Keskustelua
BMDP sopiva rutiini tarjoaa tarkan arvoja (yleensä 6%) sekä aikavakiot ja suhteelliset amplitudit kolmen komponentin jakaumat, edellyttäen, väli-komponentti edustaa vähintään 4-5% 1500 tietojen pistettä. Vaikka pienen välikomponentin yksittäiset arviot hajaantuvat huomattavasti, keskimääräiset arvot ovat edelleen 6%: n sisällä todellisista arvoista.,
Jotkut vaihtelu yksittäisten sopii saattaa aiheutua epäjohdonmukaisuuksia luonnostaan simuloitu data. Ai = 5%, väli-komponentti koostui vain 75 pistettä 1500. Koska keskihajonta eksponentiaalinen jakautuminen on yhtä suuri kuin sen tarkoittaa, 75 pistettä ei todellakaan ole riittävä otoskoko eksponentiaalinen jakauma. Vaikka asennettu arvot syntyvät BMDP rutiini joskus poikennut tarkoittaa, varustettu arvoja johdonmukaisesti tuottanut suuremmat todennäköisyydet kuin keskiarvo, joka määräytyy riippumaton laskeminen todennäköisyys toiminto., Tämä havainto osoittaa, että rutiini toimi oikein lähestyy niitä arvoja, jotka maksimoida todennäköisyys.
Yksi ongelma liittyy asentaminen jakaumat, jotka ovat summia exponentials on määrittää määrä osia tarvitaan kuvaavat tiedot. Esimerkiksi kaksi-komponentti tiheysfunktion voi näkyä riittävä sopiva kolmen komponentin jakelu, jossa väli-komponentti on vain 3-4% tietojen pistettä., Sopivuuden hyvyyden ja vaadittujen komponenttien määrän silmämääräinen määrittäminen ei aina ole tyydyttävää, ja se voi aiheuttaa epäjohdonmukaisuuksia tietojen analysoinnissa.
eri mallien hyväkuntoisuuden vertailemiseksi ja jakauman kuvaamiseen tarvittavien komponenttien määrän määrittämiseksi on ehdotettu useita testejä. Nämä testit perustuvat kirjautuminen todennäköisyys suhde (ottelua varten tiedot kummankin nyrkkeilijän), tai logaritmi suhde enintään todennäköisyydet saadaan sovittamalla eri malleja, kuten ne, ennustaa kaksi – ja kolme-komponentti-jakeluissa., LLR on yhtä suuri kuin ero menetys toimintoja kaksi sopii.
Kun mallit ovat sisäkkäisiä, kaksi kertaa ottelua varten tiedot kummankin nyrkkeilijän on χ2 jakaumaa vapausasteiden lukumäärä on yhtä suuri määrä muita parametreja enemmän monimutkainen malli (4, 11). Klo 2 astetta vapauden, todennäköisyys suhde testi suosii kolmen komponentin fit (jossa on viisi riippumatonta muuttujaa) yli kahden osa fit (kolme riippumatonta muuttujaa) klo 0.05 merkitsevyystasolla, kun ottelua varten tiedot kummankin nyrkkeilijän on enemmän kuin 3.,
muita hyvyyden testejä ovat termit, jotka rankaisevat mallin monimutkaisuudesta. Akaiken informaatiokriteerin (AIC) (12) mukaan malli, jossa alin AIC on parempi malli. AIC = – L + P, jossa L on suurin log-todennäköisyys ja P on mallin riippumattomien parametrien määrä. Kolmen komponentin istuvuus suositaan yli kahden komponentin sovi aina LLR on enemmän kuin 2.
vastaavaa menetelmää on ehdottanut Schwarz (13). Schwarzin kriteeri (SC) on – L + , jossa N on asutusaikojen kokonaismäärä., Kun N = 1500, kolmiosainen sovitus valittaisiin kaksiosaisen sovituksen päälle vain silloin, kun LLR eroaa yli 7,3: lla.
simuloidun tiedot, jotka Ai oli 5%, todennäköisyys, suhteet kaksi-komponentti vs. kolme-komponentti sopii keskimäärin 9.2 ± 2.6 (±SD) viisi aineistoja. Kaikki kolme testiä pitävät tätä merkittävänä erona ja osoittavat, että monimutkainen malli on parempi. Kun tekoäly oli 2%, todennäköisyyssuhteet olivat keskimäärin 2,2 ± 1,8. Vain AIC suosisi kolmiosaisen istuvuuden valintaa.,
Data-sarjaa, jossa Ai oli määritetty väli-arvot 3 tai 4% oli myös testattu selvittää, onko BMDP-ohjelma pystyi havaitsemaan kolmas komponentti, kun se tuotti merkittävää parannusta kunnossa. Kaksi data-sarjaa, joka sisältää kolme komponenttia, jotka sopivat vain kaksi-komponentti jakaumissa LLRs olivat 2,4 ja 2.0. Vain AIC: n mukaan LLR-säännöissä on merkittäviä eroja. Keskimääräinen LLR = 4% oli 6,0 ± 5,2 ja LLR = 3% oli 4,2 ± 2,6.,
Molemmat ottelua varten tiedot kummankin nyrkkeilijän ja SC-testit viittaavat siihen, että BMDP ohjelma oli mahdollisuus ratkaista kolmannen komponentin jakelu, kun kolmen komponentin istuvuus oli merkittävä parannus yli kaksi-komponentti sovi. Data-sarjaa, jossa kolme-komponentti sopiva rutiini tuotti vain kaksi kertaa vakioita, ero näiden kahden välillä sopii, ei ollut merkittävä.
tietenkin tässä kuvattu arviointi soveltuu todella vain niihin olosuhteisiin, joissa ohjelmaa testattiin. Ohjelman tarkkuus ja resoluutio vähenevät pienemmillä datapisteillä., Simuloidut tiedot oli kuitenkin suunniteltu antamaan melko tiukka testi sovitusrutiinille. Kaksi kertaa vakiot olivat erotettu tekijä vain 5; tf oli vain 5 kertaa tmin, mikä tarkoittaa, että noin 18% tiedot tämä osa jätettiin pois analyysistä, ja jokainen tietojen joukko koostui vain 1500 pistettä, joka on suhteellisen pieni, mutta realistinen otoksen koko.
tietyt rajoitukset on kuitenkin pidettävä mielessä, kun kineettisiä malleja verrataan tämän ohjelman suorittamien kohtausten perusteella., Vaikka suurimman uskottavuuden estimaatit on osittain korjattu jäi tapahtumia vähemmän kuin tietty kesto tmin, merkittäviä rajoituksia sovelletaan edelleen tulkinta tietoja, jotka sisältävät erittäin nopea komponentti, jonka aikavakio ei ole paljon suurempi kuin tmin.
Yksi mahdollinen lähde bias ei ole otettu huomioon tässä näytteenotto edistäminen virhe, joka ilmenee, kun analoginen-digitaalinen näytteenottotaajuus käyttämä tietokone on verrattavissa tapahtuman kesto (6, 14)., Näytteenotto tiedot diskreetti väliajoin on vaikutusta yhdistämällä tiedot jäteastioita, koska pysähdysajat voidaan ilmaista vain kerrannaisina näytteenottoväli. Nämä roskakorit ovat päällekkäisiä ja todellinen kesto tapahtuma mitattu olla T näytteenotto välein voi oikeastaan olla missä tahansa – 1-T + 1 välein. Esimerkiksi näytteenotto-aika 50 µsec/kohta tarkoittaa, että pysähdysajat näy kuin 100 µsec kesto voi oikeastaan olla missä tahansa alkaen 50 150 µsec kauan. Kunkin roskakorin mitattujen oleskeluaikojen määrä on siten suurempi kuin todellinen määrä tai sitä edistetään., Tämä vaikutus on merkittävin silloin, kun otanta-aika on merkittävä osa ajasta jatkuva jakelu.
McManus et al. (6) ovat esittäneet nimenomaisia ilmaisuja näytteenoton edistämisvirheiden todennäköisyyden oikaisemiseksi (KS.myös viite. 14). He päättelevät, että virheitä suurimman uskottavuuden estimointi aika vakioita summia exponentials olisi tullut merkittäviä vain, jos näytteenoton aikana oli suurempi kuin 10-20% nopein aika vakio jakelu. Tässä esitetyt menetelmät eivät sisällä oikaisuja näytteenoton edistämisvirheisiin.,
Toinen tyyppi virhe ei aiemmin mainittiin on valmistettu tapahtumia, jotka kulkevat huomaamatta, koska ne ovat nopeampia kuin tmin. Jäi kiinni kertaa, koska kanava-aukot näkyvät liian kauan, koska kaksi vierekkäistä avaaminen tapahtumat näkyvät yhtenä pitkä tapahtuma. Samoin jäi aukkoja, koska virheellisesti kauan mittaukset suljettu kestot, koska kaksi vierekkäistä suljettu kertaa näkyvät yhtenä pitkä suljettu aika. Tällaisten menetettyjen tapahtumien korjaaminen on malliriippuvaista ja voi muuttua melko monimutkaiseksi (15, 16)., Korjaus riippuu määrä reittejä, joita kanava voi suorittaa siirtymät yhdestä tilasta toiseen ja suhteellinen suuruus, korko vakiot siirtymävaiheen valtioiden välillä. Tällaisten menetettyjen tapahtumien korjaamatta jättäminen voi aiheuttaa huomattavia virheitä valtioiden välisten vakioiden estimaateissa.
Edellyttäen, että näitä rajoituksia pidetään, BMDP sopiva rutiini tarjoaa kätevä tapa tuottaa aika vakiot ja suhteelliset amplitudit yhden kanavan puristusaika jakaumat.