好的， 欢迎 每个人 到 这 推介会 在 哪个 I 将要 讲话 关于 珍珠的 流感 研究。 珍珠 生物统计学家， 他 居住过 相当 a 尽管 前 期间， 具体来说， 这 西班牙流感， 和 他 曾是 这 第一的 一 到 分析 这 每周 数据 那 曾是 集 经过 这 我们 局 的 这 人口普查 关于 这 西班牙流感， 哪个 发生 在 1918年， 1920年， 和 这 为了 这 大的 美国人 城市。
珍珠， 他 曾是 这 第一的 到 做 所以 到 分析 这 数据 关于 这 西班牙流感， 和 他 写道 二 报告 关于 它， 他的 流感 研究 一 和 二， 哪个 我们 将要 重访 现在 期间 这 推介会， 和 出色地 看 如何 我们 将要 是 有能力的 到 看 进入 这 数据， 分析 这 数据 使用 跳转。 这 是 联合的 工作 和 克里斯 戈特瓦尔特， WHO 贡献 到 这 方法论 成分， 和 圭多 埃雷格斯， WHO 发起 这 主意 的 重访 珍珠的 流感 研究。
这 概述 的 这 讲话 是 作为 如下。 第一的， 患病的 讨论 a 小的 少量 这 西班牙流感， 什么 它 曾是 全部 关于。 相当 a 致命 大流行 在 那 时间。 然后 患病的 介绍 珍珠的 流感 研究， 和 患病的 讲话 a 小的 少量 关于 这 数据 那 珍珠 用过的 在 他的 分析。 我们 有 额外 一些 人口普查 数据 从 1910 在 顶部 的 那 为了 我们的 分析， 哪个 包括 的 a 多变的 选择 程序 和 a 无效的 因素， a 随机的 因素， 一个 独立的 普通的 因素 在 我们的 分析， 和 引导程序 模拟 从 这 数据。 然后 出色地 是 讨论 我们的 结果 和 比较 那些 结果 和 珍珠的 结果， 和 然后 出色地 总结。
第一的 的 全部， 这 西班牙流感 大流行病， 到 框架 那 a 小的 少量， 它 曾是 一 的 这 最致命的 流行病 在 历史， 作为 目睹 经过 这 列表 这里 显示 这 世界上的 最致命的 流行病 在 随着时间的推移。 你 能 看 那 这 西班牙流感 这里 等级 第五 在 条款 的 这 数字 的 死亡人数 那 它 造成的。 T 他的 列表 是 前往 经过 这 黑色的 死亡人数， 哪个 被杀 关于 四 次 更多的 人们 比 这 西班牙流感 做过。 然后 以下 这 列表， 你 看 冠状病毒- 19 大流行 出现， 哪个 我们 得到 全部 裸露 到。 它 还 出现 在 这 列表 仍然。
只是 作为 和 冠状病毒- 19， 聚会 是 更多的 鼓励 到 发生 外部， 和 还 在 这 次 已经 的 这 西班牙流感 大流行 那里， 那 曾是 这 案件 作为 出色地， 和 甚至 为了 类 到 发生 户外， 作为 你 能 看 在 这 照片。
这 西班牙流感 大流行 组成 的 三 波浪。 这 第一的 一 开始 在 行进 1918 在 这 我们 和 传播 到 欧洲 以及 这 休息 的 这 世界。 然后 a 更多的 严重 海浪， 这 最严重的 一 开始 在 八月 1918 在 法国 和 传播 迅速地 到 这 休息 的 这 世界， 作为 出色地 作为 恰逢 和 这 结尾 的 这 第一的 世界 战争。 然后 a 第三 一 哪个 曾是 较少的 严重 比 这 第二 一， 但 更多的 严重 比 这 最初的 海浪， 开始 在 这 早期的 开始 的 1919 和 打 一些 具体的 国家 喜欢 澳大利亚 和 伟大的 英国。
这里 你 看 这 时间线 的 这 三 波浪 的 这 西班牙流感 大流行 发生 在 这 我们， 更多的 具体来说 因为 我们 有 珍珠的 数据 从 这 我们 哪个 我们 看 进入。 这 死亡 收费 曾是 巨大的 和 最多 死亡人数 发生 实际上 在 印度 和 中国。
什么 曾是 具体关于 这 西班牙流感 大流行 曾是 那 许多 年轻的 健康 成年人 去世 作为 显示 经过 a W 图案 的 死亡 利率， 哪个 是 这里 显示 经过 这 满的 黑色的 线。 在 对比 到 这 U 形状 的 这 普通的 季节性 流感 和 肺炎 死亡 费率 哪个 是 挂号的 事先的 到 这 大流行。
为了 季节性 流感 和 肺炎， 这 U 形状 节目 那 个人 更年轻 比 四 年 的 年龄 和 人们 较老 比 75 年， 那 这些 是 最多 打 经过 季节性 流感 和 肺炎。 特征 的 这 西班牙流感 大流行 曾是 那 除了 那些 二 年龄 团体， 还 这 年轻的 成年人 在 这 范围 之间 20 和 40 年 的 年龄 得到 具体来说 打 经过 这 大流行病， 最终 领导 向上 到 a 巨大的 死亡 收费。
然后 更远 以后 自始至终 历史， 流行病学家 和 历史学家 的 流行病学 有 应用 统计 分析 到 这 西班牙流感 大流行。 更多的 具体来说， 人们 工作 在 这 我们 作为 出色地， 即， 马克尔 和 同事， 他们 研究过 这 影响 的 非 制药 干预措施 在 美国人 城市 喜欢 学校 关闭， 取消 的 民众 集會。
马梅隆德 研究过 这 影响 的 地理 隔离 的 具体的 区域 和 具体的 地区 在 这 我们。 黏土， 刘易斯， 和 塞韦尼尼 研究过 叉- 城市 变化 的 438 我们 城市， 但 还 别处 大约 这 世界， 所以 不是 仅有的 在 这 我们 但 还 在 欧洲， 喜欢 在 挪威 和 西班牙。 数据 关于 这 西班牙流感 大流行 分析 一起 和 人口普查 数据 和 所以 向前。 这 西班牙流感 大流行 保持 有趣的 为了 许多 研究人员 超过 时间。
关于 珍珠的 流感 研究 现在， 这里 你 看 这 第一的 的 他的 流感 学习， 这 开始 的 它。 第一的， 他 会谈 关于 这 严重程度 的 这 暴发 和 实际上 那 这 死亡 收费 为了 这 团结的 州 曾是 放 在 关于 55万， 哪个 是 关于 五 次 更多的 比 这 数字 的 人们 WHO 实际上 去世 期间 这 第一的 世界 战争。 因此， 显示 这 严重程度 的 这 大流行 和 实际上 如何 致命 它 曾是， 如何 爆炸物 它 曾是。 那 曾是 具体来说 什么 珍珠 曾是 感兴趣的 在 检查 和 相关 到 其他 变量。
这 第二 的 他的 流感 研究 看起来 作为 如下， 所以 这 开始 在 至少。 那是 一个 更新 的 这 第一的 的 他的 研究 因为 他 得到 一些 批评 后 第一的 学习 经过 一些 同侪 WHO 批评 他 为了 不是 存在 准确的 和 肯定 变量。 他 有 问题 和 什么 我们 现在 参考 到 作为 构造 有效性。 一些 的 这 数据 是 不是 真的 测量 什么 他们 是 假定 到 措施， 所以 他们 是 不是 所以 准确的 和 他们 可以 是 定义 更多的 合适的， 更多的 准确的 在 命令 那 他们 真的 措施 什么 他们 应该 措施。 他 做过 那。 他 解决 这 数据 再次， 这 变量。 放 向上 新的 定义 的 这 变量 和 已移动 向前。
这 数据 为了 这 第一的 的 他的 研究 看起来 作为 如下。 我们 有 数据 从 珍珠 的 三十九 美国人 城市。 这 回复 多变的 他 通缉 到 学习 曾是 这 流行性 指数， 哪个 是 给定 经过 这 象征 I 5 在 他的 研究。 那 曾是 这 第一的 回复 多变的 他 通缉 到 学习 和 他 通缉 到 还 寻找 其他 变量 喜欢 人口统计 那 可以 是 预测 的 这 回复 多变的。
现在， 这 回复 多变的 曾是 a 措施 为了 这 爆发力 的 这 暴发 在 条款 的 流行性 死亡， 所以 如何 爆炸物 这 暴发 曾是 和 击球 这 各种各样的 城市 在 这 我们。 他 定义 这 顶峰 时间 比率， 所以 这 顶峰 的 这 过量的 死亡 费率 分裂 经过 这 顶峰 日期。 在 这 方式， 他 通缉 到 比较 城市 和 一 单身的 非常 锋利的 顶峰 到 城市 和 a 长的 扁平化 曲线 的 过量的 死亡 率。 他 设计 这 流行性 指数 他自己。
他 通缉 到 涉及 这 流行性 指数 到 各种各样的 因素 喜欢 这 人口统计数据。 第一的 的 全部， 这 人口 密度 为了 1916年， 和 然后 这 地理 位置， 哪个 是 a 直的 线 距离 从 波士顿。 他 还 包括 这 年龄 分配， 花费- 正方形， 哪个 是 一个 年龄 宪法 指数 显示 这 偏差 在 这 年龄 分配 的 这 城市 从 a 固定的 标准 年龄 分配。 他 还 研究过 这 百分比 人口 生长 在 这 十年 1900年， 1910年。
除了 这 人口统计数据， 他 还 涉及 这 死亡 费率 为了 1916年， 所以 事先的 到 这 大流行。 第一的 的 全部， a n 总计的 死亡 速度 从 全部 原因 和 然后是具体的疾病， 死亡 费率 为了 具体的 疾病， 即 肺部 结核， 有机的 心 疾病， 急性 肾炎 和 布莱特的 疾病， 或者 失败 的 这 肾脏， 流感， 肺炎， 伤寒 发烧， 癌症， 和 麻疹。 那里 曾是 相当 一些 相关性 之间 这些 死亡 率。
我已经 告诉 你 a 小的 少量 关于 这 回复 多变的 那颗珍珠 发达， 即 这 流行性 指数。 那 做过 不是 出现 进入 只是 a 单身的 试图， 但 他 开始 实际上 从 I 1. 第一的 的 一个 流行性 指数 那 他 更远 改进 进入 I 2、 I 3、 I 4、 和 然后 他 曾是 快乐的 足够的 到 移动 沿着 和 到 工作 和 这 I 5 流行性 这 指数。 到 区分 然后 城市 和 单身的， 非常 锋利的 峰 到 那些 和 长的， 低的 平坦的 曲线 的 流行性 死亡。
他 已更新 这 变量 从 他的 第一的 学习 和 这 第二 学习， 和 在 那 感觉， 他 还 已更新， 他 还 修改的 这 流行性 指数 和 这 新的 流行性 指数。 他 提及 到 那 一 作为 I 6. 作为 其他 多变的 的 兴趣， 他 还 定义 到 这 破坏性 多变的 作为 包含 过量的 死亡 率。 然后 他 通缉 到 涉及 这些 二 回应 在 他的 第二 学习 和 这 普通的 死亡 利率， 哪个 是 这 意思是 死亡 费率 超过 这 三 年， 1915 到 1917年。 然后 他 还 带来 在 这 人口统计数据。 再次， 他 修改的 这 年龄 宪法 指数 基于 在 这 1910 人口普查 数据， 和 他 用过的 那。
然后 还 他 涉及 这 性别 比率 的 这 人口 的 男性 相对 女性。 这 人口 密度 的 1910 是 用过的 在 这 第一的 的 他的 研究， 剩余 在 这 第二 学习。 然后 反而 的 a 地理 位置， 他 用过的 纬度 和 经度 在 他的 第二 学习。 然后 最后， 他 用过的 这 百分比 人口 生长 在 这 十年 1900年， 1910年， 再次。
这些 是 珍珠的 数据 到 哪个 我们 额外 一些 额外的 人口普查 数据 从 1910 哪个 是 给定 超过 这里。 反而 的 这 年龄 宪法 指数， 我们 用过的 这 分享 的 这 不同的 年龄 团体， 和 这 纯的 数字 实际上， 因为 我们 是 不是 真的 快乐的 和 这 方式 珍珠 定义 这 年龄 宪法 指数。 它 曾是 真的 相当 复杂的 和 不是 清除 足够的 所以 那 我们 想法 到 只是 去 关于 和 使用 这 1910 分享 年龄 反而 的 这 年龄 宪法 指数 发达 经过 珍珠。
除了 那， 我们 看了 进入 这 数字 的 人 到 a 住宅， 这 百分比 的 房屋 拥有， 这 学校 出席 的 人口， 6 到 20 年 的 年龄， 和 这 文盲 在 这 人口， 10 年 的 年龄 和 超过， 和 看 无论 一 的 这些 因素 或者 一些 的 这些 因素 可以 是 预测 的 树 回复 变量 在 珍珠的 研究。
什么 曾是 珍珠的 分析 全部 关于？ 出色地， 他 得到 进入 多种的 相关性。 他 研究过 全部 这 数据 制作 使用 的 部分的 相关性 系数 作为 出色地 作为 这 普通的 相关性 系数 的 零 命令， 但 他 做过 那 非常 严格地。 他 有 计算 这 全部 经过 手 和 做过 这 相当 出色地 实际上 和 拿了 进入 帐户 各种各样的 其他 因素 在 这些 部分的 相关性 经过 拥有 那些 其他 变量 存在 持续的。 为了 这 部分的 相关性 和 这 其他 相关性， 他 还 计算 可能 错误 到 寻找 出去 无论 这些 相关性 系数 是 重要的 或者 不是， 所以 他 做过 这 相当 出色地。
现在， 这 分析 那 我们 是 使用 是 这 一 在 哪个 我们 是 去 到 实际上 选择 变量 和 a 无效的 因素 和 我们 是 去 到 引导程序 我们的 数据。 我们 是 正在做 所以 因为 我们的 P 价值观 为了 我们的 数据， 哪个 是 很遗憾 不是 正交， 他们 能 变得 沉重 有偏见。 自从 我们 是 不是 真的 使用 很好 正交 数据， 这 P 价值观 能 变得 相当 有偏见 向 零。 它是 总是 这 危险 和 P 价值观 为了 观察 数据 那 不重要 因素 全部 的 a 突然 变得 重要的 和 那 这 类型 一 错误 速度 是 不是 在下面 控制。
到 解决 这 事实 那 这 P 价值观 是 不是 统一地 分布式 不再 在 这 案件 的 一个 不重要 多变的， 到 解决 那 问题， 我们 是 去 到 涉及 a 随机的 多变的， a 无效的 因素， 一个 独立的 普通的 多变的 进入 这 分析 和 看 到 什么 程度 它 出现 在 我们的 程序 的 选择 变量。 这 主意 是 受到启发 经过 或者 起源 从 这 服务 纸 经过 吴, 嘘声， 和 斯特凡斯基 在 2007年。
具体来说， 什么 我们 有 完毕 是， 出色地， 我们 包括 a 单身的 无效的 因素 在 这 多变的 选择 程序 和 执行 2,500 引导程序 重复 为了 多变的 选择 使用 跳转。 然后 我们 计算 这 部分 的 次 每个 多变的 进入 这 模型。 变量 那 进入 作为 经常 或者 较少的 比 这 无效的 因素 是 可忽略的， 和 变量 那 进入 更多的 经常 比 这 无效的 因素， 出色地， 这些 是 这 的 那 我们 是 去 到 选择 作为 存在 预测 的 这 回复 多变的。
在 跳转， 我们 指定的 二 新的 列， 和 实际上， 一 公式 是 需要。 那是 这 公式 为了 这 引导程序 频率 柱子 那 你 看 这里。 这 引导程序 频率 柱子 是 基于 在 我们的 无效的 因素， 哪个 是 一个 独立的 普通的 多变的 那是 重新初始化 每个 时间 期间 这 引导程序 模拟。 基于 在 这 重新初始化， 这 频率 柱子 获取 已更新 所以 那 我们 有 a 100 % 重采样 的 我们的 我们的数据样本量 和 这 固定的 样本 尺寸 作为 它 是。
然后 为了 这 多变的 选择， 什么 回归类型 还 会 我们 申请 那 我们 可以 寻找 出去 在 这 广义的 线性 模型 平台 的 跳转， 因为 服用 进入 帐户 这 频率 柱子 还， 如果 我们 做 方差 选择， 我们 还 需要 到 做 这 分配 决心 在 这 相同的 时间。 它 有 到 发生 同时地。 你 不能 做 它 分开 基于 在 这 原来的 数据。 实际上， 这 图形 在 这 左边- 手 边 是 a 小的 少量 误导 因为 那 图形 包含 这 原来的 数据， 但 分配 决心 你 应该 实际上 做 尽管 正在做 这 多变的 选择 本身。
假设 a 泊松 分配， 出色地， 那 假设 曾是 不是 被拒绝， 所以 我们 可以 实际上 移动 向前 和 这 假设 的 a 泊松 分配， 哪个 是 还 维护 在 这 文学 自始至终 为了 死亡 费率 和 所以 向前 为了 分析。 它 曾是 不是 真的 拒绝 和 它 曾是 好的 到 认为 这样的 a 泊松 回归 为了 这 分析。
然后 还 我们 应用 泊松 回归 在 组合 和 多变的 选择 为了 这 流行性 指数 I6。 然而， 我们 切换 到 普通的 回归 或者 较少的 回归 为了 这 第三 回复 多变的， 这 破坏性 多变的。
这 方式 到 申请 这 回归 在 跳转 经过 方法 的 多变的 选择 是 经过 使用 这 广义的 回归 平台 在哪里 我们 然后 定义 这 回复 多变的 为了 分析 和 放 这 频率 柱子 进入 这 频率 盒子。 然后 作为 模型 条款 在 这 构造 模型 效果 窗户， 我们 涉及 全部 这 变量， 全部 或许 rl 的 变量， 一起 还 和 我们的 无效的 因素 或者 独立的 普通的 多变的 那 我们 还 包括。
然后 我们 移动 向前 和 这 回归 程序 经过 选择 向前 选择 估计 方法。 作为 a 标准， 我们 用过的 这 Akaike 信息 标准 和 这 更正 为了 小的 样本 尺寸 到 决定 之上 这 最终的 模型 到 包括 这 最终的 模型 然后 到 选择 和 这 选择 的 这 变量。
这 解决方案 部分 那 你 看 这里 是 基于 在 规范化 数据 到 放 他们 在 这 相同的 秤，所以秤 和 中心 数据 和 还 到 减少 这 影响 的 多重共线性 在 这 数据 因为 有 相当 一些。 然后 你 看 再次， 这 原来的 预测变量 爆裂 向上 在 这 降低 输出。 然后 我们 选择 a 模型 和 这 最低 Akaike 信息 标准。 一 后 这 其他， 这 变量 未来 存在 已选择 经过 前锋 多变的 选择 基于 在 这 Akaike 信息 标准。 作为 你 能 看 在 这 输出 实际上 这里， 这 无效的 因素 得到 进入 这 模型。 这 无效的 因素 完全地 不重要， 不具信息性， 所以 得到 进入 这 模型， 哪个 是 不是 好的， 的 课程。
我们 有 到 做 这 估计 方法， 这 多变的 选择 程序 2,500 次， 和 我们 做过 这 在 跳转 经过 正确的 点击 在 这 估计 柱子 和 然后 击球 模拟 和 然后 选择 这 频率 柱子 作为 a 柱子 到 转变 在 和 出去 之间 这 不同的 引导程序 重复 所以 那 初始化 的 这 无效的 因素 是 总是 存在 保证 之间 这 不同的 引导程序 重复。 然后 最后， 所以我们 得到 这 2,500 模型 选择 出去 的 这 引导程序 模拟。
然后 我们 计算 这 部分 那 全部 的 这些 变量 得到 进入 这 模型 或者 是 给定 作为 非 零 估计。 我们 是 代表 经过 非 零 估计。 尤其， 的 课程， 我们 是 感兴趣的 在 如何 许多 次 这 无效的 因素 出现了 在 这 选择 的 这 模型。 这 转弯 出去 到 是 41 % 的 这 次， 哪个 是 相当 高。T 这些是 我们的 新的 错误的 入口 利率， 实际上。 A 非常 高的 百分比 在 哪个 这 无效的 因素 得到 選擇。
我们 占 为了 一些 上 边界， 一个 上 99.9 % 信心 限制 还 那 我们 拿了 进入 帐户， 和 甚至 a 小的 少量 更高 有时。 到 是 保证 那 这 因素 那 你 看 在 绿色的 那 他们 出现了 最多 经常 然后 在 这 模型 选择。 作为 你 将要 看 还 其他 例子 现在 也， 在哪里 我们 得到 绑 和 这 无效的 因素 作为 出色地。 这 因素 或者 这 变量 在 红色， 他们 有 不是 到过 已选择 自从 他们的 发生 是 降低 比 这 发生 的 这 无效的 因素 超过 这 不同的 引导程序 模拟。 这 变量 的 兴趣 这里 那 得到 已选择 和 是 预测 的 这 流行性 指数 I5 是 这 死亡 费率 的 原因， 死亡 速度 从 有机的 心 疾病， 这 死亡 费率 从 肺炎， 死亡 速度 从 癌症， 死亡 速度 从 麻疹， 和 这 地理 位置。
现在， 这 死亡 速度 从 全部 原因， 那是 一个 总计的 为了 这 死亡 费率 从 这 个人- 具体的 慢性的 疾病。 我们 是 还 感兴趣的 到 看 什么 会 发生 如果 我们 是 到 拿 这 出去 的 这 分析。 这 是 什么 我们 做过 在 这 下列的 幻灯片。 我们 拿了 它 出去， 死亡 速度 全部 原因， 和 然后 我们得到了 a 不同的 图片。 这 死亡 速度 从 麻疹 和 这 死亡 速度 从 癌症 转身 出去 到 是 不重要 现在， 然而 死亡 速度 从 肺炎 得到 在 这 绿色的 区， 作为 出色地 作为 这 死亡 速度 从 肺部 结核。 这些 是 还 相当 高度 相关 和 这 死亡 速度 的 全部 原因。 死亡 速度 的 全部 原因 蒙面。 这些 变量， 虽然 一些 的 这 死亡 费率 是 还 相关 之中 每个 其他， 所以 我们 有 到 是 小心 这里。 那 曾是 a 新的 结果 那 我们 锯。
现在， 最终， 我们 重复 这些 多变的 选择 更远 以后 和 仅有的 这 变量 在 绿色的 那 你 看 这里 在 这 屏幕， 所以 这 的 那 得到 已选择 到 哪个 我们 额外 我们的 新的 1910 人口普查 数据， 喜欢 这 股份 的 年龄 和 这 文盲 和 这 学校教育 和 所以 向前。 我们 做过 这 和 和 没有 死的 速度 或者 原因 到 最后 然后 选择 这 变量 那 是 常见的 种类 全面的 分析。 全部 这 不同的 分析 已选择 一些 其他 变量 仍然， 但 仍然 那里 是 一些 变量 哪个 是 展示 全部 这 时间， 和 这些 是 这 的 那 我们 最后 然后 包含 进入 这 模型， 哪个 是 我们的 最终的 泊松 回归 模型 那 我们 获得 在 这 结尾。
哪个 包含 死亡 费率 从 心 疾病， 有机的 心 疾病， 死亡 费率 从 全部 原因 我们 保留 告诉， 作为 还 珍珠 强调 那 作为 存在 相当 重要的。 分享 年龄， 0 到 4. 学校 出席 的 这 人口， 6 到 20 年 的 年龄 和 这 地理 位置。 那 曾是 我们的 最终的 回归 模型 为了 这 第一的 回复， 这 流行性 指数 I5， 和 以下 你 看 这 结果 的 珍珠。 拥有 完毕 a 相关性 分析， 他 曾是 有能力的 到 确认 肺部 结核， 有机的 心 疾病， 和 急性 肾炎 和 布莱特的 疾病。 除了 这 死亡 速度 的 全部 原因 那 他 视为 相当 重要的， 哪个 曾是 实际上 还 总是 这 案件 为了 我们的 分析。 它 总是 来了 在 顶部 的 我们的 分析。 我们 保留 它 在。
现在， 珍珠 还 尖 向 一些 具体的 慢性的 疾病， 但 我们 是 不是 有能力的 到 放 这些 在 顶部。 我们 做过 不是 寻找 他们 到 是 稳定地 展示。 全面的， 我们的 分析， 所以 我们 做过 不是 确认 他们。 还， 珍珠， 实际上， 后 他的 第一的 学习， 得到 批评 因为 的 指向 向 这些 个人 疾病。 然后 在 这 第二 的 他的 学习， 还， 他 曾是 更多的 谨慎， 更多的 保守的， 和 仅有的 尖 向 这 死亡 速度 的 全部 原因 和 这 有机的 疾病 的 这 心 作为 这 的 那 是 预测 为了 他的 修改的 指数 的 这 爆发力 的 这 暴发 I6。
我们的 最终的 分析 是 这 一 那 你 看 这里 指向 向 还 死亡 费率 从 有机的 心 疾病， 死亡 速度 从 全部 原因， 这 分享 的 这 年龄 之间 零 和 四、 和 这 人口 密度规则。 W 是 总是 有能力的 到 看 这 人口 密度 未来 向上 高的 在 这 列表 的 变量 那 发生 几乎 连续地 超过 这 引导程序 重复。 那 还 转身 出去 到 是 一个 重要的 多变的 从 我们的 分析。
和 这 破坏性 多变的， 我们 做过 不是 寻找 全部 那 很多 的 变化。 这 范围 实际上 的 价值观 曾是 不是 作为 大的 作为 为了 这 其他 二 回复 这 流行性 指数 . 我们 是 仅有的 有能力的 到 确认 a 很少 变量 和 具体来说 这 死亡 费率 未来 从 这 有机的 心 疾病。 然后 我们 已识别， 除了 这 分享 的 这 最年轻的 人们 之间 0 和 4年， 还 这 分享 的 人们 范围 之间 20 和 40岁， 所以 二十五 和 四十四 年 的 年龄。 这 健康 人们 实际上 事先的 到 这 大流行病， 那 曾是 还 指示性的 的 过量的 死亡 费率 超过 这 不同的 城市 在 这 团结的 州。
珍珠的 数据 套， 作为 我们 可以 看 还， 我们 仅有的 有 非常 小的 数据。 那里 是 非常 微小的 三十九 观察 在 这 第一的 学习 和 在 这 第二 学习 仅有的 三十四 观察 因为 他们 修改的 一些 的 这 变量， 一些 观察 得到 丢失的。 这 数据 是 还 观察 和 相当 一些 多重共线性 涉及。 这 质量 的 这 数据 可以 有 到过 更好的。 所以， 我们的 分析 为了 当然 是 有用， 但 他们 是 不是 神奇， 作为 出色地 作为 珍珠的 相关性 分析。 具体来说， 他的 第一的 分析， 它 曾是 不是 支持。 他 知道 然后 那 人们 做过 不是 真的 支持 他的 第一的 分析。 反正， 作为 乔治 盒子 说， “全部 模型 是 错误的， 一些 是 有用。”
我们 是 有能力的 到 选择 令人满意的 模型 在 a 顺序 方式。 第一的 的 全部， 我们 包括 珍珠的 变量 和 保留 这 已选择 变量， 到 哪个 然后 我们 额外 新的 1910 人口普查 变量 到 最后 选择 那些 变量 那 是 信息丰富 和 每个 时间 和 和 没有 这 死亡 速度 从 全部 原因。 然后 我们 保留 这 变量 那 弹出 向上 在 这 绿色的 区 到 是 相当 预测 的 这 回复 那 弹出 向上 全部 这 时间，所以 超过 全部 这 分析 那 我们 做过 到 然后 有 这 模型 那 I 提出。 I 希望 这 曾是 信息丰富 为了 你 到 听 到 和 许多 谢谢。
