Benutzer: Gast  Login
Originaltitel:
Bayesian information criterion approximations for model selection in multivariate logistic regression with application to electronic medical records
Übersetzter Titel:
Schwarz-Bayes-Informationskriterium Approximationen für die Modellselektion der multivariate logistische Regression mit Anwendung auf elektronische Patientendaten
Autor:
Selig, Katharina
Jahr:
2020
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Mathematik
Betreuer:
Ankerst, Donna P. (Prof., Ph.D.)
Gutachter:
Ankerst, Donna P. (Prof., Ph.D.); Shaw, Pamela A. (Prof., Ph.D.)
Sprache:
en
Fachgebiet:
MAT Mathematik
TU-Systematik:
BIO 110d; MAT 620d
Kurzfassung:
We prove that the Bayesian information criterion approximates the Bayes factor for the multivariate logistic regression model for arbitrary and the unit information prior distributions and give the order of approximation. Further, we provide a framework in R for the Bayesian multivariate logistic regression. Using univariate and multivariate logistic regression models we develop a risk prediction model for five adverse pathological outcomes after prostatectomy based on electronic medical records...     »
Übersetzte Kurzfassung:
Wir beweisen für die multivariate logistische Regression, dass für beliebige und für die unit information A-priori-Verteilungen das Schwarz-Bayes-Informationskriterium den Bayes Faktor approximiert. Eine Implementierung der Bayes'schen multivariaten logistischen Regression wird für R zur Verfügung gestellt. Basierend auf elektronischen Patientendaten, erstellen wir mit univariaten und multivariaten logistischen Regressionmodellen ein Risikoprognosemodell für fünf negative pathologische Befunde.
WWW:
https://mediatum.ub.tum.de/?id=1531001
Eingereicht am:
17.12.2019
Mündliche Prüfung:
02.04.2020
Dateigröße:
9299618 bytes
Seiten:
181
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20200402-1531001-1-8
Letzte Änderung:
29.05.2020
 BibTeX