Abstract
ملخص استهدفت تلک الدراسة المقارنة بين طريقتين من طرق التحليل التمييزي الأول هو أسلوب التوليفة الخطية (C-H classifier) Chung and Hanوهو عبارة عن دمج دالتين تمايز خطية واحدة للمشاهدات المکتملة والاخري للمشاهدات غير المکتملة, وأسلوب تصنيف الإمکان الأعظم MLE classifier وهو مشتق من دالة التمييز الخطي التقليدية ولکن اعتمد علي تقدير المعالم باستخدام دالة الامکان الأعظم . وکلا الأسلوبين يتطلبا نمط خاص للبيانات وهو أن تحتوي البيانات على مشاهدات مفقودة علي وتيرة واحدة ويجب ان يکون للمجتمعين نفس النمط. کما تهدف الدراسة إلي التنبؤ بمتجه مشاهدات جديدة ذو بعد إلي إحدي المجتمعين قيد الدراسة, و قامت الدراسه لتقييم کفاءة الأسلوبين باستخدام معيارمقدر البوتستراب المعلمي لفرق معدل الخطأ المتوقع(a parametric bootstrap estimator of Expected Error Rate Difference) لمعرفة أيهما أفضل في التصنيف, ولقد تمت الدراسة التطبيقية علي مجموعة من بيانات مرضي الفشل الکلوي المتاحة بوحدة أمراض الکلي والغسيل الکلوي بمستشفي الأطفال الجامعي (جامعة المنصورة) وقد توصلت الدراسه إلى أن أسلوب C-H هو الأفضل . This study aims to comparing two discriminant analysis methods, namely the linear combination classifier of Chung and Hun (C-H classifier), which is a linear combination of two discriminant functions, one based on the complete observations and the other based on the incomplete observations. Also, the Maximum Likelihood Estimation substitution classifier is the general rule of discrimination based on parameters estimators via MLE estimator. It will be assumed that there are two populations are multivariate normal with equal covariance matrix; one of them is with the same monotone pattern. We consider the problem of classifying a observation into one of two population. We examine the two classifiers to know which is better in the classification by using a parametric bootstrap estimator of the Expected Error Rate Differences, The applied study was done on a set of data of patients with kidney failure available in the Kidney Diseases and Kidney Dialysis Unit at the University Children's Hospital (Mansoura University) the result shows that the C-H classifier is more efficiency to the MLE classifier when the proportion of observations with missing data is substantial.
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.