Submit Search
Upload
Analysis of cancer by structural equation
•
1 like
•
276 views
T
Tomoyuki Hioki
Follow
Multivariate analysis
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 12
Download now
Download to read offline
Recommended
地方都市における市民農園の現状と附帯施設の有用性に関する研究 -和歌山県を事例として-
地方都市における市民農園の現状と附帯施設の有用性に関する研究 -和歌山県を事例として-
Yuji Hara
Analysis of cancer and health in each prefecture
Analysis of cancer and health in each prefecture
Tomoyuki Hioki
Marketing Strategy by American Express
Marketing Strategy by American Express
Tomoyuki Hioki
製品改良と満足度との関係:多属性モデルに基づくシミュレーション
製品改良と満足度との関係:多属性モデルに基づくシミュレーション
Tomoyuki Hioki
Power energy system optimization research by reinforcement learning extended ...
Power energy system optimization research by reinforcement learning extended ...
Tomoyuki Hioki
Power energy system optimization research by reinforcement learning extended ...
Power energy system optimization research by reinforcement learning extended ...
Tomoyuki Hioki
【論文紹介】Understanding Back-Translation at Scale
【論文紹介】Understanding Back-Translation at Scale
Tomoyuki Hioki
Smart Grid Optimization by Deep Reinforcement Learning over Discrete and Cont...
Smart Grid Optimization by Deep Reinforcement Learning over Discrete and Cont...
Tomoyuki Hioki
Recommended
地方都市における市民農園の現状と附帯施設の有用性に関する研究 -和歌山県を事例として-
地方都市における市民農園の現状と附帯施設の有用性に関する研究 -和歌山県を事例として-
Yuji Hara
Analysis of cancer and health in each prefecture
Analysis of cancer and health in each prefecture
Tomoyuki Hioki
Marketing Strategy by American Express
Marketing Strategy by American Express
Tomoyuki Hioki
製品改良と満足度との関係:多属性モデルに基づくシミュレーション
製品改良と満足度との関係:多属性モデルに基づくシミュレーション
Tomoyuki Hioki
Power energy system optimization research by reinforcement learning extended ...
Power energy system optimization research by reinforcement learning extended ...
Tomoyuki Hioki
Power energy system optimization research by reinforcement learning extended ...
Power energy system optimization research by reinforcement learning extended ...
Tomoyuki Hioki
【論文紹介】Understanding Back-Translation at Scale
【論文紹介】Understanding Back-Translation at Scale
Tomoyuki Hioki
Smart Grid Optimization by Deep Reinforcement Learning over Discrete and Cont...
Smart Grid Optimization by Deep Reinforcement Learning over Discrete and Cont...
Tomoyuki Hioki
【論文紹介】Deep Mimic: Example-Guided Deep Reinforcement Learning of Physics-Based...
【論文紹介】Deep Mimic: Example-Guided Deep Reinforcement Learning of Physics-Based...
Tomoyuki Hioki
【論文紹介】Seq2Seq (NIPS 2014)
【論文紹介】Seq2Seq (NIPS 2014)
Tomoyuki Hioki
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
Tomoyuki Hioki
【論文紹介】Deep Reinforcement Learning for Solving the Vehicle Routing Problem
【論文紹介】Deep Reinforcement Learning for Solving the Vehicle Routing Problem
Tomoyuki Hioki
Prml1.2.5~1.2.6
Prml1.2.5~1.2.6
Tomoyuki Hioki
Prml1.2.4
Prml1.2.4
Tomoyuki Hioki
Prml1.2.3
Prml1.2.3
Tomoyuki Hioki
Prml1.2.1~1.2.2
Prml1.2.1~1.2.2
Tomoyuki Hioki
PRML1.1
PRML1.1
Tomoyuki Hioki
PRML1.2
PRML1.2
Tomoyuki Hioki
PRML1.1
PRML1.1
Tomoyuki Hioki
More Related Content
More from Tomoyuki Hioki
【論文紹介】Deep Mimic: Example-Guided Deep Reinforcement Learning of Physics-Based...
【論文紹介】Deep Mimic: Example-Guided Deep Reinforcement Learning of Physics-Based...
Tomoyuki Hioki
【論文紹介】Seq2Seq (NIPS 2014)
【論文紹介】Seq2Seq (NIPS 2014)
Tomoyuki Hioki
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
Tomoyuki Hioki
【論文紹介】Deep Reinforcement Learning for Solving the Vehicle Routing Problem
【論文紹介】Deep Reinforcement Learning for Solving the Vehicle Routing Problem
Tomoyuki Hioki
Prml1.2.5~1.2.6
Prml1.2.5~1.2.6
Tomoyuki Hioki
Prml1.2.4
Prml1.2.4
Tomoyuki Hioki
Prml1.2.3
Prml1.2.3
Tomoyuki Hioki
Prml1.2.1~1.2.2
Prml1.2.1~1.2.2
Tomoyuki Hioki
PRML1.1
PRML1.1
Tomoyuki Hioki
PRML1.2
PRML1.2
Tomoyuki Hioki
PRML1.1
PRML1.1
Tomoyuki Hioki
More from Tomoyuki Hioki
(11)
【論文紹介】Deep Mimic: Example-Guided Deep Reinforcement Learning of Physics-Based...
【論文紹介】Deep Mimic: Example-Guided Deep Reinforcement Learning of Physics-Based...
【論文紹介】Seq2Seq (NIPS 2014)
【論文紹介】Seq2Seq (NIPS 2014)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
【論文紹介】Deep Reinforcement Learning for Solving the Vehicle Routing Problem
【論文紹介】Deep Reinforcement Learning for Solving the Vehicle Routing Problem
Prml1.2.5~1.2.6
Prml1.2.5~1.2.6
Prml1.2.4
Prml1.2.4
Prml1.2.3
Prml1.2.3
Prml1.2.1~1.2.2
Prml1.2.1~1.2.2
PRML1.1
PRML1.1
PRML1.2
PRML1.2
PRML1.1
PRML1.1
Analysis of cancer by structural equation
1.
構造⽅程式で⾒る 癌のすがた
2.
分析テーマ・⽬的 ・分析テーマ 癌による死亡者数と飲⾷の好みの関係性について ・分析の⽬的 特定検診のデータを⽤いて構造⽅程式モデリングを⾏い、癌 による死亡者数とデータの関連性を明らかにすること。 ・⽤いたデータ 第1回NDBオープンデータ|厚⽣労働省 https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/0000139390.html 国⽴がん研究センター がん情報サービス https://ganjoho.jp/reg_stat/statistics/dl/index.html#pref_mortality
3.
モデル作成⼿順 ・前回使⽤したデータセットをそのまま使⽤ 変数を追加することも考慮したが、他の変数との整合性が取 りづらく思うような変数を得ることができなかったため、観 測変数となる13変数を重複して⽤いることを視野に⼊れて モデル作成に取り組んだ。 ・潜在変数を固定 あらかじめ分析に⽤いる潜在変数を3つに決めて検証を⾏う ことにした。
4.
⽬的変数・観測変数 ・⽬的変数 癌による死亡者数 ・観測変数 BMI・腹囲・空腹時⾎糖・中性脂肪・収縮期⾎圧・拡張期⾎圧 HbA1c・LDLコレステロール・HDLコレステロール GOT・GPT・γ-GTP
5.
潜在変数 Ø 癌による死亡者数と関連がありそうな特徴を潜在変数とし て、以下を仮定した。 1. ⾼カロリー⾷が好き 2.
濃い味付けが好き 3. アルコールが好き
6.
2個の潜在変数だけでモデル作成した例 ⾼カロリー ⾷が好き アルコール が好き BMI 中性脂肪 収縮期⾎圧 拡張期⾎圧 LDLコレス テロール γ-GTP GPT GOT HDLコレス テロール 癌による死亡者数 腹囲 HbA1c 空腹時⾎糖 -0.44 0.09 0.95 0.64 0.90 0.08 0.46 -0.34 0.02 0.87 0.79 0.94 0.77-0.29 0.39 ・GFI=0.58
7.
改善策 ・どうにか潜在変数が3個のモデルを作れないか? →エラーが出た際に、それぞれの推定値の低い値を控え、さ らに各潜在変数ごとにモデリングしていき、エラーの出た潜 在変数を減らしていく⽅法をとった。 ・さらにGFIを⾼めるためにはどうしたら良いか? 観測変数の数を増やすため、そしてよりGFIを⾼めるために先 程控えた低い推定値を相関係数⾏列の⾼い相関を出している 値を⼊れ変えたり増やしたり調整した。
8.
潜在変数1(⾼カロリー⾷好き) Ø 観測変数:BMI・腹囲・空腹時⾎糖・中性脂肪・収縮期⾎圧・ HbA1c ・GFI=0.83 ⾼カロリー⾷好き 腹囲 空腹時⾎糖 中性脂肪 収縮期⾎圧 BMI HbA1c 0.95 0.90 0.47 0.64 0.08 0.09
9.
潜在変数2(濃い味付け好き) Ø 観測変数:収縮期⾎圧・LDLコレステロール・HbA1c・空腹 時⾎糖・拡張期⾎圧 ・GFI=0.92 濃い味付け好き 収縮期⾎圧 拡張期⾎圧 LDLコレス テロール HbA1c 空腹時⾎糖 1.01 0.62 -0.07 -0.48 0.42
10.
潜在変数3(アルコール好き) Ø 観測変数:HDLコレステロール・GOT・GPT・γ-GTP ・GFI=0.95 アルコール好き HDLコレス テロール GOT GPT γ-GTP 0.31 0.90 0.81 0.91
11.
全体のモデル(最終版) ⾼カロリー ⾷が好き 濃い味付け が好き アルコール が好き BMI 中性脂肪 収縮期⾎圧 拡張期⾎圧 LDLコレス テロール γ-GTP GPT GOT HDLコレス テロール 癌による死亡者数 腹囲 HbA1c 空腹時⾎糖 0.97 0.89 0.34 0.63 -0.14 0.08 0.86 -0.57 -0.01 0.49 0.66 0.27 0.90 0.81 0.91 -0.01 0.79 -0.33 0.24 0.39 0.66 ・GFI=0.66
12.
まとめ ・最終的なモデルのGFIは0.66である。 ・癌によって死亡する可能性の⾼い⼈→推定値が⾮常に ⼩さい「濃い味付けが好き」であることを除いて、普段 の⾷⽣活において「アルコール好き」であり、「⾼カロ リー⾷が好き」であると考えられる。 ・逆説的に⾔えば、普段からこれらの点に注意した⾷⽣ 活を送ることでがんになる可能性を下げられるかもしれ ないと⾔える。
Download now