课程文献中心 更多>>

关键词： 研究对象   类实验研究方法   抽样方法   撰写要点  

摘要： 类实验研究方法撰写要点包括以下内容。①研究对象:描述研究对象的抽样方法、纳入与排除标准、征集研究对象、数据收集的单位和场所等。说明样本量的计算方法及分组方法,并指出为减少因非随机化而导致的偏倚所采取的措施。注意研究对象的纳入和排除标准勿重复,切忌将研究对象的抽样方法和分组方法混为一谈。

关键词： 研究对象   抽样方法   撰写要点   干预措施   研究目的  

摘要： 类实验研究方法撰写要点包括以下内容。(1)研究对象:描述研究对象的抽样方法、纳入与排除标准、征集研究对象、数据收集的单位和场所等。说明样本量的计算方法及分组方法,并指出为减少因非随机化而导致的偏倚所采取的措施。注意研究对象的纳入和排除标准勿重复,切忌将研究对象的抽样方法和分组方法混为一谈。(2)干预措施:该部分能够体现文章的亮点,应对各试验组及对照组的干预措施进行详细描述,一般应该说明由谁、在什么时间、通过什么形式、对什么样的对象、进行何种干预等内容。(3)研究目的:明确研究目的与研究假设。

关键词： 工厂检查   抽样方法   产品认证  

摘要： 抽样是工厂检查中最基本的方法之一,通过选取样本数据来推断总体状况,但这一过程本身伴随着一定风险性。为降低此类风险,检查抽样通常遵循“明确总体、合理抽样”原则。该原则的充分实施能有效降低抽样带来的检查风险。但在实际的工厂检查中,检查人员需熟练掌握、正确运用抽样方法。本文主要结合产品认证的特点,对如何正确运用工厂检查方法展开探讨,为提升产品认证工厂检查的科学性与有效性提供实践参考。

关键词： 流数据   大数据子抽样   非正交放缩   均匀抽样   均匀设计  

摘要： 随着时代的发展,科技的进步,数据产生的速度呈爆炸式增长,在各个领域中都持续产生海量数据,这对计算机的存储能力提出了更高的要求,然而计算机存储的发展速度远远比不上数据产生的速度,因此如何处理大量数据成为了目前统计学关注的一个热点问题。当前主流处理方法是针对大数据的子抽样方法,即从大量数据中抽取部分符合研究需求的数据来分析或储存。传统抽样方法如简单随机抽样、基于模型的最优抽样(如IBOSS)及由数据驱动的无模型子抽样(DDS)在静态数据下有不错的效果,但在流数据场景下面临诸多局限,例如静态抽样方法难以适应流数据特征,底层模型容易错误假设等。为此,本文提出一种流数据下的均匀抽样方法—非正交放缩流式均匀抽样方法(NOST-DDS)—旨在提升样本代表性、计算效率及动态环境稳定性。 本文提出的方法通过三重技术实现流数据自适应抽样。首先,采用基于Welford算法增量式协方差更新机制,结合历史与当前数据块的统计量加权融合,实时捕捉分布演变趋势。其次,利用Cholesky分解将原始数据投影至解相关空间,消除特征间线性相关性。最后,引入基于中位绝对偏差的非正交放缩策略,通过尺度因子均衡各维度变异程度,增强对非均匀尺度数据的适应性。设计点通过均匀设计点集映射至放缩空间,结合动态最近邻搜索生成最终子样本。该方法在理论上满足尺度不变性,且通过广义经验F偏差上界分析验证其分布匹配能力。 实验验证考虑了各维度独立与相关数据场景。在模型误假定为线性函数但实际数据响应变量为非线性函数的钻孔数据集中,NOST-DDS在固定块数t=10时较DDS、IBOSS与简单随机抽样的均方预测误差显著降低;极端小样本场景每块抽取r=5下仍保持最优泛化性能。其广义经验F偏差低于DDS与简单随机抽样,表明样本代表性更优。在各维度相关数据的高斯过程回归任务中,NOST-DDS在固定抽样点数时均方预测误差收敛更快,且模型误设下稳定性显著优于基准方法。当前方法在突发性分布漂移的理论收敛性及权重自适应机制存在局限,未来将结合在线主动学习框架拓展应用场景。本文提出的NOST-DDS为流式大数据分析提供了高效、自适应的抽样解决方案,在提升实时决策质量与降低计算开销方面具有一定的理论与应用价值。

标准号: GB/T 21664-2025

摘要： 本文件描述了工作抽样方法种类、工作步骤、工作抽样实施和整理分析。 本文件适用于进行时间利用率、劳动(工作)效率研究，编制和修订劳动定额，分析研究各类时间消耗，编制宽放时间标准，平整流水线。

关键词： 广义失效概率函数   模糊状态   高维   重要抽样法   单层分析框架  

摘要： 分析概率输入和模糊状态条件下的广义失效概率函数对于掌握分布参数在其设计域内变化时影响结构可靠性水平的规律至关重要，现有的单层重要抽样算法虽然可以避免直接双层蒙特卡洛要求的重复分析以及高可靠时要求的大容量样本池而带来的高耗时问题，但这类方法仍没有解决高维高可靠场景下构造单层重要抽样密度耗时且抽样效率低的问题。为此，本文构造了一种显式且易于抽样的统一重要抽样密度，并提出了渐进分层聚类的策略，使得所构造的统一重要抽样密度的样本能够覆盖对广义失效概率函数估计贡献大的区域，从而通过降低广义失效概率函数估计的方差来提高计算效率。相对于已有的单层重要抽样法，本文方法的主要创新表现在构造统一重要抽样密度时采用了渐进分层聚类的策略，避免了对附加计算量高的优化算法的依赖，显著地提升了高维高可靠性时探索目标模糊失效域来构造统一重要抽样密度及估计广义失效概率函数的效率，该优越性得到了文中算例的充分验证。

关键词： 心率变异性   血液学指标   脓毒血症   心肌损伤   预测价值  

摘要： 目的 探讨心率变异性联合血液学指标对脓毒血症并发心肌损伤的预测价值。方法 选取2021年10月至2024年10月在包头市中心医院收治的172例脓毒血症患者为研究对象，根据其有无心肌损伤分为发生组（n=56）、未发生组（n=116）。比较两组心率变异性[RR间期标准差（SDNN）、RR间期平均值的标准差（SDANN）、相邻RR间期差的均方根（RMMSD）、相邻RR间期差值超过50ms的RR间期所占百分数（PNN50）]、血液学指标[中性粒细胞/淋巴细胞比值（NLR）、降钙素原/血小板计数比值（PCT/PLT）]差异，采取多因素Logistic回归分析脓毒血症并发心肌损伤的影响因素，绘制受试者工作特征曲线（ROC）分析心率变异性指标、血液学指标对脓毒血症并发心肌损伤的预测价值。结果 纳入患者中，脓毒血症患者心肌损伤发生率为32.56%。与未发生组比较，发生组NLR、PCT/PLT水平较高（P＜0.05），SDNN、SDANN水平较低（P＜0.05）；SDNN、SDANN、NLR、PCT/PLT均是脓毒血症并发心肌损伤的影响因素（P＜0.05），对脓毒血症并发心肌损伤均有预测作用，其中联合预测灵敏度高于单独预测，AUC高于单独预测（P＜0.05），特异度与单独预测基本一致。结论 SDNN、SDANN、NLR、PCT/PLT是脓毒血症并发心肌损伤的影响因素，这4项指标联合预测效能最佳。

关键词： 心率变异性指标   急性缺血性脑卒中   动态心电图  

摘要： 目的探讨动态心电图心率变异性(HRV)指标与急性缺血性脑卒中(AIS)患者病情严重程度和预后的关系。方法回顾性分析2022年9月至2024年11月医院接诊的110例AIS患者和同期40名健康体检者的临床资料。AIS患者经住院治疗后,依据出院当日美国国立卫生院卒中量表(NIHSS)评分分为轻度卒中组(NIHSS评分<5分,37例)、中度卒中组(NIHSS评分5~15分,52例)、重度卒中组(NIHSS评分>15分,21例),依据出院第6个月的随访结果分为生存组(87例)、死亡组(23例)。比较AIS患者和健康体检者、不同卒中等级组、生存组和死亡组的动态心电图HRV指标[窦性心搏R-R间期标准差(SDNN)、连续5 min窦性心搏R-R间期均值标准差(SDNN Index)、每5分钟窦性心搏R-R间期均值标准差(SDANN)、临近窦性心搏R-R间期差值均方根(rMSSD)及相邻NN间期之差>50 ms个数占比(PNN50%)];以重度卒中、死亡为不良预后,采用Logistic回归分析AIS患者不良预后的危险因素。结果AIS患者的SDNN、SDNN Index、SDANN、rMSSD、PNN50%均低于健康体检者,差异有统计学意义(P<0.05);中度、重度卒中组的SDNN、SDNN Index、SDANN、r MSSD、PNN50%均低于轻度卒中组,死亡组的SDNN、SDNN Index、SDANN、rMSSD、PNN50%均低于生存组,差异有统计学意义(P<0.05);Logistic回归分析结果显示,SDNN、SDNN Index、SDANN、rMSSD、PNN50%为AIS患者不良预后的危险因素(P<0.05)。结论动态心电图HRV指标与AIS患者的病情严重程度和不良预后风险相关,可作为评估指标。

关键词： 重构方法   密度估计   序贯算法   区间估计   贪心算法  

摘要： 针对重构方法给出的密度估计,提出一种基于序贯思想来解决重构密度估计中节点选择问题的算法。将节点视为一个参数,通过最小化损失函数选出下一个节点,利用贪心算法找出整个节点集。该算法操作简单,不仅可以提升估计效果,而且可以减小由于节点选择不同而对密度估计产生的影响。此外,还根据重构方法中参数的实际含义给出了先验分布,利用Metropolis算法得到后验分布的样本,通过样本分位数近似总体分位数构造了密度函数逐点的区间估计。最后,在几个数据集上验证了序贯重构密度估计及其区间估计的效果。