Stomach Health > Estomac Santé >  > Stomach Knowledges > Recherches

Un modèle de série chronologique de l'apparition de dilatation gastrique-volvulus dans une population de dogs

Un modèle de série chronologique de l'apparition de dilatation gastrique-volvulus dans une population de Résumé
Contexte chiens
gastrique dilatation-volvulus ( GDV) est une condition de la vie en danger des mammifères, avec un risque accru chez les chiens de race. L'étude de ses facteurs étiologiques est difficile en raison de la variété des conditions de vie possibles. L'association entre les événements météorologiques et la survenue de GDV a été postulé mais reste incertaine. Cette étude présente l'approche binaire des séries chronologiques à l'enquête sur les éventuels facteurs de risque météorologiques pour GDV. Les données recueillies dans une population à haut risque chiens de travail au Texas a été utilisé Résultats
Minimum. Et la pression atmosphérique quotidienne maximale sur le jour de l'événement GDV et la pression atmosphérique quotidienne maximale le jour avant l'événement GDV étaient associée positivement à la probabilité de GDV. Toutes les cotes /facteurs multiplicatifs d'un jour étant le jour GDV ont été interprétés conditionnellement sur les dernières occurrences GDV. Il y avait une différence minime entre les modèles linéaires généraux binaires et de Poisson.
Conclusion
Séries modélisation a fourni une nouvelle méthode pour évaluer l'association entre les variables météorologiques et GDV dans une large population de chiens. Application appropriée de cette méthode a été renforcée par un environnement commun pour les chiens et la disponibilité des données météorologiques. L'interaction potentielle entre les changements climatiques et les facteurs de risque du patient pour GDV mérite une enquête plus approfondie.
Contexte
gastrique dilatation-volvulus (GDV) est une condition dans laquelle l'estomac se dilate et se tourne sur elle-même, conduisant progressivement à l'hypotension, choc, et la mort. Les grands chiens de race sont fréquemment touchés, même si elle peut affecter de nombreuses espèces animales, y compris les humains [1].
Les mécanismes physiques impliqués dans cette condition et son traitement sont bien compris, mais les causes ne sont pas [2]. Les causes de la GDV peuvent être considérés comme prédisposant (qui augmente la probabilité d'une maladie) ou la précipitation (déclenchement de l'apparition de la maladie). Plusieurs facteurs de risque prédisposants chez les chiens ont été proposées, y compris le tempérament du chien (excitabilité), grande race ou géant, augmentation de la profondeur thoracique rapport largeur, et la consommation alimentaire rapide [2-4]. Cependant, de nombreuses questions liées à l'apparition réelle de cette maladie mortelle demeurent inexpliquées par ces facteurs de risque.
L'étude de précipiter les causes de GDV est importante et non la zone très bien documenté. Dans de nombreux cas de GDV, l'estomac est distendu avec le gaz; parmi les sources possibles de ce gaz, aérophagie, fermentation-putréfaction, la genèse de gaz chimique et de diffusion de gaz ont été proposées. Ceci, couplé avec la variation saisonnière observée dans les cas de GDV, a donné lieu à des soupçons sur l'association possible entre GDV et les conditions météorologiques peu avant son apparition [5, 6]. Méthodes appliquées par Herbold et al dans [5], à savoir l'analyse des composantes principales, pour sélectionner les facteurs climatologiques éventuellement importants peuvent avoir occulté l'impact d'une variable liée aux intempéries unique. D'autres études ont utilisé la régression logistique pour étudier la probabilité d'un jour par jour GDV, compte tenu de certaines conditions de pression ou de température atmosphérique [6, 7]. Ces approches sont basées sur une prémisse que les événements GDV sont mutuellement indépendants et il n'y a pas de forte corrélation entre les événements au fil du temps, comme cela se produirait si la maladie était contagieuse. Cependant, comme une question de fait, la plupart des covariables météorologiques qui peuvent influer sur GDV occurrence, sont autocorrélés au fil du temps et doivent être considérés comme des séries chronologiques. Si certains d'entre eux ne sont pas inclus dans un modèle potentiel, mais ils influencer l'apparition GDV, les incidences GDV enregistrées au fil du temps peuvent être corrélées.
Ainsi, la visualisation des données GDV d'occurrence que les séries chronologiques peut être souhaitable dans la pratique. Bien que la modélisation classique de séries temporelles a une applicabilité limitée dans l'étude des maladies rares, il a récemment été utilisé pour démontrer une composante saisonnière à une autre maladie gastro-intestinale, à savoir, des coliques chez les chevaux [8]. Les données d'occurrence GDV est clairement entier évalué (la valeur de la réponse est le nombre de cas GDV par jour), les méthodes de séries temporelles plus traditionnelles, telles que celles utilisées dans le classique Autoregressive Integrated Moving Average (ARIMA) Cadre [9] Ne peut pas être utilisé. Une des références antérieures [8] suggère que "... Une possibilité réside dans l'utilisation d'une distribution de Poisson pour modéliser les données de comptage dans un cadre globalement analogue à celle de la modélisation linéaire généralisé ..."; cette suggestion équivaut en fait à l'aide de l'approche basée sur le modèle linéaire généralisé (GLM) cadre qui est utilisé dans ce manuscrit.
L'objectif de cette étude était d'utiliser une approche de séries chronologiques pour étudier l'association entre les variables météorologiques et GDV occurrence chez les chiens. Pour réduire la variabilité des facteurs de risque prédisposants et les variables confondantes comme l'alimentation et le logement environnement [2], l'ensemble de données de chiens de grande race logés au chien de travail militaire (MWD) Centre de formation à Lackland Air Force Base (LAFB) a été utilisé. Dans cet environnement commun, les chiens sont nourris avec un régime standard, logés dans les courses en plein air, et sont sous observation 24 heures par jour. Résultats Cette base de données a été utilisé auparavant dans une approche de régression logistique pour enquêter sur les variables météorologiques et GDV [7], et une comparaison des approches méthodologiques peut donc être faite.
Plusieurs modèles qui ont eu quelques-unes des valeurs les plus basses AIC (Akaike information Criterion) sont présentés dans le tableau 1. Pour chacun d'eux, la partie systématique est donnée, ainsi que le type du modèle (GLM binaire ou Poisson GLM) et les valeurs de l'AIC. Seuls les modèles qui avaient log-vraisemblance rapport p-valeurs de toutes les variables ci-dessous 0,10 avaient été inclus. Depuis le recensement de chien varie de jour en jour, le montant de l'exposition actuelle est variable. Cela peut rendre strictement Poisson /hypothèse binaire sur les données irréalistes. Dans le cas de Poisson, cela signifie que l'écart peut ne pas être exactement égale à la moyenne. Dans le cas binaire, la variance peut ne pas être exactement égale à la variance de la distribution de Bernoulli pour un ensemble donné de valeurs de covariables. Ainsi, il semble raisonnable de vérifier possible surdispersion dans les données. Une approche simple quasi-vraisemblance a été utilisé pour rechercher des preuves de surdispersion [10]. Le coefficient estimé est toujours proche de 1 et donc il ne semble pas y avoir aucune preuve sérieuse de surdispersion dans ce setting.Table 1 Les modèles définitifs
Modèle
partie systématique
type de modèle
AIC
surdispersion facteur
1
β
0 + β
1Y
t
-2 + β
2pmin
t
Binary GLM
411,02
1.02 2
β
0 + β
1Y
t
-2 + β
2pmin
t
Poisson GLM
407,92
0,98 3
β
0 + β
1Y
t
-2 + β
2pmax
t
-1
binaire GLM
406.47 1
4
β
0 + β
1Y
t
-2 + β
2pmax
t
-1
Poisson GLM
403.42
0,95
5
β
0 + β
1Y
t
-2 + β
2pmax
t
Binary GLM
410,46
1,02
6
β
0 + β
1Y
t
-2 + β
2pmax
t
Poisson GLM
407,40
0,97
examen des parcelles d'autocorrélation résiduelles a indiqué que les résidus de travail autocorrélation parcelles étaient presque identiques, et chacun d'entre eux n'a montré aucun autocorrélation restant substantiel. Sur cette base, ces trois modèles semblent fournir un ajustement adéquat pour la GDV données d'occurrence Y

. T
Les coefficients de ces modèles ont été interprétés soit comme log odds (OR) en GLM binaire modèles ou facteurs multiplicatifs (MF) dans les modèles de Poisson GLM. Le tableau 2 présente les valeurs des rapports de cotes et les facteurs multiplicatifs pour la réponse retardée Y
t
-2 et la covariable externe pour tous les modèles de la Table 1. Il contient également log-vraisemblance des valeurs p pour tous les rapports de cotes. Dans les noms des colonnes du tableau 2, ou se tenir debout pour le rapport de cotes et le MF pour le facteur multiplicatif; l ' «autre covariable OU" est soit la pression atmosphérique minimale quotidienne sur GDV jour pmin
t
, la pression atmosphérique quotidienne maximale le jour GDV pmax
t
ou le maximum la pression atmosphérique quotidienne le jour avant le jour GDV pmax
t
-1. LL représente le log-vraisemblance. Étant donné que la probabilité de l'événement GDV un jour donné est petit et les valeurs du recensement de chien sont dans les centaines, le modèle peut être en forme que ce soit GLM binaire ou Poisson GLM. Les deux approches sont utilisées à des fins de comparaison. Il y avait très peu de différence entre le GLM binaire et Poisson GLM dans le cas pour tous les ensembles de covariables Selection 2 Modèle considered.Table
Modèle

OU de Y
t
-2
LL p-valeur
Autre Covariable OU /MF
LL p-value

1
3.1606
0.0595
1.0455
0.0891
2
3.0862
0.0640
1.0464
0.0833
3
2.9492
0.0741
1.0663
0.0064
4
2.8711
0.0807
1.0664
0.0062
5
3.0198
0.0693
1.0456
0.0633
6
2.9498
0.0741
1.0460
0.0606
Among le dernier groupe de modèles présentés là étaient aucun qui considère covariables externes au décalage de plus de 1 jour. Ces modèles ont cependant été considérés lors de la phase de sélection du modèle,. Dans tous les cas, le rapport de vraisemblance logarithmique p-valeur de la covariable externe accuse de plus de 1 jour était nettement au-dessus de 0,10 alors que le coefficient du décalage de 2 jours de la réponse Y
t
-2 avaient la p-valeur du rapport de vraisemblance logarithmique constamment inférieur à 0,10. Ainsi, le choix de covariables est pas biaisé en faveur des retards de réponse Y
t
au détriment de la covariable externe décalages.
Basé sur ces modèles, il semble que les facteurs qui influencer le taux de GDV plus sensiblement sont donc la pression atmosphérique minimum quotidien le jour de l'événement GDV, la pression atmosphérique quotidienne maximale sur le jour de l'événement GDV et la pression atmosphérique quotidienne maximale le jour avant l'événement GDV. Les rapports de cotes /facteurs multiplicatifs de la covariable externe dans tous les modèles sont légèrement supérieure à 1 qui indique une association positive entre ces facteurs et la probabilité de l'événement GDV un jour donné. Par exemple, la pression atmosphérique minimum quotidien le jour de l'événement GDV a un rapport de cotes de 1,0455 pour le modèle GLM binaire. Cela suggère que pour chaque augmentation de la pression atmosphérique journalière minimale de 1 unité, les chances de l'affaire GDV se produisant sur cette augmentation de jour par le facteur de 1,0455. Pour le modèle de Poisson respectif, le facteur d'impact multiplicatif est 1,0464 qui signifie que pour chaque augmentation de la pression atmosphérique journalière minimale de 1 unité la probabilité de la journée étant une journée GDV est multiplié par le facteur 1,0464. Notez que tous les résultats pour la covariable externe doit être interprété conditionnellement à ce qui est arrivé deux jours avant la date d'observation. Ainsi, il est plus exact de dire que les chances de GDV survenue sur toute augmentation de jour donné par le facteur de 1,0617 pour chaque unité d'augmentation de la pression atmosphérique minimale quotidienne étant donné que nous savons qu'il y a ou non un cas de GDV deux jours
plus tôt. La déclaration ci-dessus ne peut être faite sans savoir ce qui est arrivé deux jours avant la date d'observation. Ceci est la différence importante entre notre approche et celle de la modélisation régulière GLM, si GLM binaire (de régression logistique) ou d'un modèle de Poisson. Es Discussion et conclusion
Premièrement, chacun des modèles sélectionnés ont fourni des informations importantes sur le possible facteur étiologique de GDV et joue donc un rôle utile. Il est nécessaire de faire un choix entre eux si le seul but est de se pencher sur les covariables explicatives possibles pour GDV événement. Cependant, cela devient nécessaire si la prévision des futures incidences GDV est l'objectif principal. Nous n'étudions cette question dans le présent document.
Deuxièmement, les variables identifiées comme facteurs influençant de manière significative le taux de GDV événement étaient la pression minimale quotidienne le jour de GDV, la pression quotidienne maximale le jour de GDV et la pression quotidienne maximale le jour avant l'événement GDV. pression quotidienne minimum le jour de GDV a également été identifié comme étant des facteurs importants et statistiquement significatifs dans [7]. On sait qu'il existe une association entre les changements de pression barométrique et le début du travail chez les humains et les PEID (syndrome de mort subite du nourrisson) [11, 12]. On connaît moins bien l'association entre la pression atmosphérique et les maladies canines. L'étude suggère que la pression atmosphérique et des changements dans ce peuvent être des facteurs les plus importants expliquant l'apparition de GDV chez les chiens.
La valeur d'une réponse de retard de 2 jours dans la modélisation pour GDV était quelque peu inattendue. Cette période de 2 jours peut ne pas corréler nécessairement à une période de 48 heures entre les événements, cependant. Le début exact de la cascade d'événements menant à GDV est difficile à déterminer, et les événements physiopathologiques conduisant à des signes cliniques peut se produire à des vitesses différentes dans les différents chiens. distension gastrique a été noté pour se produire rapidement chez certains chiens, et plus lentement dans d'autres. Le rôle des covariables qui pourraient être liés à des retards dans les manifestations cliniques, ainsi que la relation possible (s) parmi les phénomènes météorologiques au cours d'une telle fenêtre de temps, restent à élucider.
L'approche utilisant le modèle logistique pour le temps binaire série semble être suffisant dans le cas où il y a au plus quelques observations quotidiennes avec plus de 1 cas GDV. Cependant, cela peut ne pas être le cas si un plus grand groupe de chiens est observée et, en conséquence, le nombre de jours avec plus d'un cas de GDV devient importante. Si cela se produit, l'approche Poisson GLM peut être utilisé exclusivement.
Un document connexe [8] utilise la modélisation variable latente sur la base de l'approche hiérarchique de Bayes pour incorporer la dépendance entre les observations. Cette approche est un peu moins souple que l'approche préconisée dans le présent document. La raison en est le fait que l'approche bayésienne hiérarchique nécessite certaines hypothèses spécifiques antérieures, telles que la normalité (ou autre distribution spécifique) des données, qui ne sont pas toujours faciles à justifier dans la pratique. En outre, leur choix du processus autorégressif d'ordre 1 pour la variable latente semble être subjective et ne repose sur aucun algorithme de sélection de modèle particulier que cette recherche offre un aperçu du mécanisme de sélection possible en fonction de critères tels que l'AIC. Enfin, il est important de noter ici que l'approche des séries chronologiques est très naturel quand il y a des séries d'observations enregistrées au fil du temps. Si cela arrive, ces observations sont presque toujours corrélées; ignorant cette corrélation peut entraîner l'inférence déformée concernant les paramètres d'intérêt. En particulier, il en résulte souvent des niveaux exagérés de signification pour les variables explicatives. Par conséquent, l'approche basée sur les séries chronologiques est, sans doute, l'outil de recherche approprié dans de nombreuses études cliniques où les observations ont été enregistrées sur une période de temps.
Méthodes
données
L'ensemble de données d'occurrence GDV se compose de tous enregistré des cas de GDV parmi les chiens de travail militaire (MWD) à la base aérienne de Lackland (LAFB) à partir de Janvier 1993 à Décembre 1998. Dans chaque cas, la race de chien affecté, son sexe, date de naissance, l'âge au début de la la maladie et le poids ont été enregistrés. Tous les chiens étaient de l'une des trois races: Berger allemand, Malinois belge ou Berger néerlandais. Le premier cas de GDV a eu lieu le 6 janvier 1993 et ​​le dernier le 25 déc 1998. Le nombre total de cas enregistrés (ie les jours auquel cas GDV a été enregistrée) est de 60. Sur 60, seulement deux jours impliqués plus d'un cas de GDV; sur les deux, il y avait 2 chiens affectés. Tous les chiens Kenneled ont été vérifiés par le personnel toutes les 3 heures par des procédures standard d'organisation. Les cas étaient des chiens qui ont démontré un gonflement abdominal, timbales de l'estomac, et des signes radiologiques de dilatation gastrique tel que déterminé par un vétérinaire. L'intervention chirurgicale a été lancé sur tous les cas, que ce soit en raison de l'état de la vie en danger ou en cas de non-urgence procédure de gastropexie prophylactique.
Le nombre de chiens en observation à LAFB n'a pas été constante, mais plutôt de changer de mois en mois. Les données mensuelles de recensement de chien était disponible octobre 1993 grâce à décembre 1997 seulement, à partir de 357 chiens en Octobre 1993 et ​​se terminant avec 281 chiens en Décembre 1997. En raison de l'indisponibilité des données du recensement de 1998, les données d'occurrence GDV pour cette année ne sont pas utilisés.
Une grande base de données des données météorologiques a été assemblé à partir du national Climatic Data Center à l'Air force base Kelly, situé juste à côté de LAFB. Il contenait des données horaires sur la direction du vent, la vitesse et des rafales; température horaire en degrés Fahrenheit, à la fois ajustée et non ajustée pour l'humidité et, enfin, la pression atmosphérique en pouces de mercure, à la fois ajusté au niveau de la mer, et non désaisonnalisées un (en millibars).
approche de modélisation
Un certain nombre de modèles possibles pour l'événement GDV dans la population canine ont été considérés. Dans tous ces cas, l'apparition de VBD sur un jour donné a été codé en utilisant 1 pour un jour VBV ou 0 pour un jour non VBD et utilisée comme variable de réponse. D'autres quantités, tels que, par exemple, la pression atmosphérique et la température de l'air, ont été utilisés comme variables prédictives. Les données de réponse binaire se prête à un certain nombre d'approches possibles, y compris GLM binaire avec la fonction de lien logistique (de régression logistique) et un GLM Poisson avec une fonction de lien log (Poisson de régression)
deux réponses et covariables ont été enregistrées au cours du temps. ce qui rend raisonnable de voir à la fois la réponse et les covariables que les séries chronologiques. Par conséquent, au lieu du modèle linéaire généralisé habituel qui assume les données sont iid, nous avons utilisé la forme modifiée de celui-ci où à la fois la réponse et les covariables sont autocorrélés au fil du temps.
En outre, une approche des séries chronologiques est utile dans ce contexte car il est fort probable qu'un certain nombre de (et éventuellement d'autres) covariables ne sont pas comptabilisés liés aux conditions météorologiques; un grand nombre de facteurs étiologiques possibles rend assez difficile d'inclure tous dans un seul modèle. Outre la température de l'air et la pression atmosphérique qui ont été examinés plus tôt, l'humidité de l'air (absolue ou relative) peut être l'un des facteurs étiologiques possibles. L'humidité est enregistré dans le temps et présente habituellement autocorrélation notable. En règle générale, il est considéré comme une série temporelle; si la variable de réponse est vraiment dépendante de l'humidité, l'omission provoque la variable de réponse à présenter autocorrélation temporelle. Cette ligne de pensée suggère qu'un modèle de série chronologique dans le cadre de GLM peut-être mieux à décrire GDV occurrence que le modèle GLM logistique régulière considérée dans [7]. D'autres covariables qui sont couramment cités comme les facteurs étiologiques possibles probables de GDV, tels que la pression atmosphérique, température de l'air et d'autres, sont également covariables dépendant du temps aléatoires (séries chronologiques) eux-mêmes. Ainsi, l'omission de l'un d'eux
est susceptible d'induire autocorrélation supplémentaire dans la réponse.
Sur plusieurs approches de modélisation possibles, cette recherche a utilisé celui qui est basé sur la mise valeur entière des séries temporelles dans le linéaire généralisé modèle cadre [13]. Contrairement à l'approche antérieure de la chaîne de Markov, il ne provoque pas le nombre de paramètres à estimer à croître de façon exponentielle avec la taille de l'échantillon; il est également assez large pour englober la plupart des modèles pratiquement importants. Notez que ni la propriété de Markov, ni stationnarité doivent être pris lors de l'utilisation de cette approche. Ceci est important car ces deux propriétés peuvent être difficiles à vérifier dans la pratique. Les modèles qui en résultent peuvent être estimées en utilisant la même méthode (méthode itérative des moindres carrés repondérés, autoplombées pour faire court) comme des modèles linéaires généralisés réguliers; la seule différence est que les résultats doivent être interprétés conditionnellement sur le passé.
GDV survenue le jour t
a été désigné comme de Y t
. Ainsi, de Y t
était binaire. Les covariables peuvent inclure des valeurs passées et présentes des variables explicatives, ainsi que les valeurs passées de de Y t
. Le vecteur de tous les covariables a été notée où p
est le nombre de covariables, k
le nombre de variables explicatives décalages et q
le nombre du passé accuse du Y de t
considéré; pour chaque 1 ≤ i ≤ p

et 1 ≤ j ≤ k

, représentait la valeur de i
th covariable au temps t
- j
. La probabilité d'un cas de GDV un jour donné a été défini comme p
t
qui est aussi une fonction du vecteur covariable z
t
. Il y a au moins deux façons possibles de la modélisation probabilité de GDV un jour donné. Le premier choix est d'utiliser le GLM binaire avec la fonction de lien logit - efficace, un modèle de régression logistique. La composante aléatoire du modèle est alors un vecteur de valeurs binaires de Y
t
qui sont autocorrélées au fil du temps. La composante systématique du modèle logistique résultant devient (1) où α
est l'interception, β
est le vecteur des coefficients et p
t
est la probabilité de l'événement GDV sur une journée t
donnée qui dépend de l'ensemble de covariables z t
. Pour chaque jour GDV, la probabilité de l'événement est défini comme le nombre de cas observés ce jour-là, divisé par la population totale des chiens enregistrés ce jour-là. Parce que toutes probabilités GDV étaient de petite taille dans l'étude, il est également possible de modéliser la probabilité de l'événement GDV un jour donné t
en utilisant la régression de Poisson. Cela implique que la composante aléatoire du modèle est un vecteur de Y
t
qui sont considérées maintenant comme Poisson compte. La composante systématique du modèle concerne le nombre moyen de cas le jour t μ
t
aux covariables en utilisant le lien du journal en tant que (2) où, encore une fois, α
est l'interception, β
est le vecteur des coefficients et μ
t
dépend de l'ensemble de covariables z t
comme avant.
dans une première étape dans la procédure de sélection du modèle les caractéristiques quotidiennes, comme max, min et moyenne, de la température et de la pression de l'air atmosphérique ont été considérés comme covariables possibles. La température n'a pas été ajusté pour l'humidité. Les valeurs retardées de pression et /ou la température atmosphérique peuvent être considérés comme possibles facteurs étiologiques GDV et variables explicatives ainsi supplémentaires ainsi. Les tests de rapport de vraisemblance ont été utilisés pour vérifier la signification statistique des variables du modèle. Les variables explicatives qui devaient être utilisés comme une partie de z t
ont été choisis. Notons la pression atmosphérique minimum quotidien un jour donné pmin
t
, la pression atmosphérique quotidienne maximale pmax
t
, la température atmosphérique journalière maximale tmax
t
, atmosphérique et la température minimale quotidienne tmin
t
. Les valeurs passées (un jour avant) de ce qui précède étaient pmin
t
-1, pmax
t
-1, tmax
t
-1 et tmint
t
-1. L'horaire de montée /baisse maximale de la pression atmosphérique sur le jour de l'événement GDV a été notée rp
t
et dp
t
, respectivement tandis que l'horaire de montée /chute maximale de la température sur le jour de l'événement GDV a été notée rt
t
et dt
t
. La race des chiens n'a pas été considéré comme la population de chien était assez homogène composé de trois grandes races couramment utilisés comme MWD. Tous les jours non-événement ont été pris en compte dans cette analyse ainsi.
Les modèles ont été construits en utilisant le processus de sélection par étapes avant. Les covariables ont été ajoutés successivement et le rapport de vraisemblance pour chaque nouvelle covariable est calculée. Pour éviter l'arrêt prématuré, même si la covariable n'a pas ajouté beaucoup à la capacité descriptive du modèle, tel que mesuré par son log-vraisemblance statistique du rapport, le processus continue jusqu'à ce que toutes les covariables décrites précédemment avaient été jugés. Le nombre de retards de de Y t
inclus dans les modèles considérés dans cette recherche a été limitée à 3 afin de garantir parcimonie des modèles. Les résidus de chaque modèle peuvent ensuite être analysés pour des motifs d'autocorrélation et des retards supplémentaires ajoutés, le cas échéant. Les coefficients de de Y t
-1 et de Y t
-3 avaient très grand rapport de vraisemblance des valeurs p quel que covariables externes ont été inclus dans le modèle; plus précisément, leur log-vraisemblance rapport p-valeurs dépassent 0,1 partout et donc ont été exclus des modèles finaux.
Les modèles sélectionnés comme définitifs sont indiqués dans le tableau (1). Sauf la pression atmosphérique minimum le jour GDV et la pression atmosphérique maximale le jour de l'événement GDV et le jour avant l'événement GDV, toutes les autres variables externes afficher rapport p-valeurs de vraisemblance log-dessus du niveau de seuil choisi de 0,10 sont non inclus.
Tous les modèles figurant dans le tableau (1) sont en forme en utilisant l'algorithme itératif repondérées moindres carrés communément appliqué pour montage de modèles linéaires généralisés. Étant donné que nous utilisons le journal canonique fonction de lien pour les données binaires, l'itératif algorithme des moindres carrés repondérées coïncide avec l'algorithme de Newton-Raphson régulière dans ce cas.
Déclarations Remerciements
Les auteurs remercient les vétérinaires de le Département de travail service vétérinaire Défense militaire Chien, qui a gracieusement fourni l'ensemble de données et de chercher à réduire l'incidence de GDV chez tous les chiens. Nous tenons également à remercier M. Bruce Craig du Département de statistique de l'Université Purdue avec lesquels les auteurs ont eu un certain nombre de discussions utiles et de l'aide duquel les deux ont bénéficié. Les fichiers originaux soumis de
auteurs pour images
Voici les liens vers l'origine des auteurs ont soumis des fichiers pour les images. de fichier d'origine pour la figure 1 12917_2008_146_MOESM2_ESM.eps Auteurs 12917_2008_146_MOESM1_ESM.eps Auteurs fichier original pour le fichier d'origine de la figure 2 12917_2008_146_MOESM3_ESM.eps Auteurs pour la figure 3

Other Languages