linear models
Dotaz
Zobrazit nápovědu
Wiley series in probability and statistics
1st ed. xxi, 325 s.
Texts in statistical science
2nd ed. vii, 225 s.
- MeSH
- aorta MeSH
- biomechanika MeSH
- cévy fyziologie MeSH
- finanční podpora výzkumu jako téma MeSH
- lidé MeSH
- lineární modely MeSH
- nelineární dynamika MeSH
- pružnost MeSH
- viskozita MeSH
- zvířata MeSH
- Check Tag
- lidé MeSH
- zvířata MeSH
- Publikační typ
- přehledy MeSH
- srovnávací studie MeSH
Springer series in statistics
1st ed. 568 s.
... \n\n4.1 Regression model 43\n\n4.2 General linear model 45\n\n4.3 Generalized linear model 47\n\n4.4 ... ... Searching for the “correct” model 51\n\n4.5 Model selection 53\n\n4.6 Model diagnosis 54\n\n5 The first ... ... of levels using contrasts 74\n\n5.4.5 Contrasts and the model parameterization 77\n\n5.4.6 Posterior ... ... simplification 83\n\n5.4.7 Diagnosis of the final model 85\n\n5.5 Conclusion 88\n\n6 Systematic part ... ... 147\n\n9.2 Description of the lognormal model 148\n\n9.3 Regression 149\n\n9.4 Two-way ANODEV 156\n\ ...
First edition x, 245 stran : ilustrace ; 24 cm
- Konspekt
- Biologické vědy
- NLK Obory
- biologie
- statistika, zdravotnická statistika
- knihovnictví, informační věda a muzeologie
- NLK Publikační typ
- kolektivní monografie
In this paper we demonstrate that fuzzy logic can provide a better tool for predicting recycling behaviour than the customarily used linear regression. To show this, we take a set of empirical data on recycling behaviour (N=664), which we randomly divide into two halves. The first half is used to estimate a linear regression model of recycling behaviour, and to develop a fuzzy logic model of recycling behaviour. As the first comparison, the fit of both models to the data included in estimation of the models (N=332) is evaluated. As the second comparison, predictive accuracy of both models for "new" cases (hold-out data not included in building the models, N=332) is assessed. In both cases, the fuzzy logic model significantly outperforms the regression model in terms of fit. To conclude, when accurate predictions of recycling and possibly other environmental behaviours are needed, fuzzy logic modelling seems to be a promising technique.
- MeSH
- fuzzy logika * MeSH
- lidé MeSH
- lineární modely * MeSH
- recyklace * statistika a číselné údaje MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- časopisecké články MeSH
Mechanické vlastnosti mnohých biologických materiálů odpovídají vlastnostem tzv. viskoelastických těles. Do kategorie viskoelastických těles lze zařadit například kůží, cévní stěny, mnohé struktury vnitřních orgánů a četné další biologické materiály. Mechanické vlastnosti biologických materiálů závisí na věku a na zdravotním stavu organismu a lze tedy očekávat jejich využití jako indikátoru funkčního (biologického) věku organismu i jako diagnostického prostředku v medicíně. Metodika popisu a kvantifikace mechanických vlastností viskoelastických materiálů je známa z reologie. Primárním zdrojem informací jsou reologické charakteristiky, nejčastěfi křivky toku. Na základě těchto charakteristik se pak vytvářefi odpovídající reologické modely. Domníváme se, že využiti aparátů, který poskytaje kybernetika a zvláště teorie regulace, může významně přispět k rozvoji metodiky identifikace a určování parametrů reologickcých modelů. V této práci je shrnuta metodika identifikace diferenciaíních rovnic odpovídacích experimentálně zjištěným křivkám toku a metodika určování stiruktury a výpočtu parametrů odpovídajících reologických modelů. Jejich základem je teorie systémů a teorie identifikace kybernetických soustav.
Mechanical properties of many biological materials correspond to the properties of so called visco-elastic body. These materials can not be categorized simply as solids or as liquids. Skin, cell walls, numerous structures of internal organs and many other biological materials belong to this category. The mechanical properties of biological materials depend on age and health status of organism. They may be potentially used as indicators of functional age or as diagnostic tools. The methodology of description and quantification of mechanical properties of visco-elastic materials follows from rheology. The primary source of information on mechanical behavior are rheological characteristics, usually creep curves. According to the analysis if creep curves, rheological models of biological materials may be developed. We believe that cybernetic methods may significantly improve the currently used methodology of identification and parameters estimation of rheological models. The methodology of identification of differential equaions corresponding to experimentally obtained creep mrves is presented in the paper. Further, the method of estimation of structure and parameters of rheological models of biological materials is presented. The methodology is based on cybernetics and system theory.
- MeSH
- biokompatibilní materiály MeSH
- biologické modely MeSH
- lidé MeSH
- lineární modely MeSH
- reologie MeSH
- Check Tag
- lidé MeSH
Účel: Simulace vlivu úbytku neuronů a jejich propojení v různých typech neuronových sítí na jejich výkon. Metody: Na dopředně neuronové síti se zpětnou propagací byl modelován vliv úbytku synapsí na její výkon. Tato síť s lineární a nelinární přenosovou funkcí byla trénována v rozeznávání 36 reprezentací různých písmen a čísel. Odebíráním propojení mezi neurony byla neuronová síť poškozována. Byla sledována závislost počtu rozeznaných vzorů na počtu odebraných propojení. Dále byl sledován vztah mezi počtem odebraných neuronů a celkovým počtem propojení u vrstevnaté neuronové sítě s a bez horizontálních a zpětných propojení. Výsledky: Vztah mezi počtem neuronů a jejich propojení u vrstevnatých sítí s horizontálními propojeními a zpětnými vazbami je nelineární. Neuronové sítě jsou částečně odolné vůči poškození v důsledku redundantního kódování informace. Křivka zapomínání se liší také v závislosti na přítomnosti lineární a nelineární přenosové funkce. Závěr: Tato práce ukazuje, že nelineární průběh úbytku kognitivních schnopností u demence může mít několik příčin: nehnární závislost mezi počtem neuronů a jejich propojení (synapsí) u určitých síťových architektur (přítomných v lidském mozku), částečná odolnost proti destrukci díky redundantnímu kódování informace a nelineární přenosová funkce (přítomnou také v biologických neuronových sítích).
Objective: To examine how the destruction of individual neurons or interconnections of the different neural networks models reduce their performance. Methods: The feed-forward backpropagation neural network served as a model for synaptic lost and its influence on the network performance. This network with linear and non-linear transfer function has been trained to recognize 36 differen t re- presentations of the different characters and numbers. The network has been then damaged by the elimination of connections betw een selected artificial neurons. The number of recognized patterns has been then compared to the number of lost connections. Relati onship between number of neurons and connections has been studied in layered neural networks with and without back loop and horizontal connections. Results: Relationship between number of neurons and connections in layered networks with horizontal connections and feedback connections is non-linear. Neural networks have partial destruction tolerance via redundant information coding. Shape of the curve of forgetting differs depending on presence of linear or non-linear transfer function. Conclusion: This work indicates that the non-linear dependency of the deterioration of the cognitive abilities may have several reasons: non-linear relationship between number of neurons and number of connections (synapses) in certain network architectures (present in the human brain), partial destruct ion tolerance via redundant information coding and non-linear transfer function (present also in biological neural networks).
Monographs on Statistics and Probability ; 37
2nd ed. 511 s.
Permutation methods are commonly used to test the significance of regressors of interest in general linear models (GLMs) for functional (image) data sets, in particular for neuroimaging applications as they rely on mild assumptions. Permutation inference for GLMs typically consists of three parts: choosing a relevant test statistic, computing pointwise permutation tests, and applying a multiple testing correction. We propose new multiple testing methods as an alternative to the commonly used maximum value of test statistics across the image. The new methods improve power and robustness against inhomogeneity of the test statistic across its domain. The methods rely on sorting the permuted functional test statistics based on pointwise rank measures; still, they can be implemented even for large data. The performance of the methods is demonstrated through a designed simulation experiment and an example of brain imaging data. We developed the R package GET, which can be used for the computation of the proposed procedures.
- MeSH
- lidé MeSH
- lineární modely MeSH
- mozek * diagnostické zobrazování MeSH
- neurozobrazování * MeSH
- počítačová simulace MeSH
- výzkumný projekt MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- časopisecké články MeSH
- práce podpořená grantem MeSH
