logistic regression output

Всегда полезно почитать: что другие пишут, к примеру о выходе логистической регрессии из R.
+ Ещё одна ссылка про апгрейд mosaic package (version 0.9.1)

is it a correct prediction?

What could You expect from Applied Math

На неделе сходил на семинар в ин-т вычислительно математики, который они проводят на двоих с ин-том управления (в назвах могу напутать, по ссылке точнее), слушали проф. Перцева Н. В. из Омского филиала Федерального государственного бюджетного учреждения науки Института математики им. С. Л. Соболева СО РАН.

Яп сказал, что в общем и целом мне не понравилось. Что?

Разумеется математики я не понял, мб, смысл там, скорее всего, там, ибо названия бюджетных учреждений сплошь про то.
Доклад состоял из 2х частей: (1) про ВИЧ, (2) про ТБ. Про ВИЧ его затюкали вопросами до такой степени, что существенного (немат) заключения он не выдал. А вот заключение из второй части было любопытным: оказалось, что в распространении туберкулеза основной параметр -- выявляемость (а не лечение!). Имхо: по существу это не вывод, а иллюстрация к известному тезису меньше знаешь, крепче спишь или политики решения проблемы страусом. + Вывод по существу неверный, как и поведение страуса. Это эмоции, а что позитивного в этом?

Не является ли постановка задачи одновременно и сразу же её решением? Задача поставлена через численности групп населения относительно ВИЧ/ТБ, между которыми происходят переходы. Моя постановка (решить-то я не могу:) выделяет основным вероятности перехода. В этом случае можно ожидать, что решение будет в духе эргодичности Коула-Лопеса, и рез-т не будет зависеть от численности и конфигурации групп, а от специфик перехода из одной в другую.

В заключение вопрос: может ли применение математики дать результат неожиданный и нетривиальный. Даже результат демографического прогноза менее очевиден, чем тут :(

пичалька в раздумине

MicMac Software

The MicMac software was developed at the Max Planck Institute for Demographic Research in Rostock. The software development was guided by the following principles:

1. The software should be free with no license restrictions. Transparency is mandatory. Open-source software is used to give the user the freedom to make adjustments and extensions. 
2. The software should be computationally efficient to handle large numbers of individual life courses with relatively large attributes (states). 
3. MicMac provides tools without forcing the user to adopt the solutions we suggest. Well-defined interfaces should assure flexibility and freedom. 

The MicMac software structure consists of a pre-processor, a processor and a post-processor. The pre-processor is a suite of R functions to estimate transition rates from data and to prepare the input data. The processor performs the actual simulation. It consists of two modules: a module that implements the cohort-component model (Mac) and a module that implements the microsimulation (Mic). The latter module is referred as the MicCore. It is written in Java. The postprocessor is a suite of R functions to tabulate, summarize and graphically display the results.

 The MicMac software is freely available on the website of Max Planck Institute for Demographic Research

Health care under aging

Estimating the future healthcare costs of an aging population in the UK: expansion of morbidity and the need for preventative care

Background The healthcare costs of an aging population have major consequences for healthcare organizations and have major implication for strategic planning of services. An impending freeze in budgets in the UK makes these consequences especially significant.
 Methods We present a methodology of estimating the future healthcare costs to an organization due to an aging population that takes account of the excess costs in the years before death and the effect of morbidity compression or expansion. The performance of three different models is evaluated.
Results The three models all give markedly different estimated costs. Models failing to take into account both the cost burden towards the end of life and compression or expansion of morbidity can vastly under- or overestimate the most accurate estimates of healthcare expenditure due to an aging population with annual increases in costs varying from 0.48 to 1.12%.
 Conclusion The importance of being able to accurately predict demand and costs of health care within the NHS cannot be underestimated. Making over simplistic assumptions and not using well-established principles in these models leads to greatly different outcomes that have the potential to have massive organizational consequences in terms of short-to-medium term strategic planning. Key words economics management and policy morbidity and mortality

TB modelling

жаль не удалось сходить, но на память полезно оставить 

Уважаемый коллега!

Приглашаем вас принять участие в семинаре «Математическое моделирование и системная биология» ИПУ РАН и ИВМ РАН (рук. д.т.н. В.Н.Новосельцев и д.ф.-м.н. А.А.Романюха).

Заседание семинара состоится 25 февраля 2011 г. в 15:00 в Институте вычислительной математики РАН по адресу: Москва, ул. Губкина, д. 8, к. 727. Проезд: метро "Академическая", либо "Ленинский проспект". Просим вас заранее сообщить о желании принять участие для оформления пропуска в институт секретарю семинара Каркачу А.С. (см. адреса в конце письма).

На заседании будет заслушан доклад «Стохастическое моделирование процесса распространения туберкулеза и выявления больных на основе индивидуально-ориентированного подхода», докладчик д.ф.-м.н., проф. Перцев Н.В. (Омский филиал Института математики им. С.Л.Соболева СО РАН)

Доклад посвящен исследованию стохастической модели, описывающей процессы распространения туберкулеза и выявления больных на основе индивидуально-ориентированного подхода. Стохастическая модель опирается на результаты работ [1-3], в которых для моделирования указанных процессов и анализа реальных данных использованы системы нелинейных дифференциальных уравнений шестого порядка. Специфика стохастической модели состоит в том, что каждый индивидуум характеризуется такими важными величинами как возраст, продолжительность периода времени, прошедшего после инфицирования, длительность различных стадий заболевания и т.д. Распределения этих величин могут иметь достаточно произвольный вид и отличаться от экспоненциальных распределений, использованных в базовой детерминированной модели.

Для проведения вычислений применяется программа «Population Modeler», ориентированная на моделирование биологических и социальных сообществ численностью до нескольких миллионов индивидуумов с учетом их многопараметрического описания [4-6].

Представлены результаты вычислительных экспериментов по исследованию статистических характеристик численностей изучаемых групп индивидуумов в зависимости от вариации параметров модели. В частности, рассмотрена модель с экспоненциальными законами распределения времени до наступления событий, связанных с изменением численностей индивидуумов различных групп (многомерный случайный процесс рождения и гибели). Результаты вычислений показали хорошую согласованность математических ожиданий численностей изучаемых групп индивидуумов с решениями базовой детерминированной модели. В других вариантах применялись неэкспоненциальные законы распределения, отражающие длительности пребывания индивидуумов в различных стадиях заболевания. Для описания продолжительности жизни индивидуумов использовалось распределение Мейкхема-Гомперца. Показано существенное влияние параметров неэкспоненциальных распределений на изменение численностей моделируемых групп индивидуумов. Рассмотрен вариант стохастической модели, учитывающей процесс выявления больных индивидуумов на основе ежегодного прохождения флюрографического обследования.

Для оценки потерь от туберкулеза в модели вычисляется широко используемый на практике показатель потерянных лет потенциальной жизни. Изучена зависимость этого показателя от некоторых параметров модели.

Литература

1. Perelman M.I., Marchuk G.I., Borisov S.E., et. al. Tuberculosis epidemiology in Russia: the mathematical model and data analysis // Russ. J. Numer. Anal. Math. Modelling. 2004. Vol.19. № 4. P. 305–314.
2. Авилов К.К., Романюха А.А. Математическое моделирование процессов распространения туберкулеза и выявления больных // Автоматика и телемеханика. 2007. № 9. С. 145–160.
3. Melnichenko A.O., Romanyukha A.A. A model of tuberculosis epidemiology: estimation of parameters and analysis of factors influencing the dynamics of an epidemic process // Russ. J. Numer. Anal. Math. Modelling. 2008. Vol.23. №1. P. 1–13.
4. Перцев Н.В., Пичугин Б.Ю. Применение метода Монте-Карло для моделирования динамики сообществ взаимодействующих индивидуумов // Вестник Воронежского гос. техн. университета. Т. 2, № 5. 2006. С. 70–77. Серия «Вычислительные и информационно-телекоммуникационные системы».
5. Перцев Н.В., Пичугин Б.Ю. Индивидуум-ориентированная модель распространения туберкулеза // Сиб. журнал индустр. математики. 2009. Т. 12. № 2 (38). С. 97–110.
 6. Пичугин Б.Ю. Population Modeler: программа для индивидуум-ориентированного моделирования сообществ взаимодействующих особей // Стохастические модели в биологии и предельные алгебры (Stochastic models in biology and limit algebras): Международная конференция (2-7 августа 2010 г.): Труды конференции. / Ом. Филиал Ин-та математики им. С.Л. Соболева СО РАН. – Омск, Изд-во Ом.гос.ун-та, 2010. С. 77–79.

Секретарь семинара
к.ф.-м.н. Каркач Арсений Сергеевич

т. +7 (495) 984-8141 доб. 3990 arseny@mail.ru