文摘

产前检查的频率和时间被观察到婴儿和产妇的发病率和死亡率的重要因素。目前的研究来确定风险因素减少产前保健访问使用一个优化的偏最小二乘回归模型。一个数据集收集2017 - 2018年期间由巴基斯坦人口和健康调查用于建模的目的。偏最小二乘回归模型加上等级相关措施介绍了改进的性能解决排名反应。该模型包括请 ,请 ,请 ,请 ,请 ,请 ,请 ,和请 。三个执行基于过滤器系数选择方法,分析交叉验证线性判别分析是衡量预测评分模型。最后,蒙特卡罗模拟方法和10迭代重复抽样验证性能优化的应用选择最优模型。提出的标准和模型在模拟和实际数据集执行效率的比较。的请 被发现是最合适的方法模型观察到的排名数据组产前保健访问基于验证性能。最优模型选择29不足的影响因素,产前保健的使用。减少产前检查的重要因素包括妇女教育地位、财富指数、总曾经出生的孩子,丈夫的教育水平,家庭暴力,剖腹产的历史。研究结果建议,偏最小二乘回归算法加上等级相关系数提供更有效的估计排名数据存在多重共线性。

1。介绍

巴基斯坦将目标设置为减少孕产妇死亡率(MMR)到140年到2015年每100000个活产儿通过增加熟练接生员和改善获得生殖健康保健的五年发展目标(MDG)改善孕产妇健康建议。目标进展评估报告说,巴基斯坦没有接近实现2015年的目标。最近,巴基斯坦支持可持续发展目标(西班牙),致力于减少MMR - 70在2030年每100000个活产儿通过增加熟练的助产服务,促进现代避孕,和扩展卫生工作者的报道。巴基斯坦政府在孕产妇健康计划和进展良好指标在过去的十年里,和大幅下降在MMR从276年到178年(1,2]。可以减少妊娠相关发病率和死亡率改善孕产妇保健服务便利化。至少四次产前检查(ANC)推荐人才,以避免任何与怀孕相关的并发症3]。近12%的巴基斯坦妇女报告她们在怀孕期间应该没有非国大,36%不到四互访,52%声称四个或更多访问(1]。几项研究已经评估了在巴基斯坦出席产前保健的重要影响因素不考虑ANC的频率(4,5]。泊松回归,负二项回归、zero-inflated和障碍回归模型是常用的模型ANC的计数访问(6,7]。二元逻辑回归和多项逻辑回归模型也发现研究的使用和排名ANC访问(5,8]。卫生研究生成公共卫生数据有许多的进步,一些或所有可能相关的地方。几项研究已经进行了识别影响因素不同的公共健康问题(使用多个统计工具和技术9- - - - - -13]。偏最小二乘(PLS)回归模型一直感兴趣的问题作为建模数据的统计方法在过去的几十年里有多重共线性。介绍了各种修改请算法模型优越性能(14]。大多数请持续因素模型算法,和一些专门为分类框架设计,但没有具体算法预计解决排名数据。来填补这一缺口获得排名的优化模型的响应变量,基于排名相关的修改请算法介绍了装载重量。本研究的主要动机是提出修改的请算法特别是解决排名响应因子的存在多重共线性。提高PLS回归模型,八个算法基于等级相关措施,包括斯皮尔曼等级相关系数,肯德尔的 等级相关系数。肯德尔的 等级相关系数,Stuart-Kendall 等级相关系数,萨默斯的三角洲( ),Goodman-Kruskal的τ ,Goodman-Kruskalγ( ),和希尔的 相关系数提出了在这个研究。我们所知,没有先前的研究认为协变量共线建模ANC访问巴基斯坦妇女的排名。因此,本研究的目标是双重的:(i)建立回归模型对排名反应包括多重共线性的问题,(2)确定使用产前保健不足的危险因素。本研究介绍了八个小说请算法解决多重共线性问题的排名从来没有前面讨论的响应。建议和标准算法是一个真实的应用程序上执行ANC的数据进行比较。这些算法将方便用户获得更高效的模型比标准的PLS方法具体排名数据。关于这项研究的临床重要性,非国大的影响力所选变量将帮助最大化正常怀孕的机会通过提供优先干预,增加覆盖面,提高医疗质量。本研究的小说的贡献包括:(我)八个新的请算法基于等级相关装载重量提出解决等级响应(2)非洲国民大会的重要因素利用巴基斯坦妇女被确定

2。方法

2.1。数据集

从巴基斯坦人口和健康调查获得的数据(pdh) 2017 - 2018俾路支用于本研究。共有943个观测(女性)和43个因素纳入分析。非国大的频率被认为是顺序响应因子( )访问列为不足(0 - 3)、中级(4 - 7次),和足够的(8 - 9访问)。

2.2。偏最小二乘回归(PLSR)

考虑到回归模型 ,在哪里 和 未知的回归参数和吗 误差项。让 矩阵的解释变量和被认为是线性相关的反应 假设一些 ( )代表组件的数量预测。然后,对于 ,一般的算法执行(1)装运重量是 (2)得分向量是 (3)评估 - - - - - -载荷 和 - - - - - -载荷 通过 和 ,分别(4)缩小 和 通过 和 (5)重复的算法,如果

考虑到 , , ,和 是编译的矩阵和向量加载重量、分数, - - - - - -载荷, - - - - - -载荷计算在每一次迭代的算法,分别。回归估计PLSR模型的计算 和 (15]。标准的一般步骤PLSR呈现在图1。


图1
标准请算法。

标准请是专为连续的因变量 但如果响应等级规模的衡量标准方法可能不适合。请的最重要阶段算法计算装船重量可以选择的重要因素。装载重量计算因变量之间的相关性和预测。如果数据集是排名那么斯皮尔曼等级相关系数,肯德尔的 等级相关系数,肯德尔的 等级相关系数,Stuart-Kendall 等级相关系数,萨默斯的δ(d), Goodman-Kruskalτ ,Goodman-Kruskalγ( ),和希尔的 相关系数是等级相关的建议措施。这些协会的措施是用来计算装运请算法的权重。修改后的装载重量的PLSR直观地显示在图2。


图2
请修改装载重量。
2.2.1。请

斯皮尔曼等级相关系数或枪兵 ( )(16)是一种非参数测量使用单调函数的等级相关。它是用来计算的权重 在哪里 表示两者的区别每个观察和排名 是观察和修改后的数量PLSR算法称为请 。

2.2.2。请

肯德尔秩相关系数或肯德尔的 等级相关系数是衡量。τ- ( )不会做任何调整关系(17]。它是用来定义请装载重量 在哪里 是整合的数量对, 是不和谐的数量对,然后呢 ,和修改后的算法命名为请 。

2.2.3。请

肯德尔τ- 使关系调整(18]。请装载重量修改使用 作为

在哪里 , , 与价值的数量吗 群关系, 与价值的数量吗 群关系,该模型称为请 。

2.2.4。请

Stuart-Kendall (tau-c)更适合应急表(19]。的 取代的重量请如下:

在哪里 行和coulmns之间的起订数量,修改后的PLSR算法叫做请 。

2.2.5。请

请装载重量基于萨默斯的三角洲( )(20.的变量 对变量 被定义为

肯德尔的τ 是对称的,而萨默斯” 是不对称的 和 ,请和模型命名 。

2.2.6款。请

Goodman-Kruskal的τ (21集成,请装货重量

和修改后的算法称为请 。

2.2.7。请

估计Goodman-Kruskalγ( )(21请的)是用来装载重量

在哪里 是整合对和的数量 是颠倒的数量对。Goodman-Kruskal伽马下降的关系,命名为请PLSR模型 。

2.2.8。请

希尔的 相关系数和不确定性系数(22)改变了请装载重量

在哪里 代表了单个分布和熵 代表条件熵,修改后的PLSR算法称为请 。

2.3。基于过滤器系数选择方法

介绍了几种变量选择方法结合PLSR。以下是在这里。

2.3.1。装船重量(LW)

装运重量 是用来衡量预测的重要性和被定义为23]。

2.3.2。回归系数(RC)

回归系数估计计算(23]

2.3.3。多元相关意义(SMC)

多元意义相关措施是用来减少无关紧要的因素的影响,提高重要的影响变量纳入模型。SMC (23计算)

3所示。结果

最初,请与修改加载模型权重排名为模拟数据集执行变量。样本大小1000与100生成预测。生成响应变量和预测50% / 3,和其余的解释变量是分布在4。

斯皮尔曼系数,肯德尔的系数 ,肯德尔的系数, ,Stuart-Kendall,萨默斯的三角洲,Goodman-Kruskalτ,Goodman-Kruskal的γ和泰尔 请算法的系数被用作装载重量适合oversimulated数据集观察变化的性能标准和提出模型基于Akaike信息准则(AIC)。

图3显示模型的效率建立了AIC和表明PLSR算法修改加载重量有更高的效率(降低意味着AIC)标准PLSR相比排名的反应。PLSR模型与 修改装船重量显示最佳性能相比其他八个模型没有将任何变量选择方法。其他所有的被提议的模型也证明标准PLSR相比更高的效率。数据4和5还演示了提出模型的精度高而标准PLSR算法集成了LW和SMC变量选择方法。这两个数据描述,请 和请 有最优性能相比其他模型。执行的标准和修改模型也在ANC的真实数据集的比较准确。ANC访问数据集的43个预测样本超过943个样本(母亲)。斯皮尔曼等级相关系数用于检查数据的多重共线性。协变量相关图映射测量16之间的紧密联系而中间相关性在其他几个预测观察到,如图6。存在的多重共线性推荐的适用性PLSR排名数据处理多重共线性。


图3
的AIC性能PLSR模型基于秩相关系数的oversimulated数据不考虑任何变量选择方法。

图4
的AIC性能PLSR模型基于秩相关系数的oversimulated数据结合LW变量选择方法。

图5
的AIC性能PLSR模型基于秩相关系数的oversimulated数据集成与SMC变量选择方法。

图6
斯皮尔曼等级相关矩阵提出了相关图。颜色强度和圆的大小与协变量之间相关性的强度成正比。

非国大的频率分为三个等级不足,中间,足够了。的比例70:30用于随机将数据分为训练集和测试集,分别。最初,PLSR结合等级相关系数作为执行装载重量。斯皮尔曼系数,肯德尔'scoefficient - ,肯德尔的系数, ,Stuart-Kendall,萨默斯的三角洲,Goodman-Kruskalτ,Goodman-Kruskal的γ和泰尔 系数是用来修改装载重量。然后,三种基于过滤器系数选择方法执行的每个九PLSR模型。分析交叉验证线性判别分析是测量在所有27个模型的预测成绩。最后,蒙特卡罗模拟方法是使用10次迭代优化的重复抽样验证性能。标准PLSR相比PLSR集成与斯皮尔曼的系数(请 ),PLSR结合肯德尔的系数 (请 ),PLSR结合肯德尔的系数 (请 ),PLSR结合Stuart-Kendall(请 ),PLSR集成与萨默斯的三角洲(请 ),PLSR集成与Goodman-Kruskalτ(请 ),PLSR与Goodman-Kruskalγ(请集成 ),与希尔的PLSR集成 系数(请 )。

图7显示的比较验证的性能标准PLSR和八个提出PLSR模型结合相关系数没有考虑任何变量选择方法。这些结果描述,请 和请 最佳性能标准PLSR相比,其他提议PLSR模型ANC观测数据的访问。的请 和请 比标准PLSR也相对更高的精度。在图8装船重量因子选择方法与每个PLSR模型合并。包含的变量选择方法提高了整体性能标准和修改PLSR模型。结果表明,请 和请 更有效的优化精度标准和修改请模型相比。请的性能类似的模式 和请 观察到PLSR相比标准。其他四个提议PLSR模型结合等级相关系数显示精度标准PLSR相比略低。


图7
验证的准确性PLSR模型基于包括斯皮尔曼等级相关系数的相关系数(ρ),肯德尔系数- (τ- ),肯德尔系数, (τ- ),Stuart-Kendall(τ- ),萨默斯的三角洲(三角洲),Goodman-Kruskalτ(GKTau) Goodman-Kruskal的γ(GKGamma)和希尔 系数(UCoef)模型。

图8
验证的准确性PLSR模型基于秩相关系数结合LW因子选择方法。

图9建立了基于RC PLSR模型的性能比较因子选择方法。结果表明,与PLSR相比,提出的六个方法包括请 ,请 ,请 ,请 ,请 ,和请 特色会计RC后增量性能选择方法。请提出两个方法 和请 证明PLSR大约相同的效率标准。标准和修改与SMC PLSR模型嵌入因子选择方法比较图10验证的准确性。两个提议PLSR模型包括请 和请 证明比标准PLSR精度高。其他四个模型包括请修改 ,请 ,请 ,和请 PLSR类似的测量精度。


图9
验证的准确性PLSR模型基于秩相关系数与RC因子选择方法集成。

图10
验证的准确性PLSR模型基于秩相关系数与SMC因子选择方法集成。

比较基于验证的准确性,请支持 被发现是最合适的方法来建模ANC的观察排名数据集。图7代表请的最优性能 相比其他模型没有考虑任何变量选择方法。结合RC因子选择方法,请提出 表现出更高的效率比标准请可视化图9。此外,请 建立了优化的准确性最高近78%在所有其他方法在10结合SMC因子选择方法。在此基础上的证据,请 特色与SMC方法终于选择了非国大的影响因素的选择。非国大的提取影响因素,请 加上SMC执行和29展示在表变量的估计1用回归估计。

表1
回归系数估计的影响因素,请 再加上SMC。

4所示。讨论

检查与非洲相关的重要预测因子,样本数据来自pdh使用(2017 - 2018)。多重共线性的发生指出,请做一个受欢迎的应用代替标准的回归模型。数据被随机分为测试和训练集。介绍了八个请算法建立在等级相关系数解决特别是排名反应并与标准请模型证明了提高建模的效率。提出的模型包括枪兵的系数(PLS ),PLSR结合肯德尔的系数 (请 ),PLSR结合肯德尔的系数 (请 ),PLSR结合Stuart-Kendall(请 ),PLSR集成与萨默斯的三角洲(请 ),PLSR集成与Goodman-Kruskalτ(请 ),PLSR与Goodman-Kruskalγ(请集成 ),与希尔的PLSR集成 系数(请 )。

此外,三个变量选择方法与标准的集成和修改请算法估计精度检查修改后的性能和标准的变化请模型使用和不变量选择方法。变量选择方法,即加载重量、多元回归系数,意义相关被认为是在这里。验证性能计算10迭代检查9请模型集成的效率与变量选择方法。

比较基于验证性能,请支持 被发现是最合适的方法来建模ANC的观察排名数据集。图7代表请的最优性能 相比其他模型没有考虑任何变量选择方法。结合RC因子选择方法,请提出 表现出更高的效率比标准请可视化图9。此外,请 建立了优化的准确性最高近78%在所有其他方法在10结合SMC因子选择方法。在此基础上的证据,请 特色与SMC方法终于选择了非国大的影响因素的选择。

关于验证准确性非常重要和有趣的事实是观察到的比较效率排名数据。首先,请 和请 标准PLSR相比具有最优性能和其他提出的模型选择方法不考虑任何因素。观察到的数据集,请 和请 结合LW变量选择方法发现更有效的优化精度标准和修改请模型相比。结合钢筋混凝土的变量选择的方法,请 ,请 ,请 ,请 ,请 ,和请 以增量性能比标准请。请 和请 发现展览大约类似PLSR效率标准。的请 和请 嵌入式与SMC因子选择方法证明最佳精度相比,标准请。考虑所有验证比较,它注意到修改后的模型集成与等级相关系数表现出更高的效率排名数据集的ANC相比标准请算法。的请 加上SMC建议非国大排名数据建模和29个影响因素是观察到歧视非洲国民大会。拟议的排名算法的响应将促进研究人员更有效地解决回归模型甚至存在多重共线性在不同领域的研究。自等级响应是专门解决很少,本研究的发现提供了新的,这个排名人口潜在的有用的信息。在未来,这些算法可能结合其他变量选择方法观察效率。另外,拟议的研究可以扩展neutrosophic统计(9]。本研究的主要局限是小数量的预测每一个可能的因素是不能用于目标人群,也不包括交互作用。

5。结论

提出请与等级相关系数算法集成被观察到的效率和更好的选择对模型变量的选择排名模拟和实际数据集。这表明这些等级控制请算法为模型提供优越的潜力。的请 再加上SMC使用优化模型确定了非国大的重要预测因子的观测数据。修改后的请模型更有效地解决共线排名数据的能力。关于这项研究的临床重要性,非国大的影响力所选变量将帮助最大化正常怀孕的机会通过提供优先干预,增加覆盖面,提高医疗质量。

数据可用性

数据存在于https://dhsprogram.com/data/。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢国土安全部(人口和健康调查)免费让他们的数据。