好的， 歡迎 每個人 到 這 推介會 在 哪個 I 將要 演講 關於 珍珠的 流感 研究。 珍珠 生物統計學家， 他 居住過 相當 a 儘管 前 期間， 具體來說， 這 西班牙流感， 和 他 曾是 這 第一的 一 到 分析 這 每週 數據 那 曾是 集 經過 這 我們 局 的 這 人口普查 關於 這 西班牙流感， 哪個 發生 在 1918年， 1920年， 和 這 為了 這 大的 美國人 城市。
珍珠， 他 曾是 這 第一的 到 做 所以 到 分析 這 數據 關於 這 西班牙流感， 和 他 寫道 二 報告 關於 它， 他的 流感 研究 一 和 二， 哪個 我們 將要 重訪 現在 期間 這 推介會， 和 出色地 看 如何 我們 將要 是 有能力的 到 看 進入 這 數據， 分析 這 數據 使用 跳轉。 這 是 聯合的 工作 和 克里斯 戈特瓦爾特， 世界衛生組織 貢獻 到 這 方法論 成分， 和 蓋多 埃雷格斯， 世界衛生組織 發起 這 主意 的 重訪 珍珠的 流感 研究。
這 概述 的 這 演講 是 作為 如下。 第一的， 患病的 討論 a 小的 位元 這 西班牙流感， 什麼 它 曾是 全部 關於。 相當 a 致命 大流行 在 那 時間。 然後 患病的 介紹 珍珠的 流感 研究， 和 患病的 演講 a 小的 位元 關於 這 數據 那 珍珠 用過的 在 他的 分析。 我們 有 額外 一些 人口普查 數據 從 1910 在 頂部 的 那 為了 我們的 分析， 哪個 包括 的 a 多變的 選擇 程式 和 a 無效的 因素， a 隨機的 因素， 一個 獨立的 普通的 因素 在 我們的 分析， 和 引導程式 模擬 從 這 數據。 然後 出色地 是 討論 我們的 結果 和 比較 那些 結果 和 珍珠的 結果， 和 然後 出色地 總結。
第一的 的 全部， 這 西班牙流感 大流行, 到 框架 那 a 小的 位元, 它 曾是 一 的 這 最致命的 流行 在 歷史， 作為 目睹 經過 這 清單 這裡 顯示 這 世界上的 最致命的 流行 在 隨著時間的推移。 你 能 看 那 這 西班牙流感 這裡 等級 第五 在 條款 的 這 數位 的 死亡人數 那 它 造成的。 T 他的 清單 是 前往 經過 這 黑色的 死亡人數, 哪個 被殺 關於 四 次 更多的 人們 比 這 西班牙流感 做過。 然後 以下 這 列表， 你 看 冠狀病毒- 19 大流行 出現， 哪個 我們 得到 全部 裸露 到。 它 也 出現 在 這 清單 仍然。
只是 作為 和 冠狀病毒- 19， 聚會 是 更多的 鼓勵 到 發生 外部， 和 也 在 這 次 已經 的 這 西班牙流感 大流行 那裡， 那 曾是 這 案件 作為 出色地， 和 甚至 為了 類別 到 發生 戶外， 作為 你 能 看 在 這 照片。
這 西班牙流感 大流行 組成 的 三 波浪。 這 第一的 一 開始 在 行進 1918 在 這 我們 和 傳播 到 歐洲 以及 這 休息 的 這 世界。 然後 a 更多的 劇烈 海浪， 這 最嚴重的 一 開始 在 八月 1918 在 法國 和 傳播 迅速地 到 這 休息 的 這 世界， 作為 出色地 作為 適逢 和 這 結尾 的 這 第一的 世界 戰爭。 然後 a 第三 一 哪個 曾是 較少的 劇烈 比 這 第二 一， 但 更多的 劇烈 比 這 最初的 海浪， 開始 在 這 早期的 開始 的 1919 和 打 一些 具體的 國家 喜歡 澳洲 和 偉大的 英國。
這裡 你 看 這 時間軸 的 這 三 波浪 的 這 西班牙流感 大流行 發生 在 這 我們， 更多的 具體來說 因為 我們 有 珍珠的 數據 從 這 我們 哪個 我們 看 進入。 這 死亡 收費 曾是 巨大的 和 最多 死亡人數 發生 實際上 在 印度 和 中國。
什麼 曾是 具體關於 這 西班牙流感 大流行 曾是 那 許多 年輕的 健康 成年人 過世 作為 顯示 經過 a W 圖案 的 死亡 利率， 哪個 是 這裡 顯示 經過 這 滿的 黑色的 線。 在 對比 到 這 U 形狀 的 這 普通的 季節性 流感 和 肺炎 死亡 費率 哪個 是 掛號的 事先的 到 這 大流行.
為了 季節性 流感 和 肺炎, 這 U 形狀 節目 那 個人 更年輕 比 四 年 的 年齡 和 人們 較老 比 75 年， 那 這些 是 最多 打 經過 季節性 流感 和 肺炎. 特徵 的 這 西班牙流感 大流行 曾是 那 除了 那些 二 年齡 團體， 也 這 年輕的 成年人 在 這 範圍 之間 20 和 40 年 的 年齡 得到 具體來說 打 經過 這 大流行, 最終 領導 向上 到 a 巨大的 死亡 收費。
然後 更遠 以後 自始至終 歷史， 流行病學家 和 歷史學家 的 流行病學 有 應用 統計 分析 到 這 西班牙流感 大流行. 更多的 具體來說， 人們 工作 在 這 我們 作為 出色地， 即， 馬克爾 和 同事， 他們 研究過 這 影響 的 非 製藥 幹預措施 在 美國人 城市 喜歡 學校 關閉， 取消 的 民眾 集會。
馬梅隆德 研究過 這 影響 的 地理 隔離 的 具體的 區域 和 具體的 地區 在 這 我們。 黏土， 路易斯， 和 塞韋尼尼 研究過 叉- 城市 變化 的 438 我們 城市， 但 也 別處 大約 這 世界， 所以 不是 僅有的 在 這 我們 但 也 在 歐洲， 喜歡 在 挪威 和 西班牙。 數據 關於 這 西班牙流感 大流行 分析 一起 和 人口普查 數據 和 所以 向前。 這 西班牙流感 大流行 保持 有趣的 為了 許多 研究者 超過 時間。
關於 珍珠的 流感 研究 現在， 這裡 你 看 這 第一的 的 他的 流感 學習， 這 開始 的 它。 第一的， 他 會談 關於 這 嚴重程度 的 這 爆發 和 實際上 那 這 死亡 收費 為了 這 團結的 州 曾是 放 在 關於 55萬， 哪個 是 關於 五 次 更多的 比 這 數位 的 人們 世界衛生組織 實際上 過世 期間 這 第一的 世界 戰爭。 因此， 顯示 這 嚴重程度 的 這 大流行 和 實際上 如何 致命 它 曾是， 如何 霹靂 它 曾是。 那 曾是 具體來說 什麼 珍珠 曾是 有興趣的 在 檢查 和 相關 到 其他 變數。
這 第二 的 他的 流感 研究 看起來 作為 如下， 所以 這 開始 在 至少。 那是 一個 更新 的 這 第一的 的 他的 研究 因為 他 得到 一些 批評 後 第一的 學習 經過 一些 同儕 世界衛生組織 批評 他 為了 不是 存在 準確的 和 肯定 變數。 他 有 問題 和 什麼 我們 現在 參考 到 作為 構造 有效性。 一些 的 這 數據 是 不是 真的 測量 什麼 他們 是 假定 到 措施， 所以 他們 是 不是 所以 準確的 和 他們 可以 是 定義 更多的 合適的， 更多的 準確的 在 命令 那 他們 真的 措施 什麼 他們 應該 措施。 他 做過 那。 他 解決 這 數據 再次， 這 變數。 放 向上 新的 定義 的 這 變數 和 已移動 向前。
這 數據 為了 這 第一的 的 他的 研究 看起來 作為 如下。 我們 有 數據 從 珍珠 的 三十九 美國人 城市。 這 回覆 多變的 他 通緝 到 學習 曾是 這 流行性 指數， 哪個 是 給定 經過 這 象徵 I 5 在 他的 研究。 那 曾是 這 第一的 回覆 多變的 他 通緝 到 學習 和 他 通緝 到 也 尋找 其他 變數 喜歡 人口統計 那 可以 是 預測 的 這 回覆 多變的。
現在， 這 回覆 多變的 曾是 a 措施 為了 這 爆發力 的 這 爆發 在 條款 的 流行性 死亡， 所以 如何 霹靂 這 爆發 曾是 和 擊球 這 各種各樣的 城市 在 這 我們。 他 定義 這 頂峰 時間 比率， 所以 這 頂峰 的 這 過量的 死亡 費率 分裂 經過 這 頂峰 日期。 在 這 方式， 他 通緝 到 比較 城市 和 一 單身的 非常 鋒利的 頂峰 到 城市 和 a 長的 扁平化 曲線 的 過量的 死亡 率。 他 設計 這 流行性 指數 他自己。
他 通緝 到 涉及 這 流行性 指數 到 各種各樣的 因素 喜歡 這 人口統計資料。 第一的 的 全部， 這 人口 密度 為了 1916年， 和 然後 這 地理 位置， 哪個 是 a 直的 線 距離 從 波士頓。 他 也 包括 這 年齡 分配， 花費- 正方形， 哪個 是 一個 年齡 憲法 指數 顯示 這 偏差 在 這 年齡 分配 的 這 城市 從 a 固定的 標準 年齡 分配。 他 也 研究過 這 百分比 人口 生長 在 這 十年 1900年， 1910年。
除了 這 人口統計數據， 他 也 涉及 這 死亡 費率 為了 1916年， 所以 事先的 到 這 大流行. 第一的 的 全部， a n 總計的 死亡 速度 從 全部 原因 和 然後是具體的疾病， 死亡 費率 為了 具體的 疾病， 即 肺部 結核， 有機的 心 疾病, 急性 腎炎 和 布萊特的 疾病, 或者 失敗 的 這 腎臟， 流感， 肺炎, 傷寒 發燒, 癌症， 和 麻疹。 那裡 曾是 相當 一些 相關性 之間 這些 死亡 率。
我已經 告訴 你 a 小的 位元 關於 這 回覆 多變的 那顆珍珠 發達， 即 這 流行性 指數。 那 做過 不是 出現 進入 只是 a 單身的 試圖， 但 他 開始 實際上 從 I 1. 第一的 的 一個 流行性 指數 那 他 更遠 改進 進入 I 2、 I 3、 I 4、 和 然後 他 曾是 快樂的 足夠的 到 移動 沿著 和 到 工作 和 這 I 5 流行性 這 指數。 到 區分 然後 城市 和 單身的， 非常 鋒利的 尖峰 到 那些 和 長的， 低的 平坦的 曲線 的 流行性 死亡。
他 已更新 這 變數 從 他的 第一的 學習 和 這 第二 學習， 和 在 那 感覺， 他 也 已更新， 他 也 修改的 這 流行性 指數 和 這 新的 流行性 指數。 他 提及 到 那 一 作為 I 6. 作為 其他 多變的 的 興趣， 他 也 定義 到 這 破壞性 多變的 作為 包含 過量的 死亡 率。 然後 他 通緝 到 涉及 這些 二 回應 在 他的 第二 學習 和 這 普通的 死亡 利率， 哪個 是 這 意思是 死亡 費率 超過 這 三 年， 1915 到 1917年。 然後 他 也 帶來 在 這 人口統計資料。 再次， 他 修改的 這 年齡 憲法 指數 基於 在 這 1910 人口普查 數據， 和 他 用過的 那。
然後 也 他 涉及 這 性別 比率 的 這 人口 的 男性 相對 女性。 這 人口 密度 的 1910 是 用過的 在 這 第一的 的 他的 研究， 剩餘 在 這 第二 學習。 然後 反而 的 a 地理 位置， 他 用過的 緯度 和 經度 在 他的 第二 學習。 然後 最後， 他 用過的 這 百分比 人口 生長 在 這 十年 1900年， 1910年， 再次。
這些 是 珍珠的 數據 到 哪個 我們 額外 一些 額外的 人口普查 數據 從 1910 哪個 是 給定 超過 這裡。 反而 的 這 年齡 憲法 指數， 我們 用過的 這 分享 的 這 不同的 年齡 團體， 和 這 純的 數位 實際上， 因為 我們 是 不是 真的 快樂的 和 這 方式 珍珠 定義 這 年齡 憲法 指數。 它 曾是 真的 相當 複雜的 和 不是 清除 足夠的 所以 那 我們 想法 到 只是 去 關於 和 使用 這 1910 分享 年齡 反而 的 這 年齡 憲法 指數 發達 經過 珍珠。
除了 那， 我們 看了 進入 這 數位 的 人 到 a 住宅， 這 百分比 的 房屋 擁有， 這 學校 出席 的 人口， 6 到 20 年 的 年齡， 和 這 文盲 在 這 人口， 10 年 的 年齡 和 超過， 和 看 無論 一 的 這些 因素 或者 一些 的 這些 因素 可以 是 預測 的 樹 回覆 變數 在 珍珠的 研究。
什麼 曾是 珍珠的 分析 全部 關於？ 出色地， 他 得到 進入 多種的 相關性。 他 研究過 全部 這 數據 製作 使用 的 部分的 相關性 係數 作為 出色地 作為 這 普通的 相關性 係數 的 零 命令， 但 他 做過 那 非常 嚴格地。 他 有 計算 這 全部 經過 手 和 做過 這 相當 出色地 實際上 和 拿了 進入 帳戶 各種各樣的 其他 因素 在 這些 部分的 相關性 經過 擁有 那些 其他 變數 存在 持續的。 為了 這 部分的 相關性 和 這 其他 相關性， 他 也 計算 可能 錯誤 到 尋找 出去 無論 這些 相關性 係數 是 重要的 或者 不是， 所以 他 做過 這 相當 出色地。
現在， 這 分析 那 我們 是 使用 是 這 一 在 哪個 我們 是 去 到 實際上 選擇 變數 和 a 無效的 因素 和 我們 是 去 到 引導程式 我們的 數據。 我們 是 正在做 所以 因為 我們的 P 價值觀 為了 我們的 數據， 哪個 是 很遺憾 不是 正交， 他們 能 變得 沉重 有偏見。 自從 我們 是 不是 真的 使用 很好 正交 數據， 這 P 價值觀 能 變得 相當 有偏見 向 零。 它是 總是 這 危險 和 P 價值觀 為了 觀察 數據 那 不重要 因素 全部 的 a 突然 變得 重要的 和 那 這 類型 一 錯誤 速度 是 不是 在下面 控制。
到 解決 這 事實 那 這 P 價值觀 是 不是 統一地 分散式 不再 在 這 案件 的 一個 不重要 多變的， 到 解決 那 問題， 我們 是 去 到 涉及 a 隨機的 多變的， a 無效的 因素， 一個 獨立的 普通的 多變的 進入 這 分析 和 看 到 什麼 程度 它 出現 在 我們的 程式 的 選擇 變數。 這 主意 是 受到啟發 經過 或者 起源 從 這 服務 紙 經過 吳, 噓聲， 和 斯特凡斯基 在 2007年。
具體來說， 什麼 我們 有 完畢 是， 出色地， 我們 包括 a 單身的 無效的 因素 在 這 多變的 選擇 程式 和 執行 2,500 引導程式 重複 為了 多變的 選擇 使用 跳轉。 然後 我們 計算 這 部分 的 次 每個 多變的 進入 這 模型。 變數 那 進入 作為 常 或者 較少的 比 這 無效的 因素 是 可忽略的， 和 變數 那 進入 更多的 常 比 這 無效的 因素， 出色地， 這些 是 這 的 那 我們 是 去 到 選擇 作為 存在 預測 的 這 回覆 多變的。
在 跳轉， 我們 指定的 二 新的 列， 和 實際上， 一 公式 是 需要。 那是 這 公式 為了 這 引導程式 頻率 柱子 那 你 看 這裡。 這 引導程式 頻率 柱子 是 基於 在 我們的 無效的 因素， 哪個 是 一個 獨立的 普通的 多變的 那是 重新初始化 每個 時間 期間 這 引導程式 模擬。 基於 在 這 重新初始化， 這 頻率 柱子 獲取 已更新 所以 那 我們 有 a 100 % 重採樣 的 我們的 我們的資料樣本量 和 這 固定的 樣本 尺寸 作為 它 是。
然後 為了 這 多變的 選擇， 什麼 迴歸類型 也 會 我們 申請 那 我們 可以 尋找 出去 在 這 廣義的 線性 模型 平台 的 跳轉， 因為 服用 進入 帳戶 這 頻率 柱子 也, 如果 我們 做 變異數 選擇， 我們 也 需要 到 做 這 分配 決心 在 這 相同的 時間。 它 有 到 發生 同時地。 你 不能 做 它 分開 基於 在 這 原來的 數據。 實際上， 這 圖形 在 這 左邊- 手 邊 是 a 小的 位元 誤導 因為 那 圖形 包含 這 原來的 數據， 但 分配 決心 你 應該 實際上 做 儘管 正在做 這 多變的 選擇 本身。
假設 a 泊松 分配， 出色地， 那 假設 曾是 不是 被拒絕， 所以 我們 可以 實際上 移動 向前 和 這 假設 的 a 泊松 分配， 哪個 是 也 維護 在 這 文學 自始至終 為了 死亡 費率 和 所以 向前 為了 分析。 它 曾是 不是 真的 拒絕 和 它 曾是 好的 到 認為 這樣的 a 泊松 回歸 為了 這 分析。
然後 也 我們 應用 泊松 回歸 在 組合 和 多變的 選擇 為了 這 流行性 指數 I6。 然而， 我們 切換 到 普通的 回歸 或者 較少的 回歸 為了 這 第三 回覆 多變的， 這 破壞性 多變的。
這 方式 到 申請 這 回歸 在 跳轉 經過 方法 的 多變的 選擇 是 經過 使用 這 廣義的 回歸 平台 在哪裡 我們 然後 定義 這 回覆 多變的 為了 分析 和 放 這 頻率 柱子 進入 這 頻率 盒子。 然後 作為 模型 條款 在 這 構造 模型 效果 窗戶， 我們 涉及 全部 這 變數， 全部 或許 rl 的 變數， 一起 也 和 我們的 無效的 因素 或者 獨立的 普通的 多變的 那 我們 也 包括。
然後 我們 移動 向前 和 這 回歸 程式 經過 選擇 向前 選擇 估計 方法。 作為 a 標準， 我們 用過的 這 Akaike 資訊 標準 和 這 更正 為了 小的 樣本 尺寸 到 決定 之上 這 最終的 模型 到 包括 這 最終的 模型 然後 到 選擇 和 這 選擇 的 這 變數。
這 解決方案 部分 那 你 看 這裡 是 基於 在 規範化 數據 到 放 他們 在 這 相同的 秤，所以秤 和 中心 數據 和 也 到 減少 這 影響 的 多重共線性 在 這 數據 因為 有 相當 一些。 然後 你 看 再次， 這 原來的 預測變數 爆裂 向上 在 這 降低 輸出。 然後 我們 選擇 a 模型 和 這 最低 Akaike 資訊 標準。 一 後 這 其他， 這 變數 未來 存在 已選擇 經過 前鋒 多變的 選擇 基於 在 這 Akaike 資訊 標準。 作為 你 能 看 在 這 輸出 實際上 這裡， 這 無效的 因素 得到 進入 這 模型。 這 無效的 因素 完全地 不重要， 不具資訊性， 所以 得到 進入 這 模型， 哪個 是 不是 好的， 的 課程。
我們 有 到 做 這 估計 方法， 這 多變的 選擇 程式 2,500 次， 和 我們 做過 這 在 跳轉 經過 正確的 點選 在 這 估計 柱子 和 然後 擊球 模擬 和 然後 選擇 這 頻率 柱子 作為 a 柱子 到 轉變 在 和 出去 之間 這 不同的 引導程式 重複 所以 那 初始化 的 這 無效的 因素 是 總是 存在 保證 之間 這 不同的 引導程式 重複。 然後 最後， 所以我們 得到 這 2,500 模型 選擇 出去 的 這 引導程式 模擬。
然後 我們 計算 這 部分 那 全部 的 這些 變數 得到 進入 這 模型 或者 是 給定 作為 非 零 估計。 我們 是 代表 經過 非 零 估計。 尤其， 的 課程， 我們 是 有興趣的 在 如何 許多 次 這 無效的 因素 出現了 在 這 選擇 的 這 模型。 這 轉彎 出去 到 是 41 % 的 這 次， 哪個 是 相當 高。 T 這些是 我們的 新的 錯誤的 入口 利率， 實際上。 A 非常 高的 百分比 在 哪個 這 無效的 因素 得到 選擇。
我們 佔 為了 一些 上 邊界， 一個 上 99.9 % 信心 限制 也 那 我們 拿了 進入 帳戶， 和 甚至 a 小的 位元 更高 有時。 到 是 保證 那 這 因素 那 你 看 在 綠色的 那 他們 出現了 最多 常 然後 在 這 模型 選擇。 作為 你 將要 看 也 其他 例子 現在 也， 在哪裡 我們 得到 綁 和 這 無效的 因素 作為 出色地。 這 因素 或者 這 變數 在 紅色， 他們 有 不是 到過 已選擇 自從 他們的 發生 是 降低 比 這 發生 的 這 無效的 因素 超過 這 不同的 引導程式 模擬。 這 變數 的 興趣 這裡 那 得到 已選擇 和 是 預測 的 這 流行性 指數 I5 是 這 死亡 費率 的 原因， 死亡 速度 從 有機的 心 疾病, 這 死亡 費率 從 肺炎, 死亡 速度 從 癌症， 死亡 速度 從 麻疹， 和 這 地理 位置。
現在， 這 死亡 速度 從 全部 原因， 那是 一個 總計的 為了 這 死亡 費率 從 這 個人- 具體的 慢性的 疾病。 我們 是 也 有興趣的 到 看 什麼 會 發生 如果 我們 是 到 拿 這 出去 的 這 分析。 這 是 什麼 我們 做過 在 這 下列的 幻燈片。 我們 拿了 它 出去， 死亡 速度 全部 原因， 和 然後 我們得到了 a 不同的 圖片。 這 死亡 速度 從 麻疹 和 這 死亡 速度 從 癌症 轉身 出去 到 是 不重要 現在， 然而 死亡 速度 從 肺炎 得到 在 這 綠色的 區， 作為 出色地 作為 這 死亡 速度 從 肺部 結核。 這些 是 也 相當 高度 相關 和 這 死亡 速度 的 全部 原因。 死亡 速度 的 全部 原因 蒙面。 這些 變數， 雖然 一些 的 這 死亡 費率 是 也 相關 之中 每個 其他， 所以 我們 有 到 是 小心 這裡。 那 曾是 a 新的 結果 那 我們 鋸。
現在， 最終， 我們 重複 這些 多變的 選擇 更遠 以後 和 僅有的 這 變數 在 綠色的 那 你 看 這裡 在 這 螢幕, 所以 這 的 那 得到 已選擇 到 哪個 我們 額外 我們的 新的 1910 人口普查 數據， 喜歡 這 股份 的 年齡 和 這 文盲 和 這 學校教育 和 所以 向前。 我們 做過 這 和 和 沒有 死的 速度 或者 原因 到 最後 然後 選擇 這 變數 那 是 常見的 種類 全面的 分析。 全部 這 不同的 分析 已選擇 一些 其他 變數 仍然， 但 仍然 那裡 是 一些 變數 哪個 是 展示 全部 這 時間， 和 這些 是 這 的 那 我們 最後 然後 包含 進入 這 模型， 哪個 是 我們的 最終的 泊松 回歸 模型 那 我們 獲得 在 這 結尾。
哪個 包含 死亡 費率 從 心 疾病, 有機的 心 疾病, 死亡 費率 從 全部 原因 我們 保留 告訴， 作為 也 珍珠 強調 那 作為 存在 相當 重要的。 分享 年齡， 0 到 4. 學校 出席 的 這 人口， 6 到 20 年 的 年齡 和 這 地理 位置。 那 曾是 我們的 最終的 回歸 模型 為了 這 第一的 回覆, 這 流行性 指數 I5， 和 以下 你 看 這 結果 的 珍珠。 擁有 完畢 a 相關性 分析， 他 曾是 有能力的 到 確認 肺部 結核， 有機的 心 疾病, 和 急性 腎炎 和 布萊特的 疾病. 除了 這 死亡 速度 的 全部 原因 那 他 視為 相當 重要的， 哪個 曾是 實際上 也 總是 這 案件 為了 我們的 分析。 它 總是 來了 在 頂部 的 我們的 分析。 我們 保留 它 在。
現在， 珍珠 也 尖 向 一些 具體的 慢性的 疾病， 但 我們 是 不是 有能力的 到 放 這些 在 頂部。 我們 做過 不是 尋找 他們 到 是 穩定地 展示。 全面的， 我們的 分析， 所以 我們 做過 不是 確認 他們。 也, 珍珠， 實際上， 後 他的 第一的 學習， 得到 批評 因為 的 指向 向 這些 個人 疾病。 然後 在 這 第二 的 他的 學習， 也, 他 曾是 更多的 謹慎， 更多的 保守的， 和 僅有的 尖 向 這 死亡 速度 的 全部 原因 和 這 有機的 疾病 的 這 心 作為 這 的 那 是 預測 為了 他的 修改的 指數 的 這 爆發力 的 這 爆發 I6。
我們的 最終的 分析 是 這 一 那 你 看 這裡 指向 向 也 死亡 費率 從 有機的 心 疾病, 死亡 速度 從 全部 原因， 這 分享 的 這 年齡 之間 零 和 四、 和 這 人口 密度規則。 W 是 總是 有能力的 到 看 這 人口 密度 未來 向上 高的 在 這 清單 的 變數 那 發生 幾乎 連續地 超過 這 引導程式 重複。 那 也 轉身 出去 到 是 一個 重要的 多變的 從 我們的 分析。
和 這 破壞性 多變的， 我們 做過 不是 尋找 全部 那 很多 的 變化。 這 範圍 實際上 的 價值觀 曾是 不是 作為 大的 作為 為了 這 其他 二 回覆 這 流行性 指數 . 我們 是 僅有的 有能力的 到 確認 a 很少 變數 和 具體來說 這 死亡 費率 未來 從 這 有機的 心 疾病. 然後 我們 已識別， 除了 這 分享 的 這 最年輕的 人們 之間 0 和 4年， 也 這 分享 的 人們 範圍 之間 20 和 40歲， 所以 二十五 和 四十四 年 的 年齡。 這 健康 人們 實際上 事先的 到 這 大流行, 那 曾是 也 指示性的 的 過量的 死亡 費率 超過 這 不同的 城市 在 這 團結的 州。
珍珠的 數據 套， 作為 我們 可以 看 也, 我們 僅有的 有 非常 小的 數據。 那裡 是 非常 微小的 三十九 觀察 在 這 第一的 學習 和 在 這 第二 學習 僅有的 三十四 觀察 因為 他們 修改的 一些 的 這 變數， 一些 觀察 得到 丟失的。 這 數據 是 也 觀察 和 相當 一些 多重共線性 涉及。 這 品質 的 這 數據 可以 有 到過 更好的。 所以， 我們的 分析 為了 當然 是 有用， 但 他們 是 不是 神奇， 作為 出色地 作為 珍珠的 相關性 分析。 具體來說， 他的 第一的 分析， 它 曾是 不是 支持。 他 知道 然後 那 人們 做過 不是 真的 支援 他的 第一的 分析。 反正， 作為 喬治 盒子 說， 「全部 模型 是 錯誤的， 一些 是 有用。 」
我們 是 有能力的 到 選擇 令人滿意的 模型 在 a 順序 方式。 第一的 的 全部， 我們 包括 珍珠的 變數 和 保留 這 已選擇 變數， 到 哪個 然後 我們 額外 新的 1910 人口普查 變數 到 最後 選擇 那些 變數 那 是 資訊豐富 和 每個 時間 和 和 沒有 這 死亡 速度 從 全部 原因。 然後 我們 保留 這 變數 那 彈出 向上 在 這 綠色的 區 到 是 相當 預測 的 這 回覆 那 彈出 向上 全部 這 時間，所以 超過 全部 這 分析 那 我們 做過 到 然後 有 這 模型 那 I 提出。 I 希望 這 曾是 資訊豐富 為了 你 到 聽 到 和 許多 謝謝。
