贝叶斯层次模型在嵌套结构调查数据中的应用研究-中国卫生统计

合集下载

贝叶斯统计模型在数据分析中的应用

贝叶斯统计模型在数据分析中的应用数据分析是近年来蓬勃发展的领域，它对于揭示数据背后的规律以及做出准确的决策起着至关重要的作用。

而贝叶斯统计模型作为一种基于贝叶斯定理的统计推断方法，其独特的思想和算法在数据分析中的应用越来越受到重视。

本文将就贝叶斯统计模型在数据分析中的应用进行探讨。

一、贝叶斯统计模型简介贝叶斯定理是由英国数学家贝叶斯提出的，它描述了在获得新的证据后如何更新我们对于事件的概率估计。

贝叶斯统计模型则是基于贝叶斯定理而建立的一种统计模型，它利用已知数据和先验知识来进行参数的估计和推断，使得我们能够更加准确地对未知数据进行预测和分析。

二、贝叶斯统计模型在假设检验中的应用假设检验是数据分析中常用的一种方法，它用于判断样本数据是否支持某个统计假设。

传统的假设检验方法通常是基于频率学派的观点，而贝叶斯统计模型则能够在假设检验中引入先验分布，更加全面地评估假设的可信度。

三、贝叶斯统计模型在预测建模中的应用预测建模是数据分析中的又一重要任务，它通过对已有数据进行训练和建模，从而对未来的数据进行预测。

贝叶斯统计模型由于其能够融合先验信息，相比传统方法在预测建模中往往能够提供更加准确的预测结果。

例如，在金融领域的风险评估中，贝叶斯统计模型可以将历史数据和先验知识相结合，更好地预测未来的风险情况。

四、贝叶斯统计模型在决策分析中的应用决策分析是在不确定条件下做出决策的过程，它通常涉及到多个因素的综合考虑。

贝叶斯统计模型由于其能够利用先验概率对不确定性进行建模，因此在决策分析中具有独特的优势。

例如，在医疗诊断中，贝叶斯统计模型可以将医生的经验和患者的病情数据结合起来，提供更加准确的诊断结果。

五、贝叶斯统计模型的发展趋势随着数据分析的不断深入和发展，贝叶斯统计模型作为一种先进的统计方法，也在不断涌现出新的应用。

例如，随着深度学习的兴起，贝叶斯深度学习成为了一个备受关注的研究方向，它将贝叶斯统计模型与深度神经网络相结合，旨在提供更加可靠的不确定性估计。

贝叶斯统计方法在医学诊断中的应用

贝叶斯统计方法在医学诊断中的应用在医学领域，准确的诊断是至关重要的，可以直接影响到患者的治疗和康复效果。

而贝叶斯统计方法作为一种有效的概率推断方法，在医学诊断中发挥着重要的作用。

本文将介绍贝叶斯统计方法的基本原理，并探讨其在医学诊断中的具体应用。

一、贝叶斯统计方法的基本原理贝叶斯统计方法是以贝叶斯定理为基础的统计推断方法。

其核心思想是通过已知的先验知识和观测到的证据，来更新对参数或假设的概率分布。

其数学表达形式为：P(θ|D) = P(D|θ) * P(θ) / P(D)其中，P(θ|D)是参数θ在给定数据D的条件下的后验概率，P(D|θ)是数据D在给定参数θ的条件下的概率，P(θ)是参数θ的先验概率，P(D)是数据D的边缘概率。

贝叶斯统计方法通过不断根据新的观测数据更新先验概率，从而得到后验概率，利用后验概率进行决策和推断。

这种方法不仅可以更好地利用已有的先验知识，还能够根据新的证据不断更新概率分布，提高推断的准确性和稳定性。

二、贝叶斯统计方法在医学诊断中的应用2.1 疾病诊断贝叶斯统计方法在疾病诊断中具有广泛的应用。

例如，在某种罕见病的诊断中，患者的病情表现可能不具备明显的特征，此时医生需要依赖患者的病史、体检结果和相关研究资料来进行判断。

贝叶斯统计方法可以根据先验概率和新的观察数据，推断出患者是否患有该病的后验概率，从而为诊断提供支持。

2.2 疾病风险预测贝叶斯统计方法还可以用于疾病风险预测。

通过收集个体的基本信息、生活习惯、家族遗传等因素的数据，构建相应的贝叶斯模型，可以估计个体患某一种疾病的概率。

这对于筛查高风险人群、做出个体化的干预措施具有重要意义。

2.3 医学图像分析贝叶斯统计方法在医学图像分析中也发挥着重要的作用。

例如，在医学影像诊断中，医生可以通过贝叶斯分类器对给定的图像进行分类，判断其中是否存在病变。

该方法可以将图像的各类特征和先验知识结合起来，提高诊断的准确性和可靠性。

2.4 药效评价贝叶斯统计方法在药效评价中也得到了广泛应用。

统计学中的贝叶斯网络模型及其应用

统计学中的贝叶斯网络模型及其应用统计学是一门研究数据收集、分析和解释的学科。

贝叶斯网络模型是统计学中一种重要的概率图模型，它可以用来描述变量之间的依赖关系，并通过贝叶斯推断来进行预测和决策。

在本文中，我们将介绍贝叶斯网络模型的基本原理和应用。

贝叶斯网络模型是由概率图表示的一种图模型。

它由两部分组成：节点和边。

节点表示随机变量，边表示变量之间的依赖关系。

贝叶斯网络模型假设每个节点的条件概率只依赖于其父节点的取值，这种依赖关系可以用有向边表示。

通过这种方式，我们可以用贝叶斯网络模型来表示复杂的概率分布。

贝叶斯网络模型在许多领域有着广泛的应用。

在医学领域，贝叶斯网络模型可以用来分析疾病的风险因素和预测病人的患病概率。

例如，我们可以构建一个贝叶斯网络模型来研究吸烟和肺癌之间的关系。

通过收集大量的数据，我们可以估计吸烟对肺癌的影响，并预测一个人患肺癌的概率。

在金融领域，贝叶斯网络模型可以用来进行风险评估和投资决策。

例如，我们可以构建一个贝叶斯网络模型来研究股票价格和市场指数之间的关系。

通过收集历史数据，我们可以估计股票价格对市场指数的依赖程度，并预测未来股票价格的波动。

在工程领域，贝叶斯网络模型可以用来进行故障诊断和维修决策。

例如，我们可以构建一个贝叶斯网络模型来研究机器故障和维修成本之间的关系。

通过收集故障和维修记录，我们可以估计机器故障的概率和维修成本，并优化维修策略。

贝叶斯网络模型的应用还不止于此。

在自然语言处理领域，贝叶斯网络模型可以用来进行文本分类和信息检索。

在生物学领域，贝叶斯网络模型可以用来研究基因和蛋白质之间的相互作用。

在交通领域，贝叶斯网络模型可以用来进行交通流预测和路径规划。

贝叶斯网络模型的优点之一是可以处理不完整和不确定的数据。

通过引入先验知识和观测数据，贝叶斯网络模型可以通过贝叶斯推断来更新概率分布。

这使得贝叶斯网络模型在缺乏完整数据或数据不确定性较大的情况下仍然能够进行准确的预测和决策。

贝叶斯统计方法在生物学数据分析中的应用

贝叶斯统计方法在生物学数据分析中的应用随着生物学研究领域的不断深入，获取的数据集越来越大，这也给数据分析带来了更多的挑战。

为了解决这些问题，许多基于统计学的方法、算法和模型得以应用于数据分析中。

其中，贝叶斯统计方法是一种广泛应用于生物学领域的工具。

贝叶斯方法是一种从概率推理的角度来考虑事物的方式。

简单来说，贝叶斯方法将数据和我们的先验知识结合起来，推导出新的概率分布。

在生物学中，我们往往通过测量实验数据来确定我们对某种物质或生物过程的先验概率。

基于这些先验概率、实验测量数据、以及一些先验的分布形式，我们可以使用贝叶斯方法来估计出这些生物过程的一些未知特征。

举个例子，我们可以利用贝叶斯方法来探索某种基因的表达和其与疾病之间的关系。

对于这种类型的数据分析，我们可以假设一个先验分布来描述基因表达，然后在这个分布的基础上结合实验数据求得关于基因表达水平的后验分布。

同时，我们可以根据疾病与基因表达的相关性，进一步计算出某个人患有某种疾病的概率，从而为医生提供更准确的诊断依据。

除了基因表达分析外，贝叶斯方法还可以应用于生物学中的很多其他问题，如疫苗设计、毒性检测、代谢物组学等。

在疫苗设计中，贝叶斯方法可以帮助我们判断疫苗的效果和稳定性。

我们可以首先使用微生物的氨基酸序列来定义一个先验的分布，然后通过合成方法和体内实验来测量它的免疫原性。

在这个过程中，我们可以利用贝叶斯方法来优化合成顺序，推导免疫原性和稳定性的后验分布，并以此为基础进行下一轮生产。

在毒性检测中，贝叶斯方法可以帮助我们有效地确定某种毒性物质对身体的危害程度。

在这个过程中，我们需要通过大量的实验数据来确定这种毒性物质的危害特性。

通过结合这些实验数据，分析毒性物质的先验分布，并应用贝叶斯方法对这种物质的毒性进行预测。

在代谢物组学中，贝叶斯方法可以帮助我们确定代谢物之间的关系。

利用代谢物组分析，我们可以确定人体内存在的代谢物，并从这些代谢物的相对含量中推断出它们之间的关系。

贝叶斯统计方法在医学分析中的应用研究

贝叶斯统计方法在医学分析中的应用研究统计学是一门应用广泛的学科，它可以帮助我们分析各种各样的数据，并从中得出有关问题的结论。

在医学领域中，统计学的应用特别重要，因为我们需要对临床试验、病例研究和流行病学调查等方面进行统计分析，以便更好地了解疾病和治疗方法等相关问题。

而在统计学中，贝叶斯统计方法则是一种值得重视的方法，其在医学分析中也有着广泛的应用。

贝叶斯统计方法是一种基于概率论的方法，其中最重要的概念是“先验概率”和“后验概率”。

先验概率即指在考虑新数据之前已经获得的信息，而后验概率则是在考虑新数据后，我们对于某个事件发生的概率的估计。

因此，贝叶斯统计方法的核心思想就是不断地更新我们对于某个事件的概率估计，从而得到尽可能准确的结论。

在医学分析中，贝叶斯统计方法可以应用于许多方面。

例如，在确定某项新药的有效性时，我们可以使用贝叶斯方法来调整我们对于该药物治疗成功率的估计。

我们可以通过不断地反复试验来观察该药物的表现，并将新的观测结果与之前的数据进行比较，从而更新我们对于该药物疗效的估计。

这样一来，我们可以更好地了解该药物的真实疗效，并最终确定其是否值得推荐给患者使用。

另一个应用贝叶斯方法的例子是在进行疾病风险评估时。

通常情况下，我们需要从大量的患者数据中分析某个疾病的危险因素，并根据相关的数据确定某个人患上该疾病的可能性。

然而，由于各种原因，我们的数据可能存在噪声或者缺失，这会影响我们对于某个人所处风险的判断。

此时，使用贝叶斯方法可以在不考虑过多其它因素的情况下，根据已知的信息对某个人的风险进行有效地估计。

值得强调的是，贝叶斯统计方法虽然在医学分析中表现出了良好的应用性能，但是其在一定程度上也存在一些限制和缺陷。

首先，贝叶斯方法需要我们假设先验概率的分布形式，在实际应用中存在不确定性因素。

其次，贝叶斯方法的计算需要大量的模型拟合和参数优化，这在大样本和高维数据分析上会出现一些计算问题。

因此，在应用贝叶斯方法进行医学分析时，我们需要谨慎对待其应用的范围和局限。

贝叶斯网络在医学中的应用研究

贝叶斯网络在医学中的应用研究贝叶斯网络是一种基于概率的图形模型，它可以用来描述变量之间的相互依赖关系。

在医学中，贝叶斯网络可以用来分析疾病及其发生的风险因素之间的关系，从而提高疾病诊断和治疗的准确性。

一、贝叶斯网络在疾病风险评估中的应用疾病风险评估是医学中常见的问题，它的目的是根据个体的生物学特征、环境因素和生活方式等因素，来预测该个体发生某种疾病的概率。

传统的风险评估方法依赖于手动建立模型和分析数据，这种方法存在一定程度的主观性和误差。

贝叶斯网络可以用来自动建立风险评估模型，并且可以考虑到变量之间的非线性关系，提高预测的准确性。

例如，在乳腺癌风险评估中，传统的方法主要考虑年龄、性别、家族史、乳腺癌既往史等因素，但是这些因素之间的关系很复杂，不仅受到遗传因素的影响，也受到生活方式、环境因素等多种因素的影响。

贝叶斯网络可以根据实际数据建立模型，考虑到关键因素之间的相互作用和非线性关系，提高风险评估的准确性。

二、贝叶斯网络在疾病诊断中的应用贝叶斯网络可以用来分析疾病的病因和病程，从而帮助医生做出疾病诊断和治疗方案。

例如，在肺癌的诊断中，传统的方法主要依靠病人的症状、肺部CT影像和肺功能等指标，但是这些指标都是有限的，无法全面反映肺癌的病因和病程。

贝叶斯网络可以将多种指标结合起来，建立一个综合的诊断模型，从而提高诊断准确性。

三、贝叶斯网络在基因表达数据分析中的应用基因表达数据是指将细胞内基因的转录产物转化成数字的一组数据。

在医学研究中，基因表达数据可以用来分析疾病的发病机制，筛选和验证生物标记物，以及指导个体化治疗。

贝叶斯网络可以用来处理基因表达数据，分析基因和表型之间的关系，从而在医学研究中具有广阔的应用前景。

结语：总之，贝叶斯网络是一种非常有用的工具，在医学中有广泛的应用前景。

未来，随着计算技术、数据获取和预处理技术的不断发展，贝叶斯网络将会在医学研究和临床实践中发挥更加重要的作用。

贝叶斯网络在医学诊断中的应用与研究

贝叶斯网络在医学诊断中的应用与研究贝叶斯网络是一种用于推断概率关系的图形模型，其基本思想是利用概率论的基本原理及贝叶斯公式来描述变量之间的依赖关系。

在医学诊断中，贝叶斯网络的应用能够有效地帮助医生进行疾病预测和诊断，提高其准确性和速度。

本文将从贝叶斯网络的基本原理和医学诊断的实际需求入手，探讨贝叶斯网络在医学诊断中的应用与研究。

一、基本原理贝叶斯网络是一种有向无环图形模型，用于描述一组变量之间的依赖关系。

其中节点代表变量，边代表它们之间的因果关系。

具体来说，每个节点表示一个事件或一个变量，边表示因果关系，箭头指向目标变量，表示它是因此事件的结果而发生。

贝叶斯网络的核心思想是利用贝叶斯公式计算每个节点的后验概率，以便进行推断和预测。

贝叶斯公式是概率论的基本公理之一，其表述为：P(A|B) = P(B|A) * P(A) / P(B)其中，A和B表示两个事件或变量，P(A|B)表示在已知B发生的情况下A发生的概率，P(B|A)表示在已知A发生的情况下B发生的概率，P(A)和P(B)分别表示A和B的先验概率（即在没有任何信息的情况下，A和B各自发生的概率）。

在贝叶斯网络中，每个节点的概率取决于其父节点和子节点的概率，即：P(A|B,C,D) = f(P(B), P(C|B), P(D|B,C), …)其中，A为目标变量，B、C、D为它的父节点和子节点，f为一种函数关系，将节点间的依赖关系表示出来。

通过对每个节点的概率计算，可以计算出整个网络的后验概率，从而进行推断和预测。

二、医学诊断的需求医学诊断是一个复杂的过程，需要医生根据患者的症状和体征等信息，推断出可能的疾病和治疗方法。

在这个过程中，医生需要处理大量的信息，包括病史、体格检查、实验室检查、影像学检查等，而这些信息之间存在着复杂的相互依赖关系。

传统的诊断方法往往是基于经验和直觉进行推断，存在着主观性和不确定性的问题。

因此，医学界对于一种能够自动推断疾病和治疗方法的工具的需求越来越迫切。

贝叶斯统计在生物数据分析中的应用

贝叶斯统计在生物数据分析中的应用生物数据分析是生物学和计算机科学的交叉学科，近年来得到了广泛的关注。

生物学家们通过采集大量的生物学数据，如DNA、RNA、蛋白质、代谢产物等，来了解生物系统的结构和功能。

但是，这些数据往往具有高维、低样本量、多变量等特点，传统的统计方法难以处理。

因此，如何发挥数据的最大价值成为生物数据分析领域的一个重要问题。

其中，贝叶斯统计方法由于其能够较好地应对高维、低样本量的数据，逐渐成为生物数据分析中不可或缺的工具。

在这篇文章中，我们将从以下几个方面来介绍贝叶斯统计在生物数据分析中的应用。

一、贝叶斯统计方法简介贝叶斯统计方法是一种基于贝叶斯定理的统计推断方法，可以通过已知的条件概率来推断出目标概率。

贝叶斯定理表述如下：P(A|B) = P(B|A) * P(A) / P(B)其中，P(A|B)是A在B发生的条件下出现的概率，P(B|A)是B在A发生的条件下出现的概率，P(A)和P(B)分别是A和B的边缘概率。

在生物数据分析中，贝叶斯统计方法主要用于参数估计、假设检验、模型选择等方面，其主要特点是能够利用先验信息来降低不确定性，从而得到更加准确的结果。

二、贝叶斯网络贝叶斯网络是一种处理不确定性的图模型，可以用于模拟生物系统的复杂关系。

在贝叶斯网络中，变量之间的关系被表示为一个有向无环图，每个节点代表一个变量，每条边代表两个变量之间的依赖关系。

在生物数据分析中，贝叶斯网络可以用于基因调控网络的建模。

通过对基因表达数据进行分析，可以确定基因之间的相互作用关系，从而模拟出基因调控网络的结构和功能。

三、贝叶斯线性回归线性回归是一种常见的统计方法，用于建立自变量和因变量之间的关系。

在生物数据分析中，贝叶斯线性回归是一种基于贝叶斯统计方法的线性回归方法，可以通过加入先验分布来缓解低样本量的问题。

使用贝叶斯线性回归方法可以对基因表达数据进行分析，得到不同基因与生物表型之间的关系。

同时，由于其强大的参数估计能力，还可以在低样本量的情况下对生物表型进行预测。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

·１９ ·
中国卫生统计２０１５年４月第３２卷第２期
贝叶斯层次模型在嵌套结构调查数据中的应用研究
重庆医科大学公共卫生与管理学院卫生统计学教研室（４０００１６）㊀文㊀雯㊀文小焱㊀胡㊀珊㊀彭㊀斌
△
㊀㊀【提㊀要】㊀目的㊀针对分层抽样流行病调查数据的结构特点，构建两种基于分层嵌套思想的贝叶斯层次模型，并探利用嵌套结构中的层级关系构建模型，其中，模型一以嵌套层效应分解为讨其优缺点。方法㊀以贝叶斯层次模型为基础，ｐｅｎＢＵＧＳ软件进行模型特点构建，模型二以嵌套层效应逐级传递为特点构建。以重庆市出生缺陷调查数据为例，采用Ｏ拟合及分析。结果㊀以偏差信息准则（ｄｅｖｉａｎｃｅｉｎｆｏｒｍａｔｉｏｎｃｒｉｔｅｒｉｏｎ，ＤＩＣ）作为拟合优度评价，模型一和模型二的ＤＩＣ值０１８和１０１６，大致相等；敏感性分析显示，在总体率的超参数 μ设置不同先验信息下，模型一和模型二对总效应分别为１－４估计的变异性分别为（用标准差度量，１０）：后验均数１１９１和２７５４６；后验中位数１０３８和７６１７，模型一的变异性比模型二小。结论㊀模型一和模型二均可用于嵌套结构的调查数据建模分析及预测，拟合效果相当；但模型一比模型二受先验信息影响小，稳健性更好，更适合先验信息欠缺时的数据分析。【关键词】㊀嵌套结构数据㊀分层抽样㊀贝叶斯层次模型㊀ＯｐｅｎＢＵＧＳ
ＡｐｐｌｉｃａｔｉｏｎｏｆＨｉｅｒａｒｃｈｉｃａｌＢａｙｅｓｉａｎＭｏｄｅｌｆｏｒＮｅｓｔｅｄＳｔｒｕｃｔｕｒａｌＥｐｉｄｅｍｉｏｌｏｇｉｃａｌＤａｔａ
ＷｅｎＷｅｎ，ＷｅｎＸｉａｏｙａｎ，ＨｕＳｈａｎ，ｅｔａｌ．（ＤｅｐａｒｔｍｅｎｔｏｆＨｅａｌｔｈＳｔａｔｉｓｔｉｃｓ，ＳｃｈｏｏｌｏｆＰｕｂｌｉｃＨｅａｌｔｈａｎｄＭａｎａｇｅｍｅｎｔ，ＣｈｏｎｇｑｉｎｇＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙ（４０００１６），Ｃｈｏｎｇｑｉｎｇ）【Ａｂｓｔｒａｃｔ】㊀Ｏｂｊｅｃｔｉｖｅ㊀ＴｏｄｅｖｅｌｏｐｔｗｏｈｉｅｒａｒｃｈｉｃａｌＢａｙｅｓｉａｎｍｏｄｅｌｓｆｏｒｔｈｅｅｐｉｄｅｍｉｏｌｏｇｉｃａｌｄａｔａｗｉｔｈｆｏｃｕｓｉｎｇｏｎｉｔｓｎｅｓｔｅｄｓｔｒｕｃｔｕｒｅ；ａｓｗｅｌｌａｓｔｏｅｘｐｌｏｒｅｔｈｅｐｒｏｓａｎｄｃｏｎｓｏｆｔｈｅｍ．Ｍｅｔｈｏｄｓ㊀ＲｅｌａｔｉｏｎｓｈｉｐｓａｍｏｎｇｎｅｓｔｅｄｌａｙｅｒｓｏｆｎｅｓｔｅｄｓｔｒｕｃｔｕｒａｌｄａｔａａｒｅｔａｋｅｎｉｎｔｏａｃｃｏｕｎｔｗｈｅｎｄｅｖｅｌｏｐｉｎｇｔｈｅｔｗｏｈｉｅｒａｒｃｈｉｃａｌＢａｙｅｓｉａｎｍｏｄｅｌｓ．Ｔｈｅｆｉｒｓｔｍｏｄｅｌｆｏｃｕｓｅｓｏｎｔｈｅｓｔｒａｔｉｆｉｃａｔｉｏｎｅｆｆｅｃｔｏｆｅａｃｈｎｅｓｔｅｄｌａｙｅｒｆｏｒｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｂｅｔｗｅｅｎｔｈｅｌａｙｅｒｓ．Ｔｈｅｓｅｃｏｎｄｍｏｄｅｌｆｏｃｕｓｅｓｏｎｔｈｅｔｒａｎｓｍｉｓｓｉｏｎｅｆｆｅｃｔｂｅｔｗｅｅｎｔｈｅｆａｔｈｅｒｌａｙｅｒａｎｄｉｔｓｓｏｎｌａｙｅｒｓ．ＯｐｅｎＢＵＧＳｓｏｆｔｗａｒｅａｎｄａｂｉｒｔｈｄｅｆｅｃｔｓｓｕｒｖｅｙｄａｔａｗｅｒｅｕｓｅｄｔｏｆｉｔａｎｄｅｖａｌｕａｔｅｔｈｅｔｗｏｈｉｅｒａｒｃｈｉｃａｌＢａｙｅｓｉａｎｍｏｄｅｌｓ；ａｎｄｔｈｅｄｅｖｉａｎｃｅｉｎｆｏｒｍａｔｉｏｎｃｒｉｔｅｒｉｏｎ（ＤＩＣ）ｗａｓｕｓｅｄｆｏｒｍｅａｓｕｒｉｎｇｔｈｅｇｏｏｄｎｅｓｓｏｆｆｉｔｏｆｔｈｅｍ．Ａｓｅｎ．Ｒｅｓｕｌｔｓ㊀Ｔｈｅｓｉｔｉｖｉｔｙａｎａｌｙｓｉｓｗａｓｃｏｎｄｕｃｔｅｄｗｉｔｈｄｉｆｆｅｒｅｎｔｓｅｔｓｏｆｐｒｉｏｒｉｎｆｏｒｍａｔｉｏｎｏｎｈｙｐｅｒｐａｒａｍｅｔｅｒｏｆｔｈｅｐｏｐｕｌａｔｉｏｎｒａｔｅ μ ＤＩＣｏｆｔｈｅｔｗｏｍｏｄｅｌｓａｒｅ１０１８ａｎｄ１０１６，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｃｈｓｈｏｗｓａｌｍｏｓｔｔｈｅｓａｍｅｇｏｏｄｎｅｓｓｏｆｆｉｔｏｆｔｈｅｍ．Ｔｈｅｓｅｎｓｉｔｉｖｉｔｙ－４ａｎａｌｙｓｉｓｓｈｏｗｓｔｈａｔｔｈｅｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎｏｆｔｈｅｔｗｏｍｏｄｅｌｓｆｏｒｔｈｅｐｏｓｔｅｒｉｏｒｍｅａｎｏｆｅｓｔｉｍａｔｅｄｐｏｐｕｌａｔｉｏｎｒａｔｅａｒｅ（１０）－４１１９１ａｎｄ２７５４６，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｆｏｒｔｈｅｐｏｓｔｅｒｉｏｒｍｅｄｉａｎｏｆｔｈｅｍａｒｅ（１０）１０３８ａｎｄ７６１７，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｂｏｔｈｒｅｓｕｌｔｓｏｆｐｏｓｔｅｒｉｏｒｍｅａｎａｎｄｐｏｓｔｅｒｉｏｒｍｅｄｉａｎｓａｙｔｈａｔｔｈｅｆｉｒｓｔｍｏｄｅｌｈａｓｓｍａｌｌｅｒｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｐｒｉｏｒｉｎｆｏｒｍａｔｉｏｎｓｃｅｎａｒｉｏ．Ｃｏｎｃｌｕｓｉｏｎ㊀Ｂｏｔｈｍｏｄｅｌｓｃａｎｂｅｕｓｅｄｔｏｍｏｄｅｌｎｅｓｔｅｄｓｔｒｕｃｔｕｒａｌｅｐｉｄｅｍｉｏｌｏｇｉｃａｌｄａｔａ．Ｈｏｗｅｖｅｒ，ｔｈｅｆｉｒｓｔｍｏｄｅｌｉｓａｆｆｅｃｔｅｄｂｙｐｒｉｏｒｉｎｆｏｒｍａｔｉｏｎｍｕｃｈｌｅｓｓｔｈａｎｔｈｅｓｅｃｏｎｄｍｏｄｅｌｄｏｅｓ．Ｔｈｕｓ，ｔｈｅｆｉｒｓｔｍｏｄｅｌｉｓｍｏｒｅｓｔａｂｌｅａｎｄｉｓｂｅｔｔｅｒｔｏｍｏｄｅｌｎｅｓｔｅｄｓｔｒｕｃｔｕｒａｌｓｕｒｖｅｙｄａｔａｗｈｅｎｌｉｔｔｌｅｐｒｉｏｒｉｎｆｏｒｍａｔｉｏｎｉｓａｖａｉｌａｂｌｅ．【Ｋｅｙｗｏｒｄｓ】㊀Ｎｅｓｔｅｄｓｔｒｕｃｔｕｒａｌｄａｔａ；Ｓｔｒａｔｉｆｉｅｄｓａｍｐｌｉｎｇ；ＨｉｅｒａｒｃｈｉｃａｌＢａｙｅｓｉａｎｍｏｄｅｌ；ＯｐｅｎＢＵＧＳ