XiaoMi-AI文件搜索系统
World File Search System混合效应
nlme：线性和非线性混合效应模型
ACF....................................................................................................................................................................................................................................8 ACF.gls....................................................................................................................................................................................................................................9 ACF.lme....................................................................................................................................................................................................................9 ACF.lme.................................................................................................................................................................................................................... . . . . . . . . . . . . . . . . . . . 10 苜蓿 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 allCoef . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................................................................................................................................................................................................................................................................................................................................................................................................. 13 anova.lme .................................................................................................................................................................................................................................................................................................................................................................................................................................................. 15 as.matrix.corStruct .................................................................................................................................................................................................................................................................................................................................................................................................................................................. 15 as.matrix.corStruct .................................................................................................................................................................................................................................................................................................................................................................................................................................. . 18 as.matrix.pdMat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 测定. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 表. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 平衡分组. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 bdf. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ................. ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..................................................................................................................................................................................................................................................32 coef.lmList.......................................................................................................................................................................................................................................................................................33 coef.modelStruct.......................................................................................................................................................................................................................................................................................................................35 coef.pdMat....................................................................................................................................................... ..................................................................................................................................................................................................................................................................................................................................................................................................................36 coef.reStruct ..................................................................................................................................................................................................................................................................................................................................................................................................................................37 coef.varFunc .................................................................................................................................................................................................................................................................................................................................................................................................................................................................................. . ... ....................................................................................................................42 比较预测........................................................................................................................................................................................................................................................................................... . . 43 corAR1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . ... ................. ... . . . . . . 58 corMatrix.corStruct . . . . . . . . . . . . . . . . 59 corMatrix.pdMat . . . . . . . . . . . . . . . . . . . . . 61 corMatrix.reStruct . . . . . . . . . . . . . . . . . ...
FEMA：大型样品全脑成像数据的快速有效的混合效应算法
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。它是制作
FEMA：针对大样本全脑成像数据的快速高效混合效应算法
图 1 分箱对固定效应参数估计的均方误差 (MSE) 的影响。我们模拟了 2000 个具有 5 个固定效应（10,000 个观测值）的成像变量。然后，使用 20 个不同的箱值，我们使用 FEMA 估计参数并计算参数估计的平均（超过 50 次重复）平方误差。面板 (a) 中的黑色虚线表示五个固定效应中的每一个的总 MSE（跨 2000 个成像变量），而橙色实线表示五个固定效应的总 MSE 的平均值。我们观察到最小总 MSE 在箱值为 100（由绿线表示）时，而箱值为 20（由紫线表示）显示出可比的 MSE；面板 (b) 显示每个箱值所需的计算时间（跨 50 次重复取平均值）；箱值为 20（紫线）的计算时间是箱值为 100（绿线）所需计算时间的一小部分。请注意，两个面板的 x 轴都是非线性的。
基于贝叶斯混合效应模型的多响应鲁棒参数设计
在可盖实验的鲁棒参数设计中，每个块内响应观测值的相关性和模型参数不确定性通常会影响获得理想的工作条件。在本文中，建议基于贝叶斯混合回归的多响应表面建模和优化方法来解决上述问题。首先，混合效应模型被合并到贝叶斯框架中，并使用贝叶斯定理得出模型参数的后验分布。其次，使用混合蒙特卡洛算法来计算模型参数。第三，构建满足规范的预期质量损失函数是为了减少异常值对优化结果的影响，并且通过混合遗传算法获得了最佳因素设置。此外，后验概率用于评估优化结果的符合性。最后，使用添加剂制造过程的模拟研究和现实世界示例来说明该方法的生存能力。与当前技术相比，所提出的方法可以减少模型不确定性对建模和优化结果的影响，从而导致更合适和强大的优化结果。
FEMA：针对大样本全脑成像数据的快速高效混合效应算法
。CC-BY-NC-ND 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 8 月 28 日发布。；https://doi.org/10.1101/2021.10.27.466202 doi：bioRxiv 预印本
尼日利亚24-59个月儿童的粮食不安全和幼儿发展：健康不平等社会决定因素的多层次混合效应
持续的病理心肌肥大会导致心力衰竭（HF）；一个重大的健康问题影响了全球大部分人口。在HF中，肽素II（UII）的循环水平有明显的升高，但目前尚不清楚这是否是肥大的结果，还是高水平的高水平有助于肥大的发展。这项研究的目的是研究UII及其受体UT在心脏肥大发展中的作用和所涉及的信号分子。室心肌细胞用200nm UII处理48小时，并通过长度/宽度（L/W）比的测量来定量肥大。UII导致L/W比的变化从4.53±0.10到3.99±0.06； （p <0.0001）48小时后。响应由UT-Antagonist SB657510（1μm）逆转。UT受体激活导致通过Western印迹测量的ERK1/2，P38和CAMKII信号传导途径的激活；这些参与肥大的诱导。JNK不参与。此外，ERK1/2，P38和CAMKII抑制剂完全阻断了UII诱导的肥大。肌质网（SR）Ca 2+渗出症在分离的心肌细胞中研究。SR Ca 2+渗出没有显着增加。我们的结果表明，MAPK和CAMKII信号通路的激活与对UII的肥厚反应有关。总的来说，我们的数据表明，增加的循环UII可能有助于左心室肥大的发展和对UII/UT受体系统的药物抑制作用，可能证明有益于减少心脏病中的不良重塑和减轻收缩功能障碍。
埃塞俄比亚南部妇女产科危险信号知识的个人和社区层面决定因素：多层次混合效应负二项分析
将每 10 万活产婴儿的孕产妇死亡率降低到 70 人以下是 2030 年可持续发展目标 (SDG 3) 的目标之一 [1]。为了实现这一数字，妇女应该清楚了解导致孕产妇死亡率高的直接和间接 ODS，并尽早寻求医疗保健提供者的治疗，特别是在包括埃塞俄比亚在内的发展中国家[2-4]。这些 ODS 大致可分为三类。手和脸肿胀、阴道出血、严重头痛、视力模糊、先兆子痫和子痫是妊娠期间最常见的症状。严重阴道出血、分娩时间超过 12 小时、高血压疾病和胎盘滞留是分娩期间的主要 ODS。发烧、恶臭的阴道分泌物和急性阴道出血是产后的主要 ODS [5]。此外，根据孕产妇死亡占比，还可分为直接和间接 ODS。直接 ODS 包括感染、出血、难产、不安全流产和妊娠期高血压疾病，占全球孕产妇死亡的近 80%，而间接 ODS 则包括贫血、肝炎、糖尿病、疟疾和因妊娠而加重的心血管疾病 [6,7]。世界卫生组织 (WHO) 2022 年报告指出，出血是全球孕产妇死亡的主要原因，约占所有死亡的 28%，其中直接产科并发症是孕产妇死亡的主要原因 [6,7]。此外，研究表明，非洲孕产妇死亡的两个主要原因是子痫和出血 [8,9]。但是，如果妇女意识到这些 ODS，并得到适当的识别、治疗和管理，许多并发症是可以避免的 [7]。但大多数女性，特别是欠发达国家的女性，对 ODS 了解不多[6,10-12]。三个关键延迟模型描述了许多低收入国家孕产妇在怀孕、分娩和产后阶段死亡的主要原因。这些包括延迟识别危及生命的 ODS 并做出就医决定、延迟去医院以及延迟在医院获得及时、充分和有效的护理[13-16]。由于对 ODS 缺乏了解，妇女延迟获得产科医疗服务，导致发展中国家孕产妇患病率和死亡率高[17,18]。
通过混合效应模型和分层聚类学习具有异质性农艺数据集的学习贝叶斯网络
玉米是一种在广阔地区，尤其是撒哈拉以南非洲，亚洲和拉丁美洲的全球种植的关键农作物，截至2021年，占地1.7亿公顷。已经设计了各种统计和机器学习模型，包括混合效应模型，随机系数模型，随机森林和深度学习体系结构，以预测玉米的产量。这些模型考虑了诸如基因型，环境，基因型 - 环境相互作用和现场管理等因素。但是，现有模型通常没有完全利用这些因素之间的因果关系的复杂网络以及农艺数据固有的层次结构。这项研究引入了一种创新的方法，将随机效应整合到贝叶斯网络（BNS）中，利用其通过定向无环形图对因果关系和概率关系进行建模的能力。植根于线性混合效应模型框架并为分层数据量身定制，这种新颖的方法表明了增强的BN学习。应用于现实世界的农艺试验，可产生一个改善解释性的模型，并揭示了新的因果关系。值得注意的是，提出的方法将玉米收益率预测的错误率从28％降低到17％。这些结果倡导BN在为层次农艺数据构建实际决策支持工具中的偏好，从而促进因果推断。
使用纵向变分自动编码器对图像数据进行进展模型
摘要。疾病进展模型对于理解退行性疾病至关重要。混合效应模型一直用于模拟临床评估或从医学图像中提取的生物标志物，允许在任何时间点进行缺失数据的填补和预测。然而，这种进展模型很少用于整个医学图像。在这项工作中，变分自动编码器与时间线性混合效应模型相结合，以学习数据的潜在表示，使得各个轨迹随时间遵循直线，并以一些可解释的参数为特征。设计了一个蒙特卡罗估计器来迭代优化网络和统计模型。我们将此方法应用于合成数据集，以说明时间依赖性变化与受试者间变异性之间的分离，以及该方法的预测能力。然后，我们将其应用于来自阿尔茨海默病神经影像计划 (ADNI) 的 3D MRI 和 FDG-PET 数据，以恢复大脑结构和代谢改变的详细模式。
在产前酒精暴露儿童的筋膜和预读语言发展
方法：总共有51名确认PAE的儿童（25名男性； 5.6±1.1岁）和116个未暴露的对照（57名男性； 4.6±1.2岁）进行了纵向扩散张量成像（DTI），总共来自PAE和381个对照组的参与者，共111次扫描。我们描绘了左右AF，并提取了平均分数各向异性（FA）和平均扩散率（MD）。使用年龄标准化的语音处理（PP）和NEPSY-II的加快命名（SN）评分评估了预阅读语言能力。线性混合效应模型以确定扩散指标与年龄，群体，性别和年龄相互作用之间的关系，并将受试者作为随机因素建模。二级混合效应模型分析评估了使用51个年龄和性别匹配的未暴露对照对白质微观结构和PAE对预读语言能力的影响。