預測模型實戰：基於R、SPSS和Stata
武鬆
- 出版商: 清華大學
- 出版日期: 2023-11-01
- 定價: $708
- 售價: 8.5 折 $602
- 語言: 簡體中文
- 頁數: 308
- 裝訂: 平裝
- ISBN: 7302639418
- ISBN-13: 9787302639411
-
相關分類:
SPSS、Machine Learning
立即出貨
買這商品的人也買了...
-
FPGA 進階開發與實踐$648$616 -
$1,015虛擬現實 : 接口、應用與設計, 2/e (Understanding Virtual Reality: Interface, Application, and Design, 2/e) -
凡人也能懂的白話人工智慧演算法 (Grokking Artificial Intelligence Algorithms)$580$435 -
機器學習模擬應用｜將合成資料運用於AI (Practical Simulations for Machine Learning)$680$537 -
$458BERT 基礎教程：Transformer 大模型實戰 -
$857R語言臨床預測模型實戰 -
數據分析師手記 — 數據分析 72個核心問題精解$654$621 -
ChatGPT 指令大全與創新應用：GPT-4 搶先看、串接 API、客服機器人、AI英文家教，一鍵打造 AI智慧產品$680$530 -
$305ChatGPT 與 AIGC 生產力工具實踐智慧共生 -
ChatGPT4 人工智慧新時代：超效率 AI 生活與工作實務應用$760$593 -
$505概率機器學習 -
擴散模型從原理到實戰$479$455 -
多語言情感分析及其應用$408$388 -
$417AIGC 自動化編程：基於 ChatGPT 和 GitHub Copilot -
$709數據存儲架構與技術 -
面向深度學習和大數據的軌道交通軸承故障智能診斷方法$354$336 -
$505多模態深度學習技術基礎 -
$602工業大數據與知識圖譜 -
14天自造量子電腦 (Python版)$539$512 -
TensorFlow 機器學習實用指南$714$678 -
深度學習框架及系統部署實戰（微課視頻版）$209$199 -
$301機器學習的算法分析和實踐 -
艾博士：深入淺出人工智能$539$512 -
ChatGPT 實應用大全 (全影片·彩色版)$648$616 -
ChatGPT 寫作超簡單$419$398
相關主題
商品描述
本書從生物醫藥三種建模講起，引出臨床預測模型，系統介紹了臨床預測模型的基本思想與理論體系，並配合SPSS、Stata和R語言實戰，讓讀者全面掌握臨床預測模型的建模、評價、驗證與展示技術，從而輕輕鬆鬆進行臨床預測模型研究，順利發表SCI（Science Citation Index，科學引文索引）論文。 本書分為7章，涵蓋臨床預測模型基礎、模型構建相關問題、SPSS臨床預測模型實戰、Stata診斷模型實戰、Stata預後臨床預測模型實戰、R語言診斷臨床預測模型實戰以及R語言預後臨床預測模型實戰。對於每個軟件，基本由一個案例從建模到區分度、校準度、臨床決策曲線評價，再到Nomo圖展示以及合理性分析的完整流程，讓學員體驗真正實操案例教學。作者自編的一些自動分析插件以及自動製表代碼，極大提升讀者數據處理和論文發表的能力。 本書內容通俗易懂，實用性強，適用人群為生物醫藥領域醫生、護士、碩博士研究生、醫學高校教師，特別適合臨床預測模型的入門讀者和進階讀者閱讀，另外，本書也適合作為相關培訓機構的教材使用。
目錄大綱
目錄
第1章 臨床預測模型基礎 / 1
1.1 三種建模策略解讀 / 1
1.1.1 風險因素發現模型 / 1
1.1.2 風險因素驗證模型 / 2
1.1.3 臨床預測模型 / 3
1.2 臨床預測模型分類與分型 / 5
1.2.1 預測模型目的分類 / 5
1.2.2 預測模型數據來源分類 / 6
1.2.3 數據集分類 / 7
1.3 區分度-C指數 / 8
1.4 凈重新分類指數 / 10
1.5 綜合判別改善指數 / 12
1.6 校準度 / 13
1.6.1 Hosmer-Lemeshow檢驗 / 13
1.6.2 Calibration plot / 13
1.7 臨床決策曲線 / 16
1.8 模型可視化（Visualization） / 18
1.9 交叉驗證 / 19
1.9.1 簡單交叉驗證（Simple Cross Validation） / 20
1.9.2 K折交叉驗證（K-Folder Cross Validation） / 20
1.9.3 留一法交叉驗證（Leave-one-out
Cross Validation） / 20
1.10 自助抽樣法 / 20
1.11 LASSO回歸 / 21
1.12 臨床預測模型報告規範 / 23
第2章 模型構建相關問題 / 26
2.1 單變量進入模型的形式 / 26
2.1.1 數值變量進入模型的形式 / 26
2.1.2 等級變量進入模型的形式 / 27
2.1.3 分類變量進入模型的形式 / 28
2.2 模型構建策略探討 / 29
2.2.1 先單後多法 / 29
2.2.2 全部進入法 / 29
2.2.3 百分之十改變量法 / 29
2.2.4 LASSO回歸法 / 29
2.3 統計建模 / 30
2.3.1 危險因素篩選模型 / 30
2.3.2 風險因素驗證模型 / 30
2.3.3 臨床預測模型 / 30
第3章 SPSS臨床預測模型實戰 / 31
3.1 SPSS在診斷模型中的應用 / 31
3.1.1 數據拆分 / 32
3.1.2 統計建模 / 33
3.1.3 模型評價 / 38
3.2 SPSS在預後模型中的應用 / 42
第4章 Stata診斷模型實戰 / 46
4.1 Logistic回歸模型構建 / 46
4.1.1 先單因素分析 / 46
4.1.2 後多因素分析 / 50
4.1.3 正式後多因素分析 / 51
4.1.4 模型比較 / 54
4.1.5 最終模型 / 56
4.1.6 預測概率 / 57
4.2 Logistic回歸模型區分度評價 / 57
4.2.1 訓練集的AUC分析 / 58
4.2.2 訓練集ROC曲線分析 / 58
4.2.3 驗證集AUC 分析 / 59
4.2.4 驗證集ROC分析 / 60
4.2.5 多條ROC曲線 / 60
4.3 Logistic回歸模型校準度評價：HL檢驗
與校準曲線 / 61
4.3.1 基於HL函數的校準度 / 61
4.3.2 校準曲線加強版 / 63
4.3.3 Bootstrap校準曲線 / 67
4.4 Logistic回歸模型臨床適用性評價：臨
床決策曲線（DCA） / 69
4.4.1 訓練集臨床決策曲線 / 70
4.4.2 驗證集臨床決策曲線 / 70
4.4.3 決策曲線優化 / 71
4.4.4 凈減少曲線（Net Reduction） / 72
4.5 Logistic回歸模型可視化：Nomo圖 / 73
4.6 NRI和IDI / 75
4.6.1 NRI（凈重新分類指數） / 75
4.6.2 IDI（綜合判別改善指數） / 77
4.7 如何利用別人文章的模型 / 78
4.8 交叉驗證 / 79
4.9 Bootstrap / 81
4.10 LASSO-Logit / 85
4.10.1 LASSO回歸 / 86
4.10.2 路徑圖 / 88
4.10.3 CV-LASSO / 91
4.11 缺失值處理 / 93
4.11.1 直接刪除法 / 93
4.11.2 單一插補法 / 93
4.11.3 多重插補法 / 93
第5章 Stata預後臨床預測模型實戰 / 100
5.1 模型構建 / 100
5.1.1 建立時間變量和結局變量 / 101
5.1.2 單因素分析 / 101
5.1.3 多因素分析 / 102
5.1.4 模型比較 / 104
5.1.5 確定最終模型 / 105
5.2 區分度 / 106
5.2.1 C-index / 106
5.2.2 C-index和Somers_D及 95%可信區間 / 107
5.2.3 時點ROC曲線（Time ROC） / 109
5.3 校準度 / 113
5.3.1 建立模型 / 113
5.3.2 訓練集時點校準曲線 / 113
5.3.3 驗證集時點校準曲線 / 114
5.3.4 訓練集校準曲線加強版 / 114
5.3.5 驗證集校準曲線加強版 / 115
5.4 決策曲線 / 117
5.4.1 建立模型 / 117
5.4.2 設立時間節點死亡概率 / 117
5.4.3 模型組與驗證組DCA / 117
5.4.4 多模型DCA曲線 / 119
5.4.5 凈獲益的數據 / 120
5.5 Nomo圖 / 120
5.5.1 構建模型 / 120
5.5.2 命令繪制Nomo圖 / 120
5.5.3 窗口Nomo繪制 / 122
5.6 NRI與IDI / 123
5.6.1 NRI / 123
5.6.2 IDI / 125
5.7 Bootstrap / 126
第6章 R語言診斷臨床預測模型實戰 / 129
6.1 Logistic回歸模型構建 / 129
6.1.1 單因素分析 / 129
6.1.2 多因素分析 / 138
6.2 Logistic回歸模型區分度評價 / 154
6.2.1 訓練集AUC與ROC / 155
6.2.2 驗證集AUC和ROC / 159
6.2.3 繪制多條ROC曲線 / 163
6.2.4 兩條ROC曲線比較 / 165
6.2.5. Bootstrap法ROC內部驗證 / 166
6.3 Logistic回歸校準度評價：HL檢驗與校
準曲線 / 168
6.3.1 calibrate包val.prob函數校準曲線實現 / 168
6.3.2 Hosmer-Lemeshow test檢驗 / 170
6.3.3 riskRegression包plotCalibration函數校準曲
線實現 / 171
6.3.4 lrm+calibrate+plot校準曲線實現 / 172
6.3.5 校準曲線方法四（Bootstrap法) / 174
6.4 Logistic回歸模型臨床決策曲線
（DCA） / 175
6.4.1 軟件準備工作 / 176
6.4.2 rmda包決策曲線實現 / 176
6.4.3 臨床影響曲線（clinical impact curve） / 180
6.4.4 DCA及可信區間 / 182
6.4.5 交叉驗證DCA / 182
6.4.6 DCA包臨床決策曲線繪制 / 183
6.5 Logistic回歸模型可視化：Nomo圖 / 185
6.5.1 rms包常規普通列線圖回歸 / 186
6.5.2 regplot包繪制交互列線圖 / 187
6.5.3 普通列線圖變種 / 189
6.5.4 DynNom包動態列線圖 / 190
6.5.5 製作網絡版動態列線圖 / 193
6.6 Logistic回歸模型診斷效果評價 / 197
6.6.1 診斷試驗評價 / 198
6.6.2 ROC曲線比較 / 198
6.6.3 Logistic回歸分析 / 199
6.7 NRI和IDI / 200
6.7.1 凈重新分類指數 / 200
6.7.2 綜合判別改善指數 / 202
6.8 如何驗證別人已經發表的模型 / 204
6.9 LASSO在Logistic回歸中應用 / 205
6.9.1 軟件包準備 / 205
6.9.2 數據準備 / 205
6.9.3 LASSO-Logit / 205
6.9.4 CV-LASSO / 207
6.10 交叉驗證與Bootstrap / 209
6.10.1 簡單交叉驗證 / 210
6.10.2 十重交叉驗證 / 211
6.10.3 留一法交叉驗證 / 212
6.10.4 Bootstrap CV / 213
6.10.5 Bootstrap ROC / 214
第7章 R語言預後臨床預測模型實戰 / 216
7.1 COX回歸模型構建 / 217
7.1.1 數據讀取 / 217
7.1.2 軟件包準備 / 218
7.1.3 先單因素分析 / 218
7.1.4 後多因素分析 / 219
7.1.5 批量單因素分析 / 220
7.1.6 多因素分析 / 222
7.1.7 模型比較 / 226
7.2 預後模型區分度分析 / 229
7.2.1 Concordance index / 229
7.2.2 Time-ROC / 234
7.2.3 時間依賴AUC / 239
7.3 預後模型校準度分析 / 244
7.3.1 基於rms包的校準曲線 / 244
7.3.2 基於pec包的校準曲線 / 250
7.4 預後模型決策曲線分析 / 255
7.4.1 基於stdca.R的決策曲線 / 257
7.4.2 基於dcurves包的決策曲線 / 263
7.4.3 基於ggDCA包的決策曲線 / 270
7.5 交叉驗證 / 274
7.6 預後模型Nomo展示 / 277
7.6.1 普通生存概率列線圖 / 277
7.6.2 中位生存時間列線圖 / 279
7.6.3 網格線列線圖 / 280
7.6.4 動態列線圖 / 280
7.7 NRI和IDI / 283
7.7.1 NRI（凈重新分類指數） / 283
7.7.2 IDI / 285
7.8 LASSO-COX / 286
7.8.1 數據準備 / 286
7.8.2 LASSO-COX / 286
7.8.3 CV-LASSO / 288
7.9 模型效果驗證 / 290
7.9.1 風險分組後KM曲線 / 290
7.9.2 風險得分圖 / 293
7.10 生存分析數值變量分類方法 / 295
7.10.1 Time-ROC / 295
7.10.2 X-Tile / 297
參考資料 / 299
