貝葉斯模型在老年人健康管理效果評(píng)價(jià)中的應(yīng)用.pdf

1、目的：
　　貝葉斯統(tǒng)計(jì)學(xué)已受到越來(lái)越多研究者的認(rèn)可和關(guān)注，但是國(guó)內(nèi)關(guān)于貝葉斯統(tǒng)計(jì)的研究仍比較薄弱，本研究的目的在于對(duì)貝葉斯無(wú)信息先驗(yàn)、樂觀先驗(yàn)、悲觀先驗(yàn)、專家先驗(yàn)獲取方法、貝葉斯混合效應(yīng)模型及敏感性分析原理進(jìn)行探討，以南京市某社區(qū)老年人健康管理干預(yù)自評(píng)體系情緒性格維度數(shù)據(jù)為例進(jìn)行實(shí)證分析，系統(tǒng)闡述健康管理效果評(píng)價(jià)指標(biāo)專家信息的獲取、貝葉斯混合效應(yīng)模型構(gòu)建，比較無(wú)信息先驗(yàn)分布貝葉斯統(tǒng)計(jì)分析結(jié)果與經(jīng)典統(tǒng)計(jì)分析結(jié)果，并通過(guò)先驗(yàn)分布的敏感

2、性分析獲得更全面的推斷結(jié)論，本研究也旨在為貝葉斯先驗(yàn)分布獲取及貝葉斯混合效應(yīng)模型構(gòu)建提供借鑒。
　　方法：
　　通過(guò)檢索國(guó)內(nèi)外貝葉斯相關(guān)文獻(xiàn)，為貝葉斯統(tǒng)計(jì)、先驗(yàn)分布及貝葉斯混合效應(yīng)模型介紹打下基礎(chǔ)。采用實(shí)證研究法對(duì)貝葉斯先驗(yàn)獲取、貝葉斯混合效應(yīng)模型在老年人健康管理效果評(píng)價(jià)中應(yīng)用進(jìn)行實(shí)證分析。利用健康管理自評(píng)體系的情緒性格維度數(shù)據(jù)，采用無(wú)先驗(yàn)信息、百分位數(shù)法專家先驗(yàn)信息、眾數(shù)百分位數(shù)法專家先驗(yàn)信息、定分度法專家先信息驗(yàn)構(gòu)建方差

3、分析模型，并與經(jīng)典方差分析結(jié)果比較;由于貝葉斯復(fù)雜模型參數(shù)的專家先驗(yàn)信息獲取很困難，本研究的貝葉斯混合效應(yīng)模型構(gòu)建主要利用無(wú)信息先驗(yàn)，對(duì)模型的先驗(yàn)分布進(jìn)行了敏感性分析，此外，對(duì)貝葉斯混合效應(yīng)模型結(jié)果與經(jīng)典多水平模型結(jié)果進(jìn)行了比較。本研究通過(guò)SAS MIXED過(guò)程，采用限制性最大似然法，建立多水平模型。采用RStudio0.98軟件的R2OpenBUGS包調(diào)用OpenBUGS3.22軟件進(jìn)行貝葉斯模型的構(gòu)建、編譯和迭代，后驗(yàn)估計(jì)結(jié)果包括后

4、驗(yàn)參數(shù)估計(jì)、蹤跡圖、函數(shù)密度圖均在RStudio軟件中呈現(xiàn)，采用RStudio軟件調(diào)用OpenBUGS軟件有效解決了OpenBUGS軟件數(shù)據(jù)格式復(fù)雜性的問題。
　　結(jié)果：
　　使用無(wú)信息先驗(yàn)進(jìn)行研究對(duì)象人口學(xué)特征異質(zhì)性檢驗(yàn)，結(jié)果表明管理組與對(duì)照組人口學(xué)特征不存在異質(zhì)性，并與經(jīng)典統(tǒng)計(jì)方法分析結(jié)果一致;利用無(wú)信息先驗(yàn)進(jìn)行管理組與對(duì)照組情緒性格維度基線情況比較，發(fā)現(xiàn)管理組與對(duì)照組的情緒性格維度存在不均衡性，對(duì)照組基線得分均高于管理

5、組，結(jié)果與經(jīng)典統(tǒng)計(jì)分析結(jié)果一致(F=10.014,P=0.002);采用不同先驗(yàn)分布的貝葉斯方差分析模型比較管理組和對(duì)照組情緒性格維度的6個(gè)月與基線得分差值情況，無(wú)信息先驗(yàn)分布和三種專家先驗(yàn)分布下的后驗(yàn)估計(jì)結(jié)果均表明管理組與對(duì)照組的情緒性格維度6個(gè)月與基線得分差值不存在統(tǒng)計(jì)學(xué)差異(差值95％的可信區(qū)間(Credible interval)均包括0），經(jīng)典統(tǒng)計(jì)學(xué)方法也表明無(wú)統(tǒng)計(jì)學(xué)差異(F=0.057,P=0.881);采用不同先驗(yàn)分布的貝

6、葉斯方差分析模型比較管理組和對(duì)照組五個(gè)維度的24個(gè)月與基線得分差值情況，無(wú)信息先驗(yàn)分布和不同獲取方法的專家先驗(yàn)分布下的后驗(yàn)估計(jì)結(jié)果均表明管理組與對(duì)照組的軀體機(jī)能維度與情緒性格維度的24個(gè)月與基線得分差值均存在統(tǒng)計(jì)學(xué)差異（差值95％CI均不包括0），管理組優(yōu)于對(duì)照組，經(jīng)典統(tǒng)計(jì)分析結(jié)果與其一致(F=8.427，P=0.004)。
　　利用基線、6、18和24個(gè)月的情緒性格維度數(shù)據(jù)建立傳統(tǒng)多水平模型，固定效應(yīng)部分結(jié)果顯示，時(shí)間效應(yīng)、時(shí)間

7、與分組變量交互效應(yīng)均存在統(tǒng)計(jì)學(xué)意義(P＜0.05），系數(shù)估計(jì)值分別為-0.0085和0.0160，水平1殘差估計(jì)值為0.605，隨機(jī)效應(yīng)部分結(jié)果表明隨機(jī)截距方差有統(tǒng)計(jì)學(xué)意義，時(shí)間變量隨機(jī)斜率的方差不存在統(tǒng)計(jì)學(xué)意義。貝葉斯混合效應(yīng)模型固定效應(yīng)部分時(shí)間變量系數(shù)具有統(tǒng)計(jì)學(xué)意義，估計(jì)值為-0.0085，95％CI(-0.0165，-0.0008)，時(shí)間與分組變量交互項(xiàng)系數(shù)估計(jì)值為0.0160，95％CI(0.0063，0.0257)，說(shuō)明二者交

8、互項(xiàng)具有統(tǒng)計(jì)學(xué)意義，隨機(jī)截距方差估計(jì)值為0.0329，95％CI(0.0017，0.1238)，時(shí)間變量隨機(jī)斜率的方差估計(jì)值為0.0004，95％CI(0.0001，0.0007)，與傳統(tǒng)分析結(jié)果相比，貝葉斯方法水平1殘差(0.5946)有所減少。
　　敏感性分析結(jié)果表明，無(wú)信息先驗(yàn)、不同獲取方法的專家先驗(yàn)、悲觀先驗(yàn)、樂觀先驗(yàn)下的情緒性格維度方差分析模型的參數(shù)后驗(yàn)估計(jì)值與其95％CI均比較相近，推斷結(jié)論未發(fā)生具有統(tǒng)計(jì)學(xué)意義的改變;

9、無(wú)信息先驗(yàn)、悲觀先驗(yàn)、樂觀先驗(yàn)下的情緒性格維度貝葉斯混合效應(yīng)模型固定效應(yīng)參數(shù)的估計(jì)值變化小，三種先驗(yàn)下的隨機(jī)效應(yīng)方差參數(shù)變化相對(duì)較大，但是統(tǒng)計(jì)結(jié)論仍保持一致。此外，貝葉斯殘差分析結(jié)果表明模型與數(shù)據(jù)擬合的較好。
　　結(jié)論：
　　經(jīng)典統(tǒng)計(jì)方法與無(wú)先驗(yàn)信息分布下的貝葉斯統(tǒng)計(jì)方法在本次研究中所得到的結(jié)果相似，本研究利用百分位數(shù)法、眾數(shù)百分位數(shù)法和定分度法同時(shí)獲取專家先驗(yàn)信息，采用簡(jiǎn)單易行的算術(shù)平均法合并多位專家意見，獲得的先驗(yàn)分布參

10、數(shù)不同，對(duì)后驗(yàn)分布估計(jì)的影響也不同，但是本研究中統(tǒng)計(jì)推斷結(jié)論保持一致。本文通過(guò)構(gòu)造悲觀先驗(yàn)與樂觀先驗(yàn)信息進(jìn)行敏感性分析，結(jié)果表明簡(jiǎn)單的統(tǒng)計(jì)模型對(duì)參數(shù)的先驗(yàn)分布敏感性低于復(fù)雜的統(tǒng)計(jì)模型。經(jīng)典多水平模型分析結(jié)果與無(wú)信息先驗(yàn)下的貝葉斯混合效應(yīng)模型分析結(jié)果基本一致，但是貝葉斯混合效應(yīng)模型利用參數(shù)的先驗(yàn)信息，減少了水平1的殘差，表明貝葉斯混合效應(yīng)模型可獲取更多的效應(yīng)變異信息，更適合解決數(shù)據(jù)層次結(jié)構(gòu)問題。本研究的創(chuàng)新點(diǎn)在于同時(shí)采用三種方法獲取健康管