update chapter 16, 19

Co-authored-by: Sunwoo, Jung <[email protected]>

16.Rmd

@@ -38,7 +38,7 @@ readxl::read_excel("data-raw/fig-tab.xlsx", sheet="16-1", range="B2:D10") %>%
 
 
 ```{r boot95, fig.cap = "(ref:bootstrap-process)"}
-include_graphics("figures/16-fig-01.png") #fig1
+include_graphics("figures/16-fig-01.jpg") #fig1
 ```
 
 (ref:bootstrap-process) 붓스트랩을 사용하여 여러 파라미터의 중앙값과 95% 신뢰구간을 계산하는 방법에 대한 모식도\index{붓스트랩 / bootstrapping}\index{bootstrapping / 붓스트랩}

19.Rmd

@@ -173,7 +173,7 @@ knitr::include_graphics("figures/19-fig-06.png")
 
 (ref:sigmoid-emax) Sigmoid E~max~ model. H에 따른 E~max~ model의 형태 변화
 
-Hill 계수는 농도와 효과의 비를 결정한다. 농도를 로그농도로 치환한 그림 \@ref(fig:sigmoid-emax) 우에서, E~max~의 20\~80% 범위에서 약효는 직선성을 가진다. Hill 계수가 1이면, 일반적인 효과(E)는 E~max~ model을 따르며, n\>1이면, 곡선의 선형부분의 기울기가 가파르며, n\<1이면, 곡선의 선형부분의 기울기가 완만하다. 로그농도-효과 그래프에서 n은 직선범위의 기울기(m=n·E~max~/4)를 이용하여 구할 수 있다. (\* Sigmoid E~max~ model에서 n 구하기 참고) Hill 계수의 값에 관계없이 EC~50~은 동일하다.\index{기울기 / gradient}\index{gradient / 기울기}
+Hill 계수는 농도와 효과의 비를 결정한다. 농도를 로그농도로 치환한 그림 \@ref(fig:sigmoid-emax) (우)에서, E~max~의 20\~80% 범위에서 약효는 직선성을 가진다. Hill 계수가 1이면, 일반적인 효과(E)는 E~max~ model을 따르며, n\>1이면, 곡선의 선형부분의 기울기가 가파르며, n\<1이면, 곡선의 선형부분의 기울기가 완만하다. 로그농도-효과 그래프에서 n은 직선범위의 기울기(m=n·E~max~/4)를 이용하여 구할 수 있다. (\* Sigmoid E~max~ model에서 n 구하기 참고) Hill 계수의 값에 관계없이 EC~50~은 동일하다.\index{기울기 / gradient}\index{gradient / 기울기}
 
 (ref:sigmoid-emax-block2) Sigmoid E~max~ model: 로그농도-반응 그래프
 

docs/basic.tex

@@ -41,7 +41,7 @@
 \IfFileExists{bookmark.sty}{\usepackage{bookmark}}{\usepackage{hyperref}}
 \hypersetup{
   pdftitle={계량약리학 워크샵 - 초급 과정},
-  pdfauthor={Ver. 20200820},
+  pdfauthor={Ver. 20200821},
   colorlinks=true,
   linkcolor=Maroon,
   filecolor=Maroon,
@@ -287,8 +287,8 @@
   {\par}
 
 \title{계량약리학 워크샵 - 초급 과정}
-\author{Ver. 20200820}
-\date{Ver. 20200820}
+\author{Ver. 20200821}
+\date{Ver. 20200821}
 
 \usepackage{amsthm}
 \newtheorem{theorem}{Theorem}[chapter]
@@ -5624,7 +5624,7 @@ \subsection{\texorpdfstring{Sigmoid E\textsubscript{max} model (Hill 방정식)}
 
 
 
-Hill 계수는 농도와 효과의 비를 결정한다. 농도를 로그농도로 치환한 그림 \ref{fig:sigmoid-emax} 우에서, E\textsubscript{max}의 20\textasciitilde80\% 범위에서 약효는 직선성을 가진다. Hill 계수가 1이면, 일반적인 효과(E)는 E\textsubscript{max} model을 따르며, n\textgreater1이면, 곡선의 선형부분의 기울기가 가파르며, n\textless1이면, 곡선의 선형부분의 기울기가 완만하다. 로그농도-효과 그래프에서 n은 직선범위의 기울기(m=n·E\textsubscript{max}/4)를 이용하여 구할 수 있다. (* Sigmoid E\textsubscript{max} model에서 n 구하기 참고) Hill 계수의 값에 관계없이 EC\textsubscript{50}은 동일하다.\index{기울기 / gradient}\index{gradient / 기울기}
+Hill 계수는 농도와 효과의 비를 결정한다. 농도를 로그농도로 치환한 그림 \ref{fig:sigmoid-emax} (우)에서, E\textsubscript{max}의 20\textasciitilde80\% 범위에서 약효는 직선성을 가진다. Hill 계수가 1이면, 일반적인 효과(E)는 E\textsubscript{max} model을 따르며, n\textgreater1이면, 곡선의 선형부분의 기울기가 가파르며, n\textless1이면, 곡선의 선형부분의 기울기가 완만하다. 로그농도-효과 그래프에서 n은 직선범위의 기울기(m=n·E\textsubscript{max}/4)를 이용하여 구할 수 있다. (* Sigmoid E\textsubscript{max} model에서 n 구하기 참고) Hill 계수의 값에 관계없이 EC\textsubscript{50}은 동일하다.\index{기울기 / gradient}\index{gradient / 기울기}
 
 
 

docs/effect-model.html

@@ -529,7 +529,7 @@ <h3><span class="header-section-number">19.1.4</span> Sigmoid E<sub>max</sub> mo
 </p>
 </div>
 
-<p>Hill 계수는 농도와 효과의 비를 결정한다. 농도를 로그농도로 치환한 그림 <a href="effect-model.html#fig:sigmoid-emax">19.6</a> 우에서, E<sub>max</sub>의 20~80% 범위에서 약효는 직선성을 가진다. Hill 계수가 1이면, 일반적인 효과(E)는 E<sub>max</sub> model을 따르며, n&gt;1이면, 곡선의 선형부분의 기울기가 가파르며, n&lt;1이면, 곡선의 선형부분의 기울기가 완만하다. 로그농도-효과 그래프에서 n은 직선범위의 기울기(m=n·E<sub>max</sub>/4)를 이용하여 구할 수 있다. (* Sigmoid E<sub>max</sub> model에서 n 구하기 참고) Hill 계수의 값에 관계없이 EC<sub>50</sub>은 동일하다.</p>
+<p>Hill 계수는 농도와 효과의 비를 결정한다. 농도를 로그농도로 치환한 그림 <a href="effect-model.html#fig:sigmoid-emax">19.6</a> (우)에서, E<sub>max</sub>의 20~80% 범위에서 약효는 직선성을 가진다. Hill 계수가 1이면, 일반적인 효과(E)는 E<sub>max</sub> model을 따르며, n&gt;1이면, 곡선의 선형부분의 기울기가 가파르며, n&lt;1이면, 곡선의 선형부분의 기울기가 완만하다. 로그농도-효과 그래프에서 n은 직선범위의 기울기(m=n·E<sub>max</sub>/4)를 이용하여 구할 수 있다. (* Sigmoid E<sub>max</sub> model에서 n 구하기 참고) Hill 계수의 값에 관계없이 EC<sub>50</sub>은 동일하다.</p>
 
 <div class="figure" style="text-align: center"><span id="fig:sigmoid-emax-block2"></span>
 <img src="figures/19-fig-sigmoid-emax.png" alt="Sigmoid Emax model: 로그농도-반응 그래프" width="50%" />

docs/evaluation.html

@@ -476,7 +476,7 @@ <h2><span class="header-section-number">16.2</span> 붓스트랩 (Bootstrap)</h2
 <p>검사용 데이터셋이 없거나 분석 시작시 작성되지 않은 경우에는 붓스트랩 접근법을 사용하는 것이 적절하다. 붓스트랩은 교차 타당성 검증과 같이 모형 구축에 모든 자료를 사용한다는 장점이 있다. 희귀질환이나 소아환자의 자료 등과 같이 표본 크기가 제한적일 수밖에 없는 경우, 집단모형을 평가하는데 매우 유용할 수 있다.</p>
 <p>적당한 횟수(적어도 200회 이상)로 반복하여 얻어지는 붓스트랩 복제 값에 최종 모델을 반복적으로 적합(fitting)시켜서 얻어진 파라미터의 평균값들을 붓스트랩 없이 얻어진 최종 집단모델 파라미터 추정치와 비교하는 것이다. 이는 모델을 다양한 데이터셋에 적합(fitting)시키는 방법을 지칭하며, 각 데이터셋은 최종 모델의 데이터셋으로부터 반복 재추출된 대상자들에 대한 자료로 구성되어 있다. 붓스트랩에 의해 얻어진 결과를 보고하기 위해 중앙값과 95% 신뢰구간이 흔히 사용되며 이 값들을 어떻게 계산하는지 모식도(그림 <a href="evaluation.html#fig:boot95">16.1</a>)로 표현하였다. 붓스트랩에 의해 얻어진 결과를 정리하여 보고하는 일반적인 방법을 그림 <a href="evaluation.html#fig:bootstrap-table">16.2</a>에 나타내었다. 흔하게 쓰이는 방법으로는, 1000개의 재추출된 데이터셋을 통해 얻어진 붓스트랩 중앙값과 최종예측값을 비교하는 것인데, 큰 차이가 없음을 알 수 있고, %RSE(relative standard error)로 계산된 신뢰구간과 붓스트랩 95% 신뢰구간을 비교하여 예측된 변동성 정도에 대한 검증도 할 수 있다.</p>
 <div class="figure" style="text-align: center"><span id="fig:boot95"></span>
-<img src="figures/16-fig-01.png" alt="붓스트랩을 사용하여 여러 파라미터의 중앙값과 95% 신뢰구간을 계산하는 방법에 대한 모식도" width="100%" />
+<img src="figures/16-fig-01.jpg" alt="붓스트랩을 사용하여 여러 파라미터의 중앙값과 95% 신뢰구간을 계산하는 방법에 대한 모식도" width="100%" />
 <p class="caption">
 그림 16.1: 붓스트랩을 사용하여 여러 파라미터의 중앙값과 95% 신뢰구간을 계산하는 방법에 대한 모식도
 </p>

docs/index.html

@@ -378,7 +378,7 @@ <h1>
 <div id="header">
 <h1 class="title">계량약리학 워크샵 - 초급 과정</h1>
 <p class="author"><em>가톨릭대학교 계량약리학연구소(PIPET) 펴냄 (대표저자 임동석)</em></p>
-<p class="date"><em>Ver. 20200820</em></p>
+<p class="date"><em>Ver. 20200821</em></p>
 </div>
 <div id="머리말" class="section level1 unnumbered">
 <h1>머리말</h1>