Содержание

Частная психиатрия | Обучение | РОП

Деление психических расстройств на эндогенные и экзогенные также в настоящее время представляется в достаточной мере условным и неточным, поэтому мало используется в современной психиатрии, но сами эти понятия важны для первого знакомства со специальностью.

Экзогенные расстройства – расстройства, вызванные какой-либо внешней патогенной причиной. Причины могут быть внешними как по отношению к самому индивиду (например, при ЧМТ – удар по голове), так и по отношению к его мозгу (т.е. причины, связанные с какими-либо соматическими заболеваниями, в т.ч. поражением сосудов головного мозга, опухолями мозга и мозговых оболочек, интоксикациями, вызванными почечной и печеночной недостаточностью и пр.)

Эндогенные расстройства – расстройства, возникающие без воздействия какой-либо значимой внешней патогенной причины. Развиваются вследствие внутренних причин, среди которых в первую очередь подразумевается наследственный фактор.

Характерно:

  • Спонтанный характер возникновения (но внешние факторы м.б. «пусковыми», «повод, а не причина»)
  • Течение мало зависит от внешних условий, а определяется логикой развития болезненного процесса (аутохтонное)

Для каждого эндогенного психического расстройства свойственны собственные особенности манифестации и траектории развития заболевания, связанные с характеристиками патологических процессов, лежащих в их основе. В связи с этим могут наблюдаться устойчивые связи этих заболеваний с:

  • Полом (например, рекуррентная депрессия больше характерна для женщин)
  • Возрастом (например, пик заболеваемости шизофренией приходится на период 20-30 лет, тогда, как болезнь Альцгеймера обычно развивается в возрасте старше 60 лет и т.д.)
  • и другими факторами. Например, увеличение частоты обострений в осенний и весенний периоды.

Необходимо отметить, что для большинства эндогенных психических расстройств точные причины, в т. ч. генетические механизмы, до настоящего времени не установлены, поэтому эти расстройств в большинстве случаев являются «диагнозами исключения» (т.е. для их диагностики необходимо исключить все прочие возможные причины).


Эндогенные психические заболевания (шизофрения) — Психотерапевт — Отделение общей врачебной практики с персональным наблюдением — Отделения

Эндогенные психические заболевания (шизофрения)

Шизофрения – одно из наиболее распространенных психических расстройств, характеризуемое сочетанием так называемой продуктивной симптоматики (обманы восприятия, бредовые идеи, расстройства настроения) так и негативных симптомов (апатия, аутизм, обеднение эмоций). Этому сопутствуют нарушения познавательных способностей, мышления, социальная дезадаптация пациентов. Течение болезни может быть непрерывным или приступообразным. Для шизофрении характерно расщепление психических функций (от греческих слов шизо – расщепляю и френ – разум.

Причины возникновения этого заболевания до конца не выяснены, большую роль отводят наследственным факторам, что подтверждено фундаментальными генетическими исследованиями. Провоцировать наступление заболевания могут факторы внешней среды: психосоциальные стрессовые факторы, воздействующие на конституционально «уязвимую» психику человека, могут вызвать развитие психоза.

Шизофрения – наиболее «дорогостоящее» расстройство в психиатрии. Экономические потери от нее складываются из расходов на психофармакотерапию, потерь от временной нетрудоспособности и ранней инвалидности. Такие пациенты, как правило, стигматизированы, отмечены «клеймом» психического заболевания вследствие своей социальной, трудовой и бытовой несостоятельности.

А между тем шизофрению в очень многих случаях можно эффективно лечить, возвращая пациента к нормальной жизни. Диагностику шизофрении проводят по специальным критериям, подключая лабораторные и инструментальные исследования (электроэнцефалографию, КТ, МРТ). Важное значение имеет психологическое тестирование.

Лечение включает следующие методы:

  • Биологическую терапию, в том числе фармакологическое лечение. Современные фармакологические антипсихотические средства позволяют быстро редуцировать острую симптоматику. Индивидуально подобранное поддерживающее лечение позволяет предотвращать рецидивы заболевания. В сложных случаях в специализированных стационарах применяют инсулинокоматозную и электросудорожную терапию.
  • Психосоциальное лечение и психосоциальную реабилитацию, психотерапию, современные организационные формы помощи. Это соответствует новейшим представлениям о бригадном, комплексном подходе в работе с больными и приближению оказания помощи к общественно ориентированной, гуманной психиатрии. Такие мероприятия позволяют восстановить индивидуальную и общественную ценность пациента, его личностный и социальный статус, максимально вернуть его к полноценной жизни, в семью, работу, творчество.

Еще раз подчеркнем, что во многих случаях при эндогенных психических заболеваниях современная медицина способна эффективно помочь таким пациентам. Особенно хороший эффект достигается совместными усилиями психиатров, психологов, социальных работников, врачей общемедицинской практики.

Более подробная информация по телефону: 


8(495)680-29-83

ЭНДОГЕННЫЙ — это… Что такое ЭНДОГЕННЫЙ?

  • эндогенный — эндогенный …   Орфографический словарь-справочник

  • ЭНДОГЕННЫЙ — [Словарь иностранных слов русского языка

  • эндогенный — внутренний, возникший внутри организма; в микробиол. часто употребляется термин «Э. метаболизм», определяющий метаболизм клетки за счет запасного вещества (напр., гликогена, крахмала). (Источник: «Микробиология: словарь терминов», Фирсов Н.Н., М …   Словарь микробиологии

  • эндогенный — магматогенный, гипогенный Словарь русских синонимов. эндогенный прил., кол во синонимов: 3 • внутренний (23) • …   Словарь синонимов

  • эндогенный — ая, ое. endogène adj., endogen. спец. Внутреннего происхождения; объясняемый внутренними причинами; возникающий вследствие внутренних причин; эндогенные процессы в геологии процессы, обусловленные внутренней теплотой Земли и вызывающие… …   Исторический словарь галлицизмов русского языка

  • эндогенный — внутреннего происхождения, вызываемый внутренними причинами. Противоположное понятие экзогенный. Словарь практического психолога. М.: АСТ, Харвест. С. Ю. Головин. 1998. Эндогенный …   Большая психологическая энциклопедия

  • ЭНДОГЕННЫЙ — (от эндо… и …ген) внутреннего происхождения; в медицине происходящий от причин, лежащих во внутренней среде организма. Ср. Экзогенный …   Большой Энциклопедический словарь

  • ЭНДОГЕННЫЙ — ЭНДОГЕННЫЙ, возникший в силу причины, лежащей во внутренней среде организма.

    Термин часто употребляется в теоретической и практической медицине для обозначения исходного пункта развития того или иного пат. явления. Так, говоря об Э. туберкулезном …   Большая медицинская энциклопедия

  • эндогенный — Относящийся к процессам, происходящим в недрах Земли и обусловленным ее внутренней энергией, силой тяжести и силами, возникающими при вращении планеты …   Словарь по географии

  • эндогенный — (endogenus; греч. endogenes; эндо + genes порождаемый, возникающий) возникающий, развивающийся в организме вследствие внутренних причин …   Большой медицинский словарь

  • Эндогенные и экзогенные геологические процессы

    Эндогенные геологические процессы

    Среди эндогенных геологических процессов, обусловленных внутренней энергией Земли, наибольшее значение имеют неотектонические процессы, землетрясения и вулканическая деятельность. Свыше 20% территории Российской Федерации подвержено сейсмическим воздействиям, превышающим 7 баллов по 12-балльной шкале MSK-64, отражающей сейсмический эффект на земной поверхности, когда требуется проведение антисейсмических мероприятий в строительном деле. Наиболее сейсмоактивными являются Северо-Кавказский, Алтае-Саянский, Байкальский и Дальневосточный регионы. На Северном Кавказе сила землетрясения может достигать 9 баллов. По данным МЧС, в 2017 г. землетрясений и извержений вулканов с катастрофическими последствиями на территории Российской Федерации не происходило. В Российской Федерации угрозам цунами подвержено побережье Камчатского и Приморского краев, Сахалинской области, в меньшей степени — побережье Хабаровского края и Магаданской области. Вулканические процессы на территории Российской Федерации в 2017 г., по данным МЧС, не наблюдались.

    Экзогенные геологические процессы

    Экзогенные геологические процессы достаточно широко развиты на большей части территории Российской Федерации.

    Наиболее опасными из них, наносящими ущерб городскому хозяйству, объектам экономики, инфраструктуре, сельскому хозяйству, имеющими серьезные экологические последствия, являются гравитационные, оползневые, карстово-суффозионные и эрозионные процессы.

    Всего за 2017 г. по территории Российской Федерации выявлено 1489 случаев активизации ЭГП. За период 2015-2017 гг. количество выявленных случаев активизации ЭГП увеличилось с 235 случаев до 1489 случаев, или в 6 раз. В территориальном разрезе в 2017 г. наибольшее количество случаев выявлено в Северо-Кавказском (727 случаев, или 49% от общего количества), Южном (324 случая, или 21,8% от общего количества) и Сибирском (196 случаев, или 13,1%) федеральных округах. Наименьшее количество случаев выявлено в Северо-Западном (12 случаев, или 0,8%) и Дальневосточном (19 случаев, или 1,3%) федеральных округах.

    Карта развития оползневого процесса на территории Российской Федерации

    Карта развития карстово-суффозионных процессов на территории Российской Федерации

    Карта развития процесса овражной эрозии на территории Российской Федерации

    Мониторинг геологических процессов

    Для осуществления непрерывного сейсмологического мониторинга на территории Российской Федерации в 2016 г. создан Федеральный исследовательский центр «Единая геофизическая служба РАН» (ФИЦ ЕГС РАН). Геолого-геофизические работы по прогнозу землетрясений для оценки степени сейсмической опасности сейсмоактивных регионов Российской Федерации в 2017 г. проводились по 104 скважинам и на 8 геодинамических полигонах. Сейсмическая подсистема службы предупреждения о цунами включает в себя сеть сейсмологических наблюдений, состоящую из 11 опорных и вспомогательных специализированных сейсмических станций, 16 пунктов регистрации сильных движений и 3 информационно-обрабатывающих центра Геофизической службы РАН.

    Мониторинг экзогенных экологических процессов (ЭГП) является составной частью функциональной подсистемы государственного мониторинга состояния недр — ГМСН (Роснедра) единой государственной системы предупреждения и ликвидации чрезвычайных ситуаций. По данным Роснедр, по состоянию на 31.12.2017 государственная опорная наблюдательная сеть (ГОНС) на территории Российской Федерации включала 990 пунктов наблюдения за опасными ЭГП за счет средств федерального бюджета.

    Мониторинг геологической среды континентального шельфа Российской Федерации в 2017 г. осуществлялся в пределах шельфовой зоны Азовского, Черного и Каспийского морей (на 7 пунктах), Белого, Баренцевого и Балтийского морей (на 11 пунктах), Японского моря (на 10 пунктах). Была выполнена оценка региональной активности опасных ЭГП, обусловленных природными и техногенными факторами, подготовлены комплекты дежурных цифровых карт и информационные бюллетени, отражающие состояние недр прибрежно-шельфовой зоны морей.

    Раздел доклада в формате PDF

    Оценка текстов, написанных больными эндогенными психическими заболеваниями | Ениколопов

    1. Микиртумов Б.Е., Завитаев П.Ю. Аутизм: история вопроса и современный взгляд. Санкт-Петербург: Н-Л; 2012.

    2. Белянин В.П. Психолингвистика. М. : Флинта Моск. психол.-соц. ин-т; 2003.

    3. Додонова Н.А. О возможности использования метода контент-анализа речевой продукции для диагностики больных неврозами. Проблемы совершенствования медицинской помощи населению г. Ленинграда. Л.:1988;164–165.

    4. Микиртумов Б.Е., Ильичев А.Б. Клиническая семантика психопатологии. Санкт-Петербург: СПбГПМА; 2007.

    5. Ремесло М., Назыров Р. Клинико-лингвистические характеристики больных неврозами и их динамика в процессе психотерапии. Обозрение психиатрии и медицинской психологии имени В.М. Бехтерева. 2007;2:21–24.

    6. Condray R., Steinhauer S.R., van Kammen D.P., Kasparek A. The language system in schizophrenia: effects of capacity and linguistic structure. Schizophr. Bull. 2002;28(3):475–490. https://DOI:10.1093/oxfordjournals.schbul.a006955

    7. Ketteler D., Theodoridou A., Ketteler S., Jäger M. High order linguistic features such as ambiguity processing as relevant diagnostic markers for schizophrenia. Schizophr. Res. Treatment. 2012;2012:825050. https://DOI 10.1155/2012/825050

    8. Moro A., Bambini V., Bosia M., Anselmetti S., Riccaboni R., Cappa S., Smeraldi E., Cavallaro R. Detecting syntactic and semantic anomalies in schizophrenia. Neuropsychologia. 2015;79(PtA):147–157. https://DOI:10.1016/j.neuropsy-chologia.2015.10.030.

    9. Карякина М.В., Сидорова М.Ю., Шмуклер А.Б.Нарушения речи у больных шизофренией. Социальная и клиническая психиатрия. 2017;27(4):93–100.

    10. Гурович И.Я., Шмуклер А.Б., Сторожакова Я.А. Психо-социальная терапия и психосоциальная реабилитация в психиатрии. М.: Медпрактика-М; 2004.

    11. Рычкова О.В., Сильчук Е.П.Нарушения социального интеллекта у больных шизофренией. Социальная и клиническая психиатрия. 2010;20(2):5–15.

    12. Penn D.L., Sanna L.J., Roberts D.L.Social cognition in schizophrenia: an overview. Schizophr. Bull. 2008;34(3):408–411. https://DOI:10.1093/schbul/sbn014

    13. Критская В.П., Мелешко Т.К., Поляков Ю.Ф. Патология психической деятельности при шизофрении: мотивация, общение, познание. М.: Изд-во МГУ; 1991.

    14. Критская В.П., Мелешко Т.К. Патопсихология шизофрении. М.: Ин-т психологии РАН; 2015.

    15. ОПД-2. Руководство по диагностике и планированию терапии. М.: Академический Проект; 2011.

    16. Тиганов А.С. Руководство по психиатрии. Т. 1. М.: Медицина; 1999.

    17. Buck B., Penn D.L.Lexical Characteristics of Emotional Narratives in Schizophrenia: Relationships With Symptoms, Functioning, and Social Cognition. J. Nerv. Ment. Dis. 2015;203(9):702–708. https://DOI:10.1097/NMD.0000000000000354

    18. Strous R.D., Koppel M., Fine J., Nachliel S., Shaked G., Zivotofsky A. Automated characterization and identification of schizophrenia in writing. J. Nerv. Ment. Dis. 2009;197(8):585–588. DOI: 10.1097/NMD.0b013e3181b09068

    19. Al-Mosaiwi M., Johnstone T.In an Absolute State: Elevated Use of Absolutist Words Is a Marker Specific to Anxiety, Depression, and Suicidal Ideation. Clinical Psychological Science. 2018;6(4):529–542. https://DOI: 10.1177/2167702617747074

    20. Fineberg S., Deutsch-Link S., Ichinose M., McGuinness T. Word use in first-person accounts of schizophrenia. The British Journal of Psychiatry. 2015;206(1):32–38. https://DOI:10.1192/bjp.bp.113.140046

    Влияние эндогенных и экзогенных факторов на иммунологические тесты оценки функции щитовидной железы | Ким

    1. Nerenz R. Thyroid function testing. Clinical Chemical Trainee Council. 2017.

    2. Koulouri O, Moran C, Halsall D? at al. Pitfalls in the measurement and interpretation of thyroid function tests. Best Pract Res Clin Endocrinol Metab. 2013;27(6):745-762. doi: https://doi.org/10.1016/j. beem.2013.10.003

    3. Dufour DR. Laboratory tests of thyroid function: uses and limitations. Endocrinol Metab Clin North Am. 2007;36(3):579-594. doi: https://doi.org/10.1016/j.ecl.2007.04.003.

    4. Cho YY, Song JS, Park HD, et al. First Report of Familial Dysalbuminemic Hyperthyroxinemia With an ALB Variant. Annals of Laboratory Medicine. 2017;37(1):63-65. doi: https://doi.org/10.3343/alm.2017.37.1.63

    5. Berson SA, Yalow RS. General principles of radioimmunoassay. Clin Chim Acta. 2006;369(2):125-143. doi: https://doi.org/10.1016/j.cca.2006.05.002

    6. Becker KL, Nylén ES, White JC, et al. Procalcitonin and the Calcitonin Gene Family of Peptides in Inflammation, Infection, and Sepsis: A Journey from Calcitonin Back to Its Precursors. J Clin Endocrinol Metab. 2004;89(4):1512-1525. doi: https://doi.org/10.1210/jc.2002-021444

    7. Niccoli P, Conte-Devolx B, Lejeune PJ, et al. Les hypercalcitoninémies en dehors des cancers médullaires de la thyroïde [Hypercalcitoninemia in conditions other than medullary cancers of the thyroid]. Ann Endocrinol. 1996;57(1):15-21.

    8. Trimboli P, Giovanella L, Crescenzi A, et al. Medullary thyroid cancer diagnosis: An appraisal. Eisele DW, ed. Head Neck. 2014;36(8):1216-1223. doi: https://doi.org/10.1002/hed.23449

    9. Wells SA Jr, Asa SL, Dralle H, et al. Revised American Thyroid Association guidelines for the management of medullary thyroid carcinoma. Thyroid. 2015;25(6):567-610. doi: https://doi.org/10.1089/thy.2014.0335

    10. McLachlan SM, Rapoport B. Thyrotropin-blocking autoantibodies and thyroid-stimulating autoantibodies: potential mechanisms involved in the pendulum swinging from hypothyroidism to hyperthyroidism or vice versa. Thyroid. 2013;23(1):14-24. doi: https://doi.org/10.1089/thy.2012.0374

    11. Bluszcz GA, Bednarczuk T, Bartoszewicz Z, et al. Clinical utility of TSH receptor antibody levels in Graves’ orbitopathy: a comparison of two TSH receptor antibody immunoassays. Central-european Journal of Immunology. 2018;43(4):405-412. doi: https://doi.org/10.5114/ceji.2018.80224

    12. Frank CU, Braeth S, Dietrich JW, et al. Bridge Technology with TSH Receptor Chimera for Sensitive Direct Detection of TSH Receptor Antibodies Causing Graves’ Disease: Analytical and Clinical Evaluation. Horm Metab Res. 2015;47(12):880-888. doi: https://doi.org/10.1055/s-0035-1554662

    13. Mills F, Jeffery J, Mackenzie P, et al. An immunoglobulin G complexed form of thyroid-stimulating hormone (macro thyroid-stimulating hormone) is a cause of elevated serum thyroid-stimulating hormone concentration. Ann Clin Biochem. 2013;50(5):416-420. doi: https://doi.org/10.1177/0004563213476271

    14. Hattori N, Ishihara T, Shimatsu A. Variability in the detection of macro TSH in different immunoassay systems. Eur J Endocrinol. 2016;174(1):9-15 doi: https://doi.org/10.1530/eje-15-0883

    15. Биктагирова Э.М., Вагапова Г.Р., Семаков Г.П., и др. Определение феномена макропролактинемии у пациентов с аутоиммунным тиреоидитом и субклиническим гипотиреозом // Медицинская иммунология. — 2019. — Т. 21. — №6. — С. 1063-1072. doi: https://doi.org/10.15789/1563-0625-2019-6-1063-1072

    16. Zempleni J, Kuroishi T. Biotin. Advances in Nutrition. 2012;3(2):213-214. doi: https://doi.org/10.3945/an.111.001305

    17. Waldrop GL, Holden HM, St Maurice M. The enzymes of biotin dependent CO₂ metabolism: what structures reveal about their reaction mechanisms. Protein Sci. 2012;21(11):1597-1619. doi: https://doi.org/10.1002/pro.2156

    18. Trüeb R. Serum biotin levels in women complaining of hair loss. Int J Trichology. 2016;8(2):73-77. doi: https://doi.org/10.4103/0974-7753.188040

    19. National Academy of Sciences. Dietary reference intakes: vitamins [Internet]. Available from: www.nationalacademies.org/hmd/media/Files/Activity%20Files/Nutrition/DRIs/DRI_Vitamins.pdf. Accessed 4 June 2017

    20. León-Del-Río, A. Biotin in metabolism, gene expression and human disease. Journal of Inherited Metabolic Disease. 2019;42(4):647-654 doi: https://doi.org/10.1002/jimd.12073

    21. Piketty ML, Polak M, Flechtner I, et al. False biochemical diagnosis of hyperthyroidism in streptavidin-biotin-based immunoassays: the problem of biotin intake and related interferences. Clin Chem Lab Med. 2017;55(6):780-788 doi: https://doi.org/10.1515/cclm-2016-0606

    22. Bowen R, Benavides R, Colon-Franco, et al. Best practices in mitigating the risk of biotin interference with laboratory testing. Clinical Biochemistry. 2019;74:1-11 doi: https://doi.org/10.1016/j.clinbiochem.2019.08.012

    23. Favresse J, Burlacu MC, Maiter D, et al. Interferences With Thyroid Function Immunoassays: Clinical Implications and Detection Algorithm. Endocr Rev. 2018;39(5):830-850. doi: https://doi.org/10.1210/er.2018-00119

    24. Colon PJ, Greene DN. Biotin interference in clinical immunoassays. J App Lab Med. 2018;2(6):941–951 doi: https://doi.org/10.1373/jalm.2017.024257

    25. Geiseler D, Ritter M. Effect of sample dilution on measurements of free (unbound) hormones. Clin Chem. 1984;30(1):28-32. doi: https://doi.org/10.1093/clinchem/30.1.28

    26. Trambas C, Lu Z, Yen T, et al. Depletion of biotin using streptavidin-coated microparticles: a validated solution to the problem of biotin interference in streptavidin-biotin immunoassays. Ann Clin Biochem. 2018;55(2):216-226. doi: https://doi.org/10.1177/0004563217707783

    27. Zerback R, Imdahl R, Albert G, et al. Performance evaluation of a new troponin T-high sensitive assay with increased tolerance to biotin. Clin. Chim. Acta. 2019;493(1):197 doi: https://doi.org/10.1016/j.cca.2019.03.409

    28. Peltier L, Massart C, Moineau MP, et al. Anti-streptavidin interferences in Roche thyroid immunoassays: a case report. Clin Chem Lab Med. 2016;54(1):e11–e14 doi: https://doi.org/10.1515/cclm-2015-0350

    29. Rulander NJ, Cardamone D, Senior M, et al. Interference From Anti-Streptavidin Antibody. Arch Pathol Lab Med. 2013;137(8):1141-1146. doi: https://doi.org/10.5858/arpa.2012-0270-CR

    30. Favresse J, Lardinois B, Nassogne MC, et al. Anti-streptavidin antibodies mimicking heterophilic antibodies in thyroid function tests. Clin Chem Lab Med. 2018;56(7):e160-e163. doi: https://doi. org/10.1515/cclm-2017-1027

    31. Lam L, Bagg W, Smith G, et al. Apparent Hyperthyroidism Caused by Biotin-Like Interference from IgM Anti-Streptavidin Antibodies. Thyroid. 2018;28(8):1063–1067. doi: https://doi.org/10.1089/thy.2017.0673

    32. Ando T, Yasui J, Inokuchi N, et al. Non-specific activities against ruthenium crosslinker as a new cause of assay interference in an electrochemilluminescent immunoassay. Intern Med. 2007;46(15):1225-1229. doi: https://doi.org/10.2169/internalmedicine.46.0188

    33. Sapin R, Agin A, Gasser F. Efficacy of a new blocker against anti-ruthenium antibody interference in the Elecsys free triiodothyronine assay. Clin Chem Lab Med. 2007;45(3):416-418. doi: https://doi.org/10.1515/CCLM.2007.064

    34. Favresse J, Paridaens H, Pirson N, et al. Massive interference in free T4 and free T3 assays misleading clinical judgment. Clin Chem Lab Med. 2017;55(4):e84-e86. doi: https://doi.org/10.1515/cclm-2016-0255

    35. Després N, Grant AM. Antibody interference in thyroid assays: A potential for clinical misinformation. Clin Chem. 1998;44(3):440-454. doi: https://doi.org/10.1093/clinchem/44.3.440

    36. Sakata S, Matsuda M, Ogawa T, et al. Prevalence of thyroid hormone autoantibodies in healthy subjects. Clin Endocrinol (Oxf). 1994;41(3):365-370. doi: https://doi.org/10.1111/j.1365-2265.1994.tb02558.x

    37. Benvenga S, Trimarchi F. Increasing frequency and clinical significance of thyroid hormone autoantibodies. Curr Opin Endocrinol Diabetes. 2004;11(4):209–213 doi: https://doi. org/10.1097/01.med.0000137759.57791.f8

    38. John R, Henley R, Shankland D. Concentrations of free thyroxin and free triiodothyronine in serum of patients with thyroxin- and triiodothyronine-binding autoantibodies. Clin Chem. 1990;36(3):470-473. doi: https://doi.org/10.1093/clinchem/36.3.470

    39. Srichomkwun P, Scherberg NH, Jakšić J, et al. Diagnostic dilemma in discordant thyroid function tests due to thyroid hormone autoantibodies. AACE Clin Case Rep. 2017;3(1):e22–e25 doi: https://doi.org/10.4158/EP151142.CR

    40. Sapin R, Gasser F, Chambron J. Different sensitivity to anti-triiodothyronine autoantibodies of two direct radioimmunoassays of free triiodothyronine. Clin Chem. 1990;36(12):2141-2142. doi: https://doi.org/10.1093/clinchem/36.12.2141

    41. Zouwail SA, O’Toole AM, Clark PM, et al. Influence of thyroid hormone autoantibodies on 7 thyroid hormone assays. Clin Chem. 2008;54(5):927-928. doi: https://doi.org/10.1373/clinchem.2007.099770

    42. Levinson SS, Miller JJ. Towards a better understanding of heterophile (and the like) antibody interference with modern immunoassays. Clin Chim Acta. 2002;325(1-2):1-15. doi: https://doi.org/10.1016/s0009-8981(02)00275-9

    43. Ismail AA, Walker PL, Cawood ML, et al. Interference in immunoassay is an underestimated problem. Ann Clin Biochem. 2002;39(4):366-373. doi: https://doi.org/10.1258/000456302760042128

    44. Ismail AAA, Walker PL, Barth JH, et al. Wrong Biochemistry Results: Two Case Reports and Observational Study in 5310 Patients on Potentially Misleading Thyroid-stimulating Hormone and Gonadotropin Immunoassay Results. Clin Chem. 2002;48(11):2023-2029. doi: https://doi.org/10.1093/clinchem/48.11.2023

    45. Serei VD, Marshall I, Carayannopoulos MO. Heterophile antibody interference affecting multiple Roche immunoassays: A case study. Clinica Chimica Acta; International 2019;497:125-129. doi: https://doi.org/10.1016/j.cca.2019.07.010.

    46. Schaison G, Thomopoulos P, Moulias R, Feinstein MC. False hyperthyrotropinemia induced by heterophilic antibodies against rabbit serum. J Clin Endocrinol Metab. 1981;53(1):200–202 doi: https://doi.org/10.1210/jcem-53-1-200

    47. Czernichow P, Vandalem JL, Hennen G. Transient neonatal hyperthyrotropinemia: a factitious syndrome due to the presence of heterophilic antibodies in the plasma of infants and their mothers. J Clin Endocrinol Metab. 1981;53(2):387-393. doi: https://doi.org/10.1210/jcem-53-2-387

    Эндогенные и эндо-экзогенные процессы рельефообразования

    Энергия, сосредоточенная в недрах Земли, влияет на появление самых крупных неровностей на ее поверхности. Однако строгую границу между эндогенными и экзогенными процессами рельефообразования провести невозможно. К тому же эндогенные превращения вещества и динамика земной коры сказываются на появлении и развитии рельефа далеко не всегда. Особенности верхней мантии слабо отражены в планетарном рельефе, не говоря уже о рельефе небольших горных областей или целых материков. Многие геологические и тектонические структуры и рельеф на равнинах и плоскогорьях едва различаются между собой.

    Облик рельефа, обусловленного эндогенными процессами, может быть различным и зависит, прежде всего, от внутреннего строения территории. Платформенные тектонические структуры земной коры имеют в своем основании кристаллический фундамент, который либо выступает на поверхность, либо скрыт под толщей осадочных пород. Умеренный тектонический режим платформ не приводит к созданию контрастного рельефа. Поэтому в рельефе прослеживаются невысокие глыбовые горы и нагорья, цокольные и пластовые равнины, а также плато. Антиклиналии и синклиналии редко бывают выражены в крупных формах рельефа. Сильная раздробленность горных пород в зонах разломов и податливость таких участков к размыву текучими водами приводят к появлению здесь сначала небольших эрозионных рытвин, а впоследствии речных долин. Значительные тектонические подвижки в земной коре ведут к образованию орогенов (от греч. oros — гора и genes — рождение) — горных сооружений, возникших на месте бывшей геосинклиналии, либо на платформе.

    Смятие в складки толщ горных пород, появление блоков и глыб, разбитых разломами, вулканизм и землетрясения — обычные признаки орогена. Так возникли горные страны (Альпы, Карпаты, Кавказ) и горные пояса (например, Альпийско-Гималайский). Расположение подвижных горных поясов во многом определено первичными активными тектоническими зонами, куда входят и системы планетарных разломов земной коры. Этим объясняется длительное существование Андийско-Кордильерского, Альпийско-Гималайского и других горных поясов. Наиболее крупные формы рельефа на дне океанов также созданы эндогенными силами. К ним относятся глубоководные котловины, срединно-океанические и вулканические хребты, рифтовые долины и грабены на месте трансформных разломов.
    Для того чтобы понять роль эндогенных процессов, необходимо знать продолжительность их деятельности и скорости самих процессов. Период времени с особенно интенсивными тектоническими движениями земной поверхности геологи называют периодом тектонической активизации. В истории Земли их было много, и каждый продолжался от 15 до 20 млн. лет.

    В последние 100 лет скорости поднятий поверхности в разных регионах Земли неодинаковы: от 0,05 до 12 мм в год. При этом, например, скорость горообразования колеблется от 0,01 до 1 мм в год. Самыми быстрыми являются эндогенные процессы, связанные с сейсмическими подвижками. Они обладают скоростью до нескольких метров в секунду, но длятся недолго. Помимо эндогенных процессов, существуют промежуточные, эндо-экзогенные процессы рельефообразования. Среди них первое место занимает вулканизм. Вулканический процесс состоит из двух частей. Глубинный разогрев и истечение магмы по каналам в толще земной коры — эндогенный процесс в «чистом» виде. Но соприкосновение лавы при извержении вулкана с воздухом и водой на поверхности Земли вызывает появление лавовых потоков, озер, пепловых равнин — всего того, что в недрах Земли образоваться не может.

    Результатом эндо-экзогенной деятельности вулканов являются, прежде всего, вулканические и шлаковые конусы. Наиболее типичны в вулканических областях стратовулканы. Они имеют вид усеченного конуса с вогнутыми склонами. Привершинная часть конуса заканчивается кальдерой, или кратером. В Курило-Камчатской зоне таких вулканов за последние 40 лет возникло около двух десятков.

    Разнообразие видов вулканизма часто определяется составом и степенью вязкости магматического вещества. Так, у Этны и Везувия подвижные лавы образуют волнистые равнины. Бывают лавы в виде скрученных канатов. При небольших скоростях движения лавы на фоне волн видны участки с плитовидной поверхностью, пустоты в виде туннелей. Глыбовые равнины обычно образованы более вязкими лавами. При короблении лавового потока возникают трещины, обусловливающие дробление на глыбы и блоки поперечником в несколько метров.

    Еще одна форма рельефа, образующаяся при извержениях вулканов, — купола. Разрушение вулканических конусов происходит довольно быстро. Пепловые равнины разрушаются за сотни — тысячи лет, конусы стратовулканов — за 4 — 10 тыс. лет; шлаковые конусы — за несколько тысяч лет. Исключение составляют лавовые плато, которые существуют несколько миллионов лет.

    Увеличение внутрипластового давления в недрах осадочных пород приводит к «извержению» потоков полужидкого обломочного материала на поверхность и образованию низких (до 400 м) усеченных конусов, похожих на щитовые вулканы. В природе встречаются надводные и подводные грязевые вулканы. Грязевая равнина у подножия вулканов обычно отличается холмисто-западинным рельефом.
    Грязевые вулканы распространены в тех областях, где наблюдаются мощные толщи рыхлых отложений и отмечаются активные движения земной коры. Поэтому значительная часть грязевых вулканов встречается в Альпийско-Гималайском и Андийско-Кордильерском горных поясах. Особенно много, около 170, действующих грязевых вулканов в Азербайджане, где есть наземные, подводные и даже погребенные вулканы. Происхождение многих островов Бакинского и Апшеронского архипелагов связано с грязевым вулканизмом. Под действием огромного давления газов и воды морское дно нередко приподнимаются на 5 — 10 м, а площадь таких поднятий достигает 8 га. Интересно, что в этом районе Альпийско-Гималайского горного пояса в периоды снижения уровня Каспийского моря грязевой вулканизм усиливается, а при подъеме морских вод — стихает. Другая область, где извергаются грязевые вулканы, находится на северо-западе Куринской впадины, вблизи границы Азербайджана и Грузии. Здесь насчитывается около 20 вулканов. За период с 1810 по 1839 г. тут произошло 7 извержений, с 1839 по 1868 г. — 20 извержений, с 1868 по 1906 г. — 24 извержения.

    Грязевые вулканы действуют на дне Черного моря, к югу от Крымского полуострова. Их насчитывается более десятка.

    Помимо вулканизма к эндо-экзогенным процессам относятся ударно-взрывные процессы. Они связаны с падением на Землю крупных метеоритов. Наряду с едва видимой пылью на поверхность планеты падают и крупные космические тела, вызывающие появление огромных кратеров и котловин. Первая стадия — столкновение метеорита с Землей. Эта стадия может считаться экзогенной. Но через доли секунды создается не только рельеф, но и горная порода. Эта стадия может считаться эндогенной. Поверхность Земли сохранила до наших дней многие сотни «звездных ран», их часто называют метеоритные кратеры. При этом остались, конечно, самые большие кратеры. Об этом можно судить по диаметру кратеров. Аризонский кратер в Северной Америке достигает в поперечнике 1200 м, Госез-Блаф в Австралии — 4000 м, Нордлингер-Рис в Германии — 24 000 м, Болтышский на Украине — 25 000 м, Карский — 60 000 м. Встречаются также гигантские кратеры, диаметр которых превышает сотни километров. Их называют астроблемами. Попигайская астроблема на севере Сибири имеет диаметр более 100 км, Приаральская — 700 км. На Украине найдены следы падения очень крупного каменного метеорита, которое произошло около 100 млн. лет назад. Диаметр кольцевого вала по окраине кратера составил около 4 км, а энергия, выделившаяся при ударе о землю, такая же, как при взрыве 120-мегатонной ядерной бомбы. При ударе горные породы были разрушены до глубины 100 м. Столкновение метеорита с поверхностью Земли происходит со скоростью около 16 км/с, кратер образуется в несколько фаз. Первая — фаза сжатия, в течение которой космическое тело испытывает торможение в толще горных пород. Это длится несколько секунд. Вторая фаза — образование кратера. Третья фаза — трансформация кратера и заполнение его обломками.

    Определение эндогенного по Merriam-Webster

    en · dog · e · nous | \ en-ˈdä-jə-nəs \

    1 : растет или производится путем роста из глубоких тканей эндогенные корни растений

    : вызвано факторами внутри организма или системы пострадали от эндогенной депрессии эндогенных деловых циклов

    б : производится или синтезируется в организме или системе эндогенный гормон

    Переход от эндогенной к экзогенной доставке модельного лекарственного средства к ДНК посредством мицеллярной инженерии

    Основные моменты

    Изучение перехода от эндогенной к экзогенной доставке модельного лекарственного средства.

    Бромид этидия используется как модельное лекарство, а цт-ДНК — как мишень.

    Режим доставки контролируется путем настройки длины цепи мицеллярных носителей.

    Эндогенный режим позволяет избежать внешних стимуляторов и связанных с ними проблем.

    Экзогенный режим делает доставку контролируемой и количественной.

    Abstract

    Впервые была продемонстрирована потенциальная стратегия переключения способа доставки лекарств или небольших молекулярных систем с эндогенного на экзогенный, просто путем конструирования длины цепи мицеллярных носителей.Бромид этидия (EB) используется в качестве модельного лекарственного средства, которое успешно доставляется в природную ДНК посредством эндогенных и экзогенных способов за счет настройки длины цепи анионных мицелл н-алкилсульфата натрия. β-циклодекстрин (β-CD) используется как внешний стимулятор для экзогенной доставки EB к ДНК. Мультиспектроскопические методы, включающие абсорбцию, эмиссию, анизотропию флуоресценции, анализ затухания флуоресценции, круговой дихроизм, плавление спирали ДНК и т. Д. , установили настройку режима доставки между эндогенным и экзогенным.Дифференциальная аффинность связывания модельного лекарственного средства с различными мицеллами разной длины цепи по сравнению с таковой с ДНК капитализируется, чтобы переключение стало возможным. Хотя эндогенный режим позволяет избежать внешнего стимулятора и связанных с ним проблем, регулирование концентрации стимулятора делает другой режим контролируемым и количественным. При соответствующем выборе мицеллы-носителя и модуляции этой разработанной стратегии можно радикально изменить терапевтические исследования, позволяя контролировать способ доставки лекарственного средства, чтобы избирательно использовать преимущество одного или другого, когда это необходимо.

    Ключевые слова

    Биоактивный зонд

    Бромид этидия

    ДНК

    Таргетированная доставка лекарств

    Эндогенная и экзогенная доставка

    Мицеллярная инженерия

    Рекомендуемые статьи Цитирующие статьи (0)

    Просмотреть полный текст

    B.V. © 2019 Elsevier B.V. Все права защищены.

    Рекомендуемые статьи

    Цитирующие статьи

    Определение эндогенной переменной

    Что такое эндогенная переменная?

    Эндогенная переменная — это переменная в статистической модели, которая изменяется или определяется своими отношениями с другими переменными в модели.Другими словами, эндогенная переменная является синонимом зависимой переменной, что означает, что она коррелирует с другими факторами в рамках изучаемой системы. Следовательно, его значения могут определяться другими переменными.

    Эндогенные переменные противоположны экзогенным переменным, которые являются независимыми переменными или внешними силами. Однако экзогенные переменные могут влиять на эндогенные факторы.

    Ключевые выводы

    • Эндогенные переменные — это переменные в статистической модели, которые изменяются или определяются их взаимосвязью с другими переменными.
    • Эндогенные переменные являются зависимыми переменными, то есть они коррелируют с другими факторами, хотя это может быть положительная или отрицательная корреляция.
    • Эндогенные переменные важны в экономическом моделировании, потому что они показывают, вызывает ли переменная определенный эффект.

    Понимание эндогенных переменных

    Эндогенные переменные важны в эконометрике и экономическом моделировании, потому что они показывают, вызывает ли переменная определенный эффект.Экономисты используют причинное моделирование для объяснения результатов путем анализа зависимых переменных на основе множества факторов. Например, в модели, изучающей спрос и предложение, цена товара является эндогенным фактором, поскольку цена может быть изменена производителем (поставщиком) в ответ на потребительский спрос.

    Экономисты также включают независимые переменные, чтобы помочь определить, в какой степени результат может быть отнесен на счет экзогенной или эндогенной причины. Эндогенные переменные имеют значения, которые меняются как часть функциональной связи между другими переменными в модели.Отношения также называются зависимыми и считаются предсказуемыми по своей природе.

    Переменные обычно коррелируют таким образом, что изменение одной переменной должно приводить к перемещению другой переменной. Другими словами, переменные должны коррелировать друг с другом. Однако им не обязательно двигаться в одном направлении, а это означает, что повышение одного фактора может вызвать падение другого. Пока изменение переменных коррелирует, оно считается эндогенным, независимо от того, положительная это или отрицательная корреляция.

    Хотя эндогенные переменные являются зависимыми переменными, которые коррелируют друг с другом, важно знать, в какой степени экзогенные переменные влияют на модель.

    Помимо экономики, в других областях используются модели с эндогенными переменными, включая метеорологию и сельское хозяйство. Иногда взаимосвязь в этих моделях носит эндогенный характер только в одном направлении. Например, в то время как приятная погода может привести к более высокому уровню туризма, более высокие ставки туризма не влияют на погоду.

    Эндогенные и экзогенные переменные

    В отличие от эндогенных переменных, экзогенные переменные считаются независимыми. Другими словами, одна переменная в формуле не диктует и не коррелирует напрямую с изменением другой. Экзогенные переменные не имеют прямых или шаблонных отношений. Например, личный доход и предпочтения цвета, количество осадков и цены на газ, полученное образование и любимый цветок — все это будет считаться экзогенными факторами.

    Примеры эндогенных переменных

    Например, предположим, что модель исследует взаимосвязь между временем в пути сотрудников и расходом топлива.По мере увеличения времени в пути внутри модели увеличивается и расход топлива. Отношения имеют смысл, поскольку чем дольше человек добирается до места назначения, тем больше топлива требуется, чтобы добраться до места назначения. Например, поездка на 30 миль требует больше топлива, чем на поездку на 20 миль. Другие отношения, которые могут быть эндогенными, включают:

    • Из личного дохода в личное потребление, поскольку более высокий доход обычно приводит к увеличению потребительских расходов.
    • Количество осадков коррелирует с ростом растений и изучается экономистами, поскольку количество осадков важно для товарных культур, таких как кукуруза и пшеница.
    • Полученное образование соответствует будущему уровню дохода, потому что существует взаимосвязь между образованием и более высокой заработной платой или заработной платой.

    Эндогенные вещества и ваше тело

    «Эндогенный» означает «продуцируемый внутри организма или клетки». Таким образом, эндогенное вещество — это вещество, которое возникает в организме живого организма.

    Многие люди используют термин «эндогенный» для обозначения «внутри тела» или «вызванный факторами внутри тела». Эндогенное и эндогенное вещество — это слова, которые относительно часто используются врачами в медицинской терминологии, но не используются людьми вне медицинской сферы.

    Эндогенный — это противоположность экзогенного, что означает возникновение вне живого организма.

    Дэвид Мюррей и Жюль Селмс / Getty Images

    Примеры эндогенных веществ

    Вот несколько примеров эндогенных веществ (все из которых, как вы можете понять по их названиям, происходят из организма):

    • Эндогенный холестерин . Если вы на протяжении многих лет обращали внимание на рекламу лекарств от холестерина, вы, возможно, помните одну рекламу, в которой говорилось о двух источниках холестерина: диетическом холестерине и холестерине, происходящем из вашего собственного тела.Этот второй источник холестерина, вырабатываемый вашей собственной печенью внутри вашего тела, делает этот холестерин эндогенным веществом.
    • Эндогенные опиоиды . В некоторых случаях ваше тело вырабатывает собственное обезболивающее в виде эндогенных опиоидных соединений. Эти соединения действуют так же, как и принимаемые вами опиоидные препараты, блокируя боль, которую вы в противном случае почувствовали бы. Медицинские эксперименты показали, что ваш мозг на самом деле активирует эти препараты собственного производства для предотвращения боли в определенных случаях — по сути, это физический механизм, лежащий в основе «бега».«
    • Эндогенные аутоантитела . Ваша иммунная система предназначена для борьбы с чужеродными захватчиками, такими как вирусы и бактерии. Однако иногда он вырабатывает антитела, которые по ошибке атакуют ваши собственные органы и другие ткани. Эти антитела являются эндогенными аутоантителами — эндогенными, потому что они возникают внутри вашего тела, и «ауто» антителами, потому что они атакуют их собственный организм. Эти эндогенные вещества приводят к аутоиммунным заболеваниям, таким как глютеновая болезнь (когда эндогенные аутоантитела атакуют тонкий кишечник) и диабет 1 типа (когда они атакуют поджелудочную железу).
    • Эндогенный сероводород . Хроническая обструктивная болезнь легких (ХОБЛ) характеризуется прогрессирующим ограничением дыхательных путей. Проще говоря, болезнь затрудняет дыхание. Медицинские исследователи изучили, что вызывает эту проблему, и определили несколько потенциальных виновников. Один из них — эндогенный сероводород или сероводород, образующийся в вашем собственном организме. Одно исследование измеряло уровни сероводорода в крови людей с ХОБЛ и показало, что более высокие уровни коррелируют с более тяжелыми случаями ХОБЛ.Исследователи пришли к выводу, что эндогенный сероводород участвует в ХОБЛ.

    Роль эндогенных и экзогенных механизмов в формировании сетей НИОКР

    Эмпирические данные

    Мы построили нашу эмпирическую сеть НИОКР, используя базу данных SDC Platinum 21 , в которой сообщается о примерно 672 000 публично объявленных альянсов во всех странах с 1984 по 2009 г., с детализацией в 1 день, между несколькими видами экономических субъектов (включая производственные фирмы, инвесторов, банки и университеты).Затем мы выбираем все альянсы, отмеченные флажком «НИОКР»; после применения этого фильтра в наборе данных перечисляются в общей сложности 14 829 альянсов, объединяющих 14 561 фирму. Альянс НИОКР определяется как событие партнерства между двумя или более фирмами, которое может охватывать как формальные совместные предприятия, так и более неформальные исследовательские соглашения, специально нацеленные на исследования и разработки. Каждая фирма, указанная в наборе данных, связана с кодом SIC (Standard Industrial Classification) — системой правительства США, которая позволяет нам однозначно отнести каждую фирму к соответствующему промышленному сектору.Мы используем эту отраслевую классификацию, чтобы проверить инвариантность и надежность некоторых эмпирических характеристик сети НИОКР по секторам. Отличительной особенностью альянсов НИОКР в наборе данных SDC является переменное количество партнеров, которых они привлекают. Большая часть сотрудничества (93%) предусматривается между двумя партнерами, но некоторые союзы — так называемые консорциумы — включают трех или более партнеров. Распределение количества фирм на событие альянса, как показано на рис. 1, охватывает один порядок величины и смещено вправо.Эта функция действует независимо от промышленного сектора, к которому принадлежат партнеры по альянсу (см. Дополнительную информацию, SI).

    Рисунок 1

    Распределение количества партнеров на альянс, измеренное на основе набора данных альянса SDC.

    В нашем сетевом представлении мы рисуем неориентированную ссылку, соединяющую два узла каждый раз, когда в наборе данных объявляется альянс между двумя соответствующими фирмами. Когда в альянсе участвует более двух фирм, мы предполагаем, что все соответствующие узлы соединены попарно, образуя полносвязную клику.Этот выбор обусловлен тем фактом, что консорциумы, хотя и представляют лишь меньшинство альянсов, требуют от партнеров большой координации и наличия ресурсов. Точнее, следуя этой процедуре, мы получаем в общей сложности 21 572 ссылки из 14 829 событий альянса, перечисленных в наборе данных. Однако в определении нашей модели мы не делаем никакой разницы между консорциумом и «стандартным» альянсом двух партнеров, который является лишь его частным случаем (и может рассматриваться как полностью связанная клика размера 2 ).

    Другой отличительной мерой, которую мы вводим и анализируем в этом исследовании, является деятельность фирм распределение 22 . Эта деятельность была разработана в области временных сетей 23 и изучалась на различных наборах данных, таких как соавторство, онлайн-микроблоги или сети актеров / фильмов. Применение этой концепции к межорганизационной сети НИОКР является логическим следствием этих недавних разработок. Насколько нам известно, ни в одной из предыдущих работ это количество не измерялось на множестве реальных фирм, участвующих в альянсах в области НИОКР, с использованием эмпирических данных.Мы определяем эмпирическую активность фирмы i в момент времени t , в течение временного окна Δ t , как количество событий альянса с участием фирмы i во временном окне Δ t , заканчивающихся в момент времени. t , деленное на общее количество событий альянса с участием любой фирмы за тот же период времени:

    Активность выражает вероятность того, что фирма примет участие в любом событии альянса, происходящем в данном временном окне.Мы тестируем четыре отрезка времени Δ t , равные 1, 5, 10 и 26 годам, и обнаруживаем, что эмпирическое распределение активности фирмы практически не зависит от выбранного Δ t . Мы сообщаем о наших результатах на рис. 2. Распределение активности фирм искажено вправо и разбросано на несколько порядков, как и во многих других социальных и технологических системах 24,25,26 . В отличие от большинства показателей сети НИОКР, которые демонстрируют сильную изменчивость и зависимость от времени 6 , активность является стабильным атрибутом, который можно присвоить фирмам и эффективно оценить их известность.Действительно, эмпирические данные о деятельности фирмы устойчивы в отношении времени t , в которое они измеряются: смещение временного окна — любой длины Δ t — на 26 лет, указанных в наборе данных, не влияет на результаты (см. SI ). Кроме того, мы обнаружили, что распределение видов деятельности устойчиво к отраслевой классификации фирм (см. SI).

    Рис. 2

    Дополнительная кумулятивная функция распределения (CCDF) эмпирической деятельности фирмы, измеренная на наборе данных SDC с 4 различными временными окнами Δ t в 1, 5, 10 и 26 лет.

    Когда временное окно короче 26 лет (весь период наблюдения набора данных), мы вычисляем активность, сдвигая временное окно с шагом в 1 год, а затем усредняем результаты.

    Эмпирическая сеть НИОКР, а также сети, которые мы генерируем с помощью компьютерного моделирования, затем характеризуются по трем следующим критериям:

    • Степень . Мы определяем степень k i узла i как количество его соседей.В действительности две фирмы могут иметь более одного альянса по разным проектам. Тем не менее, поскольку мы стремимся изучить связи между фирмами, а не количество альянсов, в которые входит фирма, мы отбрасываем эту информацию и используем невзвешенных ссылок в нашем сетевом представлении. Наконец, мы называем 〈 k 〉 средним значением этой меры по всем узлам сети.

    • Длина пути .Длина пути l ij между двумя узлами i и j определяется как наименьшее количество звеньев, которые необходимо пройти, чтобы достичь j от i или наоборот ( l ij = l ji в ненаправленной сети, такой как сеть R&D). Затем мы определяем 〈 l 〉 как среднее значение этой меры по всем парам узлов в сети.Если узлы i и j принадлежат отключенным компонентам сети, мы просто отбрасываем их для вычисления средней длины пути.

    • Коэффициент кластеризации . Коэффициент локальной кластеризации c i узла i измеряет степень, в которой его партнеры в свою очередь связаны друг с другом. Он определяется как отношение существующих связей между соседями узла i ко всем возможным связям между этими соседями 27 .Мы также характеризуем сеть с точки зрения ее глобального коэффициента кластеризации C , также известного как транзитивность. Он определяется как отношение замкнутых триад (т. Е. Групп из трех узлов, связанных между собой) ко всем путям длины два в сети. Следует отметить, что глобальный коэффициент кластеризации C не равен среднему 〈 c 〉 локальных коэффициентов кластеризации по всем узлам в сети 27 , хотя в некоторых исследованиях используется последний показатель.Мы предпочитаем использовать C , потому что он имеет прямую интерпретацию и, в отличие от 〈 c 〉, не зависит от большого количества узлов с низкой степенью, которые заполняют сеть.

    В таблице 1 представлены наблюдаемые значения средней степени 〈 k OBS , средней длины пути 〈 l OBS и глобального коэффициента кластеризации C OBS для эмпирическая сеть НИОКР.Значения относятся к совокупной сети, полученной путем рассмотрения всех альянсов, имевших место в течение нашего периода наблюдения 1984–2009 годов; с этого момента мы будем называть совокупную сеть НИОКР просто эмпирической сетью НИОКР.

    Таблица 1 Наблюдаемые значения средней степени 〈 k OBS , средней длины пути 〈 l OBS и глобального коэффициента кластеризации C OBS для сети

    Этот набор показателей дает нам интуитивное представление о глобальных свойствах сети.В частности, средняя степень указывает на довольно редкую топологию, то есть у фирм в среднем всего 2,7 партнера. Тем не менее, глобальный коэффициент кластеризации указывает на умеренный уровень транзитивности, а средняя длина пути ясно показывает свойства малого мира сети НИОКР. Чтобы углубить наше эмпирическое исследование, мы сообщаем о наборе микроскопических показателей, а именно о распределении степеней узлов, длин путей, локальных коэффициентов кластеризации и размеров сетевых компонентов.Компонент сети определяется как набор узлов, которые соединены друг с другом по меньшей мере одним путем; количество этих узлов и есть размер компонента. Как мы сообщаем на рис. 3, распределение степеней является тяжелым, что указывает на неоднородность в моделях связности. Позже мы покажем, что, несмотря на эти свойства распределения степеней, средней степени нам достаточно для воспроизведения многих микроскопических свойств сети. Распределение средней длины пути вместо этого достигает пика около среднего значения 5, в то время как коэффициент локальной кластеризации довольно разброс в своем возможном диапазоне, т.е.е. [0, 1], что указывает на большую неоднородность локальной транзитивности. Распределение размеров компонентов показывает наличие гигантского компонента в сети НИОКР (содержащего примерно 60% узлов), а также множества более мелких компонентов до размера 2.

    Рисунок 3

    Распределение степеней узлов (а), длины пути (b), локальные коэффициенты кластеризации (c) и размеры компонентов (d) для реальной сети НИОКР.

    Наконец, мы обращаем внимание на модульные свойства сети R&D.Было признано, что сети во многих различных областях организованы в модули или кластеры, характеризующиеся группами тесно связанных узлов 28,29 . Сети НИОКР не являются исключением 6 . Интересно, что формирование таких кластеров не объясняется такими факторами, как промышленные сектора компаний или их географическое распределение 9 . Действительно, фирмы, принадлежащие к разным секторам и расположенные в разных странах, могут составлять один и тот же сетевой кластер.Однако кластеры в сетях НИОКР никогда не определялись теоретически; они были обнаружены только эмпирически с помощью простых алгоритмов K-средних и использовались для получения приблизительных указаний на деятельность межфирменных альянсов 9 . Мы выполняем обнаружение сообществ в эмпирической сети НИОКР с помощью алгоритма Infomap 30 и сообщаем наши результаты на рис. 4. Мы обнаруживаем присутствие примерно 3500 кластеров в сети НИОКР, распределение которых по размеру выглядит рассредоточенным и смещенным вправо. , отображая максимальный размер кластера около 200 фирм и минимальный размер кластера 2.На рис. 4 мы также представляем эмпирическую сеть НИОКР; Для наглядности мы рассматриваем только 30 крупнейших кластеров фирм и изобразим их, сгруппировав соответствующие узлы в 30 различных областях области графика. Наконец, мы вычисляем так называемую оценку модульности эмпирической сети НИОКР, чтобы количественно оценить качество такого разделения сети на кластеры. Точнее, мы используем нормализованную версию Q коэффициента модульности 27 , определенного таким образом, что Q = 1 в случае идеально модульной сети, где ссылки формируются только внутри одного кластера.Аналогично, Q = -1 для совершенно антимодульной сети, где ссылки соединяют только узлы, принадлежащие разным кластерам, и Q = 0 для сети, в которой ссылки формируются случайным образом. Мы не приводим здесь полное определение нормированного коэффициента модульности Q , поскольку это выходит за рамки данной работы.

    Рис. 4

    (a) Визуальное представление эмпирической сети НИОКР (мы используем схему Фрухтермана-Рейнгольда 42 ), учитывая только 30 крупнейших кластеров, обнаруженных алгоритмом Infomap.Четкие кластеры представлены узлами группировки в различных областях области графика. (б) Распределение размеров кластеров в эмпирической сети НИОКР.

    Для эмпирической сети НИОКР мы наблюдаем значение Q OBS = 0,68, что значительно выше по сравнению с другими примерами реальных сетей 31 . Чтобы проверить, является ли такое высокое значение показателем реальной модульной структуры в сети НИОКР, а не только артефактом, вызванным ее размером и плотностью 32 , мы вычисляем оценки модульности Q для набора из 500 случайно сгенерированных сетей, имеющих та же последовательность степеней, что и эмпирическая.Мы обнаруживаем, что наблюдаемое значение Q OBS = 0,68 значительно больше (с расчетно неотличимым от нуля значением p ), чем баллы Q , полученные для 500 случайно сгенерированных сетей, которые обычно распределены около среднего значения 0,570 с чрезвычайно малой дисперсией 0,001. Такой результат является значимым показателем модульности сети НИОКР.

    Модель

    Эмпирические наблюдения сети НИОКР указывают на явную неоднородность в моделях деятельности и взаимосвязанности, особенности небольшого мира, умеренный уровень транзитивности и высокомодульную структуру, не просто связанную с промышленными секторами компаний.Исходя из этих данных, здесь мы представляем новую структуру моделирования для сетей НИОКР. Мы рассматриваем сеть, состоящую из узлов N ; каждый из них наделен двумя основными атрибутами: действием и меткой . Такие атрибуты определяют правила взаимодействия узлов, которые организованы в пять отдельных этапов, как описано ниже:

    Активация узла

    Мы назначаем каждому из узлов i = 1,…, N действие a i , аналогично эмпирическим действиям, извлеченным из набора данных SDC.Действительно, мы отбираем без замены все значения a i из эмпирического распределения активности. Действия, которые мы назначаем узлам N , вычисляются с учетом всего периода наблюдения 1984–2009 гг. (Следовательно). Учитывая высокую устойчивость эмпирических действий к временному окну, мы решили использовать 26-летнее окно, потому что оно содержит полную информацию о наборе данных и дает действиям , i , которые всегда строго больше 0 (все фирмы, перечисленные в наборе данных SDC, по определению должны быть вовлечены как минимум в 1 альянс).Действие определяет склонность каждого узла к участию в событии альянса НИОКР. Мы используем это количество для моделирования вероятности активации каждой фирмы. В частности, на каждом временном шаге узел i инициирует альянс с вероятностью p i = ηa i Δ t и количество активных узлов N , — это

    , где 〈 a 〉 — это средняя активность узла, а η — коэффициент масштабирования, который позволяет регулировать скорость активации и, следовательно, количество активных узлов за временной шаг.Мы обнаружили, что модель очень устойчива к выбору η, не показывая никаких измеримых изменений для η в диапазоне от 10 −5 до 1; однако мы фиксируем η = 0,01, чтобы получить N A примерно равным 1,5, количеству событий альянса в день, фактически сообщаемых в наборе данных. Не умаляя общности, фиксируем Δ t = 1.

    Выбор размера альянса

    Когда узел активируется, он выбирает количество партнеров m , с которыми формируется альянс.Мы предполагаем, что значение м полностью не зависит от каких-либо характеристик активного узла: мы отбираем его без замены из эмпирического распределения количества партнеров на альянс. Другими словами, мы перемешиваем последовательность количества партнеров на альянс (напрямую измеряемую из набора данных), а затем извлекаем значение каждый раз, когда происходит событие активации; m можно представить как количество партнеров, участвующих в каждом событии альянса, уменьшенное на 1, потому что активный узел не учитывается дважды.

    Распространение меток

    Как показано в предыдущем разделе, реальная сеть НИОКР организована в кластеры тесно связанных между собой узлов. Однако эти кластеры не изолированы; предыдущие исследования 6,9 выявили существование «ярлыков», соединяющих различные кластеры, а также формирование альянсов с новыми партнерами, еще не принадлежащими к сети НИОКР. Это наблюдение предполагает, что фирмы диверсифицируют некоторые из своих союзов, а не просто налаживают сотрудничество в рамках определенного кластера.Мы моделируем эту функцию, предполагая, что каждый из узлов N снабжен атрибутом с именем label . Этот атрибут уникален — т.е. каждый узел может иметь только одну метку в любое время — и фиксирован — когда узел принимает метку, он не изменяется -. Ярлыки моделируют принадлежность фирм к разным группам, которые они неявно определяют своими общими практиками и общепризнанным поведением: другими словами, ярлык символизирует принадлежность фирмы к четко определенному и признанному «клубу» или «кругу влияния». .Кроме того, мы предполагаем, что такое членство может быть передано другим фирмам в результате альянса, при условии, что они еще не входят в какой-либо круг влияния. В нашем сетевом представлении каждый инициатор альянса действительно распространяет свою метку на всех своих m партнеров, если они не помечены. В начале каждого моделирования все узлы имеют номер без метки , что означает, что их атрибут принадлежности пуст. Есть два способа, которыми немаркированный узел может принять свою метку: (i) узел либо получает метку от другого узла, если последний инициирует альянс, либо (ii) он принимает произвольную и уникальную метку, когда становится активным для первый раз (см. рис.5).

    Рисунок 5

    Два типичных примера распространения меток.

    Помеченный узел (чья метка изображена зеленым) выбирает формирование альянса с м = 2 партнера, один с другой меткой (изображен желтым) и один без метки, в момент времени t = T . Инициатор распространяет свою зеленую метку в момент времени t = T + 1 только на ранее немаркированный узел. Связь с желтым узлом все еще формируется, но распространение метки не происходит.Точно так же немеченый узел активируется в момент времени t = T и образует альянс с m = 3 партнерами, двумя немечеными узлами и одним помеченным (синим) узлом. Немеченый инициатор берет новую произвольную метку (изображенную красным) в момент времени t = T + 1 и распространяет ее только своим ранее немеченным партнерам. Красная метка не распространяется на синий узел, даже если ссылки формируются регулярно.

    Выбор категорий партнеров

    Наличие меток узлов порождает различные типы альянсов, которые мы явно выделяем в нашей модели (см.рис.6). В частности, если инициатором является помеченный узел, он представляет действующую фирму , то есть фирму, которая уже была вовлечена по крайней мере в один альянс. В этом случае инициатор может ссылаться на помеченный узел, имеющий такую ​​же метку (с вероятностью), или на узел, имеющий другую метку (), или на узел без метки (). Если инициатор — немаркированный узел, он представляет фирму-новичка , то есть фирму, которая еще не участвовала в каком-либо событии альянса. В этом случае инициатор может ссылаться на помеченный узел (с вероятностью) или на другой немеченый узел ().Пять вероятностей, связанных с этими событиями, представленные на рис. 6, являются свободными параметрами нашей модели.

    Рисунок 6

    Следуя определениям, традиционно принятым в предыдущей теоретической литературе, мы утверждаем, что вероятности, связанные с соединением с помеченным узлом (, и), количественно определяют значимость эндогенных механизмов для образования ссылок, учитывая, что инициатор альянса имеет информацию о положении в сети (т. е. о социальном капитале) своих потенциальных партнеров.Аналогичным образом, вероятности, связанные с подключением к немаркированному узлу (и), оценивают релевантность экзогенных механизмов: в этом случае инициатор не может иметь никакой информации о социальном капитале фирмы, которая еще не является частью сети. . Пять вероятностей ограничены двумя условиями, уменьшая количество независимых параметров до трех; их номенклатура и их значение приведены в Таблице 2.

    Формирование ссылок

    После определения категории каждого из своих м партнеров, мы предполагаем, что инициатор выбирает своих конкретных партнеров в рамках этих категорий в соответствии с их привлекательностью.Действительно, было показано 19,20 , что фирмы имеют тенденцию связываться с фирмами, имеющими более высокую известность (т. Е. Историей предыдущих альянсов). Мы оцениваем это с учетом степени каждого потенциального партнера. Точнее, мы используем линейное правило предпочтительного присоединения, где вероятность присоединения к узлу j линейно масштабируется с его степенью k j , что означает, что Π ( k j ) ~ к к .Правило предпочтительного присоединения применяется к пулу всех партнеров-кандидатов после того, как инициатор альянса выбрал категорию партнеров (см. Рис. 6). Это правило явно не применяется, когда инициатор — независимо от того, помечен он или нет — решает подключиться к немеченному узлу, у которого по определению нет предыдущих партнеров ( k j = 0). В этом случае партнер выбирается среди всех немеченых узлов с равной вероятностью. Когда процесс выбора завершен, инициатор подключается к своим m партнерам.В соответствии с нашим представлением о научно-исследовательской сети, мы предполагаем, что все партнеры м также будут связаны друг с другом, образуя полностью связанную группу размером м + 1.

    Реализация модели

    Мы выполняем обширное компьютерное моделирование путем применения описанной выше модели и варьирования значений ее независимых параметров. Мы фиксируем параметры модели, которые мы можем напрямую измерить из данных, а именно количество агентов N = 14, 561, распределение активности узла a i и распределение количества партнеров m. за событие альянса.Мы останавливаем каждое компьютерное моделирование, когда общее количество сформированных альянсов равно количеству событий альянсов, указанных в наборе данных SDC, E = 14, 829.

    Мы изменяем значения и дискретными шагами с интервалом 0,05 в интервал (0, 1). Параметры и ограничены условием, что означает, что их сумма должна быть меньше или равна 1. Это условие переводится в 3420 точек для исследования в трехмерном пространстве параметров, для каждого из которых мы запускаем 200 симуляций (всего 684000 прогонов).Подобно эмпирической сети НИОКР, мы рассматриваем окончательную агрегированную сеть, полученную в результате каждого из 684000 компьютерных симуляций, и тестируем ее на реальных данных по трем параметрам: средняя степень 〈 k 〉, средняя длина пути 〈 l 〉 И глобальный коэффициент кластеризации C . Мы обнаруживаем, что все такие количества распределены вокруг эмпирических значений, о чем мы сообщаем в SI более подробно. Это свидетельствует о том, что наша модель хорошо отражает топологию наблюдаемой сети для большого набора свободных параметров.Следует отметить, что мы наложили несколько характеристик из эмпирической сети (количество узлов N и альянсов E и распределения активности узлов a i и партнеров на альянс m ). Однако распределения смоделированных 〈 k 〉, 〈 l 〉 и C , полученных путем исследования пространства параметров модели, хотя и сосредоточены вокруг реальных значений, демонстрируют довольно большую дисперсию (как сообщается в SI ).В качестве следующего шага мы стремимся определить, какая комбинация параметров может наилучшим образом соответствовать реальной сети НИОКР. Для этого мы используем подход максимального правдоподобия. Особенность этого исследования заключается в том, что вместо набора наблюдений, на основании которых мы можем проверить нашу модель, у нас есть только одна эмпирическая точка: реальная сеть НИОКР. В частности, мы не можем рассматривать три меры как независимые, поэтому функция правдоподобия читается как:

    , где f (·) — совместная функция плотности всех комбинаций параметров p , приводящая к сети, эквивалентной наблюдаемой одна сетка OBS p , и net OBS являются векторами с тремя компонентами, выражающими соответственно три параметра модели и три измерения глобальной сети net OBS ≡ (〈 k OBS , 〈 л OBS , C OBS ). Следовательно, нам нужно найти комбинацию параметров (,,), максимизирующую вероятность создания сети, макроскопические свойства которой достаточно похожи на реальную сеть net OBS .Под этим мы подразумеваем, что относительные ошибки наблюдаемых значений для средней степени, средней длины пути и глобального коэффициента кластеризации должны быть меньше определенного порога. Мы эмпирически вычисляем функцию правдоподобия для каждой точки в пространстве параметров, подсчитывая долю ее 200 реализаций моделирования, которые удовлетворяют критериям; ; . Таким образом, мы получаем значения, которые могут варьироваться от 0 (никакая реализация этой комбинации параметров не удовлетворяет критериям) до 1 (все ее реализации удовлетворяют критериям).

    Пороговое значение ошибки, которое мы устанавливаем для вычисления оценки правдоподобия, влияет на количество точек в пространстве параметров, которые удовлетворяют нашим критериям сопоставления. Очевидно, что при уменьшении мы наблюдаем меньшее количество точек, отображающих высокие оценки правдоподобия, как и следовало ожидать, потому что требуется лучшее представление реальности (см. SI). Мы придерживаемся консервативного подхода и используем порог ошибки, который обеспечивает хорошее соответствие наблюдаемой сети НИОКР, не вырезая слишком много точек в пространстве параметров.Соответствующие оценки правдоподобия представлены на рис. 7 посредством трехмерной цветовой карты, где цветовая шкала представляет вероятность. Чтобы получить более подробное представление оценок правдоподобия, мы также показываем три среза пространства параметров, полученных путем фиксации параметра в диапазоне 0,25 ÷ 0,35, соответствующем области оценки наивысшего правдоподобия, всегда с использованием порога ошибки. Двухмерные цветные карты, представленные на рис. 7, отображают оценку правдоподобия как функцию двух других свободных параметров и.

    Точка с наибольшей вероятностью имеет следующие координаты в пространстве параметров:, и. Мы уже можем видеть, что в оптимальной конфигурации помеченные узлы демонстрируют сбалансированную стратегию альянса, и, следовательно, в то время как немаркированные узлы демонстрируют сильную тенденцию к соединению с помеченными узлами (), в отличие от низкой вероятности связывания с другими. немеченые узлы (). В таблице 3 мы приводим набор значений параметров, максимизирующих оценку вероятности, вместе со значениями средней степени, средней длины пути и глобального коэффициента кластеризации для смоделированных и реальных сетей НИОКР.С этого момента мы называем сеть, сгенерированную с этими параметрами, оптимальной имитацией сетью . Точнее, мы генерируем 200 реализаций оптимальной моделируемой сети НИОКР (а также любой другой сети с общим набором параметров). По этой причине результаты, которые мы представляем в следующем разделе, вычисляются для всех 200 реализаций такой оптимальной сети.

    Таблица 3 Набор параметров модели p *, определяющий оптимальную смоделированную сеть НИОКР.Средняя степень, средняя длина пути и глобальный коэффициент кластеризации 200 реализаций оптимальной сети НИОКР сравниваются с их аналогичными эмпирическими значениями. Партнерство в сфере НИОКР. В самом деле, все фирмы предпочитают связывать существующие фирмы: 60% альянсов, инициированных старыми операторами, относятся к этой категории (), а также 75% альянсов, инициированных новичками.Этот результат соответствует хорошо известным экономическим теориям 33 , которые показали, как предыдущие взаимодействия между двумя фирмами увеличивают вероятность будущих союзов между ними, если они уже являются частью сети НИОКР. Кроме того, у новичков есть стимул присоединиться к сети НИОКР благодаря партнерству с фирмами, которые уже являются ее частью 34 . С другой стороны, мы обнаруживаем, что 40% альянсов, инициированных действующими игроками, а также 25% альянсов, инициированных новичками, направлены на новичков.Эти союзы могут быть вызваны только внешними факторами 17 , и возможное объяснение этой тенденции — привлекательность коммерческого или технологического капитала новичков.

    В целом, наши данные свидетельствуют о том, что как эндогенные, так и экзогенные механизмы вносят вклад в формирование альянса. Однако первый класс кажется более заметным: точная настройка нашей модели дает дополнительные доказательства и точную количественную оценку того, как предыдущие сетевые структуры играют самую большую роль в выборе потенциальных партнеров при формировании нового альянса.Как сообщается в литературе 20,33 , принадлежность к сети НИОКР и, в частности, принадлежность к определенному кругу влияния, сигнализирует о надежности и компетентности фирмы потенциальным партнерам. Этот механизм явно преобладает над экзогенным поиском партнеров по альянсу, поэтому мы утверждаем, что знание позиций партнеров в сети НИОКР имеет фундаментальное значение для каждой фирмы.

    Проверка модели

    Оптимальная смоделированная сеть НИОКР, как мы показали выше, генерируется набором значений параметров.Теперь мы хотим проверить, может ли наша модель с этим оптимальным набором параметров воспроизводить дальнейшие микроскопические свойства реальной сети. С этой целью мы приводим на рис. 8 четыре дополнительных распределения, вычисленных на оптимальной моделируемой сети НИОКР — степени узлов, длины путей, локальные коэффициенты кластеризации и размеры компонентов — и сравниваем их с эмпирическими (см. Рис. 3). С этого момента на каждом графике, который мы показываем, синие кружки соответствуют средним значениям, а полосы ошибок соответствуют стандартным отклонениям всех величин, которые мы анализируем на 200 реализациях оптимальной моделируемой сети НИОКР.

    Рисунок 8

    Распределения степеней узлов (a), длин путей (b), локальных коэффициентов кластеризации (c) и размеров компонентов (d) для реальной и оптимальной моделируемых сетей.

    Большинство полос ошибок не видно, потому что значения очень узко распределены по 200 реализациям оптимальной моделируемой сети.

    Примечательно, что мы обнаружили, что наша модель способна воспроизвести все распределения, а именно типичное распределение степеней со смещением вправо, распределение длины пути с максимумом около среднего значения 5 и распределение локальных коэффициентов кластеризации.Модель также может воспроизводить распределение компонентов по размеру, показывая появление гигантского компонента в сети (содержащего примерно 60% узлов) вместе со многими более мелкими компонентами вплоть до размера два. Изолированные узлы (узлы со степенью равной 0) исключены из нашего представления; следовательно, наименьший наблюдаемый размер компонента в наших сетях равен 2.

    Продолжая нашу процедуру проверки, мы тестируем модульные свойства оптимальной моделируемой сети НИОКР, выполняя алгоритм обнаружения сообщества Infomap 30 во всех его реализациях.Мы идентифицируем наличие 1 600 ± 20 кластеров (в то время как 3 500 кластеров составляют эмпирическую сеть НИОКР), минимальный размер которых составляет 2, а максимальный размер — около 100 узлов, аналогично эмпирической сети (см. Рис. 4). Мы приводим на рис. 9 визуальное представление оптимальной моделируемой сети НИОКР и распределение размеров обнаруженных кластеров. Интересно, что это распределение напоминает распределение эмпирической сети НИОКР, за исключением того, что в небольших кластерах размера 2 и 3 значительно меньше подсчетов.Более крупные кластеры, до 100 узлов, которые доминируют в сетевой структуре и вносят свой вклад в ее модульность, в равной степени заполняют эмпирические и оптимальные моделируемые сети НИОКР. Еще одним свидетельством их сходства является оценка модульности оптимальной моделируемой сети НИОКР Q * = 0,66 ± 0,01, что на удивление близко к ее эмпирическому аналогу Q OBS = 0,68. Также в случае оптимальной моделируемой сети НИОКР ее показатель модульности Q * значительно выше (со значением p , вычислительно неотличимым от нуля), чем оценки, полученные для набора из 500 случайно сгенерированных сетей с той же степенью последовательность ( Q которой обычно распределяется около 0.485 со стандартным отклонением 0,001), показывая, что модульность не является артефактом размера и плотности сети.

    Рисунок 9

    (a) Визуальное представление одной реализации оптимальной моделируемой сети НИОКР с использованием схемы Фрухтермана-Рейнгольда 42 и с учетом только 30 крупнейших кластеров, обнаруженных алгоритмом Infomap. Четкие кластеры представлены узлами группировки в различных областях области графика. Кроме того, мы изображаем метки наших узлов разными цветами; ясно видно, что большинство узлов в данном кластере имеют одну и ту же метку.(b) Распределение размеров i. круги влияния в 200 реализациях оптимальной моделируемой сети НИОКР, ii. кластеры Infomap в 200 реализациях оптимальной моделируемой сети НИОКР и iii. кластеры Infomap в эмпирической сети НИОКР.

    Теперь мы проверим, действительно ли наши метки узлов могут воспроизводить такую ​​модульную структуру сети. Чтобы оценить перекрытие между кластерами, обнаруженными с помощью алгоритма Infomap, и кругами влияния, определяемыми метками наших узлов, мы вычисляем нормализованную взаимную информацию коэффициент I norm 35 , очень часто используемый для этой цели 36 .Для двух сетевых разделов A, и B значение коэффициента I norm ( A , B ) изменяется от 0 (если разделы A и B независимы) до 1 (если разделы A и B идентичны). В нашем случае мы получаем поразительную норму I (метки, кластеры Infomap) = 0,899 ± 0,001, что свидетельствует о том, насколько хорошо метки наших узлов отражают появление кластеров в сети R&D.Этот результат еще более примечателен, если мы думаем, что алгоритм Infomap обнаруживает кластеры на основе вероятностного потока случайных блужданий в сети 30 , в то время как наш механизм распространения меток заключается только в назначении фиксированного атрибута принадлежности. Мы также представляем визуальное сравнение кластеров, идентифицированных с помощью Infomap, с кругами влияния, полученными в результате реализации нашей модели на рис. 9. Как и в эмпирической сети НИОКР, мы рассматриваем только 30 крупнейших кластеров Infomap в оптимально смоделированных Сеть исследований и разработок и визуализировать их, группируя соответствующие узлы в различных областях графика; Кроме того, здесь мы изображаем метки наших узлов произвольными цветами.Как свидетельствует высокая нормализованная оценка взаимной информации, наш визуальный пример хорошо подтверждает, что большинство узлов в данном кластере имеют одну и ту же метку. Распределение размеров кругов влияния, определяемых этими метками, также показано на рис. 9. Его сходство с распределением размеров кластеров Infomap как в эмпирической, так и в оптимальной моделируемой сети НИОКР является еще одним свидетельством качества нашей модели.

    Для того, чтобы оценить, в какой степени наши правила формирования ссылок отражают процесс принятия решений, принимаемый реальными фирмами, мы тестируем оптимальную смоделированную сеть по отношению к функции, которая является как микроскопической , так и динамической : распределение длин путей между каждой парой узлов в момент образования ссылки.Это не следует путать с ранее проанализированными длинами путей, распределение которых было вычислено в итоговой агрегированной сети НИОКР, между на каждые пару узлов, как в реальном, так и в смоделированном случае. Теперь мы рассматриваем только пару узлов, которые в конечном итоге образуют связь между собой. Точнее, мы строим график распределения длин путей между двумя фирмами за день до их альянса (для реальной сети НИОКР) и длин путей между двумя узлами на временном шаге, предшествующем формированию связи (для оптимального моделирования НИОКР). сеть).Мы также рассматриваем как отдельные подсчеты все те события альянса, в которых участвует по крайней мере одна фирма-новичок (или изолированный узел в моделируемой сети).

    Мы показываем наши результаты на рис. 10. Модель может воспроизвести количество связей, сформированных между (i) фирмами, принадлежащими к одному и тому же связанному компоненту сети, (ii) фирмами, принадлежащими к разным несвязанным компонентам, и (iii) вовлеченными в хотя бы одна новая (изолированная) фирма. Кроме того, модель воспроизводит также подсчеты относительно узлов, которые уже соединены путем до образования ссылки.Единственные небольшие расхождения могут наблюдаться в соответствии с длинами путей, равными 2 и 3, из-за эффектов триадного и циклического замыкания, демонстрируемого реальными фирмами, которые не полностью охвачены нашей моделью, как мы уже ожидали. Однако наша модель правильно предсказывает формирование связей между узлами, которые относительно удалены в сети или даже уже напрямую подключены — случаи, когда длина пути равна 1, относятся к тем же двум партнерам, которые вступают в новый альянс.

    Рис. 10

    (a) Распределение типов каналов для реальных и смоделированных сетей НИОКР.«Подключенный» относится к узлам, уже принадлежащим к одному и тому же подключенному компоненту сети до образования ссылки; «Отключенный» относится к узлам, уже принадлежащим сети, но размещенным в двух отключенных компонентах; «Новичок (и)» означает, что по крайней мере один из узлов был изолирован (то есть еще не являлся частью сети) перед формированием ссылки. (б) Распределение длин путей в момент образования звена (только для узлов, принадлежащих одному компоненту связности).

    В заключение мы обнаруживаем, что наша модель, хотя и настроена с учетом только трех глобальных статических показателей, обеспечивает удивительно хорошее предсказание нескольких микроскопических и динамических характеристик, таких как распределение степени, локальная кластеризация, длина пути и размер компонентов, появление сетевых кластеров и, что еще более примечательно, распределения длин путей в момент формирования альянса.

    Эндогенная переменная и экзогенная переменная: определение и классификация

    Типы переменных> Эндогенная переменная и экзогенная переменная

    Что такое эндогенные переменные?

    Эндогенные переменные используются в эконометрике и иногда в линейной регрессии. Они похожи на зависимые переменные (но не совсем на них). Эндогенные переменные имеют значения, которые определяются другими переменными в системе (эти «другие» переменные называются экзогенными переменными).По словам Дэниела Литтла из Мичиганского университета в Дирборне, эндогенная переменная определяется следующим образом:

    Переменная xj называется эндогенной в каузальной модели M, если ее значение определяется или находится под влиянием одной или нескольких независимых переменных X (за исключением самой себя).

    Пример эндогенной переменной

    Предположим, завод-производитель производит определенное количество белого сахара. Количество продукта (белого сахара) является эндогенной переменной и зависит от любого количества других переменных, которые могут включать погоду, вредителей, цену на топливо и т. Д.Поскольку количество сахара полностью зависит от других факторов в системе, считается, что является чисто эндогенным. Однако в реальной жизни чисто эндогенные переменные — редкость; более вероятно, что эндогенные переменные лишь частично определяются внешними факторами. Например, производство сахара поражается вредителями, а вредители — погодой. Следовательно, вредители в этой конкретной системе являются частично эндогенными и частично экзогенными.

    Классификация переменных в системе

    В отличие от независимых переменных и зависимых переменных в эксперименте, определение того, какие переменные являются экзогенными, а какие — эндогенными, может представлять проблему.Используя снова пример производства сахара, что-то может вызвать увеличение количества производимого сахара. Например, новая конвейерная лента может привести к увеличению производства сахара. Чтобы решить, является ли эта новая переменная экзогенной, вам нужно будет решить, приведет ли увеличение выпуска к изменению новых переменных. Такая переменная, как «погода», определенно является экзогенной, поскольку рост производства не повлияет на погоду. Но как насчет «Прайса»? Цена на сахар, конечно, не зависит от объема производства одного небольшого завода, но что, если это был крупный завод, который внезапно увеличил свое производство и насытил рынок? Цена в этом случае будет частично эндогенной переменной, а частично — экзогенной.

    В одновременных уравнениях

    Эндогенная переменная — это переменная, которая объясняется моделью. Итак, если у вас есть набор одновременных уравнений, эти уравнения (модель одновременных уравнений) должны объяснять поведение любой эндогенной переменной. С другой стороны, если модель не объясняет поведение определенной переменной, то эти переменные являются экзогенными. Следующий пример (из этой публикации Йельского университета) объясняет разницу на примере. Уравнения 1, 2 и 3 представляют собой простую модель множителя с несколькими переменными:

    1. Композиционная функция: C t = a 1 + a 2 Y t + e t
    2. Инвестиционная функция: I t = b 1 + b 2 r t + u t
    3. Функция идентификации дохода: Y t = C t + I t + G t

    Где «t» — время, а переменные:

    • Расход (C т )
    • Инвестиции (I т )
    • Общий доход / ВВП ( т )
    • Государственные расходы (G t )
    • Процентная ставка ( т )

    C t , I t и Y t являются эндогенными, поскольку они объясняются моделью.r t и G t являются экзогенными, поскольку они являются , а не объяснены.

    Экзогенные переменные

    Экзогенная переменная — это переменная , на которую не влияют другие переменные в системе. Например, возьмем простую причинно-следственную систему, такую ​​как сельское хозяйство. Такие переменные, как погода, навыки фермера, вредители и наличие семян, являются экзогенными для растениеводства. Экзогенный происходит от греческого Exo , что означает «снаружи», и gignomai , что означает «производить».«Напротив, эндогенная переменная — это та, на которую влияют другие факторы в системе. В этом примере рост цветов зависит от солнечного света и, следовательно, является эндогенным.

    Экзогенные переменные…


    • фиксируются при вводе в модель.
    • взяты в качестве «заданных» в модели.
    • влияют на эндогенные переменные в модели.
    • не определяются моделью.
    • не объясняются моделью.

    Термин «экзогенная переменная» почти исключительно используется в эконометрике.Однако иногда он используется в линейной регрессии для описания независимой переменной x в модели. Другими словами, экзогенная переменная — это та, на которую не влияют никакие другие переменные в модели (хотя на нее могут влиять факторы за пределами изучаемой модели линейной регрессии).

    Экзогенные переменные в экспериментах

    Если ваши данные получены в результате двойного слепого контролируемого эксперимента, независимые переменные являются экзогенными. В этом типе исследования единственное, что влияет на независимые переменные, — это вы, исследователь, и вы находитесь за пределами системы.В других исследованиях независимые переменные могут быть экзогенными или эндогенными. Если они являются эндогенными, это означает, что некоторые другие переменные в системе (возможно, другая независимая переменная или мешающая переменная) влияют на результаты. Это может иметь негативные последствия для ваших результатов, поэтому важно по возможности проводить контролируемые эксперименты.

    Статья по теме: Производственные функции (CalculusHowTo.com)

    Список литературы

    Гоник, Л.(1993). Мультяшный справочник по статистике. HarperPerennial.
    Kotz, S .; и др., ред. (2006), Энциклопедия статистических наук, Wiley.
    Линдстрем, Д. (2010). Краткое изложение статистики Шаума, второе издание (Schaum’s Easy Outlines), 2-е издание. McGraw-Hill Education
    Vogt, W.P. (2005). Словарь статистики и методологии: нетехническое руководство для социальных наук. МУДРЕЦ.

    ————————————————— —————————-

    Нужна помощь с домашним заданием или контрольным вопросом? С Chegg Study вы можете получить пошаговые ответы на свои вопросы от эксперта в данной области.Ваши первые 30 минут с репетитором Chegg бесплатны!

    Комментарии? Нужно опубликовать исправление? Пожалуйста, оставьте комментарий на нашей странице в Facebook .



    Эндогенная переменная — обзор

    1.1 Введение

    В общих чертах, регрессионная модель позволяет нам сформулировать связь между переменной Z , известной как объясненная переменная (переменная ответа, эндогенная переменная или зависимая переменная) , и набор независимых переменных X 1 , X 2 ,…, X p , также известных как ковеременные, регрессоры, экзогенные переменные или независимые переменные.

    Построить регрессионную модель Z в терминах X 1 , X 2 ,…, X p означает найти функцию f , такую, что f ( X 1 , X 2 ,…, X p ) дает наилучшее возможное приближение Z . Наша цель в этом может быть разной. Например, мы можем захотеть найти связь между Z и X 1 , X 2 ,…, X p , чтобы понять и интерпретировать явление (этот тип проблема очень распространена в самых разных областях, таких как биология, экономика, физика и социология).В качестве альтернативы, учитывая набор объясняющих переменных, мы можем захотеть отличить переменные, которые существенно влияют на ответ, от тех, которые не влияют. Точно так же мы могли бы захотеть оценить (« оценка ») влияние каждого регрессора на переменную Z . В контексте задачи моделирования мы могли бы даже использовать модель, полученную регрессией, для прогнозирования значения Z для произвольных значений X 1 , X 2 ,…, X р .

    В статистике эти цели достигаются путем сбора наблюдений за людьми (человек в статистическом смысле не обязательно является физическим лицом). В контексте регрессии каждое отдельное наблюдение принимает форму пары:

    ZiXi, i = 1,…, n,

    , где Z i обозначает переменную отклика, наблюдаемую на i — th индивидуум, а X i — это набор объясняющих переменных ( X i 1 ,…, X ip ), измеренных для этого человека.Вместе пары {( Z 1 , X 1 ),…, ( Z n , X n )} составляют выборку наблюдения, которая имеет размер n . Предполагается, что n больше, чем p .

    Линейная модель — это наиболее широко известная регрессионная модель, с которой студенты сталкиваются впервые. Эта модель предполагает наличие аффинного отношения между Z и X 1 , X 2 ,…, X p (часто называемое линейным отношением, злоупотребляя терминологией) .Гауссовская линейная модель является частным случаем обобщенной линейной модели. Для начала имеет смысл вспомнить несколько идей об этой модели. Хорошее понимание инструментов статистического вывода, используемых в этой модели, будет полезно позже, когда мы будем рассматривать аналогичные проблемы с другими обобщенными линейными моделями и моделями с нулевым раздутием.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *