طرح های بهینه برای مطالعات طولی با گروههای آزمایشی مختلف

انواع گمشدگی در مطالعات طولی و روش ‌های مبنی بر درستنمایی برای تحلیل آن ‌ها

وجود مقادیر گمشده در مجموعه‌ داده ‌ها به وفور در پژوهش ‌های علوم مختلف از جمله علوم پزشکی و به ویژه در مطالعات طولی، که در آن‌ ها هر فرد در طول زمان تحت اندازه ‌گیری ‌های مکرر قرار می‌گیرد، به چشم می ‌خورد. در چند دهه اخیر فعالیت‌ های آماری وسیعی در این زمینه، در حوزه ‌های مفاهیم، مباحث، روش ‌های تئوری و نرم افزاری، انجام شده است. با وجود گسترش استفاده از نتایج حاصل از این فعالیت ‌ها، در بسیاری...

بهینه‌سازی متغیرهای فرآیندها با استفاده از طرح آزمایشی مرکب مرکزی

طرح D- بهینه برای مدل رگرسیونی بتا با اثر تصادفی

 عمده تحقیقات بهینه‌سازی طرح بر روی مدل‌های خطی و خطی تعمیم‌یافته صورت گرفته است. در مطالعات کاربردی در زمینه کشاورزی و علوم اجتماعی و ... معمولا در کنار اثرات ثابت حداقل یک اثر تصادفی نیز در مدل وجود دارد. این مدل‌ها تحت عنوان مدل‌های آمیخته شهرت دارند. در این مقاله مدل رگرسیون بتا با یک عرض از مبدا تصادفی به عنوان یک مدل آمیخته، مورد توجه است و طرح D-بهینه موضعی برای دو حالت ساده و درجه دو از...

طرح های E-بهینه بلوکی برای مقایسه تیمارها با یک کنترل و مشاهدات همبسته

در این مقاله روشی را برای دستیابی به طرح بلوکی ناقص E -بهینه برای مقایسه تیمارهای آزمایش با تیمار کنترل تحت این فرض که مشاهدات درون بلوک ها همبسته اند، ارائه می دهیم. سپس الگوریتمی برای ساختن طرح بهینه بیان می شود که برای هر ساختار همبستگی با درایه های غیرقطی نامثبت قابل استفاده است.

D- کارایی طرح های D-بهینه برای مدل پواسون با عرض از مبدا تصادفی

عمده تحقیقات بهینه سازی طرح برای مدل های با اثرات آمیخته روی مدل های خطی و مدل های با پاسخ دودویی تمرکز دارد. اخیرا مدل های پواسون با اثرات تصادفی نیز توسط بعضی از محققین در نظر گرفته شده است. در این مقاله حالتی خاص از مدل های آمیخته پواسون تحت عنوان مدل پواسون با عرض از مبداء تصادفی بررسی می شود. تغییرات طرح آزمایش بر حسب واریانس اثر تصادفی را بدست آورده و نشان داده می شود که این تغییرات وابست...

جبران داده‌های گم‌شده در مطالعات طولی با استفاده از WinBUGS

 چکیده. داده‌های گم‌شده مشکلی رایج در پژوهش‌های مبتنی بر آمارگیری است. بسته‌های بسیاری وجود دارند که داده‌های گم‌شده را جبران می‌کنند اما تعداد کمی می‌توانند به‌راحتی اطلاعات طولی گم‌شده را جبران کنند. WinBUGS داده‌های گم‌شده را با استفاده از جانهی چندگانه جبران می‌کند و قادر است ساختار طولی را با استفاده از اثرات تصادفی یکپارچه کند. ما برتری جانهی طولی بر جانهی مقطعی را با استفاده از WinBUGS ن...