变点模型解读:内化与外化关联集中于低症状区间
热点事件历史事件
变点模型解读:内化与外化关联集中于低症状区间
1 篇报道1 个报道来源5 天前更新
先了解这件事
AI 综述
发表于 Nature Mental Health 的论文提出 nomorbidity 概念,并用 ABCD 研究 11,868 名 9 至 10 岁儿童数据和贝叶斯变点负二项模型分析内化与外化症状的关联。结果显示,两者的强关联主要出现在低症状区间,变点前斜率约为变点后的 4.6 倍,单斜率模型会整体高估这一关联。作者据此认为,高阶维度间的协变更接近 nomorbidity 的统计解释:大量低症状者共同缺少两类症状,抬高了全样本协变。 该结论针对的是协变的统计解释,不能读成两类症状共享病因的因果证明。ABCD 为美国儿童便利样本,第一波中 81.4% 的儿童在内化和外化上均处非临床水平,两者都达临床水平的仅占 2.2%。 PsyBrain 脑心前沿的解读还提示,变点位置和两段斜率依赖测量方式与样本分布,不能直接推广到临床样本或其他年龄段;迁移该分析需核对链接函数匹配、样本严重程度覆盖和变点稳定性。
AI 根据报道生成 · 3 小时前更新
最新进展10月30日 12:05
Nature Mental Health论文用ABCD数据与贝叶斯变点模型拆解内化与外化的分段关联报道时间线
沿着报道,了解事件的不同侧面。
10月30日
- PsyBrain 脑心前沿 · 公众号Nature Mental Health论文用ABCD数据与贝叶斯变点模型拆解内化与外化的分段关联
发表于Nature Mental Health的论文提出nomorbidity概念,用ABCD研究11,868名9至10岁儿童数据和贝叶斯变点负二项模型,发现内化与外化的强关联主要出现在低症状区间,变点前斜率约为变点后的4.6倍,单斜率模型整体高估两者的关联。文章还总结迁移该分析需核对链接函数匹配、样本严重程度覆盖和变点稳定性三件事。