Exploring heterogeneity in tumour data using Markov chain Monte Carlo.
Exploring heterogeneity in tumour data using Markov chain Monte Carlo.
复制标题
使用马尔可夫链蒙特卡罗探索肿瘤数据的异质性。
DOI：
10.1002/sim.1441
复制
发表时间：
2003
期刊：
影响因子：
--
通讯作者：
Luebeck,EGeorg
中科院分区：
文献类型：
--
作者：
deGunst,MathiscaCM;Dewanji,Anup;Luebeck,EGeorg
我们描述了一种贝叶斯方法，将个体之间的异质性与复杂生物模型的参数相关联。我们强调在这种情况下使用马尔可夫链蒙特卡罗(MCMC)方法，并通过分析模拟的过度分散的泊松计数和分析存在异质性的肝脏癌前病变(其数量和大小)的实验数据集来演示MCMC的实现和使用。这些例子表明，从具有一致先验的后验分布得到的基于MCMC的估计可能与最大似然估计(如果可用)很好地吻合。然而，对于异质参数，最大似然估计可能很难获得，涉及许多积分。在这种情况下，MCMC方法提供了很大的计算优势。版权所有©2003 John Wiley&Sons，Ltd.
We describe a Bayesian approach to incorporate between‐individual heterogeneity associated with parameters of complicated biological models. We emphasize the use of the Markov chain Monte Carlo (MCMC) method in this context and demonstrate the implementation and use of MCMC by analysis of simulated overdispersed Poisson counts and by analysis of an experimental data set on preneoplastic liver lesions (their number and sizes) in the presence of heterogeneity. These examples show that MCMC‐based estimates, derived from the posterior distribution with uniform priors, may agree well with maximum likelihood estimates (if available). However, with heterogeneous parameters, maximum likelihood estimates can be difficult to obtain, involving many integrations. In this case, the MCMC method offers substantial computational advantages. Copyright © 2003 John Wiley & Sons, Ltd.
登录
查看更多内容
DOI：
--
发表时间：
2006
期刊：
影响因子：
--
作者：
A. Stovas;B. Arntsen
通讯作者：
B. Arntsen
通过 AVO 反演进行流体性质判别
DOI：
--
发表时间：
2006
期刊：
影响因子：
--
作者：
Xingang Chi;De‐hua Han
通讯作者：
De‐hua Han
高分辨率声波测井的地震速度和各向异性
DOI：
--
发表时间：
1988
期刊：
影响因子：
--
作者：
K. Hsu;C. Esmersoy;M. Schoenberg
通讯作者：
M. Schoenberg
页岩各向异性的数学建模和超声测量以及从声波到地震的放大方法的比较
DOI：
--
发表时间：
2007
期刊：
影响因子：
--
作者：
Dileep K. Tiwary
通讯作者：
Dileep K. Tiwary
通过精细分层进行低频传播
DOI：
--
发表时间：
1992
期刊：
影响因子：
--
作者：
P. G. Folstad;M. Schoenberg
通讯作者：
M. Schoenberg