Автореферат и диссертация по медицине (14.00.33) на тему:Многомерное математико-статистическое моделирование сложных медицинских систем
- Ученая степень
- ВАК РФ
- 14.00.33
Оглавление диссертации Григорьев, Степан Григорьевич :: 2005 :: Москва
ВВЕДЕНИЕ
ГЛАВА 1 МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ МЕДИЦИНСКИХ СИСТЕМ
1.1 Постановка проблемы
1.2 Математический аппарат многомерного анализа и моделирования сложных систем
1.3 Программные средства, применяемые для обработки данных научных исследований
ГЛАВА 2 КОНЦЕПЦИЯ И МЕТОДОЛОГИЯ СОБСТВЕННОГО ИССЛЕДОВАНИЯ
2.1 Принципы математико-статистической обработки данных
2.2 Задачи и методы математико-статистической обработки данных
ГЛАВА 3 ОПТИМИЗАЦИЯ ГРУППИРОВКИ ДАННЫХ МЕДИЦИНСКОГО ИССЛЕДОВАНИЯ МЕТОДОМ АНАЛИЗА СООТВЕТСТВИЙ
3.1 Роль и место оптимизации группировки признаков в медицинских исследованиях
3.2 Назначение и содержание метода анализа соответствия
3.3 Исследование связи между систолическим артериальным давлением у пострадавших с тяжелой черепно-мозговой травмой при поступлении в стационар и показателем жизненной активности при их убытии из стационара
ГЛАВА 4 МОДЕЛИРОВАНИЕ СИСТЕМ, ОПИСАННЫХ КАЧЕСТВЕННЫМИ ПРИЗНАКАМИ, МЕТОДОМ ЛОГЛИНЕЙНОГО АНАЛИЗА
4.1 Сущность, условия применения и задачи логлинейного анализа
4.2 Исследование связи показателя устойчивости результатов лечения с факторами, характеризующими социально-бытовые условия, на основе пятифакторной логлинейной модели
ГЛАВА 5 МОДЕЛИРОВАНИЕ ПРОГНОЗА ИСХОДА ТЯЖЕЛОЙ ЧЕРЕПНО-МОЗГОВОЙ ТРАВМЫ МЕТОДОМ ДИСКРИМИ-НАНТНОГО АНАЛИЗА
5.1 Материалы исследования
5.2 Сущность и условия применения дискриминантного анализа
5.3 Последовательность создания и эксплуатации модели прогноза ранних исходов ТЧМТ
ГЛАВА 6 МОДЕЛИРОВАНИЕ ПРОГНОЗА АЛЬТЕРНАТИВНОГО ИСХОДА МЕТОДОМ ЛОГИСТИЧЕСКОГО РЕГРЕССИОННОГО АНАЛИЗА
6.1 Материалы исследования
6.2 Назначение и содержание метода логистической регрессии
6.3 Прогнозирование вероятности сохранения годовой ремиссии больными героиновой наркоманией при психотерапевтическом лечении
ГЛАВА 7 РАЗРАБОТКА И СРАВНИТЕЛЬНАЯ ОЦЕНКА МОДЕЛЕЙ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ АТАКСИЙ
7.1 Материалы исследования.
7.2 Назначение и содержание метода деревьев классификации
7.3 Разработка математической модели дифференциальной диагностики атаксии
7.3.1 Разработка комплекса моделей прогноза вида атаксии методом дискриминантного анализа
7.3.2 Разработка комплекса моделей прогноза вида атаксии методом деревьев классификации
ГЛАВА 8 АНАЛИЗ И МОДЕЛИРОВАНИЕ ДЛИТЕЛЬНОСТИ РЕМИССИИ У БОЛЬНЫХ АЛКОГОЛИЗМОМ С ИСПОЛЬЗОВАНИЕМ МЕТОДА АНАЛИЗА ВРЕМЕНИ ЖИЗНИ
8.1 Материалы исследования
8.2 Назначение и содержание анализа времени жизни
8.3 Построение модели продолжительности ремиссии при лечении хронического алкоголизма
8.3.1 Статистические характеристики динамики продолжительности ремиссии
8.3.2 Оценка влияния различных факторов на длительность ремиссии
8.3.3 Построение модели прогноза длительности ремиссии в зависимости от факторов, влияющих на функцию сохранения состояния ремиссии
ГЛАВА 9 МОДЕЛИРОВАНИЕ УРОВНЯ ЗАБОЛЕВАЕМОСТИ ГЕПАТИТОМ МЕТОДАМИ АНАЛИЗА Д ИНАМИЧЕСКИХ РЯДОВ
9.1 Материалы исследования
9.2 Задачи и методы анализа динамических рядов
9.3 Изучение заболеваемости гепатитом и разработка ее модели
ГЛАВА 10 ИЗУЧЕНИЕ МЕХАНИЗМОВ ПСИХОТЕРАПЕВТИЧЕСКОГО ВОЗДЕЙСТВИЯ С ПОМОЩЬЮ ФАКТОРНОГО АНАЛИ
10.1 Материалы исследования
10.2 Назначение и содержание факторного анализа
10.3 Изучение механизмов психотерапевтического воздействия на больных героиновой наркоманией
Введение диссертации по теме "Общественное здоровье и здравоохранение", Григорьев, Степан Григорьевич, автореферат
Актуальность темы. В настоящее время ценность и целесообразность применения математических методов в таких «не строгих» науках, как биология и медицина, уже не ставится под сомнение. Однако проблема состоит в том, что в большинстве случаев объекты медицинских исследований являются сложными медицинскими системами с множеством элементов в своем составе и связей между ними, определяющих внутреннюю структуру системы. Такие системы (объекты, процессы) формируются и функционируют под воздействием многочисленных изменчивых и взаимодействующих между собой факторов среды. Исследование таких систем отличается сбором значительного числа первичных «сырых» данных, не имеющих формы совершенной информации, и, тем более, не являющихся ни закономерностями, ни знаниями. Их анализ (традиционное «обсуждение») не возможен без предварительной многоаспектной обработки. Одним из направлений такой обработки является метод многомерного математико-статистического моделирования, под которым понимается преобразование первичных эмпирических данных о сложной системе в строгие математико-статистические объекты, которые и предстают моделями реальных сложных медицинских систем, подлежащими исследованию (Андерсон Т., 1963; Немчинов B.C., 1967; Адлер Ю.П., Маркова Е.В., Грановский Ю.В., 1976; Афифи А., Эйзен С., 1982; Айвазян С.А., Енюков И.С., Мешалкин Л.Д., 1983; Марчук, Г.И., 1991; Дюк В.А., 1997; Реброва О.Ю., 2002; Cattell R.B., 1966; Сох D.R., Oakes D, 1984; Greenacre M.J., 1988; Lim T.S., Loh W.Y., Shih Y.S, 1997). Это отвечает общепринятому определению моделирования как инструмента для изучения реальных или предпйишаамжу абънвчшгая многомерного математико-статистического моделирования предполагает применение метода многомерной статистики к медицинскому материалу, как к «сырью», предмету обработки, то его результаты - математико-статистические объекты - неизбежно приобретают статус медицинских показателей. Они формируются в результате интерпретации математико-статистических объектов с позиций содержания сложной медицинской системы, что составляет сущность одного из важных этапов моделирования медицинских систем (Бейли Н., 1970; Максимов Г.К., Сини-цын А.Н., 1983; Енюков И.С., 1986; Гублер Е.В., 1990; Марчук, Г.И., 1991; Дюк В.А., 1997; Генкин A.A., 1999; Максимова Т.Г., 2000; Клименко Н.Б., 2001; Максимов А.Г., Максимова Т.Г., Максимов Г.К., 2001; Абдулкеримов Х.Т., 2003; Cattell R.B., 1966; Сох D.R., Oakes D, 1984; Greenacre M.J., 1988; Lim T.S.).
В настоящее время для применения методов многомерного математи-ко-статистического моделирования имеются все основания. Разработана теория и практика адекватного кодирования медицинских данных. Современные технические и программные средства информатизации обеспечивают возможность создания электронно-читаемых баз данных в объемах, достаточных для получения достоверных результатов. Наличие соответствующих пакетов прикладных программ по математико-статистической обработке и анализу данных позволяют применять многомерные математические методы и процедуры специалистами предметных областей, далеких от фундаментальных знаний прикладной математики. Создаваемые на этой основе многомерные математико-статистические модели сложных медицинских систем позволяют перейти от интуитивных представлений врача о медицинских процессах и системах к математически обоснованному количественному анализу и моделированию.
Однако такая возможность используется недостаточно. Из анализа отчетов по научно-исследовательской работе, выполненных в Военно-медицинской академии, а также материалов кандидатских и докторских диссертаций, поступающих в фундаментальную библиотеку академии, следует, что только в 12,8% работ выводы базируются на многомерных методах обработки данных исследования, адекватных цели, задачам и материалам исследования. В 81,8% работ используются адекватные одномерные методы математико-статистического описания объектов исследования и доказательства статистической значимости различий производных величин (средних арифметических значений и частот) и законов распределения случайных величин. Несмотря на это, характер первичных данных большинства исследований предоставляет возможность использования более основательных и богатых в своем разнообразии многомерных методов математической статистики. Кроме того, 5,4% изученных нами работ содержат принципиальные ошибки в применении математико-статистического аппарата, который не является адекватным собранным данным, а, следовательно, и выводы в этих случаях не соответствуют действительности.
С учетом изложенного сформулированы объект, предмет, цель и задачи исследования.
Объект исследования - типовые медицинские системы изучения в избранных областях медицины, характеризующиеся множеством единичных признаков их состояния, с одной стороны, и адекватные для их описания многомерные математико-статистические методы, с другой.
Предмет исследования - методологические и технологические аспекты многомерного математико-статистического моделирования типовых медицинских систем: определение математико-статистических характеристик и показателей свойств системы, их интерпретация и анализ, выводы заключений о закономерностях поведения системы.
Цель исследования.
Разработка методологии, технологии (принципов, методик, алгоритмов) и научно-практических рекомендаций применения математико-статистических методов для моделирования сложных медицинских систем.
Задачи исследования.
1. На основе изучения исторических и методологических вопросов использования и применения количественных методов в биомедицинских, экономических и др. исследованиях, оценить круг современных многомерных математико-статистических методов анализа и моделирования и выявить те из них, которые наиболее адекватно описывают сложные медицинские системы.
2. Определить задачи медицинского исследования, решаемые с помощью многомерных математико-статистических методов, и круг практических приложений результатов многомерного математико-статистического моделирования сложных медицинских систем.
3. Обосновать и разработать принципы и алгоритмы математико-статистического моделирования и анализа сложных медицинских систем с использованием многомерных математико-статистических методов и программно-технических средств информатизации для технологической реализации методов.
4. Предложить критерии качества результатов математико-статистического моделирования сложных медицинских систем.
5. Провести апробацию технологических алгоритмов применения новейших многомерных методов математико-статистического моделирования и анализа сложных медицинских систем на типовых медицинских объектах и системах, изучаемых в различных областях медицины.
Научная новизна исследования.
Впервые обоснована и разработана технология математико-статистического моделирования и анализа сложных медицинских систем с помощью методов: анализа соответствий, логлинейного анализа, логистической регрессии, дискриминантного анализа, деревьев классификации, анализа выживания, анализа динамических рядов и факторного анализа.
Показано, что с помощью многомерных математико-статистических методов могут быть решены следующие задачи научного поиска в области медицины:
- оптимизация группировки признаков и сжатие информационного пространства явления, описываемого качественными признаками;
- уточнение известных и выявление новых предположений, касающихся количественных и качественных характеристик ведущих клинических симптомов и синдромов при патологических состояниях;
- определение перечня и веса клинических признаков, которые могли бы быть использованы для дифференциальной диагностики однородных или близких по характеру течения патологических процессов;
- определение качества связи исходов заболевания с различными симптомами и синдромами, а также со схемами и стандартами лечения; определение степени зависимости длительности жизни, лечения, реабилитации, ремиссии от определяющих их признаков;
- вскрытие внутренней факторной структуры изучаемого биомедицинского процесса и механизмов ее изменения.
Обосновано утверждение, что основным показанием к применению методов многомерного математико-статистического анализа и моделирования медицинских систем и процессов является адекватность модели изучаемой медицинской системе.
Разработаны методы сравнительной оценки статистической значимости и информационной способности математических моделей медицинских систем, построенных с помощью различных математико-статистических методов.
Предложены алгоритмы формирования последовательности этапов ма-тематико-статистической обработки и анализа данных исследования сложных медицинских объектов и построения их многомерных моделей.
Предложены критерии качества результатов математико-статистического моделирования сложных медицинских систем.
Практическая значимость исследования.
Результаты работы используются в практическом здравоохранении, в учебном процессе и в научной работе ряда медицинских ВУЗов и НИИ.
Разработанная и апробированная технология моделирования сложных медицинских систем может быть применена в различных отраслях медицины, в том числе и в военной, для решения следующих задач:
- снижение размерности, оптимизация группировки и изучение связи категорированных признаков;
- создание классификационных моделей и изучение степени влияния признаков, включенных в модель, на качество классификации;
- моделирование вероятности наступления альтернативного исхода и оценка влияния дихотомических предиктных признаков на увеличение шанса или риска наступления прогнозируемого исхода;
- изучение динамических характеристик и моделирование функции пребывания объектов в интересующем исследователя состоянии;
- моделирование динамики эпидемических процессов;
- снижение размерности многомерного объекта исследования и вскрытие механизмов динамики его внутренней структуры.
Предложенные технология и алгоритмы разработки математико-статистических моделей сложных медицинских систем могут быть использованы при создании автоматизированных систем мониторинга, диагностики и прогноза состояния сложных медицинских систем, а также в развитии теории и практики доказательной медицины.
Основные положения, выносимые на защиту.
1. Основным условием широкого применения многомерных методов математико-статистического анализа и моделирования сложных медицинских систем является наличие соответствующей инфраструктуры информатизации, включающей состав, структуру и уровень интерфейса пакетов прикладных программ по статистическому анализу результатов исследования и развитие технических средств информатизации.
2. Предложенная технология многомерного математико-статистического анализа и моделирования сложных медицинских систем может включать следующие методы: анализ соответствий для разведочного анализа, сжатия первичной информации, оптимизации группировок качественных признаков и изучения связи между ними; логлинейный, дискрими-нантный, логистический регрессионный анализ для построения моделей классификации; метод деревьев классификации, как альтернатива другим классификационным методам в случае их низкой эффективности; анализ выживаемости в моделировании данных времени пребывания объекта в интересующем исследователя состоянии, основными особенностями которых являются возможная неполнота данных и несоответствие их распределения нормальному закону; анализ временных рядов, возможности которого значительно расширены программными и техническими средствами информатизации; факторный анализ с целью вскрытия механизмов динамики биомедицинских явлений и др.
3. Разработанный универсальный алгоритм технологии многомерного математико-статистического анализа и моделирования сложных медицинских объектов обеспечивается решением следующих задач медицинских исследований: создание общей концепции моделирования; информационно-логическое моделирование на вербальном уровне; селекция математико-статистической модели; верификация модели; создание эксплуатационного прототипа модели; эксплуатация модели. Названные процедуры инвариантны цели, задачам исследования и характеру данных конкретной области медицины.
4. Общими критериями качества многомерных математико-статистических моделей сложных медицинских систем являются: статистическая значимость модели - не менее 95%; информационная или классификационная способность модели - не менее 70%; уровень значимости пре-диктных признаков, включенных в модель, не меньше 70%; соответствие распределения остатков (разности наблюдавшихся и прогнозируемых значений изучаемого признака) нормальному закону; допустимый уровень ошибок прогноза; возможность применения и интерпретации модели специалистом предметной области и массовой реализации модели.
Реализация работы.
Основные результаты исследования используются в учебной и научной работе кафедр и научных лабораторий ВМедА, в научной и практической работе Российского нейрохирургического института им.проф.А.Л.Поленова, НИИ детских инфекций, ЛОРНИИ. Они реализованы в методических рекомендациях «Прогнозирование ранних исходов тяжелой черепно-мозговой травмы» и ряде учебно-методических пособий: «Пакет прикладных программ STATGRAFICS на персональном компьютере», «Многомерные методы статистического анализа категорированных данных медицинских исследований», «Контрольные задания по применению вычислительной техники и ма-тематико-статистических методов для анализа результатов медицинских исследований», «Применение теории планирования эксперимента в медицинских исследованиях (включая персональный компьютер и пакет статистических программ Statistica for Windows)», «Математико-статистическая обработка данных медицинских исследований», Получены 2 приоритетные справки на изобретения.
Апробация работы.
Результаты исследования доложены: на Межвузовский конференции "Безопасность полетов и человеческий фактор", СПб, 1998; на Всеармейской научной конференции, посвященной 200-летию Военно-медицинской академии "Проблемы управления медицинской службой в вооруженных конфликтах и локальных войнах", СПб, 1998; на Всероссийской конференции "Медицинская информатика накануне 21 века", СПб, 1999; на Всероссийской конференции "Военная наука и образование городу", СПб, 1999; на Юбилейной научно-практической конференции "Военно-морская и радиационная гигиена: итоги, достижения и перспективы развития", СПб, ВМедА, 2000; на Международной научно-практической конференции «Актуальные проблемы коррекционной психологии, медицины, педагогики», СПб, 2001; на IV Международном симпозиуме "Современные минимально-инвазивные технологии", СПб, 2001; на научно-практической конференции с международным участием "Превенция и реабилитация в психологии, медицине и педагогике, СПб, 2002.
Заключение диссертационного исследования на тему "Многомерное математико-статистическое моделирование сложных медицинских систем"
выводы
1. Методология и технологические алгоритмы многомерного матема-тико-статистического анализа и моделирования сложных медицинских систем обеспечиваются современными техническими и программными средствами информатизации и такими многомерными математико-статистическими методами как: анализ соответствий, логлинейный анализ, логистическая регрессия, дискриминантный анализ, деревья классификации, анализ выживания, анализ динамических рядов и факторный анализ. Все это обеспечивает эффективное изучение и моделирование сложных медицинских систем специалистами, не имеющими основательной математической и технической подготовки.
2. Действенным инструментом решения технологических задач оптимизации группировок качественных признаков, сжатия первичной информации и изучения связи между ними является метод анализа соответствий, который содержит описательные и разведочные процедуры изучения структуры категорированных данных, представляемых в виде матрицы наблюдений или частотной таблицы.
3. Адекватными методами многомерного математико-статистического анализа и моделирования сложных медицинских систем, основной характеристикой состояния которых служит качественный признак, являются: дискриминантный анализ, если предиктные признаки количественные и качественные; логлинейный анализ - предиктные признаки только качественные на нескольких уровнях каждый; логистический регрессионный анализ - признак-отклик дихотомический и предиктные признаки качественные и количественные.
4. Обоснована высокая эффективность метода деревьев классификации как альтернативного многомерным математико-статистическим методам создания классификационных моделей (дискриминантному, логлинейному и логистическому регрессионному анализу). Основным преимуществом этого метода является то, что он, учитывая нелинейный характер связи предиктных и классификационного признаков и рекурсивно используя предиктные признаки, обеспечивает довольно высокую классификационную способность моделей прогноза. При этом решающее правило получается в виде весьма простого для использования линейного алгоритма дерева классификации.
5. Доказана высокая эффективность и адекватность процедур анализа выживаемости в изучении и моделировании процессов, основными особенностями которых являются: время пребывания объектов в интересующем исследователя состоянии; возможная неполнота данных из-за ухода части объектов из-под наблюдения; несоответствие распределения данных времени жизни статистической модели нормального закона, а конкретный вид распределения, как правило, неизвестен.
6. Выявлены новые возможности анализа и моделирования временных рядов медицинских процессов, включающие: построение горизонтальных диаграмм динамики, определение регрессии тренда, определение автокорреляционных функций и построение графиков автокорреляции, определение кросскорреляционных функций, построение периодограмм разложения сложной периодичности, определение подходящих моделей для описания динамики изучаемого процесса.
7. Выявлены новые возможности факторного анализа, позволяющие вскрывать механизмы динамики сложных медицинских процессов в ответ на внешние воздействия.
8. Обосновано, что математико-статистический анализ и моделирование представляют собой алгоритм технологического процесса, состоящий из последовательных процедур:
- общего изучения проблемы, уяснения цели, задач исследования и изучения характера и структуры данных;
- подбора технических и программных средств управления данными, визуализации некоторых соотношений и закономерностей, одномерного статистического анализа и многомерного математико-статистического моделирования;
- разведочного анализа данных, оценки их однородности, обнаружения выбросов, упорядочивания данных, группировки и статистического описания переменных, оценки закона их распределения;
- первичного сжатия информационного пространства исследования с помощью логической проверки данных, корреляционного анализа и анализа соответствий;
- построения многомерных математико-статистических моделей, объясняющих структуру данных и позволяющих предсказывать возможные значения признаков-откликов;
- вскрытия факторной структуры изучаемого явления.
9. Показано, что с помощью разработанных алгоритмов технологического процесса создания многомерных математико-статистических моделей сложных медицинских систем и процессов может быть достигнуто решение следующих задач исследования:
- оптимизация группировки качественных признаков и сжатие информационного пространства явления, описанного качественными признаками;
- определение клинических признаков, которые могут быть использованы для дифференциальной диагностики однородных или близких по характеру течения патологических процессов;
- определение качества связи исходов заболевания с различными симптомами и синдромами, а также со схемами и стандартами лечения;
- определение степени зависимости длительности лечения, реабилитации, восстановления физиологических и психофизиологических показателей от определяющих их признаков; вскрытие внутренней факторной структуры изучаемого медицинского объекта; создание математико-статистических моделей дифференциальной диагностики, вероятности наступления одного из двух альтернативных исходов, вероятности выживания к определенному времени, характера течения эпидемиологического процесса, факторной структуры, изучаемого явления и др.
10. Критериями качества математико-статистических моделей медицинских систем являются: статистическая значимость модели - не менее 95%; информационная или классификационная способность модели - не менее 70%; уровень значимости предиктных признаков, включенных в модель, не должен быть меньше 70%; распределение остатков (разности наблюдавшихся и прогнозируемых значений изучаемого признака) должно соответствовать нормальному закону; допустимый уровень ошибок прогноза; возможность применения и интерпретации модели специалистом предметной области и массовой реализации модели.
ЗАКЛЮЧЕНИЕ
Большинство медицинских систем обладают крайней сложностью, поэтому простые и легко поддающиеся исследованию математические модели таких систем представляют собой чрезвычайно грубые приближения. В то же время глубокие всеобъемлющие модели, выполненные математиками, могут демонстрировать не меньшую пригодность к эксплуатации из-за сложности их интерпретации специалистами предметной области, которые в такой модели видят только клубок формул. Тем не менее, наше мнение состоит в том, что любая математическая модель, если ее правильно понимать и правильно применять, имеет свое место в технологической цепочке научного поиска, точно такой же логический статус, как и любая другая научная гипотеза. Простые модели, отражающие немногие свойства реального процесса, важны тем, что они дают общее представление о процессе, тогда как для достижеI ния статистического соответствия с фактическими данными необходимы более сложные модели.
Преимущество многомерной математической модели состоит в том, что она дает довольно точное описание структуры исследуемого процесса и это позволяет осуществлять ее практическую проверку с помощью соответствующих физических, химических или биологических экспериментов, а также расширяет наши теоретические знания об изучаемом объекте. Уравнения модели создаются аналитическим путем, а уже подставляя в них различные значения рассматриваемых параметров мы автоматически получаем решение всех возможных вариантов задачи. Кроме того, сама по себе аналитическая форма решения может углубить наши знания, позволяя выразить наблюдаемые биологические закономерности в виде математических теорем. Наряду с этим в ходе выработки решающего правила в виде математической модели, зачастую рождаются новые предположения и выводы, которые становятся очевидными только при многомерной оценке изучаемого явления.
Наиболее адекватными методами многомерного математико-статистического моделирования, характеризующими и объясняющими данные медицинских исследований являются такие многомерные методы как: корреляционный, канонический корреляционный и регрессионный анализ, дисперсионный анализ, ковариационный анализ, анализ соответствия, логли-нейный анализ, метод логистической регрессии, анализ выживания, анализ деревьев классификации, дискриминантный анализ, анализ динамических рядов, кластерный и факторный анализы. Ближайшим резервом из арсенала средств математического аппарата является метод
К настоящему времени исследователь получил в свое распоряжение мощнейший инструмент по математико-статистич еской обработке данных в виде пакетов по статистической обработке данных. Речь идет не только и не столько об элементарной одномерной статистике, но, в первую очередь, о возможностя х многомерного анализа и многомерном математико-статистическом моделировании сложных стохастических систем, которыми и являются медицинские системы.
Наряду с применением адекватного математико-статистического метода анализа и моделирования важным моментом в ходе научного исследования являете я методически выверенный процесс создания матема-тико-статистическ ой модели. Независимо от характера модели и инструмента разработки, этот процесс можно представить в виде логически последовательных этапов с конкретными задачами соответствующего содержания на каждом. Специалисты предметной области за сравнительно короткий исторический промежуток времени еще не смогли выработать своих методов и подходов в технологии разработки таких моделей. Именно поэтому, считаем возможным и необходимым предложить свой алгоритм разработки математических моделей (рис. 11.1).
Рисунок 11.1 Этапы разработки математико-статистической модели и их
Список использованной литературы по медицине, диссертация 2005 года, Григорьев, Степан Григорьевич
1. Абдулкеримов, Х.Т. Автоматизированная стабилометрическая диагностика атаксий на основе современных компьютерных информационных технологий. Автореф. дис. д-ра мед. наук. Екатеринбург, 2002. -36 с.
2. Абдулкеримов, Х.Т. Автоматизированная стабилометрическая диагностика атаксий на основе современных компьютерных технологий / Х.Т.Абдулкеримов, В.И. Усачев, С.Г. Григорьев // Новости оториноларингологии и логопатологии. 2002. - №3 (31). - С. 7-11.
3. Адлер, Ю.П. Планирование эксперимента при поиске оптимальных условий: 2-е изд., перераб. и доп. / Ю.П.Адлер, Е.В.Маркова, Ю.В. Грановский М.: Наука, 1976. - 280 с.
4. Айвазян, С.А. Прикладная статистика: Исследование зависимостей / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин М.: Финансы и статистика, 1985.-487 с.
5. Айвазян, С.А. Классификация многомерных наблюдений / С.А.Айвазян, З.И.Бежаева, О.В.Староверов М.: Статистика, 1974. - 240 с.
6. Айвазян, С.А. Межстрановой анализ интегральных категорий качества жизни населения: (Эконометр. подход) / С.А. Айвазян. М.: ЦЭМИ, 2001.-61 с.
7. Айвазян, С.А. Основы моделирования и первичная обработка данных / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин М.: Финансы и статистика, 1983.-471 с.
8. Айвазян, С.А. Прикладная статистика и основы эконометрики / С.А. Айвазян, B.C. Мхитарян М.: ЮНИТИ, 1998. - 1022 с.
9. Айвазян, С.А. Прикладная статистика. Классификация и снижение размерности / С.А.Айвазян, В.М.Бухштабер, И.С.Енюков, Л.Д. Мешалкин -М.: Финансы и статистика, 1989. 606 с.
10. Актуальные проблемы математики. Математические модели современного естествознания: Межвуз. науч. сб. / М-во образования Рос. Федерации, Уфим. гос. авиац. техн. ун-т; Редкол.: Напалков В.В. (отв. ред.) и др.. Уфа: УГАТУ, 2002. - 184 с.
11. Амбарцумян, В.А. Вступительное слово / В.А. Амбарцумян // Вопр. философии. 1958. - №10. - С.24.
12. Аналитический обзор: Наркоситуация в Северо-западном федеральном округе РФ. СЗО ВНИИ МВД России. СПб., 2002.- 54с.
13. Андерсон, П. Пути решения проблем, связанных с употреблением алкоголя: Пер.с англ. / П.Андерсон. СПб.: МАЛО, 1995. - 182 с.
14. Андерсон, Т. Введение в многомерный статистический анализ / Пер. с англ. / Т. Андерсон. М.: Физматгиз, 1963. - 500 с.
15. Антомонов, Ю.Г. Моделирование биологических систем: Справочник / Ю.Г. Антомонов. Киев, 1977. - 260 с.
16. Аптон, Г. Анализ таблиц сопряженности: Пер. с англ. / Под ред. Ю.ПАдлера / Г. Аптон. М.: Финансы и статистика, 1982. - 143 с.
17. Афифи, А. Статистический анализ: Подход с использованием ЭВМ. Пер. с англ. / А. Афифи, С. Эйзен. М.: Мир, 1982. - 488 с.
18. Балантер, Б.И. Введение в математическое моделирование патологических процессов / Б.И. Балантер, М.А. Ханин, Д.С. Чернявский. М.: Медицина, 1980-263 с.
19. Бейли, Н. Математика в медицине и биологии: Пер. с англ. / Н. Бейли М.: Мир, 1970. - 326 с.
20. Беляев, Ю.К. Статистические методы обработки неполных данных о надежности изделий / Ю.К. Беляев. М.: Знание, 1987. - С. 3-55.
21. Березкин, Д.П. Изучение выживаемости и индивидуальный прогноз при злокачественных опухолях // Общая онкология / Под ред. Н.П. Напалкова / Д.П. Березкин. Л., 1989. - С. 608-632.
22. Березкин, Д.П. Индивидуальный прогноз у больных хорионкарци-номой матки / Д.П. Березкин, В.Е. Мокшин // Вопр. онкол. 1986. - №3. -С.27-32.
23. Березкин, Д.П. Оценка статистической достоверности показателей выживаемости онкологических больных / Д.П. Березкин, В.Н. Филатов // Вопр. онкол. 1985. - №4. - С. 12-15.
24. Березкин, Д.П. Расчет показателя относительной выживаемости и медианы наблюдаемой выживаемости онкологических больных / Д.П. Березкин // Вопр. онкол. 1985. - №2. - С.13-16.
25. Благуш, П. Факторный анализ с обобщениями / П. Благуш. М: Финансы и статистика, 1989. - 248 с.
26. Бодунов, H.A. Математические модели в естествознании: Учеб. пособие / H.A. Бодунов, С.Ю. Пилюгин; С.-Петерб. гос. электротехн. ун-т. -СПб.: ТЭТУ, 1997. 51 с.
27. Бокс, Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. М.: Мир, 1974. - 406 с.
28. Боровиков, В.П. Statistica. Статистический анализ и обработка данных в среде Windows / В.П.Боровиков, И.П.Боровиков. М.: Инф. издат. дом «Филинъ», 1997. - 608 с.
29. Боровиков, В.П. STATISTICA: искусство анализа данных на компьютере. Для профессионалов / В.П.Боровиков. СПб.: Питер, 2001. - 665 с.
30. Боровиков, В.П. Программа STATISTICA для студентов и инженеров. 2-е изд. / В.П. Боровиков. - М.: КомпьютерПресс, 2001. - 301 с.
31. Боровиков, В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows / В.П.Боровиков, Г.И.Ивченко. М.: Финансы и статистика, 2000.
32. Боровков, A.A. Математическая статистика / A.A. Боровков. Новосибирск: Наука. Сиб. предприятие РАН: Изд-во Ин-та математики, 1997. -771 с.
33. Браунли, К.А. Статистическая теория и методология в науке и технике / К.А.Браунли. М.: Наука, 1997. - 407 с.
34. Бриллинджер, Д. Временные ряды // Пер. с англ. / Д. Бриллил-линджер. М.: Финансы и статистика, 1981. - 536 с.
35. Брыскин, В.В. Математические модели планирования военных систем / В.В. Брыскин. Новосибирск: Изд-во Ин-та математики, 1999. - 231 с.
36. Бубнов, В.П. Методическое пособие по математическому планированию научного эксперимента / В.П.Бубнов, Е.В.Чурносов. Л., 1986. - 52 с.
37. Бусленко, Н.П. Моделирование сложных систем / Н.П.Бусленко. -М.: Наука, 1978.-215 с.
38. Бухштабер, В.М. Конструирование интерактивных систем анализа данных / В.М.Бухштабер, Е.А.Зеленюк, А.А.Зубенко. М.: Финансы и статистика, 1989.- 117 с.
39. Бююль, Ахим. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей: Пер. с нем. / Ахим Бююль, Петер Цефель. СПб.: ООО «ДиаСофтЮП», 2002. - 608 с.
40. Вайнберг, Дж. Статистика: Пер. с нем. / Дж. Вайнберг, Дж. Шуме-кер. М.: Статистика, 1979. - 389 с.
41. Вайну, Я.Я.-Ф. Корреляция рядов динамики / Я.Я.-Ф. Вайну. М.: Статистика. - 1977. - 119 с.
42. Векслер, Л.С. Статистический анализ на персональном компьютере / Л.С. Векслер // Мир ПК. 1992. - №2.
43. Владимирский, В.М. Математические методы в биологии / В.М. Владимирский; Ростов-на-Дону. Изд-во Рост.ун-та. 1983.
44. Власов, В.В. Введение в доказательную медицину / В.В. Власов. -М.: МедиаСфера, 2001.
45. Власов, В.В. Система учета и анализа контролируемых клинических исследований (Кокрановское Сотрудничество) /В.В. Власов // Кардиология. 1998. - №7. - С.51-53.
46. Вучков, И. Прикладной линейный регрессионный анализ // Пер. с болг. / И. Вучков, JI. Бояджиева, Е. Солаков. М.: Финансы и статистика, 1987.-238 с.
47. Гаврилов, JI.A. Биология продолжительности жизни: количественные аспекты / JI.A. Гаврилов, Н.С. Гаврилова. М.: Наука, 1986. - 168 с.
48. Гельфанд, И.М. Структурная организация данных в задачах медицинской диагностики и прогнозирования / И.М. Гельфанд, Б.И. Розенфельд, М.А. Шифрин. М.: Наука, 1989. - 270 с.
49. Гельфанд, И.М. Очерки о совместной работе математиков и врачей / И.М.Гельфанд, Б.И.Розенфельд, М.А.Шифрин. М.: Наука, 1989. - 270 с.
50. Гельфанд, И.М. Структурные единицы в задаче прогноза исхода трансмурального инфаркта / И.М. Гельфанд, M.JI. Извекова, Е.И. Каспарова, АЛ. Сыркин. М.: Б.и., 1992. 43 с.
51. Генкин, A.A. Новая информационная технология анализа медицинских данных (программный комплекс ОМИС) / A.A. Генкин. СПб.: Политехника, 1999. - 191 с.
52. Генкин, A.A. Статистический метод диады средних / A.A. Генкин, B.JI. Эмануэль // Клин.лаб.дигн. 1994. - №3. - С.44-48.
53. Герасевич, В.А. Самоучитель. Компьютер для врача / В.А.Герасевич. СПб.: БХВ-Петербург, 2000. - 640 с.
54. Глазьев, С.Ю. Справка Комитета по экономической политике Государственной Думы Российской Федерации о борьбе с алкоголизмом в России / С.Ю.Глазьев // Исцеление словом. 1995. - Вып. 2. - С.84-90.
55. Гланц, С. Медико-биологическая статистика / С. Гланц. М., Практика, 1998.-459 с.
56. Григорьев, Г.И. Результаты изучения личностных особенностей героиновых наркоманов по методике «HAND-ТЕСТ» / Григорьев Г.И., А.С.Гусев, О.С.Карева, Н.В.Князева и др. // Вестник психотерапии. 2001. -№.13. - С.79-90.
57. Григорьев, С.Г. Анализ соответствий. Многомерные методы статистического анализа категорированных данных медицинских исследований / С.Г. Григорьев, В Л Юнкеров, НБ. Клименко // Уч. пособие. ВМедА. СПб, 2001. - С.78-98.
58. Григорьев, С .Г. Логистическая регрессия. Многомерные методы статистического анализа категорированных данных медицинских исследований / С.Г. Григорьев, В.И. Юнкеров, Н.Б. Клименко // Уч. пособие. ВМедА. -СПб, 2001.-С.10-21.
59. Григорьев, С.Г. Пакет прикладных программ STATGRAFICS на персональном компьютере / С.Г. Григорьев, A.M. Перфилов, В.В. Левандов-ский, В .И. Юнкеров. СПб.: Б.и., 1992. - 104 с.
60. Гроссман, С. Математика для биологов // Пер. с англ.; Под ред. Ю.М.Свирежева/ С. Гроссман, Дж. Тернер. М.: Высш.шк., 1983. - 383 с
61. Гублер, Е.В. Вычислительные методы анализа и распознавания патологических процессов / Е.В. Гублер. Л.: Медицина, 1978. - 296 с.
62. Гублер, Е.В. Вычислительные методы распознавания патологических процессов / Е.В. Гублер. JL: Медицина, 1970. - 319 с.
63. Гублер, Е.В. Информатика в патологии, клинической медицине и педиатрии / Е.В. Гублер. JL: Медицина, 1990. - 175 с.
64. Гублер, Е.В. Основы клинической информатики и ее применение при угрожающих состояниях у детей. Учебное пособие / Е.В. Гублер. JL: Изд. отдел ЛПМИ, 1989. - 80 с.
65. Гуревич, В.Л. Методология решения задач медицинской диагностики с применением математических методов и ЭВМ / B.JI. Гуревич // Математическое моделирование медицинских и биологических систем. -Свердловск: УрО АН СССР, 1988. С.32 - 41.
66. Девятченко, Л.Д. Признаки классификации. Введение в дискрими-нантный анализ: Учеб. пособие. / Л. Д. Девятченко; М-во образования Рос. Федерации, Магнитог. гос. техн. ун-т им. Г.И. Носова. Магнитогорск: МГТУ, 2001.- 127 с.
67. Дейвисон, М. Многомерное шкалирование: Методы наглядного представления данных / М. Дейвисон. М.: Финансы и статистика, 1987.
68. Демиденко, Е.З. Линейная и нелинейная регрессия / Е.З. Демиден-ко. М.: Финансы и статистика, 1981. - 304 с.
69. Дженкинс, Г. Спектральный анализ и его приложения / Пер. с англ. / Г. Дженкинс, Д. Уаттс. М.: Мир, 1971. - 316 с.
70. Джонсон, Н. Статистика и планирование эксперимента в технике и науке. Т. 1. Методы обработки данных / Пер. с англ. / Н. Джонсон, Ф.Лион. -М.: Мир, 1980.-610 с.
71. Доскин, В.А. Тест дифференцированной самооценки функционального состояния / В.А. Доскин, Н.А. Лаврентьева, М.Н. Мирошников // Вопросы психологии. 1973.- N 6.- С.76-83.
72. Драймз, Ф. Распределенные лаги. Проблемы выбора и оценивания модели /Пер. с англ. / Ф. Драймз М.: Финансы и статистика, 1982. - 383 с.
73. Дрейпер, Н. Прикладной регрессионный анализ / Пер. с англ. 2-е изд., перераб. и доп. / Н. Дрейпер, Г. Смит. - М.: Финансы и статистика, 1986.-366 с.
74. Дубров, A.M. Многомерные статистические методы / A.M. Дубров, B.C. Мхитарян, Л.И. Трошин. М.: Финансы и статистика, 1998. - 352 с.
75. Дюк, В.А. Обработка данных на ПК в примерах / В.А. Дюк. СПб.: Питер, 1997.-240 с.
76. Дюк, В.А. Эволюция STATGRAPHICS / В.А. Дюк, А.И. Мирошни-ков // Мир ПК. 1995. - №12.
77. Егоров, В.Ф. О работе органов и учреждений здравоохранения по организации наркологической помощи населению / В.Ф. Егоров // Вопросы наркологии. 1988. - № 1. - С.12-14.
78. Елисеева, И.И. Группировка, корреляция, распознавание образов: (Статистические методы классификации и измерения связей) / И.И. Елисеева, В.О. Рукавишников. М.: Статистика, 1977. - 143 с.
79. Елисеева, И.И. Логика прикладного статистического анализа / И.И. Елисеева, В.О. Рукавишников. М.: Финансы и статистика, 1982. - 192 с.
80. Елисеева, И.И. Статистические методы измерения связей / И.И. Елисеева. Л.: Изд-во Ленинградского университета, 1982. - 136 с.
81. Енюков, И.С. Методы, алгоритмы, программы многомерного статистического анализа (пакет 111 1С А) / И.С. Енюков. М.: Финансы и статистика, 1986.-232 с.
82. Ермаков, С.П. Моделирование процессов воспроизводства здоровья населения: Научный обзор / С.П. Ермаков. М.: Изд-во ВНИИМИ, 1983. -69 с.
83. Ермаков, С.П. Первичная статистическая обработка данных по выживаемости организмов / С.П. Ермаков, Н.С. Гаврилова // Популяционная геронтология. М: ВИНИТИ, 1987. - С.230-276.
84. Зайцев, В.М. Прикладная медицинская статистика / В.М. Зайцев, В.Г. Лифляндский. СПб.: СПбГМА им.И.И.Мечникова, 2000. - 299 с.
85. Зайцев, Г.Н. Математическая статистика в экспериментальной ботанике / Г.Н. Зайцев. М.: Наука, 1984. - 424 с.
86. Зиятдинов, H.H. Система Statistica для Windows / H.H. Зиятдинов, A.A. Новиков, Л.А. Смирнова; М-во общ. и проф. образования Рос. Федерации, Каз. гос. технол. ун-т. Казань: Изд-во Каз. гос. технол. ун-та, 1998. - 61 с.
87. Иберла, К. Факторный анализ // Пер. с нем. / К. Иберла. М.: Статистика, 1980. - 398 с.
88. Иванилов, Ю.П. Математические модели в экономике / Ю.П. Ива-нилов, A.B. Лотов. М.: Наука, 1979. - 119 с.
89. Информатика в статистике: Словарь-справочник. М.: Финансы и статистика, 1994. -208 с.
90. Кант, В.И. Математические методы и моделирование в здравоохранении / В.И. Кант. М.: Медицина, 1987. - 224 с.
91. Кадыров, X.K. Синтез математических моделей биологических и медицинских систем / Х.К. Кадыров, Ю.Г. Антомонов. Киев: Наук, думка, 1974.-с.
92. Касьянов. С. Энциклопедия психологических тестов / С. Касьянов. М., 2000. - 486 с.
93. Кендалл, М. Временные ряды / М. Кендалл. М.: Финансы и статистика, 1981. -199 с.
94. Кендалл, М. Многомерный статистический анализ и временные ряды / М. Кендалл, А. Стюарт. М.: Наука, 1976. - 736 с.
95. Кендалл, М. Ранговые корреляции: Пер. с англ. / М. Кендалл. -М.: Статистика, 1975. 216 с.
96. Кендалл, М. Статистические выводы и связи: Пер. с англ. / М. Кендалл. М.: Наука, 1973. - 900 с.
97. Кендалл, М. Теория распределений: Пер. с англ. / М. Кендалл. -М.: Наука, 1966. 656 с.
98. Кильдишев, Г.С. Анализ временных рядов и прогнозирование / Г.С. Кильдишев, A.A. Френкель. М.: Статистика, 1973. - 103 с.
99. Кильдишев, Г.С. Многомерные группировки / Г.С. Кильдишев, Ю.И. Аболенцев.-М.: Статистика, 1978. 160 с.
100. Кильдишев, Г.С. Статистический анализ рядов динамики / Г.С. Кильдишев, P.A. Шмойлова. М.: МИСИ, 1980. -116 с.
101. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ: Пер. с англ. / Дж.-О. Ким, Ч.У. Мьюллер, У.Р Клекка и др.- М.: Финансы и статистика, 1989. 215 с.
102. Кимбл, Г. Как правильно пользоваться статистикой / Г. Кимбл. -М.: Финансы и статистика, 1982. 294 с.
103. Клименко, Н.Б. Анализ функции "времени жизни" в прогнозировании исходов тяжелой черепно-мозговой травмы / Н.Б. Клименко, Р.Д. Касумов,
104. С.Г. Григорьев // Материалы IV Международного симпозиума "Современные минимально-инвазивные технологии". СПб, 2001. - С.414-416.
105. Клименко, Н.Б. Поэтапное прогнозирование ранних исходов лечения тяжелой черепно-мозговой травмы: Автореф. дис. . д-ра мед. наук. -СПб, 2001.-38 с.
106. Клименко, Н.Б. Прогноз исходов тяжелой черепно-мозговой травмы / Н.Б. Клименко // Журнал «Нейрохирургия».- 2001.- №2.- С.20-23.
107. Клименко, Н.Б. Прогнозирование ранних исходов тяжелой черепно-мозговой травмы на первом этапе оказания медицинской помощи / Н.Б. Клименко, Р.Д. Касумов, С.Г. Григорьев // Журнал "Медицина катастроф". -2000. № 4. - С.80-82.
108. Клименко, Н.Б. Прогнозирование ранних исходов тяжелой черепно-мозговой травмы / Н.Б. Клименко, Р.Д. Касумов, С.Г. Григорьев // Методические рекомендации. СПб, 2001. - 8 с.
109. Клюжев, В.М. О возможностях прогнозирования в кардиохирургии: опыт применения дискриминантного линейного анализа / В.М. Клюжев,
110. B.Н. Ардашев, A.A. Михеев и др. // Воен.-мед.журн. 2001. - Т.321, №1.1. C.13-20.
111. Когаловский, М.Р. Технология баз данных на персональных ЭВМ / М.Р. Когаловский. М.: Финансы и статистика, 1992. - 224 с.
112. Кокс, Д.Р. Анализ данных типа времени жизни: Пер. с англ. / Д.Р. Кокс, Д. Oyкс. М.: Финансы и статистика, 1988.-191 с.
113. Комаров, Ю.М. Введение в курс математической статистики в медицине и биологии: (Обзор истории, методов и методик) / Комаров Ю.М.,
114. Медик В.А.; Науч.-производ. объед. "Медсоцэкономинформ" Минздрава Рос. Федерации, Новгород, гос. ун-т им. Ярослава Мудрого. Новгород: Б.и., 1997.- 190 с.
115. Компьютерная биометрия: пакет CSS 3.1 / Под ред. В.Р.Лядова. -СПб.: Фонд «Инициатива», 1997. 155 с.
116. Костевич, Л.С. Теория игр. Исследование операций / Л.С. Косте-вич, A.A. Лапко. Минск: Вышейшая школа, 1982. - 230 с.
117. Кошкина, Е.А. Показатели потребления психоактивных веществ подростками в Санкт-Петербурге в 1989-94 гг. / Е.А. Кошкина, Г.А. Корчагина // Вопросы наркологии. 1996. - № 2. - С.60-64.
118. Краснощекое, П.С. Принципы построения моделей / П.С.Краснощеков, А.А.Петров. 2-е изд., пересмотр, и доп. - М.: ФАЗИС: ВЦ РАН, 2000.-411 с.
119. Крастынь, О.П. Изучение статистических зависимостей по многолетним данным / О.П. Крастынь. М.: Финансы и статистика, 1981. - 136 с.
120. Краткий отборочный тест. // Методические рекомендации. М.: Методический центр МВД РФ, 1997. - 31 с.
121. Крисевич, B.C. Экспертные системы для персональных компьютеров: методы, средства, реализации. Справ, пособие / B.C. Крисевич, Л.А. Кузьмич, A.M. Шиф и др. Минск: Вышейшая школа, 1990. - 197 с.
122. Кубрин, С.С. Математические модели и методы информационно-аналитических систем / С.С. Кубрин. М.: Энергоатомиздат, 2002. - 131 с.
123. Кулаичев, А.П. Пакеты для анализа данных / А.П. Кулаичев // Мир ПК. 1995, №1.
124. Кулаичев, А.П. Средства и программные системы анализа данных / А.П. Кулаичев // Мир ПК. 1994. №10.
125. Курбатова, Т.Н. Проективная методика исследования личности "Hand-test". Руководство по использованию / Т.Н. Курбатова, О.И. Муляр. -СПб.:ГП "Иматон", 1996. 56с.
126. Курицкий, Б.Я. Поиск оптимальных решений средствами Excel 7.0 / Б .Я. Курицкий. СПб.: БХВ - Санкт-Петербург, 1997. - 384 с.
127. Лакин, Г.Ф. Биометрия. 4-е изд., перераб. и доп. / Г.Ф. Лакин. -М.: Высш. шк., 1990. - 325 с.
128. Лапач, С.Н. Статистические методы в медико-биологических исследованиях с использованием Excel / С.Н. Лапач, A.B. Чубенко, П.Н. Бабич. К.: МОРИОН, 2000. - 320 с.
129. Лаплас, П. Опыт философии теории вероятностей / П. Лаплас. -М.: 1908.-207 с.
130. Леонов, В.П. Об использовании прикладной статистики при подготовке диссертационных работ по медицинским и биологическим специальностям / В.П. Леонов, П.В. Ижевский // Бюлл. ВАК РФ. 1997. - С.56-61.
131. Леонов, В.П. Применение статистики в медицине и биологии: анализ публикаций 1990 1997 гг. / В.П. Леонов, П.В. Ижевский // Сибирский мед. журнал. 1997. - №3 - 4. - С64 - 74.
132. Лисенков. А.Н. Математические методы планирования многофакторных медико-биологических экспериментов / А.Н. Лисенков. М.: Медицина, 1979. - 342 с.
133. Лисицин, Ю.П. Детерминационная теория медицины: Доктрина адаптивного реагирования / Ю.П. Лисицин, В.П. Петленко. СПб: Гиппократ, 1992.-416 с.
134. Лисицын, Ю.П. Алкоголизм: (Медико-социальные аспекты) / Ю.П. Лисицын, П.И. Сидоров. М.: Медицина, 1990. -526 с.
135. Лоскутова, Т.Д. Время реакции как психофизиологический метод оценки функционального состояния ЦНС / Т.Д. Лоскутова // Нейрофизиологические исследования в экспертизе трудоспособности. Л.: Мед., 1978. -С.120-130.
136. Лоули, Д. Факторный анализ как статистический метод / Д. Ло-ули, А. Максвелл. М.: Мир, 1967. - 144 с.
137. Лучшие психологические тесты для профотбора и профориентации. Петрозаводск: Петроком, 1992. - 318 с.
138. Люшер, М. Сигналы личности / М. Люшер. Воронеж, 1995.173 с.
139. Майоров, В.В. Математические модели в естествознании: Учеб. пособие / В.В. Майоров, Н.С. Лагутина; М-во образования Рос. Федерации, Яросл. гос. ун-т им. П.Г. Демидова. Ярославль: ЯрГУ, 2000. - 71 с.
140. Макаров, A.A. STADIA против STATGRAPHICS, или Кто ваш лоцман в море статистических данных / A.A. Макаров // Мир ПК. 1992., №3.
141. Максимов, А.Г. Доказательная медицина и здравоохранение / А.Г. Максимов, Т.Г. Максимова, Г.К. Максимов. СПб.: Изд-во СПбГУЭФ, 2001.-159 с.
142. Максимов, А.Г. Доказательная медицина и общественное здоровье / А.Г. Максимов, Т.Г. Максимова, Г.К. Максимов. СПб.: Изд-во СПбГУЭФ, 2001.-159 с.
143. Максимов, Г.К. Методологические основы формирования учебной и научной дисциплины «Автоматизация управления медицинской службой» / Г.К. Максимов // Военно-медицинский журнал. 1992. - №7. - С. 12-17
144. Максимов, Г.К. Статистическое моделирование многомерных систем в медицине / Г.К. Максимов, А.Н. Синицын. Л.: Медицина, 1983. -144 с.
145. Максимова, Т.Г. Логистика медико-социальных систем в чрезвычайных ситуациях / Т.Г. Максимова. СПб.: Изд-во СПбГУЭФ, 2000. - 275 с.
146. Марчук, Г.И. Математические модели в иммунологии / Г.И. Марчук. М.: Наука, 1991.-299 с.
147. Математико-статистические методы в клинической практике / Под ред. В .И. Кувакина. СПб.: Б.и, 1993.- 199 с.
148. Математико-статистический анализ в социально-экономических исследованиях: Сб. науч. тр. / М-во образования Рос. Федерации, Мое. гос. ун-т экон., статистики и информатики; Редкол.: В. С. Мхитарян (гл. ред.) и др.. М.: Изд-во МЭСИ, 2001. - 143 с.
149. Математическая энциклопедия: Гл.ред. И.М. Виноградов, т.5 Слу -Я. М.: Советская Энциклопедия, 1984. - 1248 стб.
150. Математические методы анализа и интерпретации социологических данных. М.: Наука, 1989. - 175 с.
151. Математические модели в информатике: Сб. ст. / Науч. ред.: чл.-кор. РАН С.С. Гончаров. Новосибирск: ИМ, 2002. - 188 с.
152. Математические модели в экономике и биологии: Материалы науч. семинара, Планерное, Моск. обл., 24-26 янв. 2003 г. / Сост. А.И. Смирнов. М.: Макс Пресс, 2003. - 108 с.
153. Математические модели и методы анализа медико-биологических данных: Сб. науч. тр. / АН СССР. Отд. вычисл. математики; Под ред. С.М. Зуева. М.: ВИНИТИ, 1990. - 114 с
154. Математические модели исторических процессов: Сб. ст. / Ас-соц. "История и компьютер". Лаб. ист. информатики ист. фак. МГУ им. М.В. Ломоносова; Отв. ред. Л.И. Бородкин. М.: Б. и., 1996. - 251 с.
155. Математический энциклопедический словарь. М.: Сов. энциклопедия, 1988. - 847 с.
156. Математическое моделирование в акушерстве и гинекологии: Сб. науч. тр. / Донец, мед. ин-т. Каф. акушерства и гинекологии ФУВ; Под ред. В.К. Чайки, И.А. Могилевкиной. Донецк: Здоровья, 1994. - 102 с.
157. Математическое моделирование в биологии и химии. Новые подходы: Сб. науч. тр. / Рос. акад. наук. Сиб. отд-ние. Ин-т биофизики; Отв. ред. Р.Г. Хлебопрос. Новосибирск: Наука. Сиб. отд-ние, 1992. - 219 с.
158. Математическое моделирование в теоретической и практической медицине: Сб. науч.раб. / Под ред. М.В. Угловой, Г.П. Котельникова. Самара: СГМУ, 1994.-109 с.
159. Математическое моделирование и статистический анализ временных рядов: Сб. науч. работ / М-во образования Респ. Беларусь. Белорус, гос. ун-т. ВЦ; Под ред. к. ф.-м. н., доц. Труша H.H. и к. ф.-м. н., доц. Вакуль-чика П.А. -Минск: Б. и., 1993. 120 с.
160. Математическое моделирование функций почек при патологических состояниях: Метод, указания / С.-Петерб. гос. ун-т; Сост. И.Г. Клевцов и др.. СПб.: Б. и., 1996. - 47 с.
161. Матус, П.П. Математическое моделирование в биологии и медицине: Аннотац. справ. / П.П. Матус, Г.П. Рычагов. Минск: Беларус. навука, 1997. - 207 с.
162. Медик, В.А. Математическая статистика в медицине и биологии / В.А. Медик, М.С.Токмачев; Новгород, гос. ун-т им. Ярослава Мудрого. -Новгород: Б.и., 1998. 242 с.
163. Медик, В.А. Статистика в медицине и биологии: Руководство. В 2-х томах / Под ред. Ю.М. Комарова. Т.1. Теоретическая статистика / В.А. Медик, М.С. Токмачев, Б.Б.Фишман. М.: Медицина, 2000. 412 с.
164. Медик, В.А. Статистика в медицине и биологии: Руководство. В 2-х томах / Под ред. Ю.М. Комарова. Т.2. Прикладная статистика здоровья / В.А. Медик, М.С. Токмачев, Б.Б.Фишман. М.: Медицина, 2001. 352 с.
165. Мерков, A.M. Санитарная статистика (пособие для врачей) A.M. Мерков, JI.E. Поляков. - М.: Медицина, 1974. - 384 с.
166. Мерлин, B.C. Очерк интегрального исследования индивидуальности / B.C. Мерлин. М.: Просвещение, 1986. - 253с.
167. Мерлин, B.C. Проблемы экспериментальной психологии / B.C. Мерлин. Пермь: Перм. гос. пед. ин-т, 1979. - 294 с.
168. Мизерас, C.B. Кризисно-реабилитационная психологическая помощь при героиновой наркомании на основе метода эмоционально-эстетической психотерапии. Автореф. дис. канд. психол. наук. СПб, 2002.-25 с.
169. Мизерене, Р.В. Оценка и прогноз длительности ремиссии при лечении алкоголизма методом эмоционально-эстетической психотерапии. Автореф. дис. канд. мед. наук. СПб, 2000. -24 с.
170. Минцер, О.П. Клиническое прогнозирование / О.П. Минцер, Ю.Т. Цуканов. Киев: Здоров"я, 1983.-144 с.
171. Миркин, Б.Г. Группировка в социально-экономических исследованиях: Методы построения и анализа / Б.Г. Миркин. М.: Финансы и статистика, 1985. - 223 с.
172. Моделирование сложных систем: Темат. сб. / Твер. гос. ун-т и др.; Редкол.: проф. Цветков В.Щотв. ред.). Тверь: ТвГУ, 2000. - 196 с.
173. Моделирование. Теория, методы и средства: Материалы между-нар. науч.-практ. конф., 11 апр. 2001 г., г. Новочеркасск: В 8 ч. / Редкол.: Горбатенко Н.И. (отв. ред.) и др.. Новочеркасск: ЮРГТУ (НПИ), 2001.
174. Моисеев, H.H. Математические модели экономической науки / H.H. Моисеев. М.: Знание, 1973. - 234 с.
175. Моисеев, H.H. Человек, среда, общество / H.H. Моисеев. М.: Наука, 1982.-240 с.
176. Мостеллер, Ф. Анализ данных и регрессия. В 2-х вып. Вып.2 / Пер. с англ. под ред. Ю.П. Адлера / Ф. Мостеллер, Дж. Тьюкки. М.: Финансы и статистика, 1982. - 239 с.
177. Налимов, B.B. Теория эксперимента / B.B. Налимов. M.: Наука, 1971.-208 с.
178. Напалков, Н.П. Принципы и методы изучения выживаемости онкологических больных / Н.П. Напалков, Д.П. Березкин // Ворп. онкол. 1982. - №8.-С.10-13.
179. Нейронные сети. STATISTICA Ntural Networks: Пер с англ. — М.: Горячая линия Телеком, 2001. - 182 с.
180. Нелинейные дифференциальные уравнения в экологии и медицине: Сб. ст.. Вильнюс: Ин-т математики и кибернетики, 1989. - 183 с.
181. Немцов, A.B. Математическое обеспечение исследований в психиатрии / A.B. Немцов, H.A. Зорин // Вопросы психиатрии. 1996. - Т.96. -С.94-100.
182. Немчинов, B.C. Экономико-математические методы и модели / B.C. Немчинов. Избр. соч. т. 3. М.: Наука, 1967. - 347 с.
183. Николаевич, М.С. Методическое пособие по применению пакета статистических программ CSS/pc в военно-медицинских исследованиях. Часть I / М.С. Николаевич, A.C. Кобзев, В.И. Юнкеров. СПб, 1993. - 193 с.
184. Новиков, B.C. Физиология экстремальных состояний / B.C. Новиков, В.В. Горанчук, Е.Б. Шустов. СПб.: Наука, 1998. - 244с.
185. Окунь, Я. Факторный анализ // Пер. с польск. / Я. Окунь. М.: Статистика, 1974. - 200 с.
186. Пайнс, Э. Практикум по социальной психологии / Э. Пайнс, К. Маслач. СПб., 2000. - 522 с.
187. Песаран, М. Динамическая регрессия: теория и алгоритмы / Пер. с англ. / М. Песаран, JI. Слейтер М.: Финансы и статистика, 1984. - 310 с.
188. Петрович, M.JI. Регрессионный анализ и его математическое обеспечение на ЕС ЭВМ / M.JI. Петрович. М.: Финансы и статистика, 1982. - 200 с.
189. Плюта, В. Сравнительный многомерный анализ в эконометриче-ском моделировании: Пер. с польск. / В. Плюта. М.: Финансы и статистика, 1989.-175 с.
190. Поллард, Дж. Справочник по вычислительным методам статистики // Пер. с англ. / Дж. Поллард. М.: Финансы и статистика, 1982. - 344 с.
191. Попов, Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ / Э.В. Попов. М.: Наука, 1987. - 288 с.
192. Поппер, К. Логика и рост научного знания / Пер с англ. / К. Поп-пер. М.: Прогресс, 1983. - 605 с.
193. Прасолов, A.B. Математические модели динамики в экономике / А.В.Прасолов; М-во образования Рос. Федерации. СПб.: Изд-во СПбГУЭФ, 2000. - 247 с.
194. Реброва, О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA / О.Ю. Реброва. -М.: МедиаСфера, 2002. 312 с.
195. Романов, М.Ф., Математические модели в экологии: Учеб. пособие / М.Ф. Романов, М.П. Федоров. 2-е изд., испр. и доп. - СПб.: Иван Федоров, 2003. - 239 с.
196. Рунион, Р. Справочник по непараметрической статистике. Пер с англ. / Р. Рунион. М.: Финансы и статистика, 1982. - 198 с.
197. Рыбников, В.Ю. Автоматизированная система "Оперативный контроль состояния" / В.Ю. Рыбников, Д.А. Завалишин СПб.: НИЦЯБП, 1998.-30с.
198. Рыбников, В.Ю. Психологическое прогнозирование надежности деятельности специалистов экстремального профиля / В.Ю. Рыбников. -Дисс. докт. психол.н. СПб.,2001. - 427с.
199. Секей, Т. Парадоксы в теории вероятностей и математической статистике / Т. Секей. М.: Мир, 1990. - 240 с.
200. Сепетлиев, Д. Статистические методы в научных медицинских исследованиях // Пер. с болг. / Д. Сепетлиев. М.: Медицина, 1968. - 419 с.
201. Сережина, В.Г. Обзор современных статистических пакетов / В.Г. Сережина // Статистические методы в клинических испытаниях: Сб.статей / Под ред. A.A. Жиглявского, В.В. Некруткина. СПб.: Издательство С.-Петербургского университета, 1999. С. 90-101.
202. Соколова, Е.Т. Проективные методы исследования личности / Е.Т. Соколова. М.: МГУ, 1980. - 174 с.
203. Справочник по прикладной статистике. Т.2, / Под ред. Э. Ллойда, У. Ледермана, С.А. Айвазяна, Ю.Н. Тюрина. М.: Финансы и статистика, 1990.-526 с.
204. Спрент, П. Как обращаться с цифрами, или статистика в действии / Пер. с англ. / П. Спрент. Мн.: Высш.шк., 1983. - 271 с.
205. Статистические методы в клинических испытаниях: Сб.статей / Под ред. A.A. Жиглявского, В.В. Некруткина. СПб.: Издательство С.-Петербургского университета, 1999. - 344 е.
206. Статистические методы для ЭВМ / Под ред. К. Энслейна, Э. Зэл-стона, Г.С. Уилфа: Пер. с англ. М.: Наука. Гл.ред.физ.-мат.лит., 1986. - 464 с.
207. Статистические методы исследования в медицине и здравоохранении / Под ред. Л.Е. Полякова. Л.: Медицина, 1971. - 110 с.
208. Статистический словарь / Гл. ред. М.А. Королев. 2-е изд., пере-раб. и доп. - М.: Финансы и статистика. - 1989. - 623 с.
209. Торопов, Д.Е. Эпидемиологическая характеристика острых вирусных гепатитов в Самарской области. Автореферат на соиск. уч. ст. канд. мед. наук. СПб, 1997. - 24 с.
210. Трофимов, В.П. Логическая структура статистических моделей / В.П. Трофимов. М.: Финансы и статистика, 1985. - 191 с.
211. Тьюки, Д.У. Анализ данных, вычисление на ЭВМ и математика / Д.У. Тьюки // Современные проблемы математики. М., 1977. С.41-64.
212. Тюрин, Ю.Н. Анализ данных на компьютере / Ю.Н. Тюрин, A.A. Макаров. М.: Финансы и статистика: ИНФРА-М, 1995. - 384 с.
213. Урбах, В.Ю. Статистический анализ в биологических и медицинских исследованиях / В.Ю. Урбах. М.: Медицина, 1975. - 295 с.
214. Урланис, Б.Ц. Общая теория статистики / Б.Ц. Урланис. М.: Госстатиздад, 1962. - 495 с.
215. Уродовских, В.Н. Многомерные методы анализа в психологии: Учеб. пособие / В.Н. Уродовских; М-во образования Рос. Федерации, Липец, гос. техн. ун-т. Липецк: ЛГТУ, 2002. - 78 с.
216. Фейгин, В.Л. Основы мета-анализа: теория и практика / В.Л. Фейгин // Межд. журн. мед. практ. 1999. - №7. - С.7-13
217. Ферстер, Э. Методы корреляционного и регрессионного анализа: Руководство для экономистов: Пер. с нем. / Э. Ферстер, Б. Ренц. — М.: Финансы и статистика, 1983. 302 с.
218. Филатов, В.Н. Принципы и методы изучения выживаемости как критерия эффективности лечения больных злокачественными новообразованиями // Дисс. докт. мед.н. Л., 1991. - 311 с.
219. Филимоненко, Ю.И. Методика попарных сравнений / Ю.И. Фи-лимоненко, В.Ю. Рыбников, Ю.И. Горский. М.: Воениздат, 1994. - 25 с.
220. Флейс. Дж. Статистические методы для изучения таблиц долей и пропорций: Пер. с англ. / Под ред. и с предисл. Ю.Н. Благовещенского / Дж. Флейс. М.: Финансы и статистика, 1989. - 319 с.
221. Флетчер, Р. Клиническая эпидемиология. Основы доказательной медицины. Пер. с англ. / Р. Флетчер, С. Флетчер, Э. Вагнер. М. Медиа Сфера, 1998.-352 с.
222. Фомин, Я.А. Статистическая теория распознавания образов / Я.А. Фомин, Г.Р. Тарловский. М.: Радио и связь, 1986. - 263 с.
223. Хан, Г. Статистические модели в инженерных задачах: Пер. с англ. / Г. Хан, С. Шапиро. М.: Мир, 1969. - 396 с.
224. Харман, Г. Современный факторный анализ // Пер. с англ. / Г. Харман. М.: Статистика, 1972. - 486 с.
225. Хельсинская декларация // Обучение медицинской статистике / Под ред. С.К.Лванга и Чжо-Ек Тыэ. Женева: ВОЗ. - 1989. С.205-208.
226. Холлендер, М. Непараметрические методы статистики: Пер. с англ. / М. Холлендер, Д. Вулф. М.: Финансы и статистика, 1983. - 518 с.
227. Цикритозис, Д. Модели данных / Пер. с англ. / Д. Цикритозис, Ф. Лоховски. М.: Финансы и статистика, 1985. - 343 с.
228. Шабанов, П.Д. Биологические последствия злоупотребления этанолом / П.Д. Шабанов, С.Ю. Калишевич. СПб, 1998. - 292 с.
229. Шабанов, П.Д. Руководство по наркологии / П.Д. Шабанов. -СПб., 1998.-349 с.
230. Шевченко, Ю.Л. Прогнозирование в кардиохирургии / Ю.Л. Шевченко, H.H. Шахвердиев, A.B. Оточкин. СПб: Питер паблишинг, 1998. -51 с.
231. Шеффе, Г. Дисперсионный анализ / Пер. с англ. / Г. Шеффе. — М.: Физматгиз, 1980. 626 с.
232. Щербук, А.Ю. Классификация форм черепа с помощью метода пошагового дискриминантного анализа / А.Ю. Щербук, С.Г. Григорьев // Вестник Российской Военно-медицинской академии. СПб, 2003. - №1 (9). -С. 41-42.
233. Экономико-математические исследования: математические модели и информационные технологии: Сб. / Рос. акад. наук, С.-Петерб. экон.-мат. ин-т; [Редкол.:.Л.А. Руховец (отв. ред.)]. СПб.: Наука, 2000. - 22 см.
234. Этика статистических исследований в медицине // Обучение медицинской статистике / Под ред. С.К.Лванга и Чжо-Ек Тыэ. Женева: ВОЗ. -1989. С. 199-204.
235. Эфрон, Б. Нетрадиционные методы многомерного статистического анализа. Сб.статей: Пер. с англ. / Б. Эфрон М.: Финансы и статистика, 1988.-263 с.
236. Юнкеров, В.И. Анализ данных времени жизни / В.И. Юнкеров, С.Г. Григорьев, Р.В. Мизерене // Многомерные методы статистического анализа категорированных данных медицинских исследований. Уч. пособие. ВМедА. -СПб, 2001.-С. 51-77.
237. Юнкеров, В.И. Логлинейный анализ / В.И. Юнкеров, С.Г. Григорьев, Р.В. Мизерене // Многомерные методы статистического анализа категорированных данных медицинских исследований. Уч. пособие. ВМедА. -СПб, 2001.-С. 51-77.
238. Юнкеров, В.И. Математико-статистическая обработка данных медицинских исследований / В.И. Юнкеров, С.Г. Григорьев. СПб.: ВМедА, 2002.-266 с.
239. Юнкеров, В.И. Основы математико-статистического моделирования и применения вычислительной техники в научных исследованиях / В.И. Юнкеров. СПб.: ВМедА, 2000. - 140 с.
240. Barlow, R. Е., Marshall, A. W., & Proschan, F. (1963). Properties of probability distributions with monotone hazard rate. Annals of Mathematical Statistics, 34, 375-389.
241. Barlow, R. E., & Proschan, F. (1975). Statistical theory of reliability and life testing. New York: Holt, Rinehart, & Winston.
242. Bates, D. M., & Watts, D. G. (1988). Nonlinear regression analysis and its applications. New York: Wiley.
243. Benzecri, J. P. (1973). LfAnalyse des Donnees: T. 2, I' Analyse des correspondances. Paris: Dunod.
244. Berkson, J. (1944). Application of the Logistic Function to Bio-Assay. Journal of the American Statistical Association, 39, 357-365.
245. Berkson, J., & Gage, R. R. (1950). The calculation of survival rates for cancer. Proceedings of Staff Meetings, Mayo Clinic, 25,250.
246. Bishop, Y. M. M., Fienberg, S. E., & Holland, P. W. (1975). Discrete multivariate analysis. Cambridge, MA: MIT Press.
247. Blalock, H.M., Jr. (1979) Social Statistics. New York: McGraw-Hill.
248. Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software.
249. Van Bemmtl J/h? Medical Informatics? Art or Science? Meth. Inform. Med. 1996. V.35. -P.157-172.
250. Browne, M. W. (1968). A comparison of factor analytic techniques. Psychometrika, 33,267-334.
251. Carrol, J. D., Green, P. E., and Schaffer, C. M. (1986). Interpoint distance comparisons in correspondence analysis. Journal of Marketing Research, 23, 271-280.
252. Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1,245-276.
253. Chiang Ch.L. Life table and mortaliti analysis. Geneva, WHO, 1978, 399 pp.
254. Cox, D. R. (1957). Note on grouping. Journal of the American Statistical Association, 52, 543-547.
255. Cox, D. R. (1959). The analysis of exponentially distributed life-times with two types of failures. Journal of the Royal Statistical Society, 21,411-421.
256. Cox, D. R. (1964). Some applications of exponential ordered scores. Journal of the Royal Statistical Society, 26,103-110.
257. Cox, D. R. (1970). The analysis of binary data. New York: Halsted1. Press.
258. Cox, D. R. (1972). Regression models and life tables. Journal of the Royal Statistical Society, 34,187-220.
259. Cox, D. R., & Oakes, D. (1984). Analysis of survival data. New York: Chapman & Hall.
260. Cutler, S. J., & Ederer, F. (1958). Maximum utilization of the life table method in analyzing survival. Journal of Chronic Diseases, 8, 699-712.
261. Doyle, P. (1973). The use of Automatic Interaction Detection and similar search procedures. Operational Research Quarterly, 24,465-467.
262. Fisher, R.A. (1936) "The use of multiple measurements in taxonomic problems." Annals of Eugenics 7:179-188.
263. Greenacre, M. J. (1984). Theory and applications of correspondence analysis. New York: Academic Press.
264. Greenacre, M. J. (1988). Correspondence analysis of multivariate categorical data by weighted least-squares. Biometrica, 75,457-467.
265. Greenacre, M. J. & Hastie, T. (1987). The geometric interpretation of correspondence analysis. Journal of the American Statistical Association, 82, 437447.
266. Gehan, E. A. (1965a). A generalized Wilcoxon test for comparing arbitrarily singly-censored samples. Biometrika, 52,203-223.
267. Gehan, E. A. (1965b). A generalized two-sample Wilcoxon test for doubly-censored data. Biometrika, 52, 650-653.
268. Gehan E.A. Biometrika, 1965. - p.650-653.
269. Gehan, E. A., & Siddiqui, M. M. (1973). Simple regression methods for survival time studies. Journal of the American Statistical Association, 68, 848856.
270. Gehan, E. A., & Thomas, D. G. (1969). The performance of some two sample tests in small samples with and without censoring. Biometrika, 56, 127132.
271. Gross A., Clark V. Survival Distributions: Reliabiliti Applications in the Biomedical Sciences. N.J., Wiley, 1975, 255 pp.
272. Gruenewald P.J., Ponicki W.R., Mitchel P.R. Suicide rates and alcohol consumption in the United States, 1970-89.// Addiction. 1995. - Vol. 90. -P.1063.
273. Hakstian, A. R., Rogers, W. D., & Cattell, R. B. (1982). The behavior of numbers of factors rules with simulated data. Multivariate Behavioral Research, 17,193-219.
274. Hoffman, D. L. & Franke, G. R. (1986). Correspondence analysis: Graphical representation of categorical data in marketing research. Journal of Marketing Research, 13,213-227.
275. Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Pyrometrical, 23,187-200.
276. Kalbfleisch J.D., Prentice R.L. The Statistical Analysis of Failure Time Data. N.J., Wiley, 1980, 326 pp.
277. Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53, 457481.
278. Kharchenko N.K. The characteristics of the metabolic and psychophysiological disorders in patients in different stages of chronic alcoholism. Fiziol Zh 1999;45(3):79-86
279. Klecka, W.R. (1975) "Discriminant analysis," pp.434-467 in N.Nie et al. SPSS: Statistical Package for the Social Sciences. New York: McGraw-Hill.
280. Lachenbruch, P.A. (1975) Discriminant Analysis. New York: Hafher.
281. Lawley, D. N., & Maxwell, A. E. (1971). Factor analysis as a statistical method. New York: American Elsevier.
282. Lebart, L., Morineau, A., and Tabard, N. (1977). Techniques de la description statistique. Paris: Dunod.
283. Lee E.T. Statistical Methods for Survival data Analysis. Lifetime Learning Publications, Belmont, 1980,186 pp.
284. Lim, T.-S., Loh, W.-Y., & Shih, Y.-S. (1997). An emprical comparison of decision trees and other classification methods. Technical Report 979, Department of Statistics, University of Winconsin, Madison.
285. Loh, W.-Y, & Shih, Y.-S. (1997). Split selection methods for classification trees. Statistica Sinica, 7, 815-840.
286. Makridakis W.S., Wheelwright S.C. Forekasting Methods for Manadgement, fifth edition. N.Y.: Wiley, 1989.
287. Molino J., Molino F., Furia D., Bar F., Battista S., Coppello N. Computer Aided Diagnosis in Jaundice: Comparation of Knowledge-based and Probabilistic Approaches // Meth. Inform. Med. 1996. - V.35. -P.41-51.
288. Montyomery D., Jonson L., Gardiner J. Forekasting and Time Series Analysis, second edition. N.Y.: McGraw-Hill, 1990.
289. Morrison D.F. Multivariate Statistical Methods, third edition. N.Y.: McGraw-Hill, 1990.
290. Mulaik, S. A. (1972). The foundations of factor analysis. New York: McGraw Hill.
291. Quinlan, J.R., & Cameron-Jones, R.M. (1995). Oversearching and layered search in empirical learning. Proceedings of the 14th International Joint Conference on Artificial Intelligence, Montreal (Vol. 2). Morgan Kaufman, 101910244.
292. Parsonnet V., Dean D., Bernstein D.C. A method of uniformstratifica-tion of risk for evaluating the results of surgery in acquired adult heart disease // Circulation.- 1989.-Vol. 79, suppl. l.-P. 13-112.
293. Ripley, B. D. (1996). Pattern recognition and neural networks. Cambridge: Cambridge University Press.
294. STATGRAPHICS Plus for Windows. User Manuals. Manugistics Inc., USA, 1995.
295. StatSoft, Inc. (2001). Электронный учебник по статистике. Москва, StatSoft. WEB: http://www.statsoft.ru/home/textbook/ default.htm.