文摘

认识到献血的数量影响因素对输血和血液延迟有重大影响。之间存在正相关关系的变量“献血数量”和“血延迟数”:作为换取捐赠数量的增加,那么血液延期的数量。另一方面,由于许多捐助者从未回到捐赠,有一个额外的零频率对上述变量。在这项研究中,为了应用的相关性和解释过度的频率为零,二元zero-inflated泊松回归模型用于联合建模的献血和血液延期的数量。数据分析使用贝叶斯方法应用noninformative先验协变量的存在和缺失。估计模型的参数,即相关性,零通胀参数,获得和回归系数,通过模型模拟。最终double-Poisson模型、二维泊松模型和二元zero-inflated泊松模型拟合数据和比较使用异常信息标准(DIC)。结果表明,二元zero-inflated泊松回归模型拟合数据优于其它模型。

1。介绍

输血在卫生系统是如此的重要,它在很大程度上决定拯救许多人的生命在正常和紧急情况。此外,它对提高生活质量有明显的影响,因此慢性病人的寿命。然而,许多患者要么死由于缺乏获得安全输血或至少遭受它。根据世界卫生组织报告,大约百分之一的人口,每个国家都需要献血(1]。今天,需要血液及其制品是增加一天2]。因为一些疾病可能是由于输血,筛选捐助者和检测潜在的健康是非常重要的3]。对于这个问题,缺乏健康的捐赠者对血库一直是一个严重的问题提供足够的和健康的血液4,5]。因此,输血中心的主要目标之一是检测和保护健康的捐赠者和防止不健康的献血这可能导致许多疾病被创造或加重(2]。然而,即使在那些有资格献血只有一小部分真正成为献血者(6]。由于筛选试验是在每一个捐款将健康与不健康的血液,献血是越多,越高的机会得到健康的血液。这就是为什么认识因素影响献血是非常重要的在吸引潜在的捐赠者和把他们变成定期捐助者(3]。从所有的实验室检查方法,防止通过血液感染的移情,唯一真正有效的方法是选择健康的捐赠者和不允许不合格的捐献者献血(7]。献血的人没有资格被称为“递延捐助者”[8]。延期货大部分是“暂时的”,存在由于捐赠前服用某些药物,血压高或低,贫血,高危行为,等等。这些延期货是可控的,可以减少捐赠之前给予必要的信息(2,9- - - - - -11]。自然,回归捐款增加,延迟从捐赠的概率增加。因此,预计将会有积极的捐赠数量之间的相关性和延期的数量。到目前为止已经说指出的重要性越来越健康的血液及其制品数量换取捐赠和延迟的关系。

泊松回归模型属于家庭的广义线性模型的响应变量是一个计数,并遵循泊松分布。平等的方差和均值的因变量的泊松回归分析的一个重要假设。在大多数实际应用中,响应观测overdispersed(即。观测结果的方差明显大于他们的意思);因此上的泊松回归模型拟合数据不会产生预期的结果。在单变量情况下,overdispersion最好的解决问题的办法是使用负二项回归模型(12,13]。在很多研究中,发现有两个计数响应变量之间的相关性;分别在这些情况下,处理的响应变量不考虑这种相关性会导致不一致的和低效的估计14]。基本的解决方案是使用二元统计模型(14- - - - - -16]。在医学、环境和生态研究中,存在过度0计数数据是常见的。如果0忽略为了简化分析,有价值的信息将丢失,可能导致偏差估计的参数,从而误导结果(17,18]。一个合适的类来解释这些数据的类zero-inflated分布。在实践中,数据包括零通货膨胀可以从zero-inflated泊松采样或zero-inflated负二项(18]。0的计数数据可以归因于结构性原因(称为结构零)或采样限制(称为抽样0)(17]。最常见的模型来解释和分析过度0计数数据是zero-inflated模型(17,18]。一般来说,对于这类数据,zero-inflated模型适合比常规模型(19]。多元,特别是双变量情况下,中有两个数响应变量之间的相关性(18),由于二元模型的边际分布是一元,这个二元模型不能用于额外的0配对计数数据模型。相反,使用二元zero-inflated回归模型(20.]。在大多数应用程序中,似乎逻辑使用zero-inflated二维泊松分布。

由于计算问题,而这些模型拟合,研究人员无法使用zero-inflated二元统计模型在很长一段时间18]。最近的改进层次贝叶斯建模和具体的改善仿真方法和马尔可夫链蒙特卡罗(密度)提供了简单的实现机制等二元分布的二维泊松(18]。

本研究旨在确定因素也影响换取捐赠的数量和延迟从捐赠。数据的统计数据的类型,来解释它,它用统计回归模型是必要的。另一方面,数据大量的零,也之间存在正相关的数量换取捐赠和延期的数量。为了这两个变量从输血获得数据模型,使用二元zero-inflated泊松回归模型。本文的其余部分组织如下:在部分2,首先,介绍了输血的二元数据集,然后,提出了二元zero-inflated泊松模型,随后贝叶斯方法拟合的二元zero-inflated泊松模型。节3,拟合的结果,该模型在输血数据提出和讨论。最后,部分4提供了一些结论。

2。材料和方法

2.1。数据

研究中使用的数据来自一个随机样本的纵向研究的捐赠者捐赠首次成功进行了最多五年,他们的数量的换取献血和数量的血液测量延迟响应。一个完整的描述的数据中可以看到3]。图1显示的频率换取献血和血液延期。换取献血的51%和85%的血延迟是零,这是比泊松分布的贡献。而另一方面,斯皮尔曼相关系数的数量换取捐赠和延期的数量等于0.276,这在0.01水平具有重要意义。因此,研究有效的因素,使用二元zero-inflated回归模型。性别、体重、年龄、婚姻状况、教育和工作被作为独立的变量。因为教育和工作名义,为了应用这些模型中,三个虚拟变量对教育和四个工作。因此,十三个独立变量插入到模型中。


图1
的频率响应变量。
2.2。统计模型
2.2.1。二维泊松分布

离散随机变量 和 是二维泊松分布和显示为 如果他们的联合概率质量是由 在哪里 和 。边缘分布的 和 泊松分布的参数吗 和 ,分别。的均值和方差 和 是 和 ,分别。之间的协方差 和 是 ,它显示了一个测量之间的依赖关系 和 。可以使用潜变量定义二维泊松分布。假设 , , 是相互独立的泊松随机变量和参数吗 , , 分别,然后之间的协方差 和 将 之间的相关系数 和 给药 如果 ;我们有一个特例,收益率(殖利率) 和 是独立的。通过这种方式,两个单变量的二维泊松分布变得乘法泊松分布和被称为double-Poisson模型(16,21]。

2.2.2。二元Zero-Inflated泊松分布

在这里,我们使用一个二元zero-inflated泊松(BZIP)模型,它是一个二维泊松和一个质点的混合物 。BZIP模型的联合概率质量函数被定义为(22,23] 在哪里 和 。

的边际分布BZIP模型zero-inflated单变量泊松分布,其概率质量函数 给出了二元zero-inflated泊松分布的时刻(23]

2.3。贝叶斯估计

假设 ,是一个从二元zero-inflated泊松和观察 解释变量的向量,zero-inflated泊松回归模型,链接一个指数函数用于关联的解释变量 (15,24]。 也可以链接解释变量质量指数 通过分对数函数的链接。我们假设 和 向量回归参数吗 和 分别,让 。

假设 是一个向量的回归参数。我们选择noninformative正常回归参数的先验分布为零均值和方差大的1000年。 , , , 。

同时,我们选择的均匀分布 时间间隔为 。我们假设所有模型参数的先验分布相互独立的。假设有 研究其反应是由以下的个体 和 是一个向量的观察。如果 似然函数和 和 先验分布的 和 ,然后数据的联合分布的参数 的后验分布 将 在这 是一个指标, 都是零的 和0。后的密度参数是非常复杂的;因此,我们使用仿真方法的马尔可夫链蒙特卡罗(密度)来估计参数。

3所示。结果与讨论

项目相关模型的代码编写使用WinBUGS软件3版本。确保参数的收敛的连锁店,图形和分析融合诊断。在图形化方法,跟踪情节和自相关函数的行为被检查。同时,为了研究收敛性分析,两个平行链老化5000样品和30000后观察运行。获得的样本的后验分布参数送入R软件和修改Gelman-Rubin [25)规模换算系数模型的参数是计算包的美国银行(26]。这些值都是接近;规模最大的价值换算系数为1.00402,属于性系数。我们没有发现证据链的收敛性诊断方法不收敛参数的后验分布。因为有高相关的连续值模拟观察,为了得到大致独立样本,每20样品一直得到参数的统计摘要。后总结的二元zero-inflated泊松回归模型的参数,包括的意思是,中位数,标准差,基于30000个模拟值和95%可信区间,在存在和缺乏独立变量中可以看到表1和2,分别。为了防止混乱的表、MC误差值没有被报道,但是他们被低于0.1后标准偏差的所有参数,进而表明了链的收敛27]。

表1
后总结二元zero-inflated泊松模型的参数。
表2
后总结二元zero-inflated泊松回归模型的参数。

零通胀的后验均值和95%可信区间参数(额外的0比例)模型( 0.43), ,分别。换句话说,在BZIP回归模型中,参数的后验估计 等于0.43。从观察到的数量 在响应变量是411,观察到0的比例是411年到864年,也就是0.48。这个值接近的后评估通胀从BZIP获得参数回归模型。在单变量模型中,额外的零参数的后验估计在zero-inflated泊松回归模型得到0.448换取捐赠的数量和0.67的数字血液延期。因此,如果两个反应变量之间的依赖关系不考虑,和反应的数量换取捐赠和延迟独立承担,然后的概率 就等于 将估计为 ,结果是0.30,这是一个低估相比BZIP模型和零的真实比例。相关系数的估计价值缺乏BZIP模型的协变量使用估计时刻等于0.282,这是非常接近原始数据的斯皮尔曼相关系数( ),反过来,显示了合格的拟合模型。

回归参数表明,体重的95%可信区间和工作(学生和失业与管家)献血数量的重要因素。结果也表明,体重是血液延期的数量的一个重要因素。比较模型,偏差(DIC)使用信息标准(28];DIC展示在表的结果3。

表3
异常信息标准的结果。

研究结果表明,独立变量中,唯一影响的捐赠数量重量和工作(随着体重的增加,换取捐款增加)。学生回到捐赠,最重要的是工作,和管家是最少的。体重有积极影响血液延期的数量;看起来有更高的权重换取捐赠超过别人,进而导致较高的血液延期。

这个模型的所有参数的先验分布noninformative,所以hyperparameters先验分布的值选择在某种程度上,他们的差异会更大。在另一项研究中,提出了利用二元zero-inflated负二项模型与我们的数据和结果可能与BZIP模型。

4所示。结论

本文主要旨在发现影响因素数量的换取献血和数量的血液延期。这样做,二元zero-inflated泊松回归模型应用使用贝叶斯方法获得通过模型模拟。由于提议的反应自然是二元,使用普通的单变量zero-inflated回归模型不会产生预期的结果。因变量之间的正相关和零频率比泊松分布在每个因变量的数据的主要特征。使用二元的想法zero-inflated泊松(BZIP)模型增强了这两个特性,因为这个模型不仅解释了两者之间的正相关反应(如BP模型),但也解释了overdispersion underdispersion条件(BP不会)。二元zero-inflated泊松模型是一个理想的模型,因为它克服了二维泊松模型的问题(15]。

据估计DIC的表3,BZIP模型适合更好、更全面的数据相比,二维泊松模型。此外,迪拜国际资本总额double-Poisson模型(两个人单变量泊松模型)= DIC的每个模型的总和19),4413.91,远远低于DIC统计4420.72从BP模型。这一发现表明,尽管考虑到响应之间的关系,BP模型不能适应数据很好。另一方面,迪拜国际资本总额两个人单变量压缩模型等于DIC的和统计的每个模型并将3866.8,而这个值是3852.23 BZIP模型显示其更好的拟合。这提供了实证支持BZIP为我们的数据模型在单变量压缩模型。在单变量泊松模型,对于每一个响应变量,DIC值低于zero-inflated模型的普通模式,这是由于过度的存在逻辑0在两个反应。的模型安装在这项研究中,最复杂的BP模型。总的来说,二元zero-inflated泊松回归模型是最全面和最好的模型来解释的相关性和过度0和安装输血的数据在这个研究比其他模型。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项研究是由批准号1771年的研究和技术副Shahrekord大学医学科学。