기계적 모델: 수치 문제 해결 알고리즘의 구획 모델

기계론적 모델은 수치 문제 해결 알고리즘을 사용하여 매개변수를 평가합니다.

일부 알고리즘은 선형화 기술을 사용하여 모델을 선형 방정식으로 단순화합니다.

개별 모집단 분석에는 Cauchy의 방법, 뉴턴 기반 방법, 가우스-뉴턴 방법 등 다양한 방법이 사용됩니다.

Levenberg-Marquardt 방법은 Gauss-Newton 알고리즘을 수정합니다.

Nelder-Mead 심플렉스 접근법은 선형화를 포함하지 않지만 가장 낮은 점을 찾기 위해 반응 표면을 탐색합니다.

모집단 구획 분석은 1차 또는 FO, 1차 조건부 추정 또는 FOCE, 기대 최대화의 확률적 근사치 및 최대 가능성 기대 최대화 방법과 같은 알고리즘을 사용합니다.

NONMEM의 FO 및 FOCE 알고리즘은 1차 테일러 급수 전개를 사용하여 모델을 선형화합니다.

FO는 모집단 평균과 사후 분산을 사용하여 개인간 변동성을 추정하는 반면, FOCE는 이러한 매개변수와 동시에 추정합니다.

라플라시안 FOCE 방법은 1차 전개 대신 2차 테일러 급수를 사용합니다.

MLEM 알고리즘은 선형화 기술에 의존하지 않고 반복 단계를 통해 우도 함수를 최대화합니다.