کاربرد مدل رگرسیون لاسو در شناسایی عوامل خطر کموزنی نوزادان به روش بیزی
[پایاننامه]
Application of lasso regression in determining risk factors of low birth weight with Bayesian approach
علوم بهزیستی و توانبخشی University of Social Walfare and Rehabilitation))
، ۱۳۹۶
ه۱۰۴ص.
پیوست
چاپی
کارشناسی ارشد
آمار زیستی Biostatistics
علوم بهزیستی و توانبخشی University of Social Walfare and Rehabilitation))
زمینه و هدف :روشهای رگرسیونی بهعنوان یکی از پرکاربردترین روشهای تجزیهوتحلیل دادهها شناخته شده است .انتخاب و برآورد متغیرهایی که میبایست درون مدل رگرسیونی قرار گیرند جزء مهمترین بخشهای مدل رگرسیونی است .روشهای متداول درزمینه برآوردیابی و انتخاب متغیر، مثل روش انتخاب پیشرو یا برآوردیابی حداقل مربعات، در مواجهه با انواع گوناگون دادهها عملکرد قابل قبولی از خود نشان ندادهاند .این روشها معمولا نسبت به معیارهایی مثل دقت پیشبینی و پایداری عملکرد ضعیفی دارند .هدف این مطالعه بهکارگیری روش رگرسیونی لاسو در تعیین عوامل خطر کموزنی نوزادان در هنگام تولد، میباشد .روش کار :در این مطالعه مورد شاهدی از اطلاعات ۷۰۱ نوزاد زنده متولدشده(۲۳۵ نوزاد کموزن و۴۶۶ نوزاد با وزن نرمال) که در طی سالهای خرداد ۱۳۹۱ تا فروردین ۱۳۹۳ در بیمارستانهای منتخب شهر تهران متولد شده بودند، استفاده شد .برای تحلیل دادهها از مدلهای رگرسیون معمولی، رگرسیون لاسو کلاسیک و بیزی استفاده شد و برای تعیین مناسبترین مدل از کمترین مقدار مجذور مربعات خطا استفاده شد .تجزیهوتحلیل دادهها با استفاده از نرمافزار نسخه ۲-۰-۳ انجام شد .یافتهها :مقدار مجذور مربعات خطای متغیر پاسخ یعنی کموزنی نوزادان هنگام تولد مربوط به مدل رگرسیونی لاسوی بیزی برابر با ۱۱۷۴۲۳/۲، برای رگرسیون لاسوی کلاسیک برابر با ۱۳۱۲۲۳/۷و برای رگرسیون معمولی ۱۷۸۲۱۱/۳به دست آمد .با توجه به نتایج، مدل رگرسیون لاسوی بیزی بهعنوان بهترین مدل انتخاب میشود .با توجه به این مدل، داشتن استرس، فشار خون و سبک شغلی نامطلوب مادر در دوران بارداری، باعث کاهش وزن نوزاد و نداشتن سابقه مرده زایی، افزایش وزن دوران بارداری، افزایش شاخص توده بدنی، سن بارداری بیشتر و همچنین افزایش میزان خود مراقبتی و روابط اجتماعی بالاتر مادر باعث افزایش وزن نوزاد هنگام تولد می شود .نتیجهگیری :با توجه به عوامل مادری مرتبط با کم وزنی نوزاد، اهمیت نقش مسئولین امور بهداشتی در افزایش آگاهیهای عمومی در زمینهی توجه به مادر باردار در دوران بارداری جهت پیشگیری از تولد نوزاد کم وزن بیش از پیش محرز میگردد .واژگان کلیدی :رگرسیون لاسوی بیزی، انتخاب متغیر، کموزنی نوزادان هنگام تولد
Introduction: regression methods are known as one of the most used analysis methods. Select and Estimate variables of regression models are important in modelling. Common practices in elect and Estimate variables such as: forward selection and least square error estimation are not appropriate in facing various types of data. These methods usually have a poor performance in accuracy of prediction and sustainability. The aim of this study is evaluating effective factors of low birth weight with Classic and Bayesian lasso regression models. Methods: this article is a case-control study in 701 mother with alive born baby ( 235 low birth weight , 466 normal weight) who were referred to selected health centers from June 2012 to April . Regression analysis, Classic and Bayesian lasso regression were used to evaluating effective factors of low birth weight. The least squares of error was considered to choose the best model. Data analysis was done using R Version 3.0.2 Results: For the Bayesian lasso regression model least squares of error of low birth weight is 117423.2 , in Classic lasso regression least squares of error is 131223.7 and in linear regression least squares of error is 178211.3 so Bayesian lasso regression model can be choosed as the best model. In addition to the results of this model: Low birth weight is caused from Stress, High blood pressure and the Inappropriate occupation of mothers during pregnancy. Normal weight is caused not having history of IUFD, not having weight gain during pregnancy, normal BMI, age of pregnancy, Increased self-esteem, high social relationships of mother. Conclusions: According to effective factors of low birth weight which are from mothers, its important to learn self-care to mothers during pregnancy. KEYWORDS: low birth weight, variable selection, Bayesian lasso regression
ba
Application of lasso regression in determining risk factors of low birth weight with Bayesian approach