2.7. Multivariate modelingWe built

2.7. Multivariate modeling

We built multivariate linear regression models, using a manual forward-stepwise procedure to determine outdoor infiltration and indoor sources of pollution. Outliers outside of the mean ± 3 × standard deviations were removed prior to model building; one outlier home in the summer was removed where PM2.5 was greater than 121 μg/m3, where residents reported smoking. Covariates significant at p < = 0.20 in the bivariate analysis were considered candidate covariates, and individually incorporated into each model. Given our interest in assessing the impact of outdoor concentrations in industrial communities on indoor exposures, we first incorporated the location- and week-specific (LUR-based) outdoor concentration estimate into each model, and examined effect modification by the ventilation proxies (I/O sulfur ratio, and percent of time windows were open). We then tested each of the additional candidate outdoor source term, ordered by descending strength of the bivariate correlation, then tested significant source terms for effect modification by ventilation. Finally, we tested indoor source terms, ordered by descending strength of the bivariate correlation, and tested for effect modification by ventilation on each term (Baxter et al., 2007a).

Model fit was assessed at each stage, using the coefficient of determination (R2) and root mean square error (RMSE). For a covariate to be retained at each stage, we required p-value < 0.10, an increase in R2 of at least 0.01, a decrease in RMSE, and VIF < 2.0 for all model terms. At each stage, non-significant covariates were individually removed by descending p-value, and the model re-fit. In Table 3 and Table 4, we report the pollutant concentration increases associated with an interquartile range (IQR) increase in each source indicator (β × IQR) from each multivariate model.

ผลลัพธ์ (ไทย) 1:

2.7 แบบหลายตัวแปรการสร้างโมเดลเราสร้างแบบจำลองถดถอยเชิงเส้นแบบหลายตัวแปร การใช้กระบวนงานศไปข้างหน้าด้วยตนเองเพื่อกำหนดแทรกซึมกลางแจ้งและในร่มแหล่งมลพิษ Outliers นอกค่าเบี่ยงเบนมาตรฐานของ×หมายถึง± 3 ออกก่อนรูปแบบอาคาร หนึ่ง outlier บ้านในฤดูร้อนถูกเอา PM2.5 ไหนมากกว่าμ 121/m3 ที่อยู่อาศัยรายงานบุหรี่ อย่างมีนัยสำคัญที่ p covariates < = 0.20 วิเคราะห์ bivariate ถือว่าผู้สมัคร covariates และรวมอยู่ในแต่ละรุ่นแต่ละ ได้รับดอกเบี้ยของเราในการประเมินผลกระทบของความเข้มข้นในอุตสาหกรรมชุมชนที่บนแสงในร่มกลางแจ้ง เราก่อนรวมการประเมิน (ตาม LUR) ความเข้มข้นกลางแจ้งเฉพาะตำแหน่ง และสัปดาห์ในแต่ละรุ่น และตรวจสอบผลปรับเปลี่ยนตามการระบายอากาศ (อัตรา I/O กำมะถัน และร้อยละของเวลาที่ windows ถูกเปิด) เราแล้วทดสอบแต่ละระยะกลางแจ้งแหล่งผู้สมัครเพิ่มเติม สั่ง โดยเรียงความแข็งแกร่งของความสัมพันธ์ bivariate แล้วทดสอบเงื่อนไขแหล่งสำคัญสำหรับการแก้ไขผลกระทบ โดยระบายอากาศ ในที่สุด เราทดสอบเงื่อนไขในร่มแหล่ง สั่ง โดยเรียงความแข็งแกร่งของความสัมพันธ์ bivariate และการแก้ไขผลทดสอบ โดยระบายอากาศในแต่ละเทอม (Baxter et al. 2007a)รับการประเมินรุ่นที่พอดีในแต่ละขั้นตอน ใช้ค่าสัมประสิทธิ์ของการกำหนด (R2) และข้อผิดพลาดรากหมายถึงสแควร์ (RMSE) สำหรับ covariate เก็บในแต่ละขั้นตอน เราต้อง p ค่า < 0.10 การเพิ่มขึ้นของน้อย 0.01, R2 ลด RMSE และ VIF < 2.0 สำหรับข้อกำหนดรูปแบบทั้งหมด ในทุกขั้นตอน covariates ไม่สำคัญมีเอกลักษณ์ถูกลบ โดยการเรียงค่า p และแบบพอดีอีกครั้ง เรารายงานในตาราง 3 และตารางที่ 4 การเพิ่มความเข้มข้นของมลพิษที่เกี่ยวข้องกับช่วง interquartile (เติม) เพิ่มขึ้นในแต่ละตัวบ่งชี้แหล่งที่มา (β×เติม) จากแต่ละรูปแบบตัวแปรพหุ

ผลลัพธ์ (ไทย) 2:

2.7 การสร้างแบบจำลองหลายตัวแปร

เราสร้างแบบจำลองการถดถอยเชิงเส้นหลายตัวแปรโดยใช้คู่มือขั้นตอนไปข้างหน้าแบบขั้นตอนในการตรวจสอบการแทรกซึมกลางแจ้งและในร่มแหล่งที่มาของมลพิษ ค่าผิดปกติด้านนอกของค่าเฉลี่ย± 3 ×ค่าเบี่ยงเบนมาตรฐานถูกถอดออกก่อนที่จะมีรูปแบบอาคาร บ้านค่าผิดปกติอย่างใดอย่างหนึ่งในช่วงฤดูร้อนที่จะถูกลบออก PM2.5 มากกว่า 121 ไมโครกรัม / m3 ที่อาศัยอยู่ในรายงานการสูบบุหรี่ ตัวแปรสำคัญที่ p <0.20 = ในการวิเคราะห์ bivariate ได้รับการพิจารณาตัวแปรผู้สมัครเป็นรายบุคคลและนิติบุคคลที่จัดตั้งขึ้นในแต่ละรุ่น ได้รับความสนใจของเราในการประเมินผลกระทบของความเข้มข้นกลางแจ้งในชุมชนอุตสาหกรรมเกี่ยวกับความเสี่ยงในร่มครั้งแรกที่เราเป็น บริษัท ที่โรงแรมซึ่งและในสัปดาห์ที่เฉพาะเจาะจง (LUR-based) ประมาณการความเข้มข้นกลางแจ้งในแต่ละรุ่นและตรวจสอบการแก้ไขผลกระทบโดยการมอบฉันทะการระบายอากาศ (I / อัตราส่วนกำมะถัน O และร้อยละของหน้าต่างเวลาเปิด) แล้วเราได้ทดสอบแต่ละระยะของผู้สมัครที่มากลางแจ้งเพิ่มเติมได้รับคำสั่งจากมากไปหาน้อยความแข็งแกร่งของความสัมพันธ์สองตัวแปรแล้วทดสอบแง่แหล่งสำคัญสำหรับการแก้ไขผลกระทบจากการระบายอากาศ สุดท้ายเราทดสอบแง่แหล่งน้ำในร่ม, รับคำสั่งจากมากไปหาน้อยความแข็งแกร่งของความสัมพันธ์สองตัวแปรและการทดสอบสำหรับการแก้ไขผลกระทบจากการระบายอากาศในแต่ละระยะ (แบ็กซ์เตอร์ et al., 2007A).

รุ่นพอดีได้รับการประเมินในแต่ละขั้นตอนโดยใช้ค่าสัมประสิทธิ์การตัดสินใจ ( R2) และค่าเฉลี่ยกำลังสองข้อผิดพลาด (RMSE) สำหรับตัวแปรร่วมจะต้องเก็บไว้ในแต่ละขั้นตอนเราจำเป็น p-value <0.10 เพิ่มขึ้นใน R2 อย่างน้อย 0.01 ลดลงใน RMSE และ VIF <2.0 สำหรับแง่ทุกรุ่น ในแต่ละขั้นตอนตัวแปรที่สำคัญที่ไม่ถูกถอดออกมาเป็นรายบุคคลโดยลดหลั่น p-value, และรุ่นใหม่พอดี ในตารางที่ 3 และตารางที่ 4 เราจะรายงานการเพิ่มความเข้มข้นของสารมลพิษที่เกี่ยวข้องกับการเพิ่มขึ้นช่วง interquartile (IQR) ในตัวบ่งชี้แต่ละแหล่ง (β× IQR) จากแต่ละรุ่นหลายตัวแปร

ผลลัพธ์ (ไทย) 3:

2.7 . แบบจำลองตัวแปรหลายตัวเราสร้างแบบจำลองการถดถอยเชิงเส้นหลายตัวแปรโดยใช้คู่มือไปข้างหน้าแบบขั้นตอนเพื่อตรวจสอบแหล่งที่มาของมลพิษในร่มและกลางแจ้งแทรกซึม . ผิดปกตินอกหมายถึง± 3 ×ส่วนเบี่ยงเบนมาตรฐานถูกลบออกก่อนที่จะรูปแบบอาคาร บ้าน ค่า ในฤดูร้อนจะถูกลบออกที่ pm2.5 มากกว่า 121 μ g / m3 , ที่อาศัยอยู่ในรายงานสูบบุหรี่ ความรู้อย่างมีนัยสำคัญทางสถิติที่ระดับ p < = 0.20 ในการวิเคราะห์โดยใช้ความรู้ ถือว่าเป็นผู้สมัคร และแบบรวมอยู่ในแต่ละรุ่น ได้รับความสนใจของเราในการประเมินผลกระทบของสระความเข้มข้นในชุมชนอุตสาหกรรมแบบในร่ม เรารวมสถานที่และเฉพาะสัปดาห์ ( เลอร์ตามประมาณการในแต่ละรุ่น ) สระสมาธิ , และตรวจสอบการปรับเปลี่ยนผลโดยการมอบฉันทะ ( I / O ซัลเฟอร์ อัตราส่วน และร้อยละ ของเวลา Windows ถูกเปิด ) จากนั้นเราทดสอบแต่ละเพิ่มเติมผู้สมัครสระแหล่งคําสั่งโดยลงโดยใช้ความแข็งแรงของความสัมพันธ์ แล้วทดสอบแง่แหล่งสําคัญสําหรับผลการระบายอากาศ สุดท้าย เราทดสอบแง่แหล่งที่มาในร่ม ให้ลงโดยใช้ความแข็งแรงของความสัมพันธ์ และทดสอบผลการระบายในแต่ละระยะ ( Baxter et al . , 2007a )แบบพอดีและในแต่ละขั้นตอน โดยใช้ค่าสัมประสิทธิ์การตัดสินใจ ( R2 ) และรากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) สำหรับตัวแปรที่จะถูกเก็บไว้ในแต่ละขั้นตอน เราต้องการ p-value < 0.10 , เพิ่มใน R2 อย่างน้อย 0.01 ลดลงในวิธีการและ VIF < 2.0 สำหรับเงื่อนไขรูปแบบทั้งหมด ในแต่ละขั้นตอนไม่แตกต่างกันคือ ความรู้แบบลบออก โดยลงก่อน และแบบกำลังพอดี ตารางที่ 3 ตารางที่ 4 เรารายงานมลพิษความเข้มข้นเพิ่มขึ้นเกี่ยวข้องกับค่าพิสัยระหว่างควอไทล์ ( iqr ) เพิ่มในแต่ละแหล่งบ่งชี้ ( บีตา× iqr ) จากแต่ละหลายตัวแปรแบบ