مجله تخصصی

---

مقدمه و اهداف: زمانی که در یک مطالعه متغیرهای پاسخ دارای مقیاس اندازه‌گیری متفاوت باشند، پاسخ‌ها را چندمتغیره آمیخته می‌گویند. با توجه به محدودیت‌ها و برقرارنبودن برخی پیش‌ فرض‌ها، روش‌های کلاسیک آماری برای مدل‌بندی و پیش‌بینی این نوع پاسخ‌ها کارایی ندارند. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای مدل‌بندی و پیش‌ینی پاسخ‌های دومتغیره آمیخته است.
روش کار: این مطالعه شامل سه مرحله طراحی مدل، شبیه‌سازی و برازش مدل بر داده‌های واقعی است. پس از طراحی مدل، با در نظر گرفتن پارامترهای مختلف، دو مجموعه داده شبیه‌سازی و مدل‌های یک‌ متغیره و دومتغیره مورد ارزیابی قرار گرفتند. برای آموزش شبکه از الگوریتم شیب توام مقیاس شده و برای تعیین مناسب‌ترین مدل از معیار صحت پیش‌بینی استفاده شد. مدل پیشنهادی برای پیش‌بینی توام سندرم متابولیک و شاخص مقاومت به انسولین در مطالعه قند و لیپید تهران به‌کار گرفته شد. برنامه‌های رایانه‌ای در نرم‌افزارهایR ۲,۹.۰ و MATLAB ۷.۶ طراحی و اجرا گردید.
نتایج: در مجموعه شبیه‌سازی اول، صحت پیش‌بینی در مدل‌های یک متغیره و دومتغیره تقریبا یکسان ولی در مجموعه شبیه‌سازی دوم، در مدل‌های دو متغیره نسبت به مدل‌های یک متغیره بیشتر است. در مدل‌های دو متغیره، صحت پیش‌بینی مدل با افزایش همبستگی متغیرهای پاسخ، بیشتر می‌شود. در داده‌های واقعی مدل با ۱۰ گره در لایه میانی دارای بیشترین صحت پیش‌بینی است.
 نتیجه‌گیری: تحقیق نشان داد، در حالتی‌که دو متغیر پاسخ با متغیرهای کمکی ارتباط دارند مدل دومتغیره نسبت به یک متغیره مناسب‌تر است و با افزایش همبستگی، صحت پیش‌بینی افزایش می‌یابد.