Stomach Health > Maag Gezondheid >  > Stomach Knowledges > onderzoeken

Een tijdreeks model van het optreden van de maag dilatatie-volvulus in een populatie van honden

Een tijdreeks model van het optreden van de maag dilatatie-volvulus in een populatie van honden
Abstracte achtergrond
Maag dilatatie-volvulus (GDV) is een levensbedreigende aandoening van zoogdieren, met een verhoogd risico in grote rassen honden. De studie van de etiologische factoren is moeilijk te wijten aan de verscheidenheid van mogelijke levensomstandigheden. De associatie tussen meteorologische gebeurtenissen en het optreden van GDV is gepostuleerd maar blijft onduidelijk. Dit onderzoek stelt het binaire tijdreeksbenadering het onderzoek van de meteorologische mogelijke risicofactoren voor GDV. De verzamelde in een populatie van hoog-risico-werkende honden in Texas gegevens werden gebruikt.
Resultaten
minimum en maximum dagelijkse atmosferische druk op de dag van GDV evenement en de maximale dagelijkse atmosferische druk op de dag voor het evenement waren GDV positief geassocieerd met de waarschijnlijkheid van GDV. Alle kansen /vermenigvuldigende factoren van een dag wordt GDV dag werden voorwaardelijk geïnterpreteerd op het afgelopen GDV gebeurtenissen. Er was weinig verschil tussen de binaire en Poisson algemene lineaire modellen.
Conclusie
tijdreeksen modellering voorzien in een nieuwe werkwijze voor het evalueren van het verband tussen variabelen en meteorologische GDV in een grote populatie van honden. Juiste toepassing van deze methode was door een gemeenschappelijke omgeving voor honden en beschikbaarheid van meteorologische gegevens. De mogelijke interactie tussen het weer verandert en risico patiënt factoren voor GDV verdient nader onderzoek. Achtergrond
Maag dilatatie-volvulus (GDV) is een aandoening waarbij de maag verwijdt en draait op zichzelf, leidt geleidelijk tot hypotensie, shock, en dood. Grote rassen vaak aangetast, maar het kan regelen vele dieren waaronder de mens [1]. Ondernemingen De fysieke mechanismen die betrokken zijn bij deze aandoening en de behandeling goed begrepen, maar de oorzaken niet [2]. Oorzaken van GDV kan worden beschouwd predisponerende (waardoor de kans op ziekte) of precipiteren (triggering het begin van de ziekte). Verschillende predisponerende risicofactoren bij honden zijn voorgesteld, met inbegrip van het temperament van de hond (prikkelbaarheid), groot of zeer grote rassen, verhoogde thoracale diepte breedte-verhouding, en snelle voedselconsumptie [2-4]. Echter, veel vragen met betrekking tot de daadwerkelijke begin van deze levensbedreigende ziekte blijven onverklaard door deze risicofactoren. Ondernemingen De studie van aanzetting oorzaken van GDV is een belangrijke en niet erg goed onderzocht omgeving. In veel gevallen van GDV, de maag is opgezwollen met gas; onder mogelijke bronnen van dit gas, aerofagie, fermentatie-verrotting, chemisch gas ontstaan ​​en gas diffusie zijn voorgesteld. Dit, in combinatie met de waargenomen seizoensvariatie in GDV gevallen, gaf aanleiding tot vermoedens over de mogelijke associatie tussen GDV en weersomstandigheden kort voor haar optreden [5, 6]. Methoden Herbold et al in [5], dat wil zeggen de belangrijkste componenten analyse toegepast, te selecteren mogelijk belangrijke klimatologische factoren kan de impact van een enkel verband met het weer variabele hebben verduisterd. Andere studies hebben logistische regressie toegepast om de waarschijnlijkheid van een dag wordt een GDV dag onderzoeken, onder bepaalde atmosferische druk of temperatuur [6, 7]. Dergelijke benaderingen zijn gebaseerd op een aanname dat GDV gebeurtenissen onafhankelijk van elkaar en er is geen sterke correlatie tussen gebeurtenissen in de tijd, zoals zou gebeuren als de infectieuze ziekte waren. Aangezien feite zijn de meeste meteorologische covariaten gedacht GDV voorkomen beïnvloeden, zijn geautocorreleerde tijd en moet worden gezien als tijdreeks. Als sommige van hen hebben niet in een potentieel model opgenomen, maar ze beïnvloeden de GDV optreden, kan GDV incidenties opgenomen na verloop van tijd worden gecorreleerd.
Dus het bekijken van de GDV gegevens over het vóórkomen als tijdreeks kan het raadzaam in de praktijk. Hoewel traditionele tijdreeksen modellering beperkte toepasbaarheid heeft in de studie van zeldzame ziekten, is onlangs gebruikt om seizoencomponent tonen een andere gastro-intestinale aandoeningen, namelijk koliek bij paarden [8]. Aangezien de GDV vóórkomen gegevens duidelijk integer waarde (de waarde van de reactie is het aantal GDV gevallen per dag), de meer traditionele tijdreeks methoden, zoals gebruikt in de klassieke Autoregressieve Integrated Moving Average (ARIMA) kader [9] kan niet worden gebruikt. Een van de eerdere referenties [8] stelt dat "... Een mogelijkheid ligt in het gebruik van een Poisson-verdeling te tellen gegevensmodel in een kader grotendeels analoog aan die van gegeneraliseerde lineaire modellen ..."; dit voorstel effectief bedraagt ​​volgens de methode gebaseerd op veralgemeende lineaire model (GLM) framework dat wordt gebruikt in dit manuscript. Ondernemingen De doelstelling van dit onderzoek was om een ​​tijdreeksen benadering van de associatie tussen meteorologische variabelen en GDV optreden onderzoeken bij honden. Om de variabiliteit van predisponerende risicofactoren en verstorende variabelen, zoals voeding en huisvesting milieu [2], de dataset van grote rassen honden ondergebracht bij de Militaire Werkende Hond (MWD) Training Center op Lackland Air Force Base (LAFB) werd gebruikt te verminderen. In deze gemeenschappelijke omgeving, zijn de honden gevoed met een standaard dieet, gehuisvest in uitloop en onder observatie 24 uur per dag. Deze dataset werd eerder gebruikt in een logistische regressie benadering van onderzoek en meteorologische variabelen GDV [7], en een vergelijking van de methodologische benaderingen kunnen derhalve ook worden gemaakt.
Resultaten
Verschillende modellen dat bepaalde laagste waarden had van AIC (Akaike informatiecriterium) getoond in Tabel 1. Voor elk van hen is het syst gegeven, alsmede het type van het model (GLM binaire of Poisson GLM) en waarden van AIC. Alleen modellen die log-likelihood ratio p-waarden van alle covariaten onder 0,10 hadden was opgenomen. Aangezien de hond telling varieert van dag tot dag, de hoeveelheid aanwezige blootstelling variabel. Dit kan strikt Poisson /binaire aanname over de gegevens niet realistisch te maken. Bij Poisson, betekent dit dat de variantie niet exact gelijk aan het gemiddelde zijn. In het binaire geval, kan de variantie niet precies gelijk aan de variantie van Bernoulli-verdeling voor een bepaalde reeks van waarden covariaat. Zo lijkt het redelijk om te controleren op mogelijke overdispersie in de gegevens. Een eenvoudige quasi-likelihood benadering werd gebruikt om te kijken naar bewijs van overdispersie [10]. De geschatte coëfficiënt is altijd in de buurt van 1 en dus is er niet lijkt geen ernstige aanwijzingen van overdispersie in deze setting.Table 1 The Final Models
Model

Systematic deel
Type van het model
AIC
overdispersie factor
1
β
0 + β
1Y
t
-2 + β
2pmin
t
Binaire 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
Binary 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
Binaire GLM
410,46
1.02
6
β
0 + β
1Y
t
-2 + β
2pmax
t
Poisson GLM
407,40
0,97
Onderzoek van de resterende autocorrelatie plots bleek dat de werkende residuen autocorrelatie plots bijna identiek waren, en elk van hen had geen substantiële resterende autocorrelatie vertonen. Op basis hiervan deze drie modellen blijken een geschikte pasvorm voor de GDV optreden gegevens Y
t
bieden. Ondernemingen De coëfficiënten van deze modellen werden geïnterpreteerd als log odds (OR) in binaire GLM modellen of vermenigvuldigende factoren (MF) in Poisson GLM modellen. Tabel 2 bevat de waarden van de odds ratio's en vermenigvuldigende factoren voor de vertraagde reactie Y
T Shirts -2 en de externe covariaat voor alle modellen uit de Tabel 1. Het bevat ook log-likelihood p-waarden voor al de odds ratio's. In de namen van de kolommen van tabel 2, of staan ​​voor de odds ratio en de MF voor de vermenigvuldigingsfactor; de "andere covariaat OR" ofwel minimale dagelijkse atmosferische druk op GDV dag pmin
T Shirts, de maximale dagelijkse atmosferische druk op de GDV dag pmax
t golfreizen of het maximum dagelijks atmosferische druk op de dag voor de GDV dag pmax
t
-1. LL staat voor de log-likelihood. Aangezien de waarschijnlijkheid van GDV event een bepaalde dag is klein en de waarden van de hond telling in de honderden, kan het model fit binair GLM of Poisson GLM zijn. Beide benaderingen zijn toegepast voor vergelijkingsdoeleinden. Er was heel weinig verschil tussen de binaire GLM en Poisson GLM in het geval voor alle sets van covariaten considered.Table 2 Model Selection
Model

OR van Y
t
-2
LL p-waarde
Andere Covariate OR /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 de laatste groep van modellen die daar getoond waren niemand die externe covariaten behandeld tijdens de vertraging van meer dan 1 dag. Dergelijke modellen werden beschouwd als tijdens het model selectiefase, echter. In al die gevallen is de log-likelihood ratio p-waarde van de externe covariaat vertragingen van meer dan 1 dag aanzienlijk hoger was dan 0,10, terwijl de coëfficiënt van de 2-daagse vertraging van de respons Y
t
-2 had de log-likelihood ratio p-waarde constant onder 0.10. Zo is de keuze van de covariaten niet bevooroordeeld in het voordeel van de vertraging van de reactie van Y
t
ten koste van de externe covariaat loopt.
Op basis van deze modellen, lijkt het erop dat de factoren die invloed op de snelheid van GDV meest merkbaar zijn dus dagelijks minimaal atmosferische druk op de dag van GDV gebeurtenis, de maximale dagelijkse atmosferische druk op de dag van GDV gebeurtenis en de maximale dagelijkse atmosferische druk op de dag voor de GDV gebeurtenis. De odds ratio /multiplicatieve factoren van de externe covariaat in alle merken iets groter dan 1 is positief verband tussen deze gegevens en de waarschijnlijkheid van het GDV gebeurtenis op een bepaalde dag aangeeft. Bijvoorbeeld dagelijks minimaal atmosferische druk op de dag van GDV gebeurtenis heeft een odds ratio van 1,0455 voor de binaire GLM model. Dit suggereert dat bij elke verhoging van de minimale dagelijkse luchtdruk 1 eenheid, de kansen van de zaak GDV die zich op die dag verhoging met een factor 1,0455. Voor de respectieve Poissonmodel de multiplicatieve effect factor is 1,0464, wat betekent dat voor elke vermeerdering van de minimale dagelijkse luchtdruk eenheid 1 de waarschijnlijkheid van de dag wordt een GDV dag wordt vermenigvuldigd met de factor 1,0464. Merk op dat alle resultaten van de externe covariabele moet worden uitgelegd voorwaardelijk gebeurde twee dagen voordat de meting dag. Aldus is het nauwkeuriger te zeggen dat de kansen van GDV voorkomen op een bepaalde dag te verhogen met de factor van 1,0617 per eenheid toename dagelijks minimaal atmosferische druk gezien dat we weten of er nu wel of geen sprake van GDV twee dagen eerder
. De bovenstaande verklaring kan niet worden gemaakt, zonder te weten wat er gebeurd is twee dagen voor de dag van de waarneming. Dit is het belangrijkste verschil tussen onze benadering en die van de reguliere GLM modelleren, of binaire GLM (logistische regressie) of een Poisson model.
Bespreking en conclusie
Eerste, elk model geselecteerde verschaft belangrijke informatie over de mogelijke etiologische factor van GDV en speelt dus een nuttige rol. Het is niet noodzakelijk om een ​​keuze te maken tussen hen als het enige doel is om te kijken naar mogelijke verklarende covariabelen GDV optreden. Echter, dit noodzakelijk is als de voorspelling van toekomstige GDV incidenten is de belangrijkste focus. We niet dit onderwerp in de huidige papieren te onderzoeken. Tweede, de variabelen geïdentificeerd als factoren die significante invloed zijn op de snelheid van de GDV optreden waren de minimale dagelijkse druk op de dag van GDV, de maximale dagelijkse druk op de dag van GDV en de maximale dagelijkse druk op de dag voor de GDV gebeurtenis. Minimumdaghuur druk op de dag van GDV werd geïdentificeerd als belangrijke en statistisch significante factoren in [7]. Het is bekend dat er verband tussen veranderingen in luchtdruk en het begin van de arbeid bij mensen en SIDS (Sudden Infant Death Syndrome) [11, 12]. Minder bekend is over het verband tussen de atmosferische druk en honden ziekten. De huidige studie suggereert dat de atmosferische druk en veranderingen daarin kunnen de belangrijkste factoren die het ontstaan ​​van GDV bij honden.
De waarde van een 2-daagse vertraging respons modellering voor GDV was enigszins onverwacht. Deze periode van 2 dagen niet per se correleren met een periode van 48 uur tussen gebeurtenissen, echter. De exacte begin van de cascade van gebeurtenissen die tot GDV is moeilijk vast te stellen en pathofysiologische gebeurtenissen die leiden tot klinische symptomen kan op verschillende snelheden verschillende honden. Distensie is opgemerkt snel optreden bij sommige honden, en langzamer in andere. De rol van covariaten die kunnen worden gekoppeld aan vertragingen in klinische manifestatie, evenals de mogelijke relatie (s) tussen meteorologische fenomenen tijdens zo'n tijdvenster, moeten nog worden opgehelderd. Ondernemingen De benadering via de logistische model binaire tijd series lijkt voldoende te zijn in het geval dat er hooguit enkele dagelijkse waarnemingen meer dan 1 GDV case. Dit kan echter niet het geval zijn indien een grotere groep honden geobserveerd en, als gevolg daarvan het aantal dagen met meerdere bij GDV wordt omvangrijk. Als dit gebeurt, kan Poisson GLM aanpak moeten uitsluitend worden gebruikt.
Een verwante papier [8] maakt gebruik van de latente variabele modellen op basis van de hiërarchische Bayes benadering van de afhankelijkheid tussen de waarnemingen op te nemen. Deze aanpak is iets minder flexibel dan de aanpak die in dit document. De reden is dat de hiërarchische Bayesiaanse benadering vereist bepaalde vooronderstellingen, zoals normaal (of andere specifieke verdeling) van de gegevens, die niet altijd gemakkelijk te rechtvaardigen praktijk. Ook de keuze van de volgorde 1 autoregressieve werkwijze voor de latente variabele lijkt subjectief en niet te zijn gebaseerd op een bepaald model selectie algoritme dat dit onderzoek biedt inzicht in de mogelijke selectie mechanisme op basis van criteria zoals AIC. Tenslotte is het belangrijk te merken dat de tijdreeksbenadering is heel natuurlijk wanneer er reeks waarnemingen tijd vastgelegd. Als het gebeurt, worden dergelijke waarnemingen bijna altijd gecorreleerd; negeren van deze correlatie kan in de vervormde gevolgtrekking inzake parameters plaats. In het bijzonder resulteert vaak in overdreven mate van betekenis voor verklarende variabelen. Daarom is de tijdreeks aanpak is, waarschijnlijk, de juiste onderzoeksinstrument in veel klinische studies waar de waarnemingen over een periode van tijd is opgeslagen.
Methoden
Data Ondernemingen De GDV gegevens over het vóórkomen set bestaat uit alle geregistreerde gevallen van GDV tussen de militaire werkhonden (MWD) aan de Lackland Air Force Base (LAFB) van januari 1993 tot en met december 1998. In elk geval, het ras van de getroffen hond, zijn geslacht, geboortedatum, leeftijd bij het begin van de de ziekte en het gewicht werd opgetekend. Alle honden waren van een van de drie rassen: de Duitse herder, de Belgische Mechelaar, of Nederlandse Shepherd. De eerste geregistreerde geval van GDV vond plaats op 6 januari 1993 en de laatste op 25 december 1998. Het totaal aantal geregistreerde gevallen (dat wil zeggen de dagen waarop GDV zaak werd geregistreerd) is 60. Van de 60, slechts twee dagen betrokken meer dan één geval van GDV; op beiden waren 2 lijders. Alle kenneled honden werden gecontroleerd door het personeel elke 3 uur per organisatorische standaardprocedures. Gevallen waren honden die abdominale zwelling, tympani van de maag en radiografisch bewijs van gastrische dilatatie zoals bepaald door een dierenarts aangetoond. Chirurgische ingreep werd ingeleid op alle gevallen, hetzij als gevolg van levensbedreigende aandoening of voor niet-hulpverleners profylactische gastropexy procedure.
Het aantal honden onder observatie op LAFB was niet constant, maar het veranderen van maand tot maand. De maandelijkse hond census data beschikbaar was oktober 1993 tot december 1997 alleen, te beginnen met 357 honden in oktober 1993 en eindigend met 281 hond in december 1997. Door de onbeschikbaarheid van de volkstelling gegevens voor 1998, GDV gegevens over het vóórkomen voor dat jaar werden niet gebruikt.
Een grote database met gegevens over het weer werd samengesteld uit de National Climatic data Center aan de Kelly Air Force Base, gelegen direct naast LAFB. Het bevatte uurgegevens van de windrichting, snelheid en windvlaag; uurlijkse temperatuur in Fahrenheit graden, zowel aangepast en aangepast voor de vochtigheid en, ten slotte, luchtdruk in inches kwik, zowel aangepast aan het zeeniveau, en onaangepast één (in millibar).
Modeling aanpak
Een aantal mogelijke modellen voor de GDV optreden bij de hond bevolking werden beschouwd. In al deze, het optreden van GDV op een bepaalde dag is gecodeerd middels een GDV 1 dag of 0 voor een niet-GDV dag als een responsvariabele. Andere grootheden, zoals bijvoorbeeld atmosferische druk en temperatuur, werden als onafhankelijke variabelen. De binaire responsgegevens leent zich voor een aantal mogelijke benaderingen zoals binaire GLM met de logistieke verbindingsfunctie (logistische regressie) en een Poisson GLM met een log schakelfunctie (Poisson regressie)
Zowel reactie en covariabelen werden geregistreerd in de tijd.; dit maakt het redelijk om zowel de respons en covariaten als tijdreeksen geven. Daarom, in plaats van de gebruikelijke algemene lineaire model veronderstelt dat de gegevens iid, we gebruik gemaakt van de gemodificeerde vorm daarvan waarbij zowel respons en covariaten zijn geautocorreleerde tijd.
Bovendien een tijdreeksbenadering nuttig is in deze setting omdat het zeer waarschijnlijk dat een aantal weer-gerelateerde (en eventueel andere) covariaten worden niet verantwoord; een groot aantal mogelijke etiologische factoren maakt het nogal moeilijk om ze allemaal te nemen in een model. Naast de luchttemperatuur en atmosferische druk die eerder werden beschouwd, luchtvochtigheid (absoluut of relatief) kan één van de mogelijke etiologische factoren. Vochtigheid wordt geregistreerd in de tijd en meestal vertoont merkbaar autocorrelatie. Gewoonlijk wordt gezien als een tijdreeks; als het antwoord variabele is echt afhankelijk van de luchtvochtigheid, het weglaten zorgt ervoor dat de respons variabele temporale autocorrelatie vertonen. Deze lijn van denken suggereert dat een tijdreeks model in de GLM kader beter te beschrijven GDV optreden dan de reguliere logistieke GLM model beschouwd kan worden [7]. Andere covariaten die vaak worden genoemd als de meest waarschijnlijke mogelijke etiologische factoren van GDV, zoals luchtdruk, luchttemperatuur en anderen, zijn ook willekeurige tijdsafhankelijke covariaten (tijdreeksen) zelf. Dus het weglaten van een van deze
waarschijnlijk extra autocorrelatie induceren in de reactie.
Van de verschillende mogelijke modelleringstechnieken dit onderzoek gebruikt degene die is gebaseerd op de uitvoering integer waarde tijdreeks in de gegeneraliseerde lineaire model kader [13]. In tegenstelling tot de eerdere Markov ketenaanpak, is het niet het aantal te schatten parameters exponentieel groeien met de steekproefomvang veroorzaken; het is ook breed genoeg om de meeste praktisch belangrijke modellen omvatten. Merk op dat geen van beide Markov eigenschap noch stationariteit moeten worden aangenomen wanneer zij een beroep deze aanpak. Dit is belangrijk aangezien beide eigenschappen moeilijk te verifiëren in de praktijk kan zijn. De resulterende modellen kunnen worden geschat volgens dezelfde methode (iteratief herwogen kleinste kwadraten, IWLS kort) als reguliere gegeneraliseerde lineaire modellen; het enige verschil is dat de resultaten moeten worden geïnterpreteerd voorwaardelijk op het verleden.
GDV optreden op dag t
werd aangeduid als Y
t
. Zo Y
t
was binary. De covariaten kunnen heden en verleden waarden van verklarende variabelen, evenals het verleden waarden van Y
t
. De vector van covariaten werd aangeduid als waarbij p
is het aantal covariaten, k of the aantal verklarende variabelen blijft en q of the aantal vroeger blijft van de Y
t
beschouwd; voor iedere 1 ≤ i ≤ p
Kopen en 1 ≤ j
≤ k
, vertegenwoordigde de waarde van i
th covariaat op tijdstip t
- j
. De kans op een GDV dossier over een bepaalde dag werd gedefinieerd als p
t
die ook een functie van de covariaat vector z
t
. Er zijn minstens twee manieren modelleren kans GDV op een bepaalde dag. De eerste keuze is om de binaire GLM gebruiken met de logit linkfunctie - effectief, een logistische regressie model. De willekeurige component van het model is dan een vector van binaire waarden van Y
t
die geautocorreleerde na verloop van tijd. De systematische component van de resulterende logistieke model wordt (1) waarbij α
is het onderscheppen, β
is de vector van de coëfficiënten en p
t
is de kans dat de GDV evenement op een bepaalde dag t Shirts die afhankelijk is van de set van covariaten z t
. Per dag GDV, is de waarschijnlijkheid van de gebeurtenis gedefinieerd als het aantal gevallen waargenomen op die dag gedeeld door de totale bevolking van honden die op die dag. Omdat alle GDV probabiliteiten waren klein in het onderzoek, is het ook mogelijk om de waarschijnlijkheid van het GDV event model op een bepaalde dag t
met de Poisson regressie. Dit impliceert dat de willekeurige component van het model is een vector Y
t
die nu beschouwd als Poisson telt. De systematische component van het model betreft het gemiddelde aantal gevallen op dag t μ
t
de covariaten met behulp van de log link als (2), waar wederom α
is het onderscheppen, β
is de vector van de coëfficiënten en μ
t Shirts, hangt af van de set van covariaten z t
als voorheen.
als eerste stap in het model selectieprocedure de dagelijkse kenmerken, zoals maximum, minimum en gemiddelde, de atmosferische druk en temperatuur mogelijk covariaten werden beschouwd. De temperatuur werd niet gecorrigeerd voor vocht. De vertraagde waarde van de atmosferische druk en /of temperatuur kan worden beschouwd als mogelijke etiologische factoren GDV en dus extra verklarende variabelen ook. De waarschijnlijkheid-verhouding test werden gebruikt om de statistische significantie van het model covariaten controleren. Verklarende variabelen die gebruikt zouden worden als onderdeel van z t
gekozen. Laten we geven het minimale dagelijkse atmosferische druk op een bepaalde dag pmin
T Shirts, maximale dagelijkse atmosferische druk pmax
T Shirts, maximale dagelijkse atmosferische temperatuur tmax
t Shirts, en minimale dagelijkse atmosferische temperatuur tmin
t
. Past waarden (een dag voor) van de bovengenoemde waren Pmin
t
-1, pmax
t
-1, tmax
t
-1 en tmint
t
-1. De maximale uurtarief stijging /daling van de atmosferische druk op de dag van GDV evenement werd aangeduid rp
t Kopen en dp
T Shirts, respectievelijk terwijl de maximale uurtarief stijging /daling in de temperatuur op de dag van GDV evenement werd aangeduid rt
t Kopen en dt
t
. ras van de honden werd niet beschouwd, aangezien de hond bevolking was vrij homogeen, bestaande uit drie grote rassen routinematig gebruikt als MWD. Alle niet-event dagen werden beschouwd in deze analyse ook.
De modellen werden gebouwd met de werkwijze van stapsgewijze voorwaartse selectie. De covariaten werden achtereenvolgens toegevoegd en de log-likelihood ratio voor elke nieuwe covariaat wordt berekend. Om prematuur voorkomen, zelfs als de covariante niet veel toevoegen beschrijvende vermogen van het model, zoals gemeten door de log-likelihood ratio statistiek, het proces voortgezet tot alle eerder beschreven covariaten waren bekeken. Het aantal vertragingen van Y
t
opgenomen in de beschouwd in dit onderzoek werd beperkt tot 3 om parsimoniousness van de modellen garanderen modellen. De residuen van elk model kan later worden geanalyseerd autocorrelatie patronen en aanvullende vertragingen toegevoegd indien nodig. De coëfficiënten van Y
en t
-1 Y
t
-3 was zeer groot log-likelihood ratio p-waarden, ongeacht welke externe covariaten werden opgenomen in het model; meer specifiek, de log-likelihood ratio p-waarden hoger dan 0,1 opwekken en aldus werden uit de uiteindelijke modellen uitgesloten. Ondernemingen De gekozen als laatste modellen worden getoond in de tabel (1). Behalve de minimale luchtdruk op GDV dag en de maximale luchtdruk op de dag van GDV evenement op de dag voor de GDV geval dienen alle andere externe covariaten weergegeven log-likelihood ratio p-waarden boven de gekozen drempelwaarde van 0,10 zijn niet inbegrepen.
Al van de informatie in de tabel modellen (1) zijn fit met behulp van de iteratief herwogen kleinste kwadraten algoritme vaak toegepast op montage van gegeneraliseerde lineaire modellen. Gezien het feit dat we met behulp van de canonieke verbindingsfunctie logboek voor de binaire data, de iteratieve herwogen kleinste kwadraten algoritme samenvalt met de reguliere Newton-Raphson algoritme in dit geval.
Verklaringen
Dankwoord
De auteurs danken de dierenartsen van het ministerie van Defensie Militaire Werkende Hond veterinaire dienst, die gracieuze op voorwaarde dat de dataset en zoeken om de incidentie van GDV in alle honden te verminderen. Ook willen we bedanken Prof. Bruce Craig van het Bureau voor de statistiek aan de Purdue University met wie auteurs hadden een aantal nuttige discussies en van wiens hulp beiden profiteerden. Origineel ingediende dossiers
Authors 'voor beelden
Hieronder staan de links naar het originele de auteurs ingediende dossiers voor afbeeldingen. 'Originele bestand voor figuur 1 12917_2008_146_MOESM2_ESM.eps Authors' 12917_2008_146_MOESM1_ESM.eps Auteurs oorspronkelijke bestand naar originele bestand figuur 2 12917_2008_146_MOESM3_ESM.eps Authors 'voor figuur 3

Other Languages