh tâm thần * hoặc rối loạn tâm thần * hoặc trầm cảm * hoặc rối loạn tâm trạng * hoặc rối loạn cảm xúc * hoặc lo lắng * hoặc hoảng sợ hoặc ám ảnh cưỡng chế hoặc OCD hoặc ADHD hoặc thiếu chú ý hoặc thiếu tập trung hoặc ám ảnh * hoặc kiểu lưỡng cực hoặc rối loạn lưỡng cực * hoặc rối loạn tâm thần hoặc loạn thần hoặc tâm thần phân liệt * hoặc tâm thần phân liệt hoặc chống loạn thần * hoặc sau chấn thương * hoặc rối loạn nhân cách * hoặc rối loạn căng thẳng * hoặc rối loạn phân ly hoặc chống trầm cảm * hoặc chống loạn thần * .ti] Can thiệp / Tiếp xúc [hoạt động thể chất hoặc tập thể dục * hoặc thể thao * hoặc đi bộ hoặc hoạt động cường độ cao hoặc rèn luyện sức đề kháng hoặc cơ bắp hoặc ít vận động hoặc thời gian sử dụng thiết bị hoặc screentime hoặc aerobic hoặc thể dục hoặc ăn kiêng * hoặc dinh dưỡng * hoặc thực phẩm * hoặc thuần chay hoặc thuần chay * hoặc thịt hoặc carbohy * hoặc chất xơ hoặc đường * hoặc adipos * hoặc vitamin * hoặc trái cây * hoặc ngủ * hoặc insomn * hoặc ăn kiêng * hoặc hút thuốc * hoặc hút thuốc lá hoặc thuốc lá hoặc nicotine hoặc khỏe mạnh hoặc phù hợp * hoặc cân nặng hoặc trọng lượng cơ thể hoặc khối lượng cơ thể hoặc BMI hoặc hành vi sức khỏe * hoặc thay đổi hành vi hoặc thay đổi hành vi hoặc lối sống * .ti] Kết quả ['meta-analy * hoặc metaanaly * hoặc meta reg * hoặc metareg * hoặc đánh giá hệ thống * hoặc Mendel * hoặc đánh giá tổng hợp hoặc đánh giá hoặc đánh giá tổng hợp hoặc đánh giá cập nhật * .ti] Thiết kế nghiên cứu ['tiềm năng hoặc bảo vệ * hoặc đầu tiên * hoặc khởi phát hoặc ngăn chặn * hoặc thuần tập hoặc dự đoán * hoặc rủi ro hoặc theo chiều dọc hoặc ngẫu nhiên hoặc ngẫu nhiên hoặc mendel * hoặc hai chiều hoặc có kiểm soát hoặc thử nghiệm * hoặc nhân quả '].

Các tìm kiếm riêng biệt về Cơ sở dữ liệu Cochrane về Đánh giá có hệ thống và Google Scholar cũng được thực hiện để xác định các bài báo bổ sung.

Đủ tiêu chuẩn

Các yếu tố lối sống được kiểm tra là những yếu tố liên quan đến hoạt động thể chất, chế độ ăn uống, giấc ngủ và hút thuốc.

“Hoạt động thể chất” được xem xét theo nghĩa rộng nhất, bao gồm mức độ hoạt động thể chất tổng thể, các biện pháp can thiệp đào tạo bài tập có cấu trúc và cũng là các nghiên cứu kiểm tra sự vắng mặt của hoạt động thể chất, tức là hành vi ít vận động. “Chế độ ăn uống” tập trung vào thực phẩm ăn kiêng / can thiệp, và không bao gồm các nghiên cứu đánh giá các phương pháp điều trị dinh dưỡng cụ thể (vì các phương pháp này đã được đánh giá rộng rãi trong tạp chí 20 này) hoặc các nghiên cứu kiểm tra nồng độ vitamin / khoáng chất / axit béo riêng lẻ trong máu (như nồng độ máu của những chất dinh dưỡng này bị ảnh hưởng bởi nhiều yếu tố di truyền và môi trường, không phụ thuộc vào khẩu phần ăn 21, 22). “Giấc ngủ” được kiểm tra như mô hình giấc ngủ chung, chất lượng hoặc số lượng, cùng với các nghiên cứu kiểm tra tác động của rối loạn giấc ngủ (tức là mất ngủ) đến nguy cơ mắc bệnh tâm thần hoặc hiệu quả của các biện pháp can thiệp không dùng thuốc trực tiếp nhắm vào giấc ngủ để cải thiện các triệu chứng tâm thần . Thuật ngữ “hút thuốc” chỉ được sử dụng để chỉ việc tiêu thụ thuốc lá, từ việc sử dụng cá nhân hoặc tiếp xúc thụ động, chứ không phải là ma túy bất hợp pháp, vì các tác động thần kinh đã biết của những chất sau này đã được xem xét rộng rãi trong tạp chí 23 này.

Các rối loạn tâm thần đủ tiêu chuẩn được đưa vào tổng quan này là rối loạn tâm trạng (trầm cảm vừa hoặc nặng và rối loạn lưỡng cực), rối loạn tâm thần (bao gồm tâm thần phân liệt và các bệnh liên quan), lo âu và rối loạn liên quan đến căng thẳng, rối loạn phân ly, rối loạn nhân cách và ADHD. Chúng tôi đã loại trừ các tình trạng tâm thần được đặc trưng trực tiếp bởi các hành vi có hại cho sức khỏe (ví dụ: rối loạn ăn uống và rối loạn sử dụng rượu hoặc chất gây nghiện) cùng với các rối loạn phát triển thần kinh khác (ví dụ, tự kỷ, khuyết tật trí tuệ) và rối loạn thoái hóa thần kinh (ví dụ, sa sút trí tuệ), vì chúng đã được xem xét ngoài phạm vi của bài đánh giá này.

Các yếu tố bảo vệ đã được kiểm tra bằng cách sử dụng hai nguồn dữ liệu. Đầu tiên, chúng tôi tìm kiếm các phân tích tổng hợp dữ liệu theo chiều dọc để kiểm tra mối quan hệ giữa các yếu tố lối sống khác nhau và nguy cơ tiềm ẩn / khởi phát bệnh tâm thần. Các phân tích tổng hợp đủ điều kiện là những phân tích trình bày dữ liệu định lượng phù hợp - như tỷ lệ chênh lệch đã điều chỉnh hoặc thô (OR), tỷ lệ rủi ro (RR) hoặc tỷ lệ nguy cơ (HR) - về tình trạng cơ bản của các biến hành vi ảnh hưởng như thế nào đến nguy cơ tiềm ẩn của bệnh tâm thần, bao gồm cả chẩn đoán các tình trạng tâm thần và các triệu chứng có ý nghĩa lâm sàng (sử dụng các ngưỡng giới hạn đã được thiết lập trên các công cụ sàng lọc đã được xác nhận, hoặc dựa trên các điểm số phân vị của điểm triệu chứng tâm thần).

Nguồn dữ liệu thứ hai được sử dụng để kiểm tra các yếu tố bảo vệ là bất kỳ nghiên cứu ngẫu nhiên Mendel (MR) nào về mối liên hệ giữa các yếu tố lối sống và bệnh tâm thần. Tóm lại, MR là một phương pháp suy luận nhân quả có thể được sử dụng để ước tính ảnh hưởng của mức phơi nhiễm (X) đến kết quả (Y) trong khi giảm thiểu sự sai lệch do gây nhiễu và nhân quả ngược lại 24, 25. Các công cụ di truyền phù hợp (thường là đa hình nucleotide đơn, SNP) được xác định thông qua các nghiên cứu liên kết toàn bộ bộ gen (GWAS). Cá thể mang alen ảnh hưởng của biến thể có mức trung bình của X cao hơn (hoặc thấp hơn) so với cá thể không mang alen ảnh hưởng. Tuân theo quy luật phân ly và phân loại độc lập của Mendel, các biến thể di truyền được di truyền ngẫu nhiên khi thụ thai và được di truyền độc lập với các yếu tố gây nhiễu trong lối sống 26. Do đó, MR có thể được coi là tương tự như một thử nghiệm ngẫu nhiên có đối chứng (RCT) về các yếu tố hành vi trong việc ngăn ngừa bệnh tâm thần, vì các biến thể di truyền ngẫu nhiên khiến các cá nhân phải trải qua các mức độ khác nhau của các yếu tố này 26. Vì các gen cũng không thay đổi trong suốt cuộc đời, chúng cũng không bị thay đổi bởi kết quả quan tâm, do đó làm giảm sự sai lệch do nhân quả ngược 26. Do đó, trong khi các phân tích tổng hợp của các nghiên cứu đoàn hệ tiền cứu rất hữu ích để xác định sức mạnh tổng thể và hướng đi của các mối liên quan, thì các phân tích MR được sử dụng để suy luận thêm về bản chất nhân quả của các mối quan hệ được quan sát.

Bằng chứng về các can thiệp lối sống trong việc điều trị những người bị rối loạn tâm thần được chẩn đoán đã được kiểm tra bằng cách sử dụng hai nguồn dữ liệu khác nhau, nhưng cả hai đều dựa trên phân tích tổng hợp về RCT (thường được coi là cấp bằng chứng hàng đầu trong nghiên cứu can thiệp sức khỏe). Đầu tiên, chúng tôi tìm kiếm các đánh giá tổng hợp hiện có về các phân tích tổng hợp RCT được xuất bản trong năm năm qua, cho từng yếu tố lối sống, cung cấp các tác động định lượng của hoạt động thể chất, chế độ ăn uống, cai thuốc lá hoặc can thiệp giấc ngủ không dùng thuốc đối với các triệu chứng tâm thần ở những người bị bệnh tâm thần. Thứ hai, đối với các yếu tố lối sống không được đề cập trong các tổng quan tổng hợp hiện có, chúng tôi đã tìm kiếm các phân tích tổng hợp về RCT để kiểm tra tác động của chúng (sử dụng chiến lược tìm kiếm ở trên) và tổng hợp bằng chứng từ các phân tích tổng hợp bằng cách sử dụng phương pháp luận có nguồn gốc từ một đánh giá tổng hợp trước đó 20. Đối với phân tích tổng hợp với các mẫu hỗn hợp, chỉ bao gồm những phân tích trong đó ít nhất 75% mẫu đã kiểm tra các bệnh tâm thần đủ tiêu chuẩn (như mô tả ở trên) mới được đưa vào.

Trích xuất dữ liệu

Một công cụ có hệ thống đã được áp dụng cho mỗi nghiên cứu phân tích tổng hợp / MR đủ điều kiện để trích xuất dữ liệu liên quan về mối liên hệ của các yếu tố lối sống với nguy cơ mắc bệnh tâm thần hoặc ảnh hưởng của các biện pháp can thiệp lối sống đối với kết quả tâm thần. Kết quả của các bài đánh giá tổng hợp đủ điều kiện được trích xuất một cách tường thuật, tóm tắt từ các bài báo tương ứng của chúng.

Đối với các phân tích tổng hợp của các nghiên cứu dọc, sức mạnh và hướng của các mối liên quan tiềm năng giữa các yếu tố lối sống và bệnh tâm thần được định lượng theo phân loại, và do đó được trích xuất dưới dạng OR, HR hoặc RR, với khoảng tin cậy (CI) 95%.

Đối với các phân tích tổng hợp về RCT của các can thiệp lối sống trong bệnh tâm thần, dữ liệu về quy mô ảnh hưởng được định lượng như một biến số liên tục (tức là mức độ ảnh hưởng đến các triệu chứng tâm thần) và do đó được trích xuất dưới dạng khác biệt trung bình chuẩn hóa (SMD), d của Cohen hoặc Hedges 'g. Sau đó, chúng được phân loại là nhỏ (& lt0,4), vừa phải (0,4-0,8) hoặc lớn (& gt0,8).

Đối với tất cả các phân tích tổng hợp, dữ liệu về mức độ không đồng nhất giữa các nghiên cứu (được định lượng bằng các giá trị I 2) cũng được trích xuất.

Trong trường hợp nhiều phân tích tổng hợp đủ điều kiện kiểm tra một yếu tố lối sống cụ thể trong nguy cơ / điều trị cùng một chứng rối loạn tâm thần, thì phân tích gần đây nhất được ưu tiên sử dụng. Trong đó các phân tích tổng hợp cũ có nhiều nghiên cứu hơn & gt25% so với các phiên bản mới hơn và chứa các phát hiện quan trọng, mới lạ từ các phân tích duy nhất không được ghi lại trong các phiên bản gần đây nhất, chúng cũng được trích xuất và trình bày cùng với các phát hiện mới hơn. Trong trường hợp hai nghiên cứu MR đã kiểm tra cùng một yếu tố lối sống cho cùng một kết quả sức khỏe tâm thần, cả hai nghiên cứu (bất kể lần truy cập gần đây hay cỡ mẫu) đều được đưa vào và xem xét.

Chúng tôi cũng trích xuất các đặc điểm nghiên cứu liên quan khi được báo cáo, bao gồm số lượng so sánh tổng hợp trong phân tích tổng hợp (n), cỡ mẫu (N), chi tiết về các đặc điểm cụ thể của việc tiếp xúc hoặc can thiệp lối sống được kiểm tra và các đặc điểm mẫu. Kết quả của các phân tích phân nhóm / độ nhạy chính cho thấy cách các nhóm tuổi, bệnh tật hoặc kết quả được kiểm tra, hoặc các loại phơi nhiễm / can thiệp khác nhau đã sửa đổi ảnh hưởng của yếu tố lối sống cụ thể cũng được trích xuất. Với mục đích cung cấp một bản tóm tắt ngắn gọn về tài liệu, chỉ những phát hiện từ các phân tích thứ cấp cung cấp những hiểu biết quan trọng, độc đáo về bằng chứng mới được trích xuất.

Đánh giá chất lượng của các nghiên cứu bao gồm

Công cụ Đánh giá Chất lượng của Viện Y tế Quốc gia (NIH) để Đánh giá Hệ thống và Phân tích Tổng hợp được sử dụng để đánh giá chất lượng của các phân tích tổng hợp được bao gồm. Công cụ này đánh giá chất lượng của các phân tích tổng hợp xếp hạng chúng về mức độ đầy đủ của câu hỏi tìm kiếm, đặc tả các tiêu chí bao gồm và loại trừ, tìm kiếm có hệ thống, sàng lọc các bài báo, đánh giá chất lượng và tóm tắt các nghiên cứu được đưa vào cũng như kiểm tra độ lệch và tính không đồng nhất của công bố. Theo các đánh giá tổng hợp trước đây bằng cách sử dụng công cụ NIH 27, chất lượng của các phân tích tổng hợp được đưa vào được phân loại là “tốt” (7 hoặc 8), “khá” (4-6) hoặc “kém” (0-3) .

Vì không tồn tại công cụ đồng thuận để xác định chất lượng của các nghiên cứu MR và tổng quan, những công cụ này đã bị bỏ qua trong đánh giá chất lượng chính thức.


Dược động học dễ dàng 9: Dược động học phi tuyến tính

Dược động học phi tuyến tính có nghĩa là gì?
Khi liều lượng của một loại thuốc được tăng lên, chúng tôi dự đoán rằng nồng độ ở trạng thái ổn định sẽ tăng tương ứng, tức là nếu tốc độ liều tăng hoặc giảm hai lần, thì nồng độ thuốc trong huyết tương cũng sẽ tăng hoặc giảm hai lần. Tuy nhiên, đối với một số loại thuốc, nồng độ thuốc trong huyết tương thay đổi nhiều hơn hoặc ít hơn so với dự kiến ​​do thay đổi liều lượng. Đây được gọi là hành vi dược động học phi tuyến tính và có thể gây ra vấn đề khi điều chỉnh liều.

Nguyên nhân gây ra hành vi dược động học phi tuyến tính?
Trong một bài báo trước (Điều 1 - Giải phóng mặt bằng Aust Prescr 198811: 12-3), đã chỉ ra rằng nồng độ trong máu ở trạng thái ổn định (CNS) là một hàm của cả liều lượng và độ thanh thải của thuốc.

NS NS =F x suất liều
giải tỏa

trong đó F là sinh khả dụng.

Trong hầu hết các tình huống dùng thuốc, độ thanh thải toàn phần (CL) được xác định bằng liên kết với protein và độ thanh thải nội tại (CLNS) (Điều 4 - `` Cách thuốc được đào thải qua gan 'Aust Prescr 199013: 88-9).

f ở đâuu là phần không liên kết với protein.

Kết hợp phương trình 1 và 2, các định thức của CNS trong thời gian dùng thuốc mãn tính là

NS NS =F x suất liều
NS u x CLNS

F, fu và CLNS thường không thay đổi theo nồng độ thuốc để CNS tỷ lệ thuận với tỷ lệ liều. Tuy nhiên, có một số tình huống trong đó mối quan hệ có thể dự đoán được giữa tỷ lệ liều và CNS bị hỏng do phụ thuộc liều lượng của F, fu và / hoặc CLNS.

1. Sự bão hòa của các cơ chế loại bỏ gây ra sự thay đổi trong thanh thải nội tại

Chuyển hóa thuốc
Quá trình chuyển hóa thuốc được thực hiện bởi nhiều loại enzym như cytochrom P450 và N-acetyltransferase.Sự phụ thuộc của tốc độ phản ứng enzym vào nồng độ cơ chất được đưa ra bởi phương trình Michaelis-Menten và được minh họa trong Hình 1

v =V tối đa x S
K NS + S

trong đó v là vận tốc của phản ứng, S là nồng độ cơ chất, Vtối đa là vận tốc cực đại ở nồng độ cơ chất rất cao và KNS là nồng độ cơ chất ở nửa Vtối đa. Km là thước đo ái lực của cơ chất đối với enzym.

Về mặt dược động học, v tương đương với tốc độ thải trừ (v = Cu x CL) và S tương đương với nồng độ thuốc không liên kết (Cu). Sau đó, phương trình 4 có thể được sắp xếp lại để cung cấp một hàm cho thanh thải nội tại (xem thêm phương trình 1).

CL NS =V
NS u
=V tối đa
K NS + Cu

ở đâu Vtối đa là tốc độ chuyển hóa tối đa ở nồng độ cao của thuốc không liên kết và KNS là nồng độ thuốc không liên kết ở nửa Vtối đa.

Thông thường, nồng độ thuốc trong huyết tương không bị ràng buộc (Cu) trong phạm vi điều trị là rất nhỏ so với KNS đối với enzym chuyển hóa và phương trình 5 gần đúng với

phương trình 6

CL NS =V tối đa
K NS

CLNS sau đó không phụ thuộc vào nồng độ thuốc không liên kết, do đó tuyến tính với liều lượng. Trong một số trường hợp, nồng độ thuốc không liên kết gần bằng hoặc trên KNS ở liều điều trị, và động học bắt đầu trở nên phi tuyến tính (xem

Hình 1). Trong tình huống này, CLNS giảm khi nồng độ thuốc không liên kết tăng (xem phương trình 5) và nồng độ thuốc ở trạng thái ổn định tăng hơn tỷ lệ thuận với liều lượng (phương trình 3). Ở nồng độ thuốc cao, tốc độ chuyển hóa tối đa đạt được và không thể vượt quá. Trong những điều kiện này, một lượng thuốc không đổi được thải trừ trong một đơn vị thời gian bất kể lượng thuốc trong cơ thể là bao nhiêu. Động học bậc không áp dụng thay vì động học bậc nhất thông thường trong đó một hằng số tỷ lệcủa thuốc trong cơ thể được thải trừ trên một đơn vị thời gian. Một số ví dụ về các loại thuốc thể hiện hành vi động học không tuyến tính là phenytoin, ethanol, salicylate và ở một số người là theophylline.

Phenytoin : Phenytoin thể hiện sự bão hòa chuyển hóa rõ rệt ở nồng độ trong khoảng điều trị (10 - 20 mg / L) (Hình 2). Do đó, sự gia tăng liều nhỏ dẫn đến sự gia tăng lớn về tổng nồng độ thuốc ở trạng thái ổn định và không bị ràng buộc. Ví dụ, đối với một bệnh nhân mắc K điển hìnhNS 5 mg / L (tổng lượng thuốc) và Vtối đa 450 mg / ngày, nồng độ ở trạng thái ổn định ở liều 300, 360 và 400 mg / ngày sẽ tương ứng là 10,0, 20,0 và 40,0 mg / L (Hình 2). Do đó, cần điều chỉnh liều lượng nhỏ để đạt được nồng độ phenytoin trong khoảng điều trị 10-20 mg / L.

Hậu quả thứ hai là do độ thanh thải giảm, thời gian bán thải biểu kiến ​​tăng từ khoảng 12 giờ ở nồng độ phenytoin thấp lên đến một tuần hoặc hơn ở nồng độ cao. Điều này có nghĩa rằng

tôi. thời gian để đạt được trạng thái ổn định có thể kéo dài đến 1-3 tuần ở nồng độ phenytoin gần đỉnh của khoảng điều trị

ii. trong phạm vi điều trị, nồng độ phenytoin dao động ít trong khoảng thời gian 24 giờ cho phép dùng một lần mỗi ngày và lấy mẫu để theo dõi nồng độ thuốc bất kỳ lúc nào giữa các liều

iii. nếu ngừng dùng thuốc với nồng độ trong khoảng độc, nồng độ phenytoin ban đầu giảm rất chậm và có thể ít thay đổi trong một số ngày.

Rượu: Rượu là một ví dụ thú vị về chuyển hóa bão hòa. Km đối với rượu là khoảng 0,01 g% (100 mg / L) để nồng độ trong phạm vi tác dụng dược lý cao hơn nhiều so với KNS. Chữ Vtối đa đối với chuyển hóa etanol là khoảng 10 g / giờ (12,8 mL / giờ) và có thể tính toán được (xem chú giải Hình 2) rằng ở giới hạn lái xe hợp pháp phổ biến là 0,05 g%, tốc độ chuyển hóa rượu mỗi giờ là 8,3 g /giờ. Lượng cồn này được chứa trong 530 mL bia nhẹ, 236 mL bia tiêu chuẩn, 88 mL rượu vang hoặc 27 mL rượu mạnh. Tốc độ ăn vào cao hơn sẽ dẫn đến tích tụ nhiều hơn.

Bài tiết qua thận
Trong Điều 7 (`` Sự thanh thải thuốc qua thận 'Aust Prescr 199215: 16-9) đã chỉ ra rằng sự thanh thải thuốc qua thận là tổng của độ thanh thải lọc cộng với độ thanh thải bài tiết trừ đi tái hấp thu. Sự thanh thải bằng cách lọc cầu thận là một quá trình thụ động không thể bão hòa, nhưng sự bài tiết liên quan đến sự gắn kết thuốc bão hòa với chất mang. Ngay cả khi bài tiết bão hòa, quá trình lọc tiếp tục tăng tuyến tính với nồng độ thuốc trong huyết tương. Mức độ bão hòa của bài tiết qua thận dẫn đến dược động học không tuyến tính phụ thuộc vào tầm quan trọng tương đối của bài tiết và lọc trong thải trừ thuốc. Do mức độ thanh thải cơ bản của lọc, sự bão hòa của bài tiết ở thận thường không gây ra các vấn đề quan trọng về mặt lâm sàng.

2. Bão hòa chuyển hóa lần đầu gây tăng sinh khả dụng
Sau khi uống, các enzym chuyển hóa thuốc ở gan tiếp xúc với nồng độ thuốc tương đối cao trong máu cửa. Đối với các loại thuốc có tỷ lệ chiết xuất qua gan cao, ví dụ: alprenolol, tăng liều có thể dẫn đến bão hòa các enzym chuyển hóa và tăng sinh khả dụng (F). Nồng độ thuốc ở trạng thái ổn định sau đó tăng hơn tỷ lệ thuận với liều lượng (phương trình 3). Các loại thuốc khác có khả năng chuyển hóa qua đường đầu tiên bão hòa là tropisetron và paroxetine.

3. Bão hòa các vị trí liên kết protein gây ra sự thay đổi một phần thuốc không liên kết trong huyết tương
Phần không liên kết của thuốc trong huyết tương (fu) được đưa ra bởi

1 + K MộtPu

trong đó Ka là hằng số ái lực để liên kết với protein như albumin hoặc axit a1 glycoprotein và Pu là nồng độ của protein tự do (không liên kết), tức là protein không có thuốc liên kết với nó. Tổng nồng độ của albumin trong huyết tương là khoảng 0,6 mM (40 g / L) và nồng độ của axit a1 glycoprotein là khoảng 0,015 mM. Thông thường nồng độ thuốc thấp hơn nhiều so với nồng độ của protein liên kết và protein không liên kết (Pu) xấp xỉ với tổng số protein (PNS). Khi đó, fu chỉ phụ thuộc vào hằng số ái lực và tổng nồng độ của các vị trí liên kết với protein, và không đổi khi nồng độ thuốc thay đổi. Trong một số trường hợp (ví dụ: salicylate, phenylbutazone, diflunisal), nồng độ thuốc điều trị đủ cao để bắt đầu bão hòa các vị trí liên kết albumin để nồng độ protein không liên kết giảm và fu tăng trong khi tổng nồng độ thuốc tăng ít hơn tương ứng với việc tăng liều (phương trình 3). Điều này xảy ra phổ biến hơn đối với các loại thuốc như disopyramide liên kết với glycoprotein axit a1 vì nồng độ protein liên kết thấp hơn.

Hậu quả thực tế của liên kết protein bão hòa là gì? Từ phương trình 3, có thể thấy rằng fu tăng, tổng nồng độ thuốc ở trạng thái ổn định giảm. Tuy nhiên, fu không ảnh hưởng đến nồng độ ở trạng thái ổn định của thuốc không liên kết. Nói cách khác, nồng độ không liên kết sẽ tăng tuyến tính với liều lượng, nhưng tổng nồng độ thuốc sẽ tăng ít hơn một cách tương ứng. Điều này được minh họa trong Hình 3 đối với trường hợp của disopyramide. Sự phân ly giữa nồng độ thuốc toàn phần và không liên kết này gây ra khó khăn trong việc theo dõi thuốc điều trị khi nồng độ thuốc gần như luôn luôn được đo. Tổng nồng độ thuốc có thể ổn định mặc dù đã tăng liều (Hình 3) dẫn đến việc tăng liều tiếp theo. Tuy nhiên, nồng độ không liên kết và tác dụng của thuốc tăng tuyến tính với liều lượng - nếu điều này không được nhận ra, sự gia tăng liều lượng thích hợp có thể xảy ra với độc tính do hậu quả.


Xem video: TƯD ngày 510 - HỆ PHƯƠNG TRÌNH TUYẾN TÍNH u0026 PHI TUYẾN P1 (Có Thể 2022).


Bình luận:

  1. Generosb

    It will be the last drop.

  2. Daire

    I apologise, but, in my opinion, you commit an error. Hãy thảo luận. Viết cho tôi trong PM, chúng tôi sẽ nói chuyện.

  3. Jervis

    Well, who knows ...

  4. Kajikinos

    It's the funny information

  5. Yozshushakar

    Tôi nghĩ rằng bạn là sai. Hãy thảo luận. Gửi email cho tôi tại PM, chúng tôi sẽ nói chuyện.

  6. Fabian

    Bravo, I think this is the admirable thought



Viết một tin nhắn