Немерная арматура что это такое: В чем отличия между мерной и немерной арматуры?

	Ex-smoker effects	Current smoker effects
G -DPP	0.11	– 0.08	0.82	0.07	– 0.10	0.45
	(0.08, 0.14)	«> (– 0.15, – 0.02)	(0.61, 1.02)	(0.05, 0.09)	(– 0.15, – 0.05)	(0.29,0.60)
GEE	0.03	0.07	0.28	0.05	– 0.14	0.27
	(– 0.01, 0.06)	(0.03, 0.12)	(0.01, 0.55)	(0.03, 0.07)	(– 0.17, – 0.11)	(0.09, 0.44)
Marginal	0.05	0.10	0.50	0.01	– 0.12	— 0,03
	(0,02, 0,08)	(0,06, 0,13)	(0,28, 0,73)	( — 0,011, 0,03) 9028 (0,728)	( — 0,011, 0,28, 0,73)	«> ( — 0,01, 0,03) 9028 (0,728)	( — 0,01, 0,28, 0,73)	( — 0,01, 0,28, 0,73)	( — 0,01, 0,28, 0,73)	. , 0.11)
RS1-DPP	– 0.08	0.16	– 0.45	0.07	– 0.14	0.39
	(– 0.17, 0.03)	(– 0.07, 0.31 )	(– 1,14, 0,36)	(– 0,001, 0,15)	(– 0.27, – 0.01)	(– 0.11, 1.00)
RS2-DPP	– 0.09	0.12	– 0.60	– 0.01	– 0.13	– 0.21
	( — 0,18, 0,01)	( — 0,12, 0,35)	( — 1,27, 0,14)	( — 0,07, 0,06)	«> (– 0,26, 0,01) 9028 2928 2928 2	(– 0,26, 0,01) 9028 2	( — 0,26, 0,07, 0,06)	(– 0,26, 0,07, 0,06).

	Ex-smoker effects	Current smoker effects
G -DPP	0.11	– 0.08	0.82	0.07	— 0,10	0,45
	(0,08, 0,14)	( — 0,15, — 0,02)	(0,611, 1,02) 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028 (0,028, 9028, 9028 (0,08, 0,08, 0,14)	(0.29,0.60)
GEE	0.03	0.07	0.28	0.05	– 0.14	0.27
	(– 0.01, 0.06)	(0.03, 0.12)	(0,01, 0,55)	(0.03, 0.07)	(– 0.17, – 0.11)	(0.09, 0.44)
Marginal	0.05	0.10	0.50	0.01	– 0.12	– 0.03
	(0,02, 0,08)	(0,06, 0,13)	(0,28, 0,73)	( — 0,01, 0,03)	( — 0,15, — 0,01228)	( — 0,15, — 0,01228)	( — 0,15, — 0,01228)	( — 0,15, — 0,01, 0,03)	РС1-ДПП	– 0,08	0,16	– 0.45	0.07	– 0.14	0.39
	(– 0.17, 0.03)	(– 0.07, 0.31)	(– 1.14, 0.36)	(– 0.001, 0.15)	(– 0.27, – 0.01)	(– 0.11, 1.00)
RS2-DPP	– 0.09	0.12	– 0.60	– 0.01	– 0.13	– 0.21
	(– 0,18, 0,01)	(– 0.12, 0.35)	(– 1.27, 0.14)	(– 0.07, 0.06)	(– 0.26, 0.01)	(– 0.66, 0.29)

	Ex-smoker effects	Current smoker effects
G -DPP	0.11	– 0.08	0.82	0.07	– 0.10	0.45
	(0.08, 0.14)	(– 0.15, – 0.02)	(0.61, 1.02)	«> (0.05, 0.09)	(– 0.15, – 0.05)	(0.29,0.60)
GEE	0.03	0.07	0.28	0.05	– 0.14	0.27
	(– 0.01, 0.06)	(0.03, 0,12)	(0,01, 0,55)	(0.03, 0.07)	(– 0.17, – 0.11)	(0.09, 0.44)
Marginal	0.05	0.10	0.50	0.01	– 0.12	– 0.03
	(0,02, 0,08)	(0,06, 0,13)	(0,28, 0,73)	( — 0,01, 0,03)	( — 0,15, — 0,01, 0,03)	( — 0,15, — 0,01, 0,03)	( — 0,15, — 0,01, 0,03)	«> ( — 0,1505)	( — 0,101)	( — 0,110)	( — 0,101 (0,01, 0,03)	.
РС1-ДПП	– 0,08	0.16	– 0.45	0.07	– 0.14	0.39
	(– 0.17, 0.03)	(– 0.07, 0.31)	(– 1.14, 0.36)	(– 0.001, 0.15)	(– 0.27, – 0.01)	(– 0.11, 1.00)
RS2-DPP	– 0.09	0.12	– 0.60	– 0.01	– 0.13	– 0.21
	(– 0,18, 0,01)	(– 0.12, 0.35)	(– 1.27, 0.14)	(– 0.07, 0.06)	(– 0.26, 0.01)	«> (– 0.66, 0.29)

	Ex-smoker effects	Current smoker effects
G -DPP	0.11	– 0.08	0.82	0.07	– 0.10	0.45
	(0.08, 0.14)	(– 0.15, – 0.02)	(0.61, 1.02)	(0.05, 0.09)	(– 0.15, – 0.05)	(0.29,0.60)
ГЕЕ	«> 0.03	0.07	0.28	0.05	– 0.14	0.27
	(– 0.01, 0.06)	(0.03, 0.12)	(0.01, 0.55)	(0.03, 0.07)	(– 0.17, – 0.11)	(0.09, 0.44)
Marginal	0.05	0.10	0.50	0.01	– 0.12	– 0.03
	(0.02, 0.08)	(0.06, 0.13)	(0.28, 0.73)	(– 0.01, 0.03)	(– 0.15, – 0.10)	(– 0.16, 0.11)
RS1 -DPP	– 0.08	0.16	– 0.45	0.07	– 0. 14	0.39
	(– 0.17, 0.03)	(– 0.07, 0.31)	(– 1.14, 0.36 )	(– 0,001, 0,15)	(– 0,27, – 0,01)	(– 0.11, 1.00)
RS2-DPP	– 0.09	0.12	– 0.60	– 0.01	– 0.13	– 0.21
	(– 0.18, 0.01)	(– 0.12, 0.35)	(– 1.27, 0.14)	(– 0.07, 0.06)	(– 0.26, 0.01)	(– 0.66, 0.29)

Содержание

Немерная арматура что это такое

Четверг, 12 декабря 2019 1:08
Автор: Sereg985
Прокоментировать

Рубрика: Строительство
Ссылка на пост
https://firmmy.ru/

Арматурная сталь разных классов A-III и А-I, A-II диаметром включительно до 10, 12мм соответственно производится в мотках либо стержнях. Диаметры больше этих величин выпускаются производителями арматуры в стержнях. Что касается классов A-IV, A-V, F-VI, все размеры изготавливаются стержнями диаметра 6 и 8мм. Возможен выпуск в мотках по согласованию с заказчиком. Это регламентируется ГОСТом ГОСТ 5781-82.

Понятия «мерной» и «немерной» длины относятся к арматурным стержням. Они производятся длиной от 6м до 12м.

Название «мерная» означает, что в одной пачке присутствуют прутки только одной длины (как правило, это 6м, 11.7м или 12 метров). Продается она метрами, весом.

«Немерная» арматура – это значит, что в одной связке (упаковке) уложены прутки различной длины. ГОСТ 5781-82 допускает наличие в партии немерной арматуры, в том числе и стержней длиной от 3м до 6 метров до 7% от массы партии. Возможны и другие длины, что производитель должен согласовывать с потребителем. Продается такой прокат только весом, так как различная длина прутков в одной связке затрудняет точный отмер.

Существенное отличие мерной и немерной арматуры в том, что последняя имеет цену на порядок ниже.

Стараясь минимизировать перерасход металломатериала, некоторые строители предпочитают пользоваться мерной арматурой. Но на практике немерная арматура при сооружении каркасов позволяет уменьшить нахлесты, при сооружении фундаментов она повышает их прочность и надежность эффективнее, чем мерная арматурная сталь.

Связку арматурного металлопроката разной конфигурации принято называть немерной арматурой. Её выпускают следующих размеров: от 1,5 до 6 м; от 6 до 12. Считается, что применение арматуры различной длины может привести к перерасходу материала. Однако практика показывает, что при должном старании перерасхода можно избежать.

Где сегодня используется немерная арматура 12 м, 6 м и 1,5 м? Часто её выбирают для устройства каркасов. При правильном распределении изделий удаётся не только сэкономить время на сооружение конструкции, но и финансовые затраты на неё.

Применяют немерную арматуру и для изготовления железобетона. Металлические прутья разной длины повышают прочность бетона, делают его более долговечным и надёжным. Если собираетесь строить фундамент, попробуйте купить арматуру немерную. Благодаря ей основание здания сможет выдерживать более серьёзные нагрузки, чем если бы при его строительстве использовалась обычная арматура.

В чём ещё особенности немерного арматурного проката? Его делят на несколько классов, каждому из которых соответствует определённый профиль. Например, класс А1 имеет гладкую поверхность. Классы, следующие дальше (А2-А6), характеризуются периодическим профилем.

Немерную арматуру не стоит считать гнутой или лежалой. Также не стоит ошибаться, что из-за разной длины её вес, а значит, и цена будут меньше. Стоимость арматуры немерного типа на порядок ниже, чем стоимость мерной. Однако по ряду параметров этот «разнокалиберный» металлопрокат мало отличается от своих более дорогих собратьев.

Немерная стальная арматура может применяться почти везде, так же, как и мерная, однако оптимальнее всего использовать ее для возведения малоэтажного дома или здания.

Особенности

Немерная арматура металлическая для строительства производится по ГОСТ 52544, либо различным ТУ. Для производства берут углеродистые сплавы стали или низколегированные. Вообще, фактически такая арматура не отличается от мерного варианта, так как разница заключается только в длине. Немерный арматурный прокат может колебаться от 1,5 до 12 метров длиной, а по желанию клиента (и технических возможностях производителя) может даже превышать это значение.

Немерный арматурный металлопрокат может быть как гладким, так и рифленым, диаметром от 8 до 32 миллиметров.

Сильные стороны

Основное преимущество этого вида проката – в его пониженной стоимости по сравнению с мерными закупками. Как мы уже сказали, по прочности или армирующим свойствам она ничуть не уступает обычной мерной арматуре.

Многие строители используют немерный вариант только для создания опор, так как из прутьев разной длины сложнее создать надежный армирующий каркас.

Также целесообразно использовать этот вид проката и экономить при возведении дома с небольшим количеством этаже, а также постройки с фундаментом, которая также не будет давать слишком большую нагрузку. Иными словами, в частном строительстве этот вариант незаменим.

Периодический профиль арматуры позволяет укреплять железобетон, гладкий профиль создает надежные опоры и перемычки. Такая арматуры легко сваривается, монтируется и обрабатывается.

Чаще всего немерные изделия делают только из основных стальных сплавов с универсальными свойствами, не распыляясь на свойства специальные или улучшенные.

Как использовать немерную арматуру стальную?

Не во всех случаях немерную арматуру можно использовать для изготовления железобетона. Во-первых, из-за разной длины прутьев может быть слишком много работы по их обработке либо перерасход металлопроката. Во-вторых, трудно производить подсчеты и прикидки.

Важное отличие немерных стержней – уменьшение нахлеста при изготовлении каркаса. С мерным вариантом это невозможно.

Для опор и небольших построек материал действительно будет полезен, так как он достаточно прочен, однако крупная нагрузка тяжелых зданий ему не по зубам. На сложной местности или при большом весе постройки, при ответственном строительстве или слабой бетонной смеси лучше брать мерный вариант.

Помните, что хотя этот вид металлопроката дешевле привычного, однако он должен удовлетворять всем требованиям ГОСТа и не обладать дефектами и браком. Обязательно проверяйте его при покупке!

Что такое немерный металлопрокат?

Добрый день, дорогие друзья! Многие из вас интересуются, каким бывает металлопрокат, как отличать его, из каких металлов создаются те или иные изделия. В этой статье я собрал всю информацию о том, что такое металлопрокат и каким он бывает. Более конкретно я разберу тему немерного металлопроката.

Металлический прокат – это огромный класс изделий, изготовленных на специальных станках методом горячей, тёплой или холодной прокатки.

Для производства продукции такого типа используют «чёрные» металлы, но возможны и другие варианты. Готовые детали, отличающиеся по фактуре, толщине стенки, длине и форме сечения, применяют в разных сферах строительства. Они служат основой для создания всевозможных конструкций.

Виды металлопроката

Сегодня на рынке вы можете видеть четыре группы металлопроката:

Фасонный

Трубный

Сортовой

Плоский (листовой)

Отличается каждая группа друг от друга принципом формирования прокатного профиля (формы поперечного сечения).

Фасонный прокат – это сложная форма итоговых изделий. На рынке вы можете видеть следующие виды фасонного проката: двутавры, швеллеры, уголки, профили специального назначения. Продукцию фасонного проката применяют для строительства разных конструкций и быстровозводимых сооружений.

Трубный прокат на рынке представлен в виде полых труб различной конфигурации, предназначенных для транспортировки сыпучих материалов, жидкостей любой консистенции и химического состава, газа. Существуют бесшовные и сварные трубы разного диаметра. Причём все бесшовные образцы имеют немерную длину.

К группе сортового проката относятся товары, имеющие самые разнообразные геометрические формы поперечного сечения: цилиндрическую, прямоугольную, шарообразную, квадратную, шестигранную и т.д. Это арматура, катанка, полоса, стальной круг, квадрат и многое другое. Сортовой прокат является самым популярным видом металлопроката, его используют в разных областях производства и строительства.

Плоский прокат – это металлические изделия, представляющие собой листы прямоугольной формы толщиной от 0,4 до 100 мм. Продукцию вы покупаете в виде рулонов, штрипсов или листов. Их применяют в качестве заготовок на серийном и массовом производстве, в строительстве для кровельных работ, обшивки стен, создания внутренних перегородок, напольных покрытий, ограждений.

Чем отличается мерный прокат от немерного?

Знаете ли вы что, все группы товаров, кроме листового, представлены в виде мерного и немерного проката? А характеризуется мерный металлический прокат тем, что в одной упаковке находится продукция определённой конфигурации, строго контролируемой в соответствии с ГОСТом.

Например, стандартная длина прутьев или профилей составляет 6 или 12 метров, хотя при транспортировке наиболее удобным считается размер 11,7 метров, что тоже допустимо нормами. А для труб определён типовой размер 6 либо 12 метров.

При штамповке на производстве любого вида проката часто остаются отрезки, не вписывающиеся в установленные стандарты. Именно эти разноразмерные изделия формируют в отдельную категорию, которую сбывают по сниженной цене.

Поэтому немерным металлопрокатом называют связку продукции разного размера. Длина отрезков таких изделий может варьироваться от 1,5 до 12 метров, а иногда даже больше (по согласованию между изготовителем и потребителем).

Немерная арматура

Давайте рассмотрим подробнее немерную арматуру. Она бывает гладкой или периодической конфигурации с диаметром от 6 до 32 миллиметров. Рифлёный профиль подходит для укрепления железобетона и увеличения срока его эксплуатации, а гладкий пберут для создания прочных перемычек и опор.

Я считаю, что достоинство немерного металлопроката находится в низкой цене для потребителя (в среднем, на 10-15%). Хотя такой металлопрокат ничуть не уступает в качестве и практически не имеет конструктивных отличий от мерного варианта. Именно выгодная цена делает этот вид проката очень востребованным материалом в разных областях строительства.

Есть и другие плюсы использования этой группы металлопроката. Так, разная длина изделий в пучке при верных расчётах и грамотном подходе поможет вам сократить время монтажа и увязки, а также уменьшить нахлёсты при формировании каркасной конструкции. Последнее невозможно сделать при использовании прутьев стандартного размера. Вы избежите перерасхода материалов.

К сведению! Я все-равно рекомендую приобретать данный вид проката с небольшим запасом, потому что вы не сможете определить точное количество необходимой для работы продукции в связи с учётом разной длины.

Давайте посмотрим на недостатки немерного металлопроката.

Так как немерная арматура производится не целенаправленно, а является остатками после изготовления мерной, то количество её часто ограничено, а спрос довольно высокий. Следовательно, такой вид проката не всегда бывает в наличии.

Ещё одно неудобство заключается в том, что сбыт осуществляется только по весу из-за разницы в длине отрезков. Точный счёт для немерной продукции вам выставят только после взвешивания металла.

Я скажу, что сфера применения немерной арматуры довольно широка, но идеальным вариантом является её использование при малоэтажном строительстве для формирования опор или армирующего каркаса.

На что обратить внимание?

Металлопрокат доставят вам в связках, которые упакованы по всем правилам, иметь точную маркировку и ярлык со всеми характеристиками продукции. Чаще всего указывают наименование завода-изготовителя, марку стали, номер плавки и партии, размер и вес, класс прочности, показатели свариваемости и антикоррозионной защиты.

Товары немерного типа в упаковке не могут быть строго приторцованы с любой из сторон, так как имеют разную длину, поэтому обратите внимание при проверке на количество слишком коротких отрезков. Их не должно быть больше 7% из всех изделий в пачке.

Выводы

Помните, что для немерного проката существуют те же производственные нормы, что и для мерного. Будьте внимательны при покупке, выбирайте надёжных поставщиков, проверяйте сертификаты качества и следите, чтобы у продукции не было дефектов.

А лучше обращайтесь в компанию УралСибМет и я помогу вам определиться с выбором необходимого вида и размера швеллеров. «УралСибМет» — это надёжный поставщик качественных материалов для строительства и ремонта, имеющий широкий ассортимент товаров по доступным ценам, а также предоставляющий услуги по обработке и доставке продукции на объект. «УралСибМет» – гарант надёжности, прочности и долговечности сооружений.

Что такое немерная арматура?

Yablor.ru — рейтинг блогов рунета, автоматически упорядоченных по количеству посетителей, ссылок и комментариев.

Фототоп — альтернативное представление топа постов, ранжированных по количеству изображений. Видеотоп содержит все видеоролики, найденные в актуальных на данных момент записях блогеров. Топ недели и топ месяца представляют собой рейтинг наиболее популярных постов блогосферы за указанный период.

В разделе рейтинг находится статистика по всем блогерам и сообществам, попадавшим в основной топ. Рейтинг блогеров считается исходя из количества постов, вышедших в топ, времени нахождения поста в топе и занимаемой им позиции.

gellius — 13.10.2021
— Технологии

Немерная или комбинированная
арматура по своим физическим и механическим свойствам
ничем не отличается от мерной. По сути, это те же самые прутки
металлопроката. Единственная разница: в связки для продажи
собираются обрезки разной протяжённости. Точно отмерить нужное
количество фрагментов, упакованных в одну связку, становится
затруднительно, поэтому продукт заказывают по весу.

Использование немерной арматуры для
нужд строительной отрасли достаточно широко. С её помощью
укладываются ленточные фундаменты, укрепляются бетонированные стены
и перекрытия, изготавливаются стальные сетки. Купить такой
металлопрокат в Москве выгодно, поскольку цена на
него на порядок ниже мерного варианта.

Откуда берутся нестандартные фрагменты

При резке арматуры всегда остаются различные по длине фрагменты,
которые не вписываются в принятые стандарты метража. Их можно
использовать по-разному: отправить на переплавку, подогнать под
меньший размер или пустить в продажу как есть. Все не подогнанные
под нужную длину обрезки объединяются в отдельную категорию и
реализуются по сниженной стоимости.

Обычно, заказать арматуру немерной длины
непросто, поскольку её не изготавливают целенаправленно. Побочный
продукт металлопроката поступает на склады в небольшом количестве и
быстро раскупается. Её удобно использовать при строительстве
небольших сооружений, когда требуется уменьшить нахлёст при сборке
железного каркаса.

Плюсы и минусы использования нестандартных обрезков
арматуры

Помимо уменьшения цены и выгодных скидок, на которые можно
рассчитывать, приобретая немерную арматуру, у её применения есть
ещё несколько существенных плюсов:

протяжённость прутка ограничена 3-6 метрами;
изготавливается по тем же стандартам прочности;
имеет равномерный рельеф и качественную структуру.

К минусам причисляют невозможность просчитать количество стыков,
поскольку в пачке может оказаться много коротких фрагментов.
Приобретается она только на вес. Брать такой продукт следует с
запасом. Но в конечном итоге, это всё равно может оказаться
выгоднее, учитывая разницу в стоимости.

Немерная арматура в Москве всегда пользуется
спросом на рынке стройматериалов. Практическое применение этого
вида металлопроката облегчает сооружение фундаментов. Он широко
используется в малом строительстве, поэтому на него всегда высокий
спрос. ТД
Промресурс предлагает продукт хорошего качества, со склада, с
доставкой до стройплощадки.

Сохранено

Оставить комментарий

VK.COM
FACEBOOK.COM
Анонимно

Архив

Архив записей в блогах:

Бросят в яму — хорошо если бельё не снимут. .. Отношение к павшим в РККА

Приказ № 0213 по тылу Ленинградского фронта о погребении трупов погибших воинов 13 декабря 1941 г. При погребении трупов погибших, наряду со снятием шинели в порядке приказа НКО № 138 от 15 марта 1941 г., приказываю снимать следующие предметы вещевого имущества: 1. Телогрейку …

Собянин обещает провести ревизию ранее заключенных инвестконтрактов

Собянин устроил настоящий террор в отношении пригретых Лужковым воров! ( Read more … …

Сушеный ужас

По моим представлениям, это пираньи постоянно кого-то жрут, а не наоборот. И тем не менее, продается такое у нас на Соколе у фонтана. Не сказал бы, что вкусно, но необычно. …

Без названия

Все просто: Во Флоренции эта скульптура стояла рядом с копией «Давида» Микеланджело и мессидж был: «современное искусство — говно в сравнении с классикой» (включаем сюда и Возрождение) А в Москве, эта скульптура стоит рядом с «Петром Первым» Церетели и мессидж сменился на . ..

Про дату и кино…

Сегодня годовщина нашей с Настасьей свадьбы — пять лет прошло… а по ощущениям — словно неделю назад расписались. По этому поводу отобедали в «Граблях», после чего двинулись в Коломенское — ловить за хвост золотую осень: Красиво там — весьма! …

WOW
Авто
Армия
Беларусь
Бизнес
Видео
Дети
Жесть
Животные
Закон
Здоровье
Игры
Интернет
Искусство
История
Казахстан
Кино
Конфликты
Коронавирус
Коррупция
Косметичка
Криминал
Кулинария
Ликбез
Литература
Лытдыбр
Медицина
Мнения
Музыка
Наука
Общество
Олимпиада
Отдых
Отношения
Персоны
Политика
Природа
Происшествия
Путешествия
Разное
Разоблачения
Реклама
Религия
СНГ
Сиськи
События
Спорт
Страны
ТВ и СМИ
Творчество
Технологии
Транспорт
Троллинг
Финансы
Фото
Шоубиз
Штуки
Экономика
Юмор

Главная
О проекте

Обратная связь
Правообладателям
Реклама
RSS

Рейтинг топ блогов, упорядоченных по количеству посетителей, ссылок и комментариев.

При составлении рейтинга блогосферы используются данные, полученные из открытых источников.

Производитель стальных листов и труб.

Дом
Товары
Фитинги

Типы трубной арматуры

Фитинги для сварки встык
Lorem Ipsum — это просто фиктивный текст печати и
наборная промышленность. Lorem Ipsum был лидером отрасли.
стандартный фиктивный текст с 1500-х годов.
Фитинги под сварку враструб
Это кованые фитинги с торцевым соединением раструбного типа, которые в основном используются для трубопроводов малого диаметра, как правило, для трубопроводов с номинальным диаметром NPS 2 или меньше.
Резьбовые фитинги для труб
Они также относятся к кованым трубным фитингам с резьбовыми соединениями и, вероятно, к старейшему методу соединения труб. Как и фитинги для сварки враструб, резьбовые фитинги.
Фланцевые фитинги
Lorem Ipsum — это просто фиктивный текст печати и
наборная промышленность. Lorem Ipsum был лидером отрасли.
стандартный фиктивный текст с 1500-х годов.
Фитинги Camlock
Lorem Ipsum — это просто фиктивный текст печати и
наборная промышленность. Lorem Ipsum был лидером отрасли.
стандартный фиктивный текст с 1500-х годов.
Фитинги для труб высокого давления
Lorem Ipsum — это просто фиктивный текст печати и
наборная промышленность. Lorem Ipsum был лидером отрасли.
стандартный фиктивный текст с 1500-х годов.
Сборные фитинги для труб
Lorem Ipsum — это просто фиктивный текст печати и
наборная промышленность. Lorem Ipsum был лидером отрасли.
стандартный фиктивный текст с 1500-х годов.

Стандарты трубной арматуры

Фитинги ANSI
Размеры: от 1/8″ до 96″
Длина: Случайная, двойная случайная
Размеры: ASME B36. 10
Фитинги BS
Размеры: от 1/8″ до 96″
Длина: Случайная, двойная случайная
Размеры: ASME B36.10
Фитинги ISO
Размеры: от 1/8″ до 96″
Длина: Случайное, двойное случайное
Размеры: ASME B36.10
EN Фитинги
Размеры: от 1/8″ до 96″
Длина: Случайная, двойная случайная
Размеры: ASME B36. 10
Фитинги MSS SP
Размеры: от 1/8″ до 96″
Длина: Случайная, двойная случайная
Размеры: ASME B36.10
Большие фитинги
Размеры: от 1/8″ до 96″
Длина: Случайная, двойная случайная
Размеры: ASME B36.10
Трубные фитинги DIN
Размеры: —
Длина : —
Размеры : —

fit — Англо-русский словарь на WordReference.

com

- См. также:
- - фитч
  - Фитчбург
  - Фитчью
  - порывистый
  - подходит
  - установка
  - фитнес
  - установлен
  - фиттен
  - слесарь
  - фитинг
  - примерочная
  - Фиттипальди
  - фиттония
  - Фицджеральд
  - Сокращение Фитцджеральда
  - Сокращение Фицджеральда-Лоренца
  - Фитцхью
  - Фитцпатрик
  - Фицровия
  - Фицрой
- Последние поиски:
- Посмотреть все

Listen:

UK: ^* UK and possibly other pronunciationsUK and possibly other pronunciations/ˈfɪtɪŋ/US:USA pronunciation: IPA and respellingUSA pronunciation: IPA/ˈfɪtɪŋ/ ,USA pronunciation: respelling(fit ′ ing)

ⓘ Одна или несколько тем на форуме точно соответствуют искомому запросу

Приложения WR: Android и iPhone
Слово дня

От глагола fit : (⇒ спрягать)
fit is: ⓘНажмите на инфинитив, чтобы увидеть все доступные склонения: v pres p

fit•ting ^{/ˈfɪtɪŋ/USA произношение
прил.}

подходит или подходит;
настоящий или становящийся: подходящая роль в новой компании.

сущ. [исчисляемый]

действие или случай примерки одежды, которую изготавливают или переделывают: Костюмы изготавливаются на заказ только с несколькими примерками.
деталь, необходимая для соединения других деталей: различные фитинги, необходимые для установки кондиционера.

фитинги , доп.

фитинг ^{(подходит ′ ing), произношение США прил.}

подходит или подходит;
собственный или становящийся.

сущ.

действие человека или предмета, которое подходит.
действие или случай примерки одежды, которую изготавливают или переделывают, чтобы определить, подходит ли она по размеру.
все, что предоставляется в качестве оборудования, деталей, поставок и т. д.
Обычно фитинги . мебель, приспособления и т. д., относящиеся к зданию или квартире.

подходит ¹ + -ing ² , -ing ¹ 1525–35

подходит ′ 3.vting 3.vting

fit ′ ting•ness , н.
1. См. соответствующую запись в без сокращений. подходит, соответствует, правильно, прилично, прилично.
Collins Concise English Dictionary © HarperCollins Publishers::
Fitting /ˈfɪtɪŋ/ adj
соответствующий или надлежащий; подходящий
n
принадлежность или часть: электрическая арматура
(множественное число) мебель или аксессуары в здании
работа, выполняемая слесарем
примерка одежды, чтобы ее можно было подогнать fit
Британский размер в одежде или обуви: узкий облегающий
ˈfittingly adv
WordReference Random House Learner’s Dictionary of American English © 2022
подходит ¹ /fɪt/США произношение
прил. , фит•тер, фит•тест, v., фит•ти или фит, фитинг, н.
прил.
адаптированные или подходящие;
подходит;
подходит: [~ + для][be + ~]Ненастная ночь была не пригодна ни для человека, ни для зверя.[~ + для + verb-ing]Эта вода не пригодна для питья.[~ + to + verb]вода не подходит для питья.
правильное или подходящее поведение.
подготовленные или готовые:культуры, пригодные для сбора.
в хорошей физической форме;
в добром здравии: Она выглядела подтянутой и подтянутой.
в.
, чтобы быть адаптированным или подходящим для (цели, объекта, случая и т. д.): [без возражений]Дом хорошо вписывается в этот лесной массив.[~ + объект]Вписывается ли обед в полдень в ваше расписание?
, чтобы быть подходящим или подходящим для: [~ + объект]Пусть наказание соответствует преступлению.
, чтобы быть подходящего размера или формы (для): [~ + объект]Платье сидело на ней идеально.[нет объекта]Ничто из того, что она примеряла, не подходило.
сделать (что-то) нужного размера или формы: [~ + объект] Портной подогнал ему смокинг.
для приведения в соответствие;
Adjust:[~ + object]Ювелир надел кольцо на палец.
подготовить;
подготовьте:[~ + объект]качества, которые подходят ему для лидерства.
поставить с точным размещением или регулировкой: [~ + объект]Я вставил ключ в замок.
для меблировки;
оборудовать:[~ + объект]Автомобиль оснащен подушками безопасности.
дополнить или до , [~ + выход/вверх + объект] для обеспечения необходимыми расходными материалами;
оборудовать:Они снарядили экспедицию.
сущ. [исчисляемый]
способ, факт или состояние подгонки или подгонки: смокинг сидел идеально. Пальто плохо сидит.
Идиомы
Идиомы, неформальные термины пригодный для связи , крайне раздраженный или сердитый.

фит•лы , нареч.
фитнес , н. [неисчисляемый]]
монтажник , н. [исчисляемое]
подходит ² /fɪt/США произношение
н. [исчисляемое]
Патологиявнезапный острый приступ болезни, особ. один с судорогами или потерей сознания: приступ эпилепсии.
начало или период эмоции, влечения, активности и т. д.: приступ плача.
Идиомы
Идиомы урывками , нерегулярно;
запуск и остановка;
с перерывами: Мы работали урывками.
Идиомы закатить истерику , стать чрезвычайно взволнованным или рассерженным.
WordReference Random House Unabridged Dictionary of American English © 2022
fit ¹
(fit), произношение в США adj. , fit•ter, fit•test, v., fit•ted или фитинг, фитинг, н.
прил.
адаптированные или подходящие;
подходит:Эта вода не пригодна для питья. Жираф с длинной шеей подходит для лазания по верхушкам деревьев.
правильное или подходящее поведение.
квалифицированный или компетентный в отношении должности или функции: подходящий кандидат.
подготовленные или готовые: культуры, пригодные для сбора.
в хорошей физической форме;
в добром здравии: Он готов к гонке.
Биология
, адаптированные к преобладающим условиям и производящие потомство, доживающее до репродуктивного возраста.
вносит генетическую информацию в генофонд следующего поколения.
(популяции) поддержание или увеличение численности группы в окружающей среде.
пригодный для связывания , [Неофициальный. ]крайне раздраженный или сердитый: Его можно было связать, когда я сказал ему, что разбил машину.
Неофициальные условия подходит для убийства до предела;
чрезвычайно:Она была одета, чтобы убить.
в.т.
быть адаптированным или подходящим для (цели, объекта, случая и т. д.).
быть подходящим или подходящим для.
, чтобы быть подходящего размера или формы для: Платье сидело на ней идеально.
отрегулировать или привести в соответствие:подогнать кольцо к пальцу.
, чтобы сделать квалифицированным или компетентным: качества, которые подходят для лидерства.
для подготовки: Эта школа подходит для поступления в колледж.
поставить с точным размещением или подгонкой:Вставил картину в раму.
предоставить;
отделка;
комплектация: для установки на дверь новой ручки.
в.и.
, чтобы быть подходящим или правильным.
иметь правильный размер или форму, как предмет одежды для владельца или любой предмет или часть вещи, к которой он применяется: Обувь подходит.
отделка или до , для снабжения припасами, оборудованием, одеждой, мебелью или другими принадлежностями; поставка
;
экипировка: для снаряжения экспедиции.
сущ.
манера, в которой вещь подходит: подходит идеально.
то, что подходит: Пальто плохо сидит.
процесс примерки.
1325–75; Среднеанглийский fitten ; сродни среднеголландскому vitten подходит для

подходит для ′ стол , прил.
1. См. соответствующую запись в Полном тексте.
2. См. соответствующую запись в разделе «Подгонка, подгонка».
5. См. соответствующую запись в Полном тексте. Здоровый, здоровый, выносливый, сильный, крепкий.
И fit, и fit являются стандартными как прошедшее время и причастие прошедшего времени fit ¹ : Новая дверная посадка (или идеально подходил к ) старой раме. В прошлом году костюм хорошо подходил (или подходил к ). Подгонка несколько более употребительна, чем подгонка в смысле «подгонять, приспосабливать»: портной подгонял костюм с минимумом суеты. ручка
подходит для ²
(fit),США произношение сущ.
внезапный, острый приступ или проявление болезни, особенно один отмечен судорогами или потерей сознания: приступ эпилепсии.
начало, приступ или период эмоции, чувства, склонности, активности и т. д.: приступ гнева; приступ плача.
Идиомы на или урывками , через неравные промежутки времени;
с перерывами: это радио работает урывками.
Идиомы закатить истерику , сильно взволноваться или рассердиться: Ваш отец закатит истерику, когда услышит, что вы сделали.
доп. 1000; Средний английский; Старый английский фит раунд боевой. Подходит ³
подходит ³
(fit),США произношение сущ. [Архаичный.]
Литература, музыка и танцыпесня, баллада или рассказ.
Литература, музыка и танец — часть песни, баллады или рассказа.
доп. 900; Средний английский; Староанглийский fitt раунд пения, песни, песни, речи
fit ⁴
(подходит), США произношение v. [Нестандартный]( в основном старое использование ).
Сленговые терминыpt. бой.
FIT,
[Банковское дело] Федеральный страховой налог.
Collins Concise English Dictionary © HarperCollins Publishers::
fit /fɪt/ vb (подходит, подходит, подходит) (подходит для США)
быть подходящим или подходящим для (ситуации и т. д.)
иметь правильный размер или форму для (соединения, контейнера и т. д.)
(переходный) приспособить, чтобы привести в соответствие
(переходный) снабдить тем, что необходимо
(переходный) примерить одежду (на ком-либо), чтобы при необходимости внести коррективы
(переходный) сделать компетентный или готовый
(переходный) определить местонахождение с осторожностью
(непереходный) соответствовать фактам или обстоятельствам
прил. подходящий

, имеющие соответствующую квалификацию; квалифицирующий

в добром здравии

достойный или достойный: книга, которую можно прочитать

(за которой следует инфинитив) в таком экстремальном состоянии, что вполне вероятно указанное последствие: она была в состоянии закричать, вы выглядите в состоянии уронить

способ, которым что-то соответствует
действие или процесс подбора
соответствие между наблюдаемыми и предсказанными характеристиками распределения или модели
См. соответствие

Этимология: 14 век: вероятно, из среднеголландского языка vitten ; относящийся к древнескандинавскому fitja вязать

ˈfittable прил

fit /fɪt/ n

внезапный приступ или конвульсия, например, внезапный приступ эпилепсии приступ эмоции
4: гнев
импульсивный период активности или отсутствия активности; настроение: припадок лени
дать человеку припадок ⇒ неожиданно удивить человека
впасть в истерику , закатить истерику ⇒ неформально стать очень злым или взволнованным
урывками ; нерегулярно

Этимология: древнеанглийский fitt конфликт; см. fit³

‘ фиттинг ‘ также встречается в этих статьях (примечание: многие из них не являются синонимами или переводами):

Балаклава
— баскский
— шорты-бермуды
— разместить
— ачкан
— разрешение
— вообще
— аномальный
— применимый
— деловое свидание, встреча
— прижался
— соответствующий
— кстати
— апсида
— подходящий
— беседка
— Штурмовая винтовка
— заднее обустройство
— люфт
— мешочки
— мешковатый
— балаклава
— шаровое соединение
— бальмакан
— баньян
— бейсболка
— корзина
— баскский
— шапочка для купания
— банный халат
— боевая куртка
— бусина
— шапочка
— становление
— подобает
— подходящий
— вестись
— скамья крюк
— выгода
— берет
— подобает
— большой
— байкерская куртка
— бикини
— бильярд
— связывать
— птичий рот
— блузка
— синие джинсы
— лиф

Поищите «фитинги» в Merriam-Webster
Поищите «фитинги» на Dictionary. com

Объявления

Объявления

Сообщить о неприемлемом объявлении.

Станьте сторонником WordReference, чтобы просматривать сайт без рекламы.

Подгонка полупараметрических моделей случайных эффектов к большим наборам данных | Биостатистика

Журнальная статья

Майкл Л. Пеннелл,

Майкл Л. Пеннелл
*

Ищите другие работы этого автора на:

Оксфордский академический

пабмед

Google ученый

Дэвид Б. Дансон

Ищите другие работы этого автора на:

Оксфордский академический

пабмед

Google ученый

Биостатистика , том 8, выпуск 4, октябрь 2007 г., страницы 821–834, https://doi.org/10.1093/biostatistics/kxm008

Опубликовано:

11 апреля 2007 г.

17
История статьи

Получено:

02 октября 2006 г.

Получена редакция:

19 февраля 2007 г.0016 11 апреля 2007 г.

Фильтр поиска панели навигации

БиостатистикаЭтот выпускБиоматематика и статистикаКнигиЖурналыOxford Academic
Термин поиска мобильного микросайта

Закрыть

Фильтр поиска панели навигации

БиостатистикаЭтот выпускБиоматематика и статистикаКнигиЖурналыOxford Academic
Термин поиска на микросайте

Advanced Search

Abstract

Для больших наборов данных может быть сложно или невозможно подобрать модели со случайными эффектами с использованием стандартных алгоритмов из-за ограничений памяти или высокой вычислительной нагрузки. Кроме того, было бы полезно использовать обширную информацию, чтобы ослабить предположения, такие как нормальность случайных эффектов. Руководствуясь данными эпидемиологического исследования роста детей, мы предлагаем двухэтапный метод подбора моделей полупараметрических случайных эффектов к лонгитюдным данным по многим субъектам. На первом этапе мы используем метод многомерной кластеризации для выявления G ≪ N группы испытуемых, данные которых не имеют научно значимых различий, определенных экспертами в предметной области. Затем, на этапе 2, предполагается, что специфические для группы случайные эффекты возникают из-за неизвестного распределения, которому предварительно назначается процесс Дирихле, дополнительно группируя группы из этапа 1. Мы используем наш подход для моделирования влияния курения матери во время беременности на рост 17 518 девушек.

1. ВВЕДЕНИЕ

При сборе данных по большой популяции или нескольким центрам количество наблюдений может стать огромным. В этих ситуациях ограничения памяти или высокая вычислительная нагрузка могут затруднить подбор моделей случайных эффектов с использованием стандартного частотного анализа (например, Wolfinger 9).0259 и др. , 1994) и байесовские (например, Zeger and Karim, 1991) методы. Эти трудности иллюстрируются данными, собранными в рамках Совместного перинатального проекта (CPP) — проспективного эпидемиологического исследования беременных женщин и их детей в США в период с 1959 по 1974 год. Chen и др. (2006) исследовали взаимосвязь между курением матерей во время беременности и детским ожирением у N = 34866 детей в CPP с использованием обобщенных оценочных уравнений (GEE; Liang and Zeger, 19).86). Хотя GEE позволил авторам сделать выводы о средних эффектах в популяции, было бы также интересно оценить, как курение варьировало по своему влиянию на детей. К сожалению, размер данных препятствовал анализу случайных эффектов. Например, в SAS PROC MIXED закончилась память, когда мы попытались подогнать модель со случайными эффектами курения.

Недавно Guha and Ryan (2006) и Z. Huang и A. Gelman (в процессе подготовки) предложили эффективные методы подбора моделей параметрических случайных эффектов к большим наборам данных. Однако, когда набор данных большой, как в CPP, было бы выгодно использовать обильную информацию, чтобы ослабить предположения о распределении, такие как нормальность случайных эффектов. Несколько авторов предложили методы, предполагающие гладкое распределение неизвестных случайных эффектов (см., например, Magder and Zeger, 19).96; Тао и др. , 1999 г.; Чжан и Давидян, 2001 г.; Chen и др. , 2002 г. и связанные с ними работы Verbeke and Lesaffre, 1996 г.; Ghidey и др. , 2004), хотя вычисления могут быть непрактичными для больших N . Более удобный подход состоит в том, чтобы принять дискретное распределение, тем самым уменьшив количество оцениваемых случайных эффектов. Эйткин (1999) предложил EM-алгоритм для подгонки этих моделей, хотя этот подход сходится к локальному режиму.

В соответствии с байесовским подходом можно использовать предварительный процесс Дирихле (DPP), чтобы допустить неизвестное, дискретное распределение случайных эффектов и автоматически группировать людей в латентные классы (West и др. , 1994, Bush and MacEachern, 1996, Mukhopadhyay и Гельфанд, 1997; Клейнман и Ибрагим, 1998). К сожалению, невозможно использовать DPP в больших наборах данных с использованием текущих алгоритмов Монте-Карло с цепями Маркова (MCMC) (например, West и др. , 1994; MacEachern, 19).94; Ишваран и Джеймс, 2001). Хотя вариационный метод Байеса Блея и Джордана (2006) может существенно сократить время вычислений по сравнению с MCMC, этот подход может быть чувствителен к начальным значениям и основывается на замене истинной апостериорной плотности нижней границей с неизвестной точностью.

Альтернативный подход — уменьшить размер набора данных перед выполнением MCMC. Например, можно подогнать модели к случайной подвыборке (например, Owen, 2003). DuMouchel и другие (1999) предложил двухэтапный метод «сжатия данных». Во-первых, полные данные разбиваются на компактные подобласти. Затем в каждом регионе генерируется набор «псевдоданных» и весов, чтобы взвешенные моменты сжатых данных совпадали с невзвешенными моментами исходных данных. Метод DuMouchel и других менее чувствителен к выбросам, чем случайная выборка, но их процедура сопоставления моментов требует больших вычислительных ресурсов. В последнее время Madigan и другие (2002) предложил метод сжатия, который сначала группирует субъектов на основе их вклада в вероятность, а затем подбирает модели по среднему значению для каждой группы. Хотя этот подход может быть многообещающим для некоторых моделей, он неудобен в DPP из-за сложной структуры вероятности.

Руководствуясь данными CPP, мы предлагаем новую процедуру сжатия данных для подгонки моделей полупараметрических случайных эффектов к большим наборам продольных данных. На первом этапе строим G ≪ N группы «неразличимых с научной точки зрения» субъектов, что означает, что различия между субъектами в каждой группе настолько малы, что эксперт в данной области не сочтет их существенными. На втором этапе мы используем DPP для моделирования средств кластера G , дополнительно группируя группы из первого этапа. Применяя DPP к средствам кластера вместо полных данных, мы сокращаем как время вычислений, так и количество скрытых классов. Кроме того, наше использование мнения экспертов улучшает научное обоснование кластеризации. Для обсуждения важности экспертного сбора информации обратитесь к Kadane and Wolfson (19).98), Мейер и Букер (2001), Гартуэйт и др. (2005).

В разделе 2 мы предлагаем метод. Раздел 3 содержит примеры моделирования, раздел 4 применяет подход к данным CPP, а раздел 5 обсуждает результаты.

2. Методы

2.1 Общая мотивация

для I = 1,…, N , Let Y _I = (Y _{I I} = (Y _{I I} = (Y _{_{I I} = (Y 9006 _{I I} = (Y _{_{I I} = (Y 9006 _{I . нет _i} ) ^′ обозначают набор из n _i продольных измерений на предмете i . Letting x _I = ( x _{I 1},…, x _{I P _).}}}

(2.1)

где I _{n _i} is an n _i × n _i identity matrix and b _i = ( b _{i 1} ,…, b _{i p} ) ^′ ∼ H , неизвестное распределение со средним значением β и ковариацией V .

Как N становится очень большим и оба n _i и p remain modest, many subjects have essentially identical values with y _i ≈ y _j and X _i ≈ X _j for many разные пары и , и . Результаты, такие как вес, которые рассматриваются как непрерывные, часто усекаются или округляются при записи, что ограничивает количество уникальных значений в данных. Кроме того, значения, которые настолько близки, что эксперт в предметной области счел бы их неразличимыми с научной точки зрения, могут быть сгруппированы вместе без потери важной информации. В этих условиях данные адекватно суммируются значениями для G ≪ N кластеров. Для наблюдения i в кластере g пусть

(2.2)

, где y¯g⁠, X¯g⁠ и b¯g — средние значения отклика, предикторов и случайных эффектов, характерные для кластера. , ϕ _{G I} и φ _{G I} — случайные переменные, и Δ _G

609. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9029. 9109. . Когда кластеры G адекватно отражают неоднородность данных, наблюдаемые значения ϕ _{g I}, φ _{G I} и Δ _{G 9 I}

.LAILY. Таким образом, β = E ( B _I) можно оценить по

(2,3)

, где M _G — это номер Clusts G .

Вместо подгонки моделей ко всем субъектам N мы предлагаем альтернативный подход, в котором мы подгоняем нашу модель к псевдовыборке, ( y ₁ ^* , X ₁ ^* ),…,( y _G ^* , X _G ^* ), where ( Y _G ^*, x _G ^*) представляет типичный субъект в кластере G (то есть. ). В разделе 2.2 мы рекомендуем стратегию начальной кластеризации N субъектов в группы G . В разделе 2.3 мы определяем нашу полупараметрическую модель и обсуждаем влияние DPP на кластеризацию. В разделе 2.4 мы обсуждаем наш подход к выводу.

2.2 Стадия 1 Кластеризация

Специфические для предмета данные сначала делятся на слои q на основе категориальных предикторов. Например, если есть 2 категориальных предиктора, один дихотомический и один с 3 уровнями, q будет равняться 6. Внутри каждой страты мы хотим создать кластеры научно неразличимых субъектов на основе значений непрерывных переменных, т.е. реакции и непрерывные предикторы. Для предмета I В слоте j , мы обозначаем значения этих переменных как W _{J I} = (W _{J I 1}11111111111191919. 111111119. 1009, . р _{j i} ) ^′ . Для простоты изложения временно будем считать, что p _{j i} = p _j for i = 1,…, M _j , where p _j is the number of continuous variables for each subject in stratum j and M _j is the stratum frequency. Prior to clustering, we transform w _{j i} to z _{j i} = (z _{j i 1} ,…,z _{j я P _J}) ^′, где

и W¯jk и S _{W _{J K}} DENTIN переменная в слое j .

Пусть z -значения в страте j разделены на G _j кластеры, расположение которых в ℜ 6 j

60 are represented by a set of data points or “seeds,” c _{j 1} ,…, c _{j G _j} , where c _{j l} = (c _{j l 1} ,…,c _{j l p _j} ) ^′ and c _{j l k} среднее значение k th стандартизированная переменная в кластере l . Мы предполагаем, что и количество кластеров, и местонахождение неизвестны априори , но с помощью экспертного опроса мы определяем порог r таким образом, что
(2.4)
для каждого субъекта л , л .
Чтобы получить r , мы рекомендуем выполнить ряд поисковых кластерных анализов и представить результаты одному или нескольким экспертам в предметной области. Эти анализы могут быть выполнены с использованием набора исторических данных или, альтернативно, одной страты текущих данных. В последнем методе данные, используемые для выявления r также будут использоваться на втором этапе анализа, создавая своего рода эмпирический байесовский подход. Поскольку данные стандартизируются перед кластеризацией, r , основанные на одной страте, должны быть действительны для другой страты, даже если среднее значение и дисперсия различаются по группам.
Для данных CPP мы обработали данные о мальчиках, матери которых никогда не курили, как исторические данные и использовали их для выбора подходящего r для девочек. В нашем исследовательском анализе мы использовали диапазон r значений для кластеризации лонгитюдного веса мальчиков с полными данными (т. е. с последующими наблюдениями в возрасте 0, 1, 3, 4, 7 и 8 лет). После каждого анализа мы построили кривые роста субъектов в кластере с наибольшим радиусом (см. рис. 1). Мы представили эти графики группе экспертов по исследованию массы тела и попросили их определить кластеры (каждый индексирован радиусом r), кривые роста которых имеют потенциально значимые различия. Большинство экспертов согласились с тем, что при r ≤ 2,14 кривые роста в каждом кластере существенно не различались, в то время как 1 участник дискуссии выбрал r = 2,47 в качестве порогового значения. Следовательно, мы пошли с большинством и использовали р = 2,14. В других приложениях, где между экспертами существуют существенные разногласия, вместо этого можно использовать среднее полученное значение. Наш метод выбора 90 259 r 90 260 аналогичен использованию «пулов мнений» при предварительном выявлении (см. , например, Cooke and Goossens, 2000).
Рис. 1.
Открыть в новой вкладкеСкачать слайд
Графики, используемые для получения максимального радиуса, r , для данных CPP. Субъектами, использованными в анализе, были дети мужского пола некурящих матерей, которые измерялись при каждом последующем наблюдении (9).0259 Н = 1,115). Каждый график состоит из 10 кривых роста из кластера с наибольшим радиусом r. Эти кривые соответствуют субъектам, наиболее удаленным от исходного кластера и ближайшим к нему, а также 8 случайно выбранным субъектам.
Когда (2.1) содержит более 2 непрерывных предикторов, может быть сложно представить каждый кластер графически, как на рис. 1. Следовательно, чтобы сделать экспертное извлечение более податливым, мы рекомендуем использовать не более 2 непрерывных предикторов и дискретизировать предикторы. когда возможно.
Учитывая r , мы используем следующие 3 шага для кластеризации данных в страте j :
Шаг 1: Инициализация начальных значений кластера.
Целью этого шага является инициализация центроидов кластера с использованием точек данных, разделенных расстоянием r или более. Субъекты не распределяются по кластерам до шагов 2 и 3. Для начала инициализируйте G _j значением 1 и пусть c _{j 1} ⁽⁰⁾ = z _{j 1} , данные для субъекта ( j ,1). For i = 2,…, M _j , if d _{j i} ^* = min _l d ( z _{j i} , c _{j l} ⁽⁰⁾ ) > r , затем увеличить G 1006 j на 1 и создать новое кластерное семя, C _{J G _J} ⁽⁰⁾ = Z ⁽⁰⁾ = Z ⁽⁰⁾ = Z ⁽⁰⁾ = Z ⁽⁰⁾ = Z ⁽⁰⁾ = ⁽⁰⁾ = ^(0).
Шаг 2: Обновите семена.
Переменная let Index, T , равна 1 и сделайте следующее:
2,1 для I = 1,…, M _J, IF DA 9_{9_{9_{09 9 9 9 9 9 9 9 9 9}}}
9 2 9
9.0260 i ^* = min _l d ( z _{j i} , c _{j l} ^{( t − 1)} ) ≤ r , назначьте z _{j i} кластеру с ближайшим начальным числом.
2.2 Для l = 1,…, G _j , вычислить
где m _{j l} — количество субъектов, в настоящее время находящихся в кластере j , l . Пусть 0 ≤ ν < 1 обозначает заранее заданный критерий сходимости, такой, что допустимы изменения затравок кластера, меньшие или равные ν · d _{j 0} ^*
6 d j 0 ^* обозначает минимальное расстояние между начальными семенами. Если макс _l d ( c _{j l} ^{( t )} , c _{j l} ^{( t − 1)} ) > ν · d _{j 0} ^* , затем увеличьте t на 1 и повторите шаги 2.1 и 2.2, в противном случае перейдите к шагу 3. Обратите внимание, что на шаге 2.1 субъект может быть отнесен к кластеру даже если он не был назначен на предыдущей итерации.
Шаг 3: Постройте окончательные кластеры.
3.1 Repeat step 2.1 using c _{j 1} ^{( t )} ,…, c _{j G _j} ^{( t )} .
3,2 для всех I : D _{J I} ^*> R , назначение 3 Z 99999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999, R , ^*> R , ^*> R , ^{0260 i в свой собственный кластер и увеличить G _j на 1.}
Шаги 1–3 можно реализовать с помощью SAS PROC FASTCLUS, пример кода доступен по запросу. Шаг 1 связан с алгоритмом лидера (Hartigan, 1975), а шаг 2 является формой кластеризации k-средних (MacQueen, 1967). Хотя шаг 1 чувствителен к порядку данных, мы обнаружили, что при наличии нескольких сотен испытуемых в каждой страте результаты довольно согласуются при упорядочении; G _j отличается не более чем на несколько кластеров, а изменения кластерных средних невелики. После выполнения шагов 1–3 для j = 1,…, q мы вычисляем средние значения непреобразованных переменных в каждом кластере, w¯jl=∑i∈(j,l)wji⁠. Как упоминалось в разделе 2.1, эти данные (плюс категориальные предикторы) составят наши G = ∑ _{j = 1} ^q G _j
9псевдосубъекты.
Несмотря на то, что наш подход связан с методом сжатия данных DuMouchel и другими (1999), он имеет несколько преимуществ. Метод ДюМушеля и др. требует, чтобы количество кластеров было известно априори . Выбирая r на основании экспертных данных, мы индуцируем априорное значение G , тем самым снижая чувствительность нашего метода к субъективно выбранным значениям этого гиперпараметра. Кроме того, наш метод направлен на создание кластеров с низкой межсубъектной изменчивостью. Таким образом, в отличие от метода ДюМушеля и другие , мы можем оправдать использование 1 псевдосубъекта на кластер. В некоторых случаях метод ДюМушеля и других может быть быстрее, так как он не требует каких-либо консультаций с учеными. Однако специалистам по биостатистике должно быть относительно легко получить мнение экспертов, поскольку они обычно сотрудничают с учеными, предоставившими им данные. Следовательно, мы ожидаем, что преимущества экспертного опроса должны перевесить это неудобство.
Во многих лонгитюдных исследованиях, включая CPP, p _{j i} ≠ p _{j i ^′} for several pairs ( j , i ),( j , i ^′ ) из-за отсутствия последующих действий. Простым решением является стратификация по отсутствию, но это может оказаться неосуществимым, когда имеется несколько разных шаблонов. Например, в данных CPP имеется 60 различных шаблонов пропуска. Таким образом, для решения этой проблемы мы рекомендуем провести стратификацию по наиболее распространенным шаблонам и отнести оставшихся испытуемых к той страте, для которой у них меньше всего отсутствующих переменных. В каждой из этих страт исходные кластеры выбираются с использованием испытуемых с полными данными. Затем на шагах 2 и 3 субъекты с пропущенными наблюдениями распределяются по кластерам на основе скорректированных расстояний 9.0017
(2.5)
где сумма берется по p _{j i} неотсутствующих переменных для субъекта i в кластере j . Как и раньше, эти предметы все еще могут быть отнесены к их собственному кластеру, если d _{j i} ^* > r на шаге 3, и, таким образом, мы не игнорируем какие-либо важные выбросы. Поскольку предыдущие методы сжатия данных разрабатывались с учетом одномерных данных (см. DuMouchel и др. , 1999 г.; Madigan и другие , 2002 г.), наш первый, в котором были учтены недостающие размеры.
2.3 Полупараметрическая модель
В оставшихся разделах этой главы мы будем отбрасывать индекс страты из кластеров стадии 1 и ссылаться на псевдоданные как ^* ),…,( y _G ^* , X _G ^* ), которые были определены в разделе 2. 1. Для псевдосубъекта g = 1,…, G , примем
(2.6)
где n _g ^* — количество измерений псевдосубъекта H ₀ — известное распределение, а α — параметр точности. Во всех наших примерах H ₀ = N( μ , D ).
Если мы маргинализируемся из-за DPP на H , Последовательность случайных эффектов, B ₁ ^*,…, B _G ^*, следуя схема Polya Urn (Blackwell и Macqueen, 197333333, I. (2.7)
для j < k и k = 2,…, G . Таким образом, в рамках DPP случайные эффекты сгруппированы в K ≤ G групп, случайные эффекты которых равны θ ₁ ,…, θ _К , где θ _л ∼ Н ₀ для л 9026 К 90 = 1,…, 90
Пусть 𝒮 _{1, I} ∈ {1,…, G } и 𝒮 _{2, I} ∈ {1,
.
.
.
.
{1,
{1,
{1,
{1,
{1,
{1,
{1,
{1,
{1,
{1,
{1,
{1,
. кластеры субъекта и соответственно. Учитывая частоты наших кластеров стадии 1, м ₁ ,…, м _G вероятность того, что 2 случайно выбранных субъекта находятся в одном и том же кластере стадии 1, составляет
(2,8)
, что следует из многомерного гипергеометрического распределения. Кроме того, при DPP вероятность того, что 2 псевдосубъекта сгруппированы вместе, составляет 1/( α + 1) (Antoniak, 1974). Следовательно, априори ,
(2,9)
Таким образом, наш метод увеличивает априорную вероятность того, что 2 субъекта сгруппированы вместе, по сравнению с DPP, примененным к N предметов. В результате наш априор отдает предпочтение меньшему, но более научно обоснованному количеству кластеров.
Апостериорные вычисления выполняются с использованием пробоотборника Polyaurn Gibbs для моделей смесей процесса Дирихле (MacEachern, 1994; West и др. , 1994). Подробную информацию о реализации можно найти в Приложении А, доступном по адресу Biostatistics в Интернете.
Чтобы снизить чувствительность нашей модели к субъективно выбранным гиперпараметрам, мы рекомендуем следующие гиперприоры для μ , D , τ , and α :
where W(·; d ₀ , d ₀ ^{− 1} D ₀ ^{− 1} ) — плотность Уишарта со степенями свободы d ₀ и средним значением D ₀ ^{− 1} / б . Как видно из Приложения А, доступного по адресу Биостатистика онлайн, мы обновляем α в нашем MCMC, используя простой подход к увеличению данных (West, 1992), в то время как остальные гиперпараметры выбираются непосредственно из их полных условных апостериорных значений.
2.4 Методы вывода
Как видно из (2.3), разумной оценкой эффектов, усредненных по совокупности, β , является взвешенное среднее средних случайных эффектов в каждом кластере стадии 1, β˜⁠. Хотя мы приспосабливаем нашу модель к среднему ответу и значениям предикторов, полученным из M ₁,…, M _G субъектов в каждом кластере, случайные эффекты, B ₁ ^*,…, B ^*,…, B ^*,…, B ^*,…, B ^*,…, B ^*,…, B ^*. основаны на 1 псевдосубъекте на кластер. Следовательно,
Однако, учитывая β , можно сделать преобразование:
, которое сохраняет среднее значение для b _g ^*, но изменяет ковариацию на / 0259 m _g so that
Based on the above results, we make a similar posterior transformation of b ₁ ^* ,…, b _G ^* which ensures что изменчивость эффектов популяции отражает размер выборки. После сходимости пусть b _g ^{*( t )} обозначает значение b _g ^* наблюдается на итерации t , t = 1,…, T . Перед вычислением среднего значения населения мы заменим b _g ^{*( t )} на
(2.10)
, где bg*¯=∑t=1Tbg*(t⁠t=1Tbg*(t⁠t=1Tbg*(t⁠t=1Tbg*(t⁠t=1Tbg*(t)). Обратите внимание, что для больших T Cov(bg*¯) приближается к 0 , и, таким образом, мы (значительно) не завышаем дисперсии b˜g, заменяя β на bg*¯⁠. Обратите внимание, что по мере роста размеров кластеров на этапе 1 мы сжимаемся обратно к среднему значению выборок. Выполняя сокращение внутри кластеров первого этапа, а не между кластерами, мы не скрываем и не маскируем ненормальные особенности в распределении случайных эффектов. 9(*) можно использовать для проверки гипотез об усредненных эффектах предикторов, подобно тому, как это делается с фиксированными эффектами в смешанных моделях.
Наш метод также можно использовать для получения выводов о неоднородности между субъектами. Например, общие черты распределения случайных эффектов можно исследовать, используя следующую аппроксимацию для H :
(2.12)
Выводы также могут быть основаны на кластеризации случайных эффектов. Как видно из Приложения А (доступно на Биостатистика онлайн), членство в кластере меняется на каждой итерации MCMC. Следовательно, мы постобрабатываем наши результаты; используя одиночную связь (Sneath, 1957), мы получаем новый набор кластеров стадии 2 90 259 k 90 260 = 1,…, 90 259 K 90 260 90 233 * 90 234 , где для каждого субъекта 90 259 g 90 260 в кластере 90 259 k 90 260 существует другой псевдосубъект в k , g ^* , такой, что Pr( S _g = S _{g ^*} ) ≥ 0,5, где, как и в Приложении A, доступном по адресу Biostatistics онлайн, S _g указывает принадлежность псевдосубъекта g к кластеру, назначенному процессом Дирихле. Эти кластеры могут быть построены с использованием функций связи и кластера в MATLAB. Как видно из раздела 4.2, продольные траектории кластеров и количество субъектов в кластере полезны для выявления выбросов.
3. ИССЛЕДОВАНИЯ МОДЕЛИРОВАНИЯ
Мы применили подход к 3 примерам смоделированных данных. In each case, the true model for y _i given b _i was y _i ∼N( X _i b _i , I ₆ ), где X _i = ( x _{i 0 х} ,0064 _{i 1} , x _{i 2} ) with x _{i 0} = 1 ₆ , x _{i 1} = u _i · 1 ₆ , u _i ∈ {0,1}, и x _{i 2} = (0,1,3,4,7,8) ^′
/59 для 90 i = 1,…, N . Предиктор x _{i 2} можно рассматривать как возраст наблюдения субъекта 9.0259 i и u _i в качестве показателя экспозиции, где ∑ _{i = 1} ^N u _{i 9.260 9.}
3.1 Случай 1: дискретные случайные эффекты
В первом случае мы смоделировали один набор данных размером N = 2000 с использованием дискретного распределения
, которое имеет среднее значение β = (3,25,1,45,23,06) ^‘ .
Мы применили наш подход к r = 2,14 (выявленное значение), r = 1,66 и r = 0 (полные данные). Diffuse priors were chosen for μ and τ with μ ₀ = (15,0,0) ^′ , Σ ₀ = 100· I ₃ , τ ₀ = 1 и ψ = 0,1. Априор для D был центрирован на единичной матрице с d ₀ = 3. Мы также положили α ∼Ga( a ,1), где мы положили a = 0,25 для r = 2,14 и r = 1,66, но выбрано a = 0,1 для полных данных, чтобы получить аналогичный априор для K по G . MCMC выполнялся для 25 000 итераций в каждом анализе, при этом первые 5 000 итераций отбрасывались как прижигание, а каждый 10-й образец собирался для утончения цепочки.
В таблице 1 приведены оценки K и влияние на население, полученное с помощью нашего MCMC. Как количество кластеров, так и значения параметров регрессии одинаковы для р . Кроме того, потребовалось всего 23 минуты, чтобы подогнать модель под полученное r , тогда как для подгонки модели к полным данным потребовалось 19,5 часов. Мы также относительно успешно восстановили исходные кластеры (то есть 5 атомов дискретного распределения) с помощью нашего метода постобработки. Результаты этого вторичного анализа доступны в Приложении B, доступном по адресу Biostatistics онлайн. (*)0 = (3,25, 1,45, 23,06)′ в случае 1 и приблизительно 9(*)2 Case 1 2.14 93 7.06 3.21 1.47 23.03 (4, 14) (3.18, 3.25) (1.42, 1.52) (22.98, 23.07) 1.66 215 8.2 3.25 1.44 23.03 (4, 18) (3.22, 3.29) (1.39, 1.49) (22.98, 23.08) 0 2000 8.3 3.25 1. 45 23.02 (4, 15) (3.21, 3.29) (1.40, 1.49) (22.97, 23.07) Case 2 2.14 81 54.5 3.33 1.48 23.21 (44, 65) (3.26, 3.40) (1.34, 1.61) (23.14, 23.27) 1.66 163 94 3.36 1.44 23.19 (76.5, 111) (3.29, 3.42) (1.32, 1.57) (23.12, 23.26) 0 «> 1000 492.3 3.34 1.49 23.21 (439.5, 541) (3.28, 3.41) (1.38, 1.60) (23.15, 23.29) Case 3 2.14 48 31.6 3.23 1.71 23.27 (23, 40) (3.17, 3.28) (1.57, 1.85) (23.21 , 23.33) 1.66 101 55.0 3.30 1.45 23.32 (41, 69) «> (3.24, 3.36) (1.32, 1.59(*)2 Case 1 2.14 93 7.06 3.21 1.47 23.03 (4, 14) (3.18, 3.25) (1.42, 1.52) (22.98, 23.07) 1.66 215 8.2 3.25 1.44 23.03 (4, 18) (3.22, 3.29) (1.39, 1.49) (22.98, 23.08) 0 2000 8.3 3.25 1.45 «> 23.02 (4, 15) (3.21, 3.29) (1.40, 1.49) (22.97, 23.07) Case 2 2.14 81 54.5 3.33 1.48 23.21 (44, 65) (3.26, 3.40) (1.34, 1.61) (23.14, 23.27) 1.66 163 94 3.36 1.44 23.19 (76.5, 111) (3.29, 3.42) (1.32, 1.57) (23.12, 23.26) 0 «> 1000 492.3 3.34 1.49 23.21 (439.5, 541) (3.28, 3.41) (1.38, 1.60) (23.15, 23.29) Case 3 2.14 48 31.6 3.23 1.71 23.27 (23, 40) (3.17, 3.28) (1.57, 1.85) (23.21 , 23.33) 1.66 101 55.0 3.30 1.45 23.32 (41, 69) «> (3.24, 3.36) (1.32, 1.59(*)2 Case 1 2.14 93 7.06 3.21 1.47 23.03 (4, 14) (3.18, 3.25) (1.42, 1.52) (22.98, 23.07) 1.66 215 8.2 3.25 1.44 23.03 (4, 18) (3.22, 3.29) (1.39, 1.49) (22.98, 23.08) 0 2000 8.3 3.25 1.45 «> 23.02 (4, 15) (3.21, 3.29) (1.40, 1.49) (22.97, 23.07) Case 2 2.14 81 54.5 3.33 1.48 23.21 (44, 65) (3.26, 3.40) (1.34, 1.61) (23.14, 23.27) 1.66 163 94 3.36 1.44 23.19 (76.5, 111) (3.29, 3.42) (1.32, 1.57) (23.12, 23.26) 0 «> 1000 492.3 3.34 1.49 23.21 (439.5, 541) (3.28, 3.41) (1.38, 1.60) (23.15, 23.29) Case 3 2.14 48 31.6 3.23 1.71 23.27 (23, 40) (3.17, 3.28) (1.57, 1.85) (23.21 , 23.33) 1.66 101 55.0 3.30 1.45 23.32 (41, 69) «> (3.24, 3.36) (1.32, 1.59(*)2 Case 1 2.14 93 7.06 3.21 1.47 23.03 (4, 14) (3.18, 3.25) (1.42, 1.52) (22.98, 23.07) 1.66 215 8.2 3.25 1.44 23.03 (4, 18) (3.22, 3.29) (1.39, 1.49) (22.98, 23.08) 0 2000 8.3 3.25 1.45 «> 23.02 (4, 15) (3.21, 3.29) (1.40, 1.49) (22.97, 23.07) Case 2 2.14 81 54.5 3.33 1.48 23.21 (44, 65) (3.26, 3.40) (1.34, 1.61) (23.14, 23.27) 1.66 163 94 3.36 1.44 23.19 (76.5, 111) (3.29, 3.42) (1.32, 1.57) (23.12, 23.26) 0 «> 1000 492.3 3.34 1.49 23.21 (439.5, 541) (3.28, 3.41) (1.38, 1.60) (23.15, 23.29) Case 3 2.14 48 31.6 3.23 1.71 23.27 (23, 40) (3.17, 3.28) (1.57, 1.85) (23.21 , 23.33) 1.66 101 55.0 3.30 1.45 23.32 (41, 69) «> (3.24, 3.36) (1.32, 1.59) (23.26, 23.39) 0 1000 301.1 3.28 1.53 23.30 (238.5, 357.5) (3.22, 3.35) (1.42, 1.64) (23.23, 23.37)
Открыть в новой вкладке
3.2 Случаи 2–3: непрерывные случайные эффекты
В случае 2 b _I ∼N ( β , DIAG ( ω ), где β = (3,3,1,5,23,2) ^′ и ω = (0,4,0,0,43) ^{3333333333333333333333333333333333333333333333333333333333333333333мо В случае 3,}
, где β ₁ = (2,9,1,1,1,22,2) ^′, β ₂ = (4,2,25,25) ^′, ,25,25) ^′, ,25,25). = (0,075,0,1,1) ^′ и ω ₂ = (0,175,0,2,2) ^′ . Поскольку вычисления были более интенсивными, чем в случае 1, мы уменьшили размер выборки до 1000 в каждом исследовании. Кластеризация на этапе 1 и MCMC происходили так же, как и в случае 1, но с другими априорными значениями для α ; чтобы применить аналогичный априор для K для всех анализов, в Случае 2 мы выбрали a = 1 для r > 0, а в Случае 3 мы выбрали a = 3 для r = 2,14 и а = 2 для г = 1,66. В обоих случаях мы выбрали a = 0,5, когда r = 0.
При нормальных случайных эффектах оценки параметров при r = 2,14 были практически идентичны оценкам параметров при r = 0 (см. табл. 1). . Однако, когда случайные эффекты происходят от смеси нормалей, кажется, что r = 2,14 приводит к некоторой недооценке изменчивости популяции, что приводит к слегка смещенным эффектам популяции. Это не является неожиданным, учитывая, что случайные эффекты исходят из континуума, из чего следует, что истинное r = 0. Таким образом, эти результаты демонстрируют устойчивость нашего метода к r . Кроме того, даже для размера выборки 1000 выбор 90 259 r 90 260 = 2,14 вместо 90 259 r 90 260 = 0 сократил время вычислений примерно с 1,5 дней до менее чем 19 дней.мин.
4. АНАЛИЗ ДАННЫХ CPP
4.1 Методы
Теперь вернемся к данным CPP, обсуждавшимся в Разделе 1. В нашем анализе мы рассмотрели моделирование продольного веса девочек по возрасту и категории воздействия: дети никогда не куривших ( N ₁ = 6684), бывший курильщик ( N ₂ = 1849) или нынешний курильщик ( N ₃ = 8985). На этапе 1 мы провели стратификацию в зависимости от воздействия и 4 наиболее распространенных моделей пропуска: отсутствие пропущенных данных (т. е. измерения при рождении и в 1, 3, 4, 7 и 8 лет), отсутствие последующего наблюдения на 8 году жизни, отсутствие последующего наблюдения на 3-й и 8-й годы и потеряны для последующего наблюдения на следующий год. В каждой страте мы сгруппировали менее R = 2,14 ( P _J /6) ^1/2, где P _J является числом последующих подряд под зачатыми в Streathum J . Заметим, что ( p _j/6) ^1/2 является обратной величиной поправки, использованной в (2.5). Эти анализы этапа 1 генерировали G = 526 кластеров в 12 стратах.
На этапе 2 мы смоделировали вес псевдосубъекта g using an intercept, x _{g 0} ^* , indicators of smoking exposure ( x _{g 1} ^* for ex-smokers and x _{g 2} ^* для нынешних курильщиков), возраст на момент наблюдения ( x _{г 3} ^* ) и бывших курильщиков по возрасту ( x _{г 9 * ^{в настоящее время) курильщик по возрасту ( x _{г 5} ^* ) взаимодействия. Возраст был сосредоточен вокруг среднего значения среди псевдосубъектов (3,16) и предполагалось, что он имеет линейный эффект из-за относительно небольшого возраста, в котором были собраны измерения.}}
Мы использовали те же априорные значения для τ , μ и D , что и при моделировании, и присвоили Ga(0,5,1) до α . Мы выполнили наш MCMC для 45 000 итераций после 10 000 повторений, в остальном реализуя, как в разделе 3.
4.2 Результаты
Как и в случае с Chen и другими (2006), наши популяционные эффекты показывают, что привычка матери курить во время беременности оказала значительное влияние на рост ребенка. Как видно из таблицы 2, 95% достоверные интервалы взаимодействия курения и возраста ( β ₄ и β ₅), полученные с использованием нашего метода (обозначенного G -DPP), превышают 0, что свидетельствует о том, что последствия курения усиливаются с возрастом. Чтобы описать эффект курения, мы приводим оценки бывших курильщиков и нынешних курильщиков при рождении (9).0259 η _E0 и η _C0) и возраст 8 ( η _E8 и η _C8). При рождении дети бывших курильщиков и нынешних курильщиков были стройнее детей никогда не куривших, причем снижение было высокозначимым, Pr( η _C0 < 0) и Pr( η _E0 < 0) ) > 0,99, но одинаково для 2 групп, Pr( η _C0 < η _E0) = 0,668. Однако в возрасте 8 лет дети в обеих группах облучения были значительно тяжелее, Pr( η _C8 > 0) и Pr( η _E8 > 0) > 0,999, при этом прибавка в весе была больше. у детей бывших курильщиков Pr( η _E8 > η _C8 ) = 0,997. Возможно, что некоторые из эффектов бывших курильщиков вызваны смешением, поскольку Чен и другие обнаружили, что поправка на ковариаты, такие как центр и вес до беременности, привела к незначительному эффекту бывших курильщиков.
Таблица 2.
Влияние курения на популяцию при анализе CPP. Перечисленные оценки DPP являются средними и 95% достоверными интервалами; 95% confidence intervals are listed for the results from GEE and the marginal model
Ex-smoker effects Current smoker effects
Method β ₄ η _E0 η _E8 β ₅ η _C0 η _C8
G -DPP 0.11 – 0.08 0.82 0.07 – 0.10 0.45
(0.08, 0.14) «> (– 0.15, – 0.02) (0.61, 1.02) (0.05, 0.09) (– 0.15, – 0.05) (0.29,0.60)
GEE 0.03 0.07 0.28 0.05 – 0.14 0.27
(– 0.01, 0.06) (0.03, 0.12) (0.01, 0.55) (0.03, 0.07) (– 0.17, – 0.11) (0.09, 0.44)
Marginal 0.05 0.10 0.50 0.01 – 0.12 — 0,03
(0,02, 0,08) (0,06, 0,13) (0,28, 0,73) ( — 0,011, 0,03) 9028 (0,728) ( — 0,011, 0,28, 0,73) «> ( — 0,01, 0,03) 9028 (0,728) ( — 0,01, 0,28, 0,73) ( — 0,01, 0,28, 0,73) ( — 0,01, 0,28, 0,73) . , 0.11)
RS1-DPP – 0.08 0.16 – 0.45 0.07 – 0.14 0.39
(– 0.17, 0.03) (– 0.07, 0.31 ) (– 1,14, 0,36) (– 0,001, 0,15) (– 0.27, – 0.01) (– 0.11, 1.00)
RS2-DPP – 0.09 0.12 – 0.60 – 0.01 – 0.13 – 0.21
( — 0,18, 0,01) ( — 0,12, 0,35) ( — 1,27, 0,14) ( — 0,07, 0,06) «> (– 0,26, 0,01) 9028 2928 2928 2 (– 0,26, 0,01) 9028 2 ( — 0,26, 0,07, 0,06) (– 0,26, 0,07, 0,06).
.
.
Ex-smoker effects Current smoker effects
Method β ₄ η _E0 η _E8 β ₅ η _C0 η _C8
G -DPP 0.11 – 0.08 0.82 0.07 — 0,10 0,45
(0,08, 0,14) ( — 0,15, — 0,02) (0,611, 1,02) 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028, 9028 (0,028, 9028, 9028 (0,08, 0,08, 0,14) (0.29,0.60)
GEE 0.03 0.07 0.28 0.05 – 0.14 0.27
(– 0.01, 0.06) (0.03, 0.12) (0,01, 0,55) (0.03, 0.07) (– 0.17, – 0.11) (0.09, 0.44)
Marginal 0.05 0.10 0.50 0.01 – 0.12 – 0.03
(0,02, 0,08) (0,06, 0,13) (0,28, 0,73) ( — 0,01, 0,03) ( — 0,15, — 0,01228) ( — 0,15, — 0,01228) ( — 0,15, — 0,01228) ( — 0,15, — 0,01, 0,03) РС1-ДПП – 0,08 0,16 – 0.45 0.07 – 0.14 0.39
(– 0.17, 0.03) (– 0.07, 0.31) (– 1.14, 0.36) (– 0.001, 0.15) (– 0.27, – 0.01) (– 0.11, 1.00)
RS2-DPP – 0.09 0.12 – 0.60 – 0.01 – 0.13 – 0.21
(– 0,18, 0,01) (– 0.12, 0.35) (– 1.27, 0.14) (– 0.07, 0.06) (– 0.26, 0.01) (– 0.66, 0.29)
Открыть в новой вкладке
Таблица 2.
Влияние курения на популяцию при анализе CPP. Перечисленные оценки DPP являются средними и 95% достоверными интервалами; Для результатов GEE и предельной модели указаны 95% доверительные интервалы
Ex-smoker effects Current smoker effects
Method β ₄ η _E0 η _E8 β ₅ η _C0 η _C8
G -DPP 0.11 – 0.08 0.82 0.07 – 0.10 0.45
(0.08, 0.14) (– 0.15, – 0.02) (0.61, 1.02) «> (0.05, 0.09) (– 0.15, – 0.05) (0.29,0.60)
GEE 0.03 0.07 0.28 0.05 – 0.14 0.27
(– 0.01, 0.06) (0.03, 0,12) (0,01, 0,55) (0.03, 0.07) (– 0.17, – 0.11) (0.09, 0.44)
Marginal 0.05 0.10 0.50 0.01 – 0.12 – 0.03
(0,02, 0,08) (0,06, 0,13) (0,28, 0,73) ( — 0,01, 0,03) ( — 0,15, — 0,01, 0,03) ( — 0,15, — 0,01, 0,03) ( — 0,15, — 0,01, 0,03) «> ( — 0,1505) ( — 0,101) ( — 0,110) ( — 0,101 (0,01, 0,03) .
РС1-ДПП – 0,08 0.16 – 0.45 0.07 – 0.14 0.39
(– 0.17, 0.03) (– 0.07, 0.31) (– 1.14, 0.36) (– 0.001, 0.15) (– 0.27, – 0.01) (– 0.11, 1.00)
RS2-DPP – 0.09 0.12 – 0.60 – 0.01 – 0.13 – 0.21
(– 0,18, 0,01) (– 0.12, 0.35) (– 1.27, 0.14) (– 0.07, 0.06) (– 0.26, 0.01) «> (– 0.66, 0.29)
Ex-smoker effects Current smoker effects
Method β ₄ η _E0 η _E8 β ₅ η _C0 η _C8
G -DPP 0.11 – 0.08 0.82 0.07 – 0.10 0.45
(0.08, 0.14) (– 0.15, – 0.02) (0.61, 1.02) (0.05, 0.09) (– 0.15, – 0.05) (0.29,0.60)
ГЕЕ «> 0.03 0.07 0.28 0.05 – 0.14 0.27
(– 0.01, 0.06) (0.03, 0.12) (0.01, 0.55) (0.03, 0.07) (– 0.17, – 0.11) (0.09, 0.44)
Marginal 0.05 0.10 0.50 0.01 – 0.12 – 0.03
(0.02, 0.08) (0.06, 0.13) (0.28, 0.73) (– 0.01, 0.03) (– 0.15, – 0.10) (– 0.16, 0.11)
RS1 -DPP – 0.08 0.16 – 0.45 0.07 – 0. 14 0.39
(– 0.17, 0.03) (– 0.07, 0.31) (– 1.14, 0.36 ) (– 0,001, 0,15) (– 0,27, – 0,01) (– 0.11, 1.00)
RS2-DPP – 0.09 0.12 – 0.60 – 0.01 – 0.13 – 0.21
(– 0.18, 0.01) (– 0.12, 0.35) (– 1.27, 0.14) (– 0.07, 0.06) (– 0.26, 0.01) (– 0.66, 0.29)
Открыть в новой вкладке
В таблице 2 также представлены оценки, полученные с помощью GEE. Хотя результаты GEE свидетельствуют о значительном влиянии курения на массу тела ребенка, значимого влияния бывших курильщиков на возраст не выявлено (9). 0259 р = 0,141). Неудивительно, что GEE обеспечивает более пологий наклон для эффекта бывших курильщиков, поскольку, при допущении полного случайного отсутствия, он не позволяет связать наблюдаемый вес ребенка с его характером отсутствия, что, по-видимому, имеет место в случае СРР. Альтернативный подход, который не страдает от полностью случайного отсутствия допущения, состоит в подборе предельной модели с неструктурированной ковариационной матрицей для повторных измерений веса с использованием оператора REPEATED в PROC MIXED. Как видно из таблицы 2, маргинальная модель предполагает значительное взаимодействие бывших курильщиков с возрастом, но незначительное взаимодействие курильщиков с возрастом в настоящее время (9).0259 р = 0,161). Вполне вероятно, что расхождения с нашим подходом связаны с различиями в предположениях о распределении; хотя наш метод накладывает некоторую структуру на ковариационную матрицу, предполагая линейный тренд возраста, нам не требуются весовые коэффициенты Гаусса. Кроме того, наш метод оценивает случайные эффекты, в то время как предельная модель обеспечивает только фиксированные эффекты.
Другим распространенным методом для больших наборов данных является подгонка модели к случайной подвыборке данных. Таким образом, мы сравнили наши оценки эффекта популяции с оценками, полученными в результате подгонки полупараметрической модели случайных эффектов к 2 случайным выборкам размером 1752 (обозначены как RS1-DPP и RS2-DPP в таблице 2). В каждом случае эффекты бывших курильщиков были незначительными. Однако результаты текущих эффектов курения были противоречивыми; в одном образце эффект увеличивался с возрастом, а в другом эффект был незначительным. Эти результаты демонстрируют два ключевых недостатка случайной выборки: потерю способности обнаруживать эффект редкого воздействия и, поскольку метод чувствителен к выбросам в данных, зависимость от выбранной выборки. Наш метод не страдает ни одним из недостатков, поскольку мы сохраняем все важные с научной точки зрения различия на этапе 1 и, взвешивая наши эффекты популяции по размеру кластера, мы гарантируем, что наши оценки отражают полные данные. Двухэтапная методология также более эффективна в вычислительном отношении; в этом примере для завершения MCMC по нашему подходу потребовалось около 5,5 часов, а для RS1- и RS2-DPP — более 35 часов.
Мы также исследовали неоднородность случайных эффектов, используя наш метод постобработки. Мы обнаружили, что 15 740 девочек принадлежали к субпопуляции с «нормальными» чертами, которую мы обозначим как кластер 1, а 40 девочек (20 некурящих, 2 бывших курильщицы и 18 курящих в настоящее время) принадлежали к небольшому кластеру с выбросами. , который мы будем называть кластером 2. Остальные 1738 девочек принадлежали к 77 кластерам стадии 1, которые не были объединены с другими кластерами стадии 1 нашим методом постобработки. Хотя некоторые из девочек в этих кластерах кажутся выпадающими с необычными моделями роста, большинство (1722) были потеряны для последующего наблюдения после рождения или в первый год, и DPP не смог точно классифицировать их из-за ограниченности данных. Если бы мы не провели стратификацию по отсутствию на этапе 1, вполне вероятно, что многие из этих девочек оказались бы в кластере 19. 0017
На рис. 2 показано среднее апостериорное значение эффектов бывших курильщиков и курильщиков в настоящее время в каждом из наших кластеров стадии 2. Как и ожидалось, апостериорные средние для кластера 1 аналогичны оценкам населения, в то время как другие кластеры имеют более высокие значения эффекта. В частности, средний эффект бывших курильщиков в кластере 2 составляет 7,8 кг в возрасте 7 лет, а средний эффект текущего курения составляет 2,7 кг в возрасте 8 лет. Помимо необычного роста, дети в кластере 2 также имели матерей, которые были на в среднем на 17,2 кг тяжелее до беременности, чем матери группы 1.
Рис. 2.
Открыть в новой вкладкеСкачать слайд
Среднее влияние курения в данных ЦПД. Сплошные немаркированные линии соответствуют псевдосубъектам, не отнесенным к кластеру 1 или 2. Оценки эффекта были рассчитаны до последнего наблюдения за подвергшимися воздействию субъектами. Оценки для необлученных псевдосубъектов опущены.
5.
ОБСУЖДЕНИЕ
Мы предложили двухэтапный метод подбора полупараметрических моделей случайных эффектов к большим наборам данных. Наш метод использует экспертное извлечение для создания небольшой псевдовыборки, которая суммирует биологически важные различия в полных данных. Применяя DPP к этим данным, мы существенно уменьшаем вычислительную нагрузку и генерируем интересные с научной точки зрения кластеры в апостериорных данных. В исследованиях моделирования наш метод обнаружил истинные тенденции в данных при дискретных и нормальных случайных эффектах и был немного смещен при непрерывных мультимодальных случайных эффектах.
Хотя наш метод основан на конкретном примере, его можно широко применять к большим наборам продольных данных. В некоторых проспективных эпидемиологических исследованиях может возникнуть интерес к подбору модели со многими потенциальными искажающими факторами воздействия. В этих условиях может потребоваться изменить нашу кластеризацию первого этапа для повышения эффективности. Например, группирование может быть основано на стратифицированных квинтилях показателей склонности (Rosenbaum and Rubin, 1983). Затем модель, соответствующая псевдоданным, будет включать квинтиль оценки склонности в качестве ковариации. В будущей работе также было бы интересно расширить наш подход, включив в него обобщенные линейные смешанные модели для ненормальных результатов.
Мы благодарим Аймина Чена и Мэтью Лонгнекера, Национальный институт наук об окружающей среде, за предоставление данных, использованных в нашем примере, и нашу группу экспертов в данной области, Уолтера Рогана, доктора медицины, Аллена Уилкокса, доктора медицины, Национальный институт наук о гигиене окружающей среды; Роберт МакМюррей, кафедра физиологии упражнений, Университет Северной Каролины в Чапел-Хилл, и Дайан Холдич-Дэвис, школа медсестер, Университет Дьюка. Это исследование было частично поддержано Программой внутренних исследований Национальных институтов здравоохранения, Национального института наук об окружающей среде. Конфликт интересов: Не объявлено.
Ссылки
Эйткин
М
.
Общий анализ максимального правдоподобия компонентов дисперсии в обобщенных линейных моделях
55
(стр.
117
—
128
)
Антониак
5 CE
5
Смеси процессов Дирихле с приложениями к непараметрическим задачам
,
Анналы статистики
,
1974
, том.
2
(стр.
1152
—
1174
)
Blackwell
D
,
,
.
Распределения Фергюсона через схемы урн Пойя
1
(стр.
353
—
355
)
Блей
DM
,
Иордания
MI
6
6
Вариационный вывод для смесей процессов Дирихле
1
(стр.
1
—
23
)
Буш
CA
,
Maceachern
CA
,
Maceachern
,
,
,
0017
СН
.
Полупараметрическая байесовская модель для рандомизированных блочных планов
83
(pg.
175
—
185
)
,
Pennell
ML
,
Klebanoff
MA
,
Rogan
WJ
,
Лонгнекер
МП
.
Курение матери во время беременности в связи с избыточной массой тела ребенка: наблюдение до 8 лет
35
(стр.
121
—
130
)
,
.
ЭМ-алгоритм Монте-Карло для обобщенных линейных смешанных моделей с гибким распределением случайных эффектов
,
Биостатистика
,
2002
, том.
3
(pg.
347
—
360
)
Cooke
RM
,
Goossens
LHJ
.
Руководство по процедурам структурированной экспертной оценки при моделировании последствий аварий
,
Дозиметрия радиационной защиты
,
2000
, том.
90
(pg.
303
—
309
)
DuMouchel
W
,
Volinsky
C
,
Johnson
T
,
Cortes
C
,
Прегибон
D
.
Сжатие плоских файлов flatter
,
Материалы пятой конференции ACM по обнаружению знаний и интеллектуальному анализу данных
,
1999
New York, NY
ACM Press
(pg.
6
—
15
)
Garthwaite
PH
,
Kadane
JB
,
О’Хаган
А
.
Статистические методы получения вероятностных распределений
100
(pg.
680
—
700
)
Ghidey
W
,
Lesaffre
E
,
Eilers
P
.
Гладкое распределение случайных эффектов в линейной смешанной модели
60
(стр.
945
—
953
)
,
. ,
Оценка Гаусса-Зейделя обобщенных линейных смешанных моделей с применением пуассоновского моделирования пространственно меняющихся показателей заболеваемости. Рабочий документ 33
,
2006
Boston, MA
Департамент биостатистики, Гарвардская школа общественного здравоохранения
Hartigan
5 JA
. ,
Алгоритмы кластеризации
,
1975
Нью-Йорк
John Wiley & Sons, Inc
(pg.
74
—
78
)
Ishwaran
H
,
James
LF
.
Методы отбора проб Гиббса для ломания палочек приоры
96
(стр.
161
—
173
)
Кадане
JB
,
Wolfson
LJ
.
Опыт сбора данных
,
Статистик
,
1998
, том.
47
(стр.
3
—
19
)
Kleinman
KP
,
IBRAHIM
.
Полупараметрический байесовский подход к модели случайных эффектов
,
Биометрия
,
1998
, том.
54
(pg.
921
—
938
)
Liang
KY
,
Zeger
SL
.
Продольный анализ данных с использованием обобщенных линейных моделей
73
(стр.
13
—
22
)
MacEachern
Серийный номер
.
Оценка нормальных средних с помощью сопряженного процесса Дирихле до
,
Связь в статистике — моделирование и вычисления
,
1994
, vol.
23
(стр.
727
—
741
)
MacQueen
1 JB
LucienLeCam
M
,
Нейман
Ежи
.
Некоторые методы классификации и анализа многовариантных наблюдений
,
Службы Пятого Симпозиума Беркли по математической статистике и вероятности
,
1967
Berkeley, CA
University of Wrape
.
281
—
297
)
Madigan
D
,
Raghavan
N
,
DuMouchel
W
,
Nason
M
,
Posse
C
,
Ridgeway
G
.
Раздавливание данных на основе правдоподобия: подход моделирования к построению экземпляра0255 , том.
6
(стр.
173
—
190
)
Magder
LS
,
.
Гладкая непараметрическая оценка распределения смешения с использованием смесей гауссиан
91
(стр.
1141
—
1151
)
Meyer
MA
,
Booker
JM
. ,
Eliciting and Analyzing Expert Judgment: A Practical Guide
,
2001
Philadelphia, PA
ASA/Society of Industrial and Applied Mathematics
Mukhopadhyay
S
,
Gelfand
AE
.
Процесс Дирихле смешанные обобщенные линейные модели
,
Журнал Американской статистической ассоциации
,
1997
, том.
92
(стр.
633
—
639
)
.
Раздавливание данных методом эмпирической вероятности
,
Интеллектуальный анализ данных и обнаружение знаний
7
(стр.
101
—
113
)
Розенбаум
PR
,
Рубин
ДБ
.
Центральная роль показателя склонности в наблюдательных исследованиях причинно-следственных связей
70
(стр.
41
—
55
)
Нижняя часть
PHA
5 .
Применение компьютеров в таксономии
,
Журнал общей микробиологии
,
1957
, том.
17
(pg.
201
—
226
)
,
Palta
M
,
Yandell
BS
,
Newton
MA
.
Метод оценки для полупараметрической модели смешанных эффектов
,
Биометрия
,
1999
, том.
55
(стр.
102
—
110
)
Verbeke
G
,
LESAFFRE
G
,
.
Линейная модель смешанных эффектов с неоднородностью в популяции случайных эффектов
91
(стр.
217
—
221
)
. ,
Оценка гиперпараметров в моделях технологических смесей Дирихле. Документ дискуссии 92-A03
,
1992
Дарем, NC
Институт статистики и наук о статистике и принятие решений, Университет Дьюка
,
179100
.
Смит
А
,
Фримен
P
.
Иерархические априорные и смешанные модели с применением в регрессии и оценке плотности
,
Аспекты неопределенности: дань уважения Д.В. Lindley
,
1994
New York
Wiley
(pg.
363
—
386
)
Wolfinger
R
,
Tobias
R
,
.
Вычисление гауссовских вероятностей и их производных для обобщенных линейных смешанных моделей
15
(pg.
1294
—
1131
)
Zeger
SL
,
Karim
MR
.
Обобщенные линейные модели со случайными эффектами; выборочный подход Гиббса
,
Журнал Американской статистической ассоциации
,
1991
, том.
86
(pg.
79
—
86
)
Zhang
D
,
Davidian
M
.
Линейные смешанные модели с гибкими распределениями случайных эффектов для продольных данных
,
Биометрия
,
2001
, том.
57
(стр.
795
—
802
)
Опубликовано издательством Oxford University Press 2007.
.
Скачать все слайды
Реклама
Цитаты
Альтметрика
Дополнительная информация о метриках
Оповещения по электронной почте
Оповещение об активности статьи
Предварительные уведомления о статьях
Оповещение о новой проблеме
Получайте эксклюзивные предложения и обновления от Oxford Academic
Ссылки на статьи по номеру
Последний

Самые читаемые

Самые цитируемые

Модели с распределенным запаздыванием при многократном воздействии с переменным выбором
Масштабируемая и объективная метрика несоответствия с H ₊
Кросс-прямые эффекты в настройках с двумя медиаторами
Различия в тестах на основе наборов для разреженных альтернатив при тестировании наборов результатов по сравнению с наборами объясняющих факторов в исследованиях генетической ассоциации
Байесовское определение размера выборки в испытаниях корзины с заимствованием информации между подмножествами
Реклама
Товары и услуги – коммерческие трубы и поставки
Товары и услуги
Следующие продукты доступны на нашем складе, чтобы обеспечить непревзойденный сервис.
Мы приветствуем ваши звонки нашим опытным сотрудникам, чтобы узнать о любом продукте или услуге.
У вас еще нет представителя? Мы свяжем вас с одним из наших знающих специалистов по продажам, используя нашу онлайн-форму.
Трубная арматура Клапаны Трубки Аксессуары Дополнительные услуги
Труба
Углеродистая сталь:
1/8” через 48” Все стенки, сварные, ERW, бесшовные и развальцовочные, Спецификации: ASTM-A53, A106, AP15L, A587 Отделка: Черная, оцинкованная, X-Tru Coat & Scotchkote, эпоксидная смола Fusion Bond, полная резка, нарезание резьбы и канавок, ARO.
Размеры от 1/8” до 36” Н.Д.
*Одинарные и двойные произвольной длины
*Все стенки — сварные и бесшовные
*A53, A106, AP15L, A587
Нержавеющая сталь:
1/8” до 12” Все стенки, сварные и бесшовные -А312; A376 тип 304/304L, 316/316L и другие типы.
Нержавеющая сталь 3/8” до 12” IPS
* Типы 304/L и 316/L
*Класс A312
Легированная сталь:
Сплав 20, сплав In00 Monel Alloy 204, Alloy 200 600, Hastelloy, сплав 276, титан, хромомолибден и алюминий.
Легированная сталь Легированная сталь 20, никель 200, монель 400, инконель 600, хастеллой, AL6XN и титан
Легированная сталь Дуплекс
Пластик: 4, ПВХ, полипропилен, полипропилен, винилхлорвинил, ,
Углеродистая сталь:
1/8” через 48” Все стенки, сварные, ERW, бесшовные и развальцовочные, Спецификации: ASTM-A53, A106, AP15L, A587 Отделка: Черная, оцинкованная, X-Tru Coat & Scotchkote, эпоксидная смола Fusion Bond, полная резка, нарезание резьбы и канавок, ARO.
Размеры от 1/8” до 36” Н.Д.
*Одинарные и двойные произвольной длины
*Все стенки — сварные и бесшовные
*A53, A106, AP15L, A587
Латунь:
Стандартная и сверхтяжелая красная латунь и медная труба
стекловолокно:
Эпоксидные и виниловые эфиры
PVC, CPVC, PVDF и полипропиленные пластические трубы и подключенные
09090
.
Фитинги, фланцы и ниппели
Во всех соединениях:
Резьбовые, сварные внахлест, пот и канавки Victaulic
Углеродистая сталь:
Все сортаменты и классы
Углеродные приварные фитинги и фланцы от ½ до 24 дюймов
Нержавеющая сталь:
304/304L, 316/316L и другие типы 2″ и фланцевые фитинги
Пластик:
PVC, CPVC, Kynar & Polypropilene
Forged Stleal:
All Davers, Threaded Streeld Weld
, 9093,
, All Davcures, Threaded Streeld Weld
, 9,
. Сплав монеля 400, сплав инконеля 600, хастеллой, сплав C-276, титан, хромомолибден и алюминий
сплав Weld Fittings & Flanges
розетки:
Threadolets, Weldolets, Sockolets & Elbolets
Aftaul Actual:
6 и Plain Cont Conttings Tittings:
6 и Plain Cont Tittings.
Латунь:
Резьбовой, нажимной и развальцовочный
Гигиенический:
Сварка встык и зажим
Стандарт железа, дополнительный тяжелый, черный/оцинкованный
Стандарт листа и пластичного железа, дополнительная тяжелая, резьба и фланцевая фланка
963 Смолы
Пресс-фитинги
Различные фитинги из углерода, нержавеющей стали, железа, пластика, ковкого чугуна
Принадлежности для трубопроводов:
Фильтры
Конденсатоотводчики
Индикаторы
Манометры
Подвески
Резьбонарезное и режущее оборудование
Компаунды
Растворители и герметики
А также множество других продуктов PVF.
Клапаны
Все соединения клапанов доступны в:
Резьбовые, под сварку враструб, фланцевые, под сварку встык, медные, Victaulic с канавками
Мы предлагаем угольные клапаны, нержавеющие клапаны, чугунные клапаны, бронзовые клапаны Клапаны, клапаны из пластика и сплавов
Типы клапанов:
Шибер, Ножевой Шибер, Шаровой, Обратный, Шаровой, Поворотный, Пробковый (смазанный и без смазки), Мембранный, Регулирующий, Регулирующий, Редукционный и Предохранительный.
Материалы клапана:
Бронза и железо**, кованая сталь, литая сталь, нержавеющая сталь, никель, монель, легированная сталь, пластик, футеровка – тефлон и другие футеровки, привод – пневматический и электрический.
** Доступен без свинца
Multi- Turn Gate, Globe and Check
Quarter Turn Ball, Butterfly, Plug and Severe Service
Specialty Control Valves and Valve Actuation Packages
Relief Valve , Регуляторы и диафрагмы
Трубка
Медь
Тип K, L, M и охлаждение. Доступны трубки, очищенные для кислородной службы.
Нержавеющая сталь
ASTM-A269, A213 – Тип 304/304L, 316/316L и многие другие марки доступны по запросу.
Пищевая, молочная и фармацевтическая промышленность ASTM-A249, A269, A270, A778, тип 304/304L, 316/316L
«The Commercial Edge»
Опытные подрядчики знают, что цена — не единственный фактор, влияющий на исключительную ценность.
Мы рады предложить следующие дополнительные услуги, выполняемые на месте для наших уважаемых клиентов. Вопросы? Пожалуйста, позвоните нашим опытным сотрудникам, чтобы узнать о любой услуге.
Круглосуточная аварийная служба
Отчеты об испытаниях материалов по запросу
Индивидуальная резка, нарезание резьбы и нарезание канавок
Привод клапана
Инвентарь, управляемый поставщиком
Комплектация и специальная упаковка
Принадлежности
Баббитовое колесо
Муфты Fernco
Фланцевые прокладки
Gasoila
Герметик
Never-Seez
Гайки и болты
Подвески для труб
Полимерные трубки
Манометры
0065 Медь с ПВХ покрытием
Ремонтные муфты Rectorseal
Жесткие инструменты
Пароуловители
Тефлоновая лента
Резьбовой стержень
Трубки
Тройные фильтры
Маркировка стальных труб, стальных фланцев, фитингов под сварку встык, клапанов, крепежных деталей
Кодекс ASME B31. 3 требует выборочной проверки материалов и компонентов для обеспечения соответствия перечисленным спецификациям и стандартам. B31.3 также требует, чтобы эти материалы не имели дефектов. Стандарты и спецификации компонентов имеют различные требования к маркировке.
Стандарт MSS SP-25
MSS SP-25 является наиболее часто используемым стандартом маркировки. Он содержит множество конкретных требований к маркировке, которые слишком длинны, чтобы их перечислять в этом приложении; обращайтесь к нему, когда необходимо подтвердить маркировку на компоненте.
Название и требования
Стандартная система маркировки для клапанов, фитингов, фланцев и соединений
Название производителя или товарный знак
Обозначение номинала
Обозначение материала
Обозначение расплава — согласно спецификации
Обозначение трима клапана – клапаны только при необходимости
Обозначение размера
Обозначение резьбовых концов
Обозначение кольцевого соединения
Допустимое отсутствие маркировки
Особые требования к маркировке
Требования к маркировке фланцев, фланцевых фитингов и фланцевых соединений
Требования к маркировке резьбовых фитингов и накидных гаек
Требования к маркировке фитингов и соединений для сварки и пайки
Требования к маркировке клапанов из цветных металлов
Требования к маркировке чугунных клапанов
Требования к маркировке клапанов из ковкого чугуна
Требования к маркировке стальных клапанов
Требования к маркировке Стальная труба (некоторые примеры)
ASTM A53
Труба, стальная, черная и горячеоцинкованная, оцинкованная, сварная и бесшовная
Наименование торговой марки производителя
Тип трубы (например, ERW B, XS)
Номер спецификации
Длина
ASTM A106
Бесшовные трубы из углеродистой стали для эксплуатации при высоких температурах
Требования к маркировке A530/A530M
Номер плавки
Маркировка Hydro/NDE
«S» для дополнительных требований, как указано (отожженные трубы со снятыми напряжениями, испытание под давлением воздуха под водой и стабилизирующая термообработка)
Длина
Номер расписания
Масса для NPS 4 и больше
ASTM A312
Стандартные технические условия для общих требований к трубам из специальной углеродистой и легированной стали
Требования к маркировке A530/A530M
Частный идентификационный знак производителя
Бесшовные или сварные
ASTM A530/A530A
Стандартные технические условия для общих требований к трубам из специальной углеродистой и легированной стали
Наименование производителя
Класс спецификации
Требования к маркировке Фитинги (некоторые примеры)
ASME B16. 9
Фабричные фитинги для сварки встык из кованой стали
Название производителя или товарный знак
Идентификация материала и продукта (обозначение класса ASTM или ASME)
«WP» в символе класса
Номер спецификации или номинальная толщина стенки
NPS
ASME B16.11
Кованые фитинги, приварные и резьбовые
Название производителя или товарный знак
Идентификация материала в соответствии с соответствующим ASTM
Символ соответствия продукции, либо «WP», либо «B16»
Обозначение класса — 2000, 3000, 6000 или 9000
Если размер и форма не позволяют использовать все вышеперечисленные маркировки, их можно не наносить в порядке, обратном указанному выше.
MSS SP-43
Фитинги для стыковой сварки из кованой нержавеющей стали
Название производителя или торговая марка
«CR», за которым следует идентификационный символ материала ASTM или AISI
Номер спецификации или обозначение номинальной толщины стенки
Размер
Требования к маркировке Клапаны (некоторые примеры)
Стандарт API 602
Компактные стальные задвижки — фланцевые, резьбовые, сварные и с удлиненными концами корпуса
Клапаны должны быть маркированы в соответствии с требованиями ASME B16. 34
Каждый клапан должен иметь идентификационную табличку из коррозионностойкого металла со следующей информацией.
Корпуса клапанов должны иметь следующую маркировку.
— Клапаны с резьбовым или патрубковым соединением под приварку — 800 или 1500
— Клапаны с фланцевым соединением — 150, 300, 600 или 1500
— Клапаны с соединением под приварку — 150, 300 , 600, 800 или 1500
ASME B16.34
Клапаны — фланцевые, с резьбой и под приварку
Название производителя или товарный знак
Материал корпуса клапана Литые клапаны — Номер плавки и класс материала Кованые или сборные клапаны — Спецификация ASTM и класс
Рейтинг
Размер
Если размер и форма не позволяют использовать все вышеперечисленные маркировки, они могут быть опущены в порядке, обратном указанному выше
Для всех клапанов на идентификационной табличке должно быть указано применимое номинальное давление при 100F и другие маркировки, требуемые MSS SP-25
Требования к маркировке крепежных изделий (некоторые примеры)
ASTM 193
Спецификация болтовых материалов из легированной и нержавеющей стали для работы при высоких температурах » в диаметре и больше и к головкам болтов диаметром 1/4″ и больше
ASTM 194
Спецификация гаек из углеродистой и легированной стали для болтов для работы при высоком давлении и температуре
Опознавательный знак производителя. 2. Марка и процесс изготовления (например, 8F обозначает гайки, изготовленные методом горячей или холодной штамповки)
Типы методов маркировки
Существует несколько методов маркировки труб, фланцев, фитингов и т. д., например…
Штамповка
оставить отпечаток)
Трафаретная краска
Создает изображение или рисунок путем нанесения пигмента на поверхность промежуточного объекта с промежутками в нем, которые создают узор или изображение, позволяя пигменту достичь только некоторых частей поверхности.
Другими методами являются валковая штамповка, чернильная печать, лазерная печать и т. д.
Маркировка стальных труб
Маркировка стальных фланцев
Источник изображения принадлежит..www.weldbend.com
Маркировка фитингов для сварки встык
Источник изображения принадлежит..www.weldbend.com
Китайский производитель труб из ПВХ, фитинги из ПВХ, поставщик труб из полиэтилена высокой плотности
ТРУБА из полиэтилена высокой плотности
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
ФИТИНГ HDPE
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
ТРУБА ПВХ
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
Видео
Свяжитесь сейчас
ПВХ ФИТИНГ
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Свяжитесь сейчас
Профиль компании
{{ util. each(imageUrls, функция(imageUrl){}}
{{ }) }}
{{ если (изображениеUrls.length > 1){ }}
{{ } }}
Вид бизнеса: Производитель/завод, Торговая компания
Основные продукты: Труба ПВХ
,
Фитинг из ПВХ
,
Труба из полиэтилена высокой плотности
,
Фитинг из полиэтилена высокой плотности
,
ППР трубы
,
ППР фитинг
,
Двойная стенка HDPE. ..
Зарегистрированный капитал: 3000000 юаней
Площадь завода: >2000 квадратных метров
Сертификация системы менеджмента: ISO 9001, ISO 14001, OHSAS/OHSMS 18001, ISO 14064
Среднее время выполнения: Время выполнения заказа в сезон пиковой нагрузки: в течение 15 рабочих дней
Время выполнения заказа в межсезонье: в течение 15 рабочих дней
Shandong Guangdu Pipe Co.

Немерная арматура что это такое

Особенности

Сильные стороны

Как использовать немерную арматуру стальную?

Что такое немерный металлопрокат?

Виды металлопроката

Чем отличается мерный прокат от немерного?

Немерная арматура

На что обратить внимание?

Выводы

Что такое немерная арматура?

Откуда берутся нестандартные фрагменты

Плюсы и минусы использования нестандартных обрезков арматуры

Оставить комментарий

Производитель стальных листов и труб.

Типы трубной арматуры

Фитинги для сварки встык

Фитинги под сварку враструб

Резьбовые фитинги для труб

Фланцевые фитинги

Фитинги Camlock

Фитинги для труб высокого давления

Сборные фитинги для труб

Стандарты трубной арматуры

Фитинги ANSI

Фитинги BS

Фитинги ISO

EN Фитинги

Фитинги MSS SP

Большие фитинги

Трубные фитинги DIN

fit — Англо-русский словарь на WordReference.

4: гнев

Подгонка полупараметрических моделей случайных эффектов к большим наборам данных | Биостатистика

Abstract

1. ВВЕДЕНИЕ

2. Методы

2.1 Общая мотивация

2.2 Стадия 1 Кластеризация

2.3 Полупараметрическая модель

2.4 Методы вывода

3. ИССЛЕДОВАНИЯ МОДЕЛИРОВАНИЯ

3.1 Случай 1: дискретные случайные эффекты

3.2 Случаи 2–3: непрерывные случайные эффекты

4. АНАЛИЗ ДАННЫХ CPP

4.1 Методы

4.2 Результаты

5.

Ссылки

Цитаты

Альтметрика

Оповещения по электронной почте

Ссылки на статьи по номеру

Последний

Самые читаемые

Самые цитируемые

Товары и услуги – коммерческие трубы и поставки

Товары и услуги

Следующие продукты доступны на нашем складе, чтобы обеспечить непревзойденный сервис.

Мы приветствуем ваши звонки нашим опытным сотрудникам, чтобы узнать о любом продукте или услуге.

Трубная арматура Клапаны Трубки Аксессуары Дополнительные услуги

Труба

.

Фитинги, фланцы и ниппели

Клапаны

Мы предлагаем угольные клапаны, нержавеющие клапаны, чугунные клапаны, бронзовые клапаны Клапаны, клапаны из пластика и сплавов

Трубка

«The Commercial Edge»

Опытные подрядчики знают, что цена — не единственный фактор, влияющий на исключительную ценность.

Принадлежности

Баббитовое колесо

Маркировка стальных труб, стальных фланцев, фитингов под сварку встык, клапанов, крепежных деталей

Стандарт MSS SP-25

Требования к маркировке Стальная труба (некоторые примеры)

Требования к маркировке Фитинги (некоторые примеры)

Требования к маркировке Клапаны (некоторые примеры)

Китайский производитель труб из ПВХ, фитинги из ПВХ, поставщик труб из полиэтилена высокой плотности

ТРУБА из полиэтилена высокой плотности

ФИТИНГ HDPE

ТРУБА ПВХ

Плюсы и минусы использования нестандартных обрезков
арматуры