Parametric models such as the bi-no

Parametric models such as the bi-normal have been widely used to analyse data from imperfect continuous diagnostic tests. Such models rely on assumptions that may often be unrealistic and/or unverifiable, and in such cases nonparametric models present an attractive alternative. Further, even when normality holds, researchers tend to underestimate the sample size required to accurately estimate disease prevalence from bi-normal models when densities from diseased and non-diseased subjects overlap. In this thesis we investigate both of these problems. First, we study the use of nonparametric Polya tree models to analyze continuous diagnostic test data. Since we do not assume a gold standard test is available, our model includes a latent class component, the latent data being the unknown true disease status for each subject. Second, we develop methods for the sample size determination when designing studies with continuous diagnostic tests. Finally, we show how Bayes factors can be used to compare the fit of Polya tree models to parametric bi-normal models. Both simulations and a real data illustration are included.

ผลลัพธ์ (ไทย) 1:

แบบพาราเมตริกเช่น bi-ปกติมีการใช้กันอย่างแพร่หลายในการวิเคราะห์ข้อมูลจากการทดสอบวินิจฉัยต่อเนื่องไม่สมบูรณ์ รุ่นดังกล่าวต้องอาศัยสมมติฐานที่อาจไม่สมจริง หรือ unverifiable มักจะ และในกรณี nonparametric รุ่นปัจจุบันเป็นทางเลือกที่น่าสนใจ เพิ่มเติม แม้ว่าเครื่องเก็บ นักวิจัยมักจะ ประมาทขนาดตัวอย่างต้องถูกประเมินความชุกโรคจากรุ่น bi-ปกติเมื่อความหนาแน่นจากวิชาโรค และปลอดโรคซ้อน ในวิทยานิพนธ์นี้ เราตรวจสอบทั้งสองปัญหาเหล่านี้ ครั้งแรก เราศึกษาการใช้โมเดลต้นไม้โพลยา nonparametric การวิเคราะห์ข้อมูลการทดสอบวินิจฉัยอย่างต่อเนื่อง เนื่องจากเราไม่ถือว่า มีการทดสอบมาตรฐาน รูปแบบของเรารวมถึงส่วนประกอบแฝงระดับ ข้อมูลแฝงเป็นสถานะที่ไม่รู้จักโรคที่แท้จริงสำหรับแต่ละวิชา ที่สอง เราพัฒนาวิธีการในการกำหนดขนาดตัวอย่างเมื่อออกแบบการศึกษา ด้วยการทดสอบวินิจฉัยอย่างต่อเนื่อง ในที่สุด เราแสดงการใช้ Bayes ปัจจัยเปรียบเทียบพอดีรุ่นทรีโพลยารุ่น bi-ปกติพาราเมตริก จำลองและมีภาพประกอบข้อมูลจริงได้

ผลลัพธ์ (ไทย) 2:

รุ่น Parametric เช่นสองปกติได้รับการใช้กันอย่างแพร่หลายในการวิเคราะห์ข้อมูลที่ไม่สมบูรณ์จากการทดสอบการวินิจฉัยอย่างต่อเนื่อง รุ่นดังกล่าวขึ้นอยู่กับการตั้งสมมติฐานที่มักจะอาจจะไม่สมจริงและ / หรือพิสูจน์ไม่ได้และในกรณีดังกล่าวนำเสนอรูปแบบไม่อิงพารามิเตอร์เลือกที่น่าสนใจ นอกจากนี้แม้ในขณะที่ปกติถือนักวิจัยมีแนวโน้มที่จะประมาทขนาดของกลุ่มตัวอย่างที่จำเป็นที่จะต้องประเมินความชุกโรคจากรุ่นสองปกติเมื่อความหนาแน่นจากอาสาสมัครที่เป็นโรคและไม่ใช่โรคที่ทับซ้อนกัน ในวิทยานิพนธ์นี้เราจะตรวจสอบทั้งปัญหาเหล​​่านี้ ครั้งแรกที่เราศึกษาการใช้แบบจำลองอิงพารามิเตอร์ Polya ต้นไม้ในการวิเคราะห์ข้อมูลการทดสอบการวินิจฉัยอย่างต่อเนื่อง เนื่องจากเราไม่ได้ถือว่าการทดสอบมาตรฐานทองคำใช้ได้รูปแบบของเรารวมถึงส่วนประกอบที่ระดับแฝงข้อมูลแฝงเป็นโรคที่ไม่รู้จักสถานะจริงสำหรับแต่ละเรื่อง ประการที่สองเราพัฒนาวิธีการสำหรับการกำหนดขนาดของกลุ่มตัวอย่างเมื่อมีการออกแบบการศึกษากับการทดสอบการวินิจฉัยอย่างต่อเนื่อง สุดท้ายเราแสดงให้เห็นว่าปัจจัย Bayes สามารถนำมาใช้เพื่อเปรียบเทียบความเหมาะสมของ Polya รุ่นต้นไม้เพื่อพารารุ่นสองปกติ ทั้งการจำลองและภาพประกอบข้อมูลจริงที่จะถูกรวม

ผลลัพธ์ (ไทย) 3:

รูปแบบพารามิเตอร์เช่นบีปกติมีใช้กันอย่างแพร่หลายเพื่อวิเคราะห์ข้อมูลจากแบบทดสอบวินิจฉัยไม่สมบูรณ์ . รุ่นดังกล่าวอาศัยสมมติฐานที่มักจะอาจจะสมจริงและ / หรือพิสูจน์ไม่ได้ และในบางกรณี ตัวรุ่นปัจจุบันเป็นทางเลือกที่น่าสนใจ ต่อไป แม้ว่าปกติถือ นักวิจัยมักจะดูถูกดูแคลนขนาดตัวอย่างต้องแม่นประมาณความชุกโรคบีปกติรุ่นเมื่อความหนาแน่นจากป่วยและไม่ป่วยแบบทับซ้อนกัน ในวิทยานิพนธ์นี้ได้ศึกษาทั้งของปัญหาเหล่านี้ ก่อนอื่น เราศึกษาการใช้แบบจำลองนอนพาราเมตริกในการวิเคราะห์ข้อมูลขั้นตอนของโพลยาต้นแบบทดสอบวินิจฉัยอย่างต่อเนื่อง เนื่องจากเราไม่ได้ถือว่าทองมาตรฐานการทดสอบสามารถใช้ได้ รุ่นของเรารวมถึงส่วนประกอบแฝง , ข้อมูลแฝงการไม่รู้จักจริงโรคสถานะสำหรับแต่ละเรื่อง ประการที่สอง เราพัฒนาวิธีการสำหรับการคำนวณขนาดตัวอย่างเมื่อออกแบบศึกษาด้วยการทดสอบการวินิจฉัยอย่างต่อเนื่อง สุดท้ายเราแสดงวิธี Bayes ปัจจัยที่สามารถใช้ในการเปรียบเทียบกับรุ่นต้นไม้ขั้นตอนของโพลยาเพื่อพาราบีธรรมดารุ่น ทั้งจำลองและภาพประกอบข้อมูลที่แท้จริงรวม