在变量联合轨迹分析中,以组1(低运动量-高深睡比-中等心率组)作为参照,在调整混杂因素的模型3中,组3(较低运动量-低深睡比-低心率组)和组4(高运动量-较高深睡比-中等心率组)的HR值(95%CI)分别为1.50(1.17~1.93)和1.32(1.01~1.73),而未发现组2(低运动量-低深睡比-高心率组)与参与者高血压发生风险间...
群组多轨迹模型(GBMTM)是近年来提出的研究多变量发展轨迹的一种方法,通过影响目标结局的多个指标来识别遵循相似轨迹的潜在人群亚组,在处理多变量纵向数据中具有独特优势。本研究阐述GBMTM的基本原理,并运用一项基于智能穿戴设备的老年人健康管理研究的数据探索...
纵向数据群组多轨迹模型发展轨迹队列研究纵向队列的发展为识别和监测影响疾病病程或健康状况的多种生物标志物及行为等因素创造了条件.然而,传统统计方法通常只能利用单变量纵向数据的信息进行研究,无法充分利用多变量纵向数据信息.群组多轨迹模型(GBMTM)是近年来提出的研究多变量发展轨迹的一种方法,通过影响目标结局的多个...
纵向队列的发展为识别和监测影响疾病病程或健康状况的多种生物标志物及行为等因素创造了条件.然而,传统统计方法通常只能利用单变量纵向数据的信息进行研究,无法充分利用多变量纵向数据信息.群组多轨迹模型(GBMTM)是近年来提出的研究多变量发展轨迹的一种方法,通过影响目标结局的多个指标来识别遵循相似轨迹的潜在人群亚组,...
第二步选择轨迹形状:在确定最优轨迹组数基础上,对每条轨迹从高阶三次项开始拟合,若高阶项式次数无统计学意义则继续拟合低阶项式次数,一次项即使无统计学意义也要将其保留在最终模型中。 选择合适的轨迹组数是轨迹分析的关键问题,研究中不能仅依赖于上述统计学评价标准,还应综合考虑模型的解释能力、复杂性和实用性...