نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آمار، گروه آمار، دانشکده علوم پایه، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 عضو هیئت علمی

3 عضو هیئت علمی، گروه آمار، دانشکده علوم پایه، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

4 عضو هیئت علمی، گروه آمار، دانشگاه علم و صنعت ایران، تهران، ایران.

10.22118/edc.2021.307554.1895

چکیده

پژوهش حاضر با هدف آموزش مدل آماری آمیخته خطی چندمتغیره در داده های طولی چندگانه به دانشجویان پزشکی: مطالعه موردی داده های رشد کودکان انجام شده است. روش پژوهش توصیفی-تحلیلی و بر پایه داده های طولی بود. جامعه آماری پژوهش شامل 100 دانشجو بود که به طور تصادفی انتخاب و در دو کارگاه آموزش مبتنی بر مدلسازی آماری توزیع های تی و نرمال آمیخته خطی چندمتغیره بر پایه داده های رشد کودکان (قد، وزن و اندازه دور سر) شرکت کردند. شرکت کنندگان قبل و بعد از دوره آموزشی در یک آزمون عملی شرکت نمودند. از میانگین و انحراف معیار و مدل بندی آماری آمیخته خطی چندمتغیره توزیع تی و نرمال برای تحلیل داده ها استفاده شد. نتایج حاصل از پژوهش نشان داد که مقدار پارامترهای متغیر قد بر حسب مدل­های  MtLMM و MnLMM برای نوزادانی که از شیر مادر تغذیه می کنند به طور قابل توجهی بالاتر از شیر خشک بوده (0.05 < P). همچنین برآورد پارامترهای متغیر وزن برای نوزادانی که از شیر ترکیبی استفاده می­کنند در مقایسه با نوزادانی که فقط شیر خشک مصرف می­کنند به طور قابل توجهی بالاتر (0.05 < P) بود. آموزشهای ارائه شده به دو گروه منجر به افزایش معنی داری در یادگیری دانشجویان شد (0.05 < P). دانشجویان بیان کردند که آموزش مدل آماری آمیخته چندمتغیره در داده های طولی باعث آشکارشدن اهمیت کاربرد این مدل در تحقیقات پزشکی و علوم زیستی گردید.

کلیدواژه‌ها

عنوان مقاله [English]

Teaching Multivariate Linear mixed model in Multiple Longitudinal Data to the Medical Students: A Case Study of Child Development Data

نویسندگان [English]

  • maryam moradi 1
  • Kambiz Ahmadi Angali 2
  • Mohammad Hassan Behzadi 3
  • Rahman Farnoosh 4

1 Department of Statistics, Science and Research Branch, Islamic Azad University, Tehran, Iran

2 Faculty member of Ahvaz Jundishapur University of Medical Sciences,

3 Department of Statistics, Science and Research Branch, Islamic Azad University, Tehran, Iran.

4 Department of Mathematics, Iran University of Science and Technology, Tehran, Iran.

چکیده [English]

The aim of this study was to teach medical students the multivariate linear mixed statistical model in multiple longitudinal data: A case study of child development data. The research method was descriptive-analytical and based on longitudinal data. The statistical population of the study consisted of 100 students who were randomly selected and participated in two training workshops based on statistical modeling of t and normal mixed multivariate linear distributions based on children's growth data (height, weight and head circumference). After the training course, they participated in practical test. Mean and standard deviation and statistical modeling of multivariate mixed linear t-distribution were used to analyze the data. The results showed that the amount of height variable parameters according to MtLMM and MnLMM models for breastfed infants was significantly higher than formula (P <0.05). Also, the estimation of weight variable parameters for infants who used formula was significantly higher (P <0.05) compared to infants who consumed only formula. The trainings provided to the two groups led to a significant increase in students' learning (P <0.05). The students stated that teaching a multivariate statistical model in longitudinal data revealed the important of using this model in medical research and life sciences.

کلیدواژه‌ها [English]

  • Education
  • Breastfeeding
  • mixed model
  • longitudinal data
  • Medical Sciences
Bartz, A. (2001). Computer and software use in teaching the beginning statistics course. Teaching of Psychology, 28(2), 147-150.
Crowder, M. (1990). Analysis of Repeated Measures, Chapman & Hall/CRC Monographs on Statistics and Applied Probability Book 41.
Dempster, A. P., Laird, N. M., and Rubin. D. B., (1977). Maximum Likelihood from Incomplete Data Via the EM Algorithm. Journal of the Royal Statistical Society, Series B, 39(1), 1–38.
Davis, C.S., (2002). Statistical Methods for the Analysis of Repeated Measurements. Springer Texts in Statistics, New York.
Everitt, B. S., Hand, D. J., (1981). Finite Mixture Distributions, Springer, Netherlands.
Fallahzadeh, H., Asadi, F., (2019). Generalized Linear Mixed Models: Introduction, Estimation Methods and Their Application in Medical Studies. Paramedical Sciences and Military Health. 14(1), 33-38.
Gal, I., Ginsburg, L., (1994). The role of beliefs and attitudes in learning statistics: Towards an assessment framework.  Journal of Statistics Education, 2, 1-15.
Garfiel. J, (1995).  How students learn statistics. International Statistical Review, 1, 25-34.
Gilani, N., Kazemnejad. A., Zayeri. F., Yazdani. J., (2011). Comparison of Marginal Logistic Model with Repeated Measures and Conditional Logistic Model in Risk Factors Affecting Hypertension. JOURNAL OF MAZANDARAN UNIVERSITY OF MEDICAL SCIENCES, 21(82), 27-35.
Hughes, DM., García-Fiñana, M., Wand, MP., (2021). Fast approximate inference for multivariate longitudinal data. Biostatistics: doi: 10.1093/biostatistics/kxab021. Epub ahead of print. PMID: 33991420.
Pearson, K. (1894). Contributions to the Theory of Mathematical Evolution. Philosiphcal Transitions of the Royal Society of London, 185, 71–110.
Wolfe, J. H. (1965). A Computer Program for the Computation of Maximum Likelihood Analysis of Types, Research Memo. SRM 65-12. San Diego: U.S. Naval Personal Research Activity.
Wang, W.L., and Fan, T.H., (2011). Estimation in multivariate t linear mixed models for multiple longitudinal data. Statistica sinica 21, 1857-1880.
Yilmaz, M. R. (1996). The challenge of teaching statistics to nonspecialist. Journal of Statistics Education, 4(1), 1-9.