中国科学技术信息研究所--国家工程技术数字图书馆

排序：

1. 日本动漫文化中典型环境与角色权重演变的研究——从“大”世界“小”人物到“小”世界“大”人物

[学位论文] 陈嘉凝浙江大学 2018年硕士导师: 王小松共80页

摘要 : 纵观日本漫画史，结合如今的人气动漫，将发现一个有意思的现象:世界权重大的作品越来越少，而角色所占的权重越来越大，甚至于出现了不需要（或仅有极少）背景世界设定而独立存在的角色——而且他们还享有很高的人气。笔者通过收集漫画史上的重... 展开

关键词 : 动漫产业世界权重角色权重

2. 基于稳定权重目标最大似然估计模型的研究及其在真实世界研究中的应用

[学位论文] 韩贺东海军军医大学 2020年博士导师: 贺佳共215页

摘要 : 研究目的： (1)通过模拟及实例研究构建基于重叠权重等九种不同权重形式的倾向性评分加权法(propensity score weighting，PSW)、WLS、增广的倾向性评分加权法（augmented propensity score weighting，APSW）及TMLE，并与未校正和G-计算的结果比... 展开研究目的： (1)通过模拟及实例研究构建基于重叠权重等九种不同权重形式的倾向性评分加权法(propensity score weighting，PSW)、WLS、增广的倾向性评分加权法（augmented propensity score weighting，APSW）及TMLE，并与未校正和G-计算的结果比较，在不同的接受处理的对象比例和样本量下，评估组间不同倾向性评分重叠度下各方法的估计结果，探索稳定权重TMLE法的估计性能。同时，探讨IPTW不同程度的截断水平对标准TMLE估计的影响。 (2)通过模拟及实例研究构建基于九种权重的估计方法，在不同接受处理的对象比例、样本量及倾向性评分重叠度下，评估各估计方法在四种不同的模型设定情景（处理模型正确结局模型正确、处理模型错误结局模型正确、处理模型正确结局模型错误、处理模型错误结局模型错误）下的效应估计结果，探索稳定权重TMLE法的双稳健性能。研究方法：基于以上两个研究目的，采取数据模拟、模型构建、模型评价及实例应用的流程开展本课题研究。分述如下： 2、稳定权重目标最大似然估计双稳健性能的探索本研究中模拟与实例均采用数据分析软件R3.5.2实现。研究结果： 1、稳定权重目标最大似然估计在不同倾向性评分重叠度下的表现 (1)模拟研究结果： ①随着组间倾向性评分重叠度的减弱，OVL逐渐减小，WAASMD逐渐增大，IPTW相关权重的极值与变异度越来越大，包括TMLE在内的各估计方法在所有情景下的性能指标均逐渐变差。 ②与接受处理的对象比例为0.4相比，为0.1的OVL更小，WAASMD更大，更容易出现极端IPTW，所有权重的TMLE的各指标表现均更差。 ③当对标准TMLE的IPTW进行截断时，随着截断水平的提高，偏倚有逐渐增加的趋势，而估计的总体效果越来越好，表现为SD，SE及RMSE逐渐变小。 ④重叠度好时，标准TMLE具有良好的估计效果;重叠度差时，标准TMLE在所有指标上的表现均最差。所有与IPTW相关稳定权重包括IPTW(1，99)，IPTW(5，95)，IPTW(10，90)，MPIPTW,NIPTW和SHIPTW的TMLE均表现较差。 ⑤就偏倚而言，当重叠度好时，稳定权重TMLE与标准TMLE类似，其他指标（SD，SE，RMSE及95％CI覆盖率）有较小差异;当重叠度差时（γ=1.5或2），OW和MW为基础的稳定权重TMLE拥有更小的偏倚。 ⑥MPIPTW和NIPTW的TMLE与标准TMLE的偏倚、SD及RMSE相等，但SE和95％CI覆盖率不同。 ⑦所有重叠度下，与标准TMLE相比，稳定权重TMLE均具有更小的SD，SE，RMSE及更好的95％CI覆盖率。其中，SHIPTW，OW及MW三种稳定权重为基础TMLE的各种指标性能最好，尤其是OW和MW的TMLE。 ⑧由于结局模型的设定是正确的，G-计算在所有情景下的各评价指标均有着不错的表现。IPTW相关的PSW在重叠度差时表现很差。各种情景下，与crude、G-计算、PSW及WLS相比，各种权重的TMLE与APSW在偏倚、SD、SE、RMSE及95％CI覆盖率方面均较优。 (2)实例研究结果：实例分析共纳入3，916名患者，其中接受RALRP的比例为81.13％(n=3，177)，接受ORP的比例为18.87％(n=739)。组间倾向性评分重叠度较好(OVL=0.8120)，倾向性评分范围为0.3928-0.9002，不存在极端倾向性评分值，各种权重值均小于10。九种权重对应的WAASMD分别为0.0041，0.0390，0.0032，0.0025，0.0041，0.0041，0.0037，0和0.0002。各方法的结果基本一致且均具有统计学显著性：RALRP组患者的住院时长比ORP组更短。与Crude相比，校正潜在混杂因素后点估计变小，SE变大。与标准TMLE相比，稳定权重TMLE的点估计及SE均较大。考虑稳定权重TMLE，基于OW和MW的TMLE的SE较小、置信区间较窄。 2、稳定权重目标最大似然估计双稳健性能的探索 (1)模拟研究结果： ①当接受处理的对象比例为0.4时，无论重叠度好坏，处理模型错误设定都导致权重平均值变大、变异度变小、极值变小和IPTW相关权重的WAASMD变小;当接受处理的对象比例为0.1且重叠度好时，错误设定导致权重变大、极值变小、变异度变小和WAASMD变小。而重叠度差时，错误设定导致权重、极值、变异度和WAASMD均变大。 ②各种情景下，以处理模型为核心的方法(如PSW)在处理模型错误设定时表现较差，而以结局模型为核心的方法（如G-计算）在结局模型错误设定时表现较差。 ③总体而言，四种模型设定下，与标准TMLE比，八种稳定权重TMLE表现出更小的RMSE，且以OW和MW为基础的TMLE最好。 ④本研究发现IPTW相关权重(包括IPTW、IPTW(1，99)、IPTW(5，95)、IPTW(10，90)、MPIPTW、NIPTW和SHIPTW）的APSW和TMLE受极端权重的影响大于受模型误设的影响。 ⑤在Qwgc和Qwgw两种设定下，与标准TMLE相比，八种稳定权重TMLE的所有指标（偏倚，SE，SD，RMSE及95％CI覆盖率）均是更优的。 ⑥同一情景下，遗漏交互项和高次项的错误设定处理模型减少了极端倾向性评分。此时，稳定权重TMLE在Qcgc时的估计效果略差于在Qcgw时的估计效果。 ⑦对于APSW和TMLE而言，结局模型的正确设定比处理模型的正确设定更加重要。以OW及MW为基础的APSW在结局模型错误设定时表现很差。 ⑧当重叠度很差，尤其接受处理的对象比例为0.1时，除OW和MW为基础的方法外，其余的估计效果均不理想。特别是Qwgw时，各种权重的TMLE和APSW的结果比crude的还要差。 ⑨四种模型设定情景下，与crude、G-计算、PSW及WLS相比，各种权重的TMLE与APSW在偏倚、SD、SE、RMSE及95％CI覆盖率方面均较优。 ⑩在Qwgw设定下，无论何种情景，各种权重的TMLE在偏倚、SD、SE、RMSE及95％CI覆盖率上均比相应权重的APSW表现更好。在Qwgc设定下，当重叠度好时，各种权重的TMLE在各指标上均比相应权重的APSW表现更好;而当重叠度差时，各种权重的TMLE在各指标上均比相应权重的APSW表现更差（OW和MW除外）。 (2)实例研究结果： 4,956名老年人中，ADL受损的比例为12.83％(n=636)。重叠度一般(OVL=0.5955)，倾向性评分值的范围为0.00473-0.80024，存在极端倾向性评分值，IPTW存在较大的权重值，最大达到了71.52。九种权重对应的WAASMD为0.0105，0.0034，0.0217，0.0606，0.0105，0.0105，0.0045，0和0.0022。与Crude相比，校正潜在混杂因素后点估计变小，SE变大。除以NIPTW为基础的TMLE外，各方法的结论基本一致且均具有统计学意义，即ADL受损老年人的认知功能下降的程度更大。IPTW相关权重TMLE的点估计相近。在稳定权重TMLE中，OW与MW为基础的TMLE的点估计和SE较小。两种结局模型设定下，G-计算的结果基本一致，说明交互项的存在对处理效应的影响较小。整体来看，TMLE的结局模型中不包含交互项的点估计和SE比包含交互项的更大。研究结论：在真实世界研究中，极端权重和模型错误设定均可能影响估计的准确性。各种权重的TMLE受极端权重的影响大于受模型错误设定的影响，且结局模型的正确设定比处理模型的正确设定更加重要。处理模型的错误设定可影响极端权重的存在，进而影响效应的估计结果。采用倾向性评分权重相关方法如TMLE估计处理效应时，应首先查看组间倾向性评分的重叠度和权重的分布情况。模拟结果显示当重叠度较好或不存在极端权重时，各种权重的TMLE均表现良好;当重叠度较差或存在较多极端权重时，对标准TMLE的IPTW进行截断可改善估计效果，以IPTW(1，99)、IPTW(5，95)、IPTW(10，90)、MPIPTW、NIPTW、SHIPTW、OW和MW为基础的稳定权重TMLE比标准TMLE拥有更小的SD，SE，RMSE及更好的95％CI覆盖率，尤其OW和MW为基础的TMLE在重叠度很差时依然有良好表现。稳定权重TMLE具有较好的双稳健性能，尤其当两个模型均设定错误时。无论模型设定是否正确，以OW和MW为基础的TMLE均表现最好。综上所述，当重叠度较差、存在较多极端权重、接受处理的对象比例较低或对模型正确设定把握不足时，为获得更准确的估计效果，推荐以OW和MW为基础的稳定权重TMLE。收起

关键词 : 临床药学真实世界研究目标最大似然估计模型稳定权重

3. 上海世博会物流中心的服务绩效评价研究

[学位论文] 王勤志华东理工大学 2009年硕士导师: 张坚共67页

摘要 : 随着会展经济日益成为我国国民经济的重要组成部分，会展管理也逐渐成为了国内学术界的研究热点。但是，作为会展管理的重要一环，会展物流管理的国内外相关研究却极为有限，而随着2010年上海世博会的日益临近，对于会展物流管理尤其是会展物流服务的... 展开

关键词 : 上海世界博览会物流中心服务绩效结构方程模型指标权重

4. 集群运动的同步及其在行人流中的应用

[学位论文] 马佩杰中国科学技术大学 2011年博士导师: 汪秉宏共40页

摘要 : 自20世纪90年代以来，人们对复杂网络引起了极大的兴趣。这不仅仅是国际互联网和WWW本身的蓬勃发展，而且是人们发现我们自身就生活在一个有着各种网络的社会中间。虽然网络之间各不相同，但是它们无一例外地表示出了小世界效应。现在，科学家们对复杂... 展开自20世纪90年代以来，人们对复杂网络引起了极大的兴趣。这不仅仅是国际互联网和WWW本身的蓬勃发展，而且是人们发现我们自身就生活在一个有着各种网络的社会中间。虽然网络之间各不相同，但是它们无一例外地表示出了小世界效应。现在，科学家们对复杂网络的研究已经渗入到了各个领域，比如社会学、生态学、生物学、神经科学等等。为了研究网络上的现象和行为，我们不仅仅要从宏观上把整个系统作为一个整体作为研究对象，而且还需要从微观上来研究每个个体之间的相互作用，通过研究微观的运动特征和相互作用，来预言整体的宏观行为。总之，通过对复杂网络的研究能帮助我们在一个新的高度上来理解世界中的各种系统是如何运作的。本文的主要研究内容和创新点如下：在复杂网络同步能力方面，通过对复杂网络同步能力的研究，为了使得网络的同步能力达到最优，我们提出了引入权重矩阵的方法。这个方法能够使得同步态能有最大范围的耦合强度。我们不仅仅在数学上给出了一个数学证明，还能计算出权重矩阵的具体形式。这个权重矩阵等于。其中是描述具有最优同步能力网络的矩阵，而矩阵β是由原来的那个耦合矩阵（拉普拉斯矩阵）的特征值和特征向量构成。这个方法能给我们对复杂网络的同步能力有更深一步的了解。在复杂网络的结构和同步方面，我们主要是考察了小世界网络上的同步和退同步问题。为了描述网络同步的状态，我们引入了序参量。我们发现网络的同步过程和退同步过程并不一致。序参量和耦合强度的函数关系如同磁滞回线。回线的面积随着小世界网络的加边概率的增加呈现非单调性，并且回线的面积和网络的结构有着密切的关系。当加边概率等于0.4的时候，回线的面积达到最大。这个现象提示了我们在同步过程和退同步过程中间，复杂网络中的簇团结构有着重要的作用。在行人流方面，我们可以把人和人的相互作用看成是一个动态的网络。这也是一个复杂性问题。在本文中我们对经典的社会力模型做了简化，来模拟行人在屋内逃生的情景，并且我们还参照Vicsek模型，引入了视野半径。视野半径是一个描述行人的视力范围的量。我们主要研究了逃生时间，在不同人数下和视野半径之间的关系。结果表明视野半径越短，则逃生时间越长。如果事业半径太短，那么就会有人逃生失败。我们把逃生失败的人数称作滞留人数。在总人数多余600人时，滞留人数和视野半径会表现出非单调关系。为了缩短逃生时间，我们比较了把门加宽和增设角门的方法，经模拟发现，后者在视野半径较小的时候优于前者，反之亦然。最后我们还用元胞自动机模型探讨了在出口处放置障碍物对行人逃生的影响。发现逃生时间是障碍物大小和到出口距离的函数，并且逃生时间和障碍物到出口的距离还表现出了一定的标度关系。其幂指数是一个和行人总数与障碍物大小有关的一个函数。收起

关键词 : 集群运动行人流复杂网络小世界效应权重矩阵同步能力元胞自动机

5. 广义增强模型联合倾向性评分重叠权重的研究及应用

[学位论文] 涂博祥海军军医大学 2023年硕士导师: 赵艳芳共145页

摘要 : 倾向性评分(Propensity Score,PS)方法是目前常用的在真实世界研究中控制混杂因素的方法，其中PS加权方法也已得到越来越多的应用。PS加权的分析步骤为:1.估计PS值;2.根据PS值进行加权;3.均衡性检验;4.效应估计。目前常用的估计PS值的方法为logistic回... 展开倾向性评分(Propensity Score,PS)方法是目前常用的在真实世界研究中控制混杂因素的方法，其中PS加权方法也已得到越来越多的应用。PS加权的分析步骤为:1.估计PS值;2.根据PS值进行加权;3.均衡性检验;4.效应估计。目前常用的估计PS值的方法为logistic回归模型，但是当混杂因素和处理因素之间的关系复杂且未知时难以完全正确设定它们之间的关系，因此PS值会估计不准确，导致效应估计不准确。广义增强模型(Generalized Boosted Models,GBM)是一类自适应的回归模型，无需人为设定自变量与因变量之间的关系。将GBM应用于PS值的估计中，模型即可通过迭代找到混杂因素与处理因素之间的关系，从而得到更加准确的PS值估计。目前常用的加权方法为逆概率加权(Inverse Probability Weighting,IPW),但是极端权重的出现会影响效应估计，尤其是当处理组和对照组之间PS值重叠程度小的情况下，而重叠权重加权(Overlap Weighting,OW)则可避免重叠程度低导致极端权重产生的问题。研究目的:联合GBM和倾向性评分重叠权重构建GBM-OW模型，解决在处理因素为二分类变量的情况下PS值估计不准确和极端权重的问题，从而得到更加准确的效应估计，为真实世界研究控制混杂因素提供新的统计分析方法。研究方法:根据混杂因素的均衡性联合广义增强模型和倾向性评分重叠权重，构建GBM-OW模型。通过多种场景的模拟数据对模型进行评价，设计包含7种不同混杂因素与处理因素之间的关系、4种不同PS值重叠程度、2种处理组比例、6种样本量以及3种结局类型共1008种场景的模拟数据，每种场景模拟1000次。利用Kolmogorov-Smirnov(KS)值和绝对标准均值差(Absolute Standardized Mean Difference,ASMD)评价GBM-OW模型在均衡混杂因素方面的表现，利用相对偏倚(Relative Bias,RB)、均方根误差(Root Mean Squared Error,RMSE)、95％置信区间覆盖率(95％Confidence Interval Coverage Rate,95％ CICR)评价模型在效应估计方面的表现，并与多因素回归模型(adjusted)、基于logistic回归的IPW模型(logistic-IPW)、基于logistic回归的OW模型(logistic-OW)、基于GBM的IPW模型(GBM-IPW)四种模型进行比较。然后将GBM-OW模型应用于美国重症监护医疗信息中心数据库(Medical Information Mart for Intensive Care,MIMIC-Ⅳ)中，分析使用他汀类药物是否与重症监护室中急性肾衰竭病人的临床结局有关。并基于实例数据进行了进一步的模拟研究。研究结果:在模拟数据中，加权前与 logistic-IPW、logistic-OW、GBM-IPW、GBM-OW四种模型加权后的平均KS值分别为:0.3687、0.1584、0.0728、0.1402和0.0160;平均ASMD值分别为0.9312、0.2668、＜0.0001、0.3648和0.0315。当结局为连续型变量时，adjusted、logistic-IPW、logistic-OW、GBM-IPW 和 GBM-OW 五种模型的平均 RB 分别为:24.43％、26.21％、13.40％、107.09％和 6.68％;平均 RMSE 分别为:0.2694、0.6100、0.1688、1.0947 和 0.1167;平均 95％ CICR 分别为 38.57％、83.42％、80.75％、32.52％和 97.56％。当结局为二分类变量时，adjusted、logistic-IPW、logistic-OW、GBM-IPW和GBM-OW五种模型的平均RB分别为:56.51％、极端值、27.65％、88.58％和 24.02％;平均 RMSE 分别为:0.3811、极端值、0.2396、0.5411和 0.2374;平均 95％ CICR 分别为 55.02％、85.69％、77.04％、53.07％和 85.11％。当结局为生存资料时，adjusted、logistic-IPW、logistic-OW、GBM-IPW 和 GBM-OW 五种模型的平均 RB 分别为:87.60％、24.52％、27.10％、89.21％和 24.99％;平均RMSE 分别为:0.4021、0.2895、0.1513、0.3868 和 0.1473;平均 95％ CICR 分别为26.64％、37.42％、77.43％、27.59％和 94.45％。在实例研究中，adjusted、logistic-IPW、logistic-OW、GBM-IPW和GBM-OW五种模型对住ICU天数的分析结果(均值差及95％CI,使用他汀组vs.未使用他汀组)分别为:-0.51(-0.79 ～-0.24)、-0.41(-0.84 ～ 0.03)、-0.49(-0.77～-0.20)、-0.30(-0.71 ～ 0.12)和-0.38(-0.67 ～-0.09);五种模型对30天内ICU死亡风险的分析结果(HR及95％ CI,使用他汀组vs.未使用他汀组)分别为:0.68(0.59 ～ 0.79)、0.72(0.56 ～ 0.93)、0.74(0.64 ～ 0.87)、0.73(0.58 ～0.92)和0.82(0.70 ～ 0.96)。基于实例数据的模拟研究结果与前述模拟研究结果类似。研究结论:通过在模拟数据与实例数据中的应用，构建的GBM-OW的模型顺利运行并输出结果。在模拟研究中，综合各方面的指标，GBM-OW模型总体表现优于其它模型，特别是当数据场景复杂其它模型表现不佳时，GBM-OW模型仍能有较好的表现。在实例研究中，GBM-OW模型能够很好地均衡混杂因素，并顺利进行效应估计,所得结论与其它常用模型基本一致，即使用他汀类药物的AKI患者临床结局要好于未使用他汀类药物的患者。在基于实例数据的模拟研究中，GBM-OW模型在RB、RMSE、95％CICR等指标上的总体表现优于其它模型。综上，GBM-OW模型在均衡混杂因素、效应估计等评价指标方面均有较好的表现，可解决在倾向性评分加权中PS值估计不准确以及极端权重影响效应估计的问题，尤其是数据场景复杂的情况且样本量足够的情况下，相较于其它模型更有优势。通过实例应用及基于实例数据的模拟研究验证，GBM-OW模型可作为一种在真实世界研究中控制混杂因素的分析方法。收起

关键词 : 真实世界研究控制混杂因素倾向性评分广义增强模型重叠权重效应估计