Разное

Приоры ттх: 500 Internal Server Error

Содержание

Лада Приора

Подробности

Замена передних стоек Лада Приора своими руками.

   Замена передних стоек Лада Приора производится в случае их выхода из строя. Признаками неисправности передних стоек чаще всего являются: глухие стуки, скрипы и щелчки, которые возникают во время движения автомобиля по неровной дороге и доносятся из-под колесных арок. 

Подробности

Замена ремня ГРМ на Лада Приора.

   Замена ремня ГРМ на Лада Приора можно сказать стандартный, как на всех переднеприводных ВАЗах, если не учесть тот момент что на Лада Приора два распредвала. По этому некоторые различие все таки есть. Ремень газораспределительного механизма синхронизирует взаимное вращение коленчатого вала и распредвалов. Без обеспечения этого процесса невозможна работа двигателя в принципе. Поэтому к процедуре и срокам замены ремня следует подходить ответственно.

Подробности

Замена термостата на Лада Приора своими руками.

   Необходимость замены термостата на автомобиле Лада Приора возникает при его неисправности или при появлении течи охлаждающей жидкости (антифриза, тосола). Первый признак, который должен насторожить автолюбителей, что термостат неисправен — очень долго машина работает на высоких оборотах двигателя и не нагревается.

Технические характеристики лады Приоры Хэтчбек: ВАЗ 2172 (2008

Размеры

Лада Приора с кузовом типа «Хэтчбек» имеет самые «скромные» габариты в своей серии. Длина пятидверной версии всего 4,24 метра, трехдверная немного короче – 4,21. Параметры высоты средние, в сравнении с низко посаженным седаном и высоким «универсалом» — 1,43 метра.

Ширина одинаковая с другими типами кузовов – 1,68 метра. Почти у всех версий просвет имеет высоту 16,8 сантиметра, за исключением линейки «Спорт», где он чуть ниже.

Лада Приора, 1 поколение (2007) — технические характеристики

Автомобиль Лада Приора, 2016

АвтомобильЛада Приора, 2016
Модификация1.6 8-кл.1.6 16-кл.
Тип кузова4-дверный седан
Число мест5
Длина, мм4350
Ширина, мм1680
Высота, мм1420
Колесная база, мм2492
Дорожный просвет (клиренс), мм165
Снаряженная масса, кг1163
Тип двигателябензиновый, с распределенным впрыскомбензиновый, с распределенным впрыском
Расположениеспереди, поперечноспереди, поперечно
Число и расположение цилиндров4, в ряд4, в ряд
Рабочий объем, куб. см.15961596
Число клапанов816
Максимальная мощность, л. с. (кВт) / об/мин87 (64)106 (78) / 5800
Максимальный крутящий момент, Нм / об/мин140 / 3800148 / 4200
Коробка передачмеханическая,
Приводпередний
ШиныR13175/65 R14
Максимальная скорость, км/ч176183
Время разгона 0-100 км/ч, с12,511,5
Расход топлива в смешанном цикле, л/100 км7,36,8
Емкость топливного бака, л43
Тип топливабензин АИ-95

Читать также: Обзор опель фронтера видео
Автомобиль Лада Приора, 2013-2015

АвтомобильЛада Приора, 2013–2015
Название модификации1.61.6 (106 л. с.)1.61.6
Тип кузоваседан5-дверный хэтчбек5-дверный универсал
Число мест555
Длина, мм435042104340
Ширина, мм168016801680
Высота, мм142014351508
Колесная база, мм249224922492
Снаряженная масса, кг116311631088
Тип двигателябензиновый, с распределенным впрыскомбензиновый, с распределенным впрыскомбензиновый, с распределенным впрыском
Расположениеспереди, поперечноспереди, поперечноспереди, поперечно
Число и расположение цилиндров4, в ряд4, в ряд4, в ряд
Рабочий объем, куб. см.159615961596
Число клапанов161616
Максимальная мощность, л. с. (кВт) / об/мин98 (72) / 5600106 (78) / 580098 (72) / 560098 (72) /5600
Максимальный крутящий момент, Нм / об/мин145 / 4000148 / 4200145 / 4000145 / 4000
Коробка передачмеханическая,механическая,механическая,
Приводпереднийпереднийпередний
Шины185/65 R14185/65 R14185/65 R14
Максимальная скорость, км/ч183183183
Время разгона 0-100 км/ч, с11,511,511,5
Расход топлива в смешанном цикле, л/100 км7,26,97,27,2
Емкость топливного бака, л43
Тип топливабензин АИ-95

Автомобиль Лада Приора, 2008-2013

АвтомобильЛада Приора, 2008–2013
Название модификации1,6 л 8-кл.1,6 л 16-клКупе
Тип кузоваседан/5-дверный хэтчбек/универсал3-дверный хэтчбек
Число мест5
Длина, мм4350/4210/43304210
Ширина, мм16801680
Высота, мм1420/1435/15081435
Колесная база, мм24922492
Сняряженная масса, кг10881088
Тип двигателябензиновый, с распределенным впрыском топливабензиновый, с распределенным впрыском топливабензиновый, с распределенным впрыском топлива
Число и расположение цилиндров4, в ряд4, в ряд4, в ряд
Число клапанов159615961596
Рабочий объем, куб. см.81616
Максимальная мощность, л. с. / об/мин81 / 520098 / 560095 / 5600
Максимальный крутящий момент, Нм / об/мин120 / 2700145 / 4000145 / 4000
Коробка передачмеханическая,
Приводпередний
Шины185/65 R14, 175/65 R14, 185/60 R14
Максимальная скорость, км/ч172183183
Время разгона 0-100 км/ч, с11,5
Расход топлива в смешанном цикле, л/100 км7,67,27,2
Емкость топливного бака, л43
Тип топливабензин АИ-95

Технические характеристики автомобиля «Лада Приора» указаны по данным производителя. В таблице приведены основные параметры: размеры, двигатели, коробки передач, тип привода, расход топлива, динамические характеристики и т. д.

Дорожный просвет (клиренс) автомобиля Лада Приора — минимальное расстояние между опорной поверхностью и самой нижней точкой машины, например, защитой двигателя. Клиренс может варьироваться в зависимости от модификации и комплектации автомобиля.

Смотрите также про Лада Приора:

Wroom.ru

Свидетельство о регистрации СМИ №ФС 77-76203 16+

Лада Приора была создана на базе седана десятой модели и увидела свет в 2007 году. От своей предшественницы она получила практически только боковой силуэт и целевую ориентацию: этот бюджетный автомобиль очень востребован у большинства автолюбителей благодаря оптимальному сочетанию цены и качества, из-за чего внимание к нему не ослабевает. Разумеется, покупатели, привлеченные небольшой стоимостью, интересуются его техническими характеристиками, о которых мы и рассказываем.

Мотор после рестайлинга

Выйдя с конвейера в 2007 году, автомобиль комплектовался 1 из 3 двигателей, выходивших постепенно. Технические характеристики LADA Приора 2010 года выглядят так:

  1. Движок с 8 клапанами и 81 л.с. В пике выдает 171 километр в час, что на момент выпуска было неплохо. Многие водители жаловались на неэффективный расход топлива: 7,5/100. Версии с этим двигателем стоили меньше остальных, но и «ели» бензин намного больше.
  2. Двигатель на 16 клапанов имел 89 лошадиных сил и мог развить до 176 километров. Потребление топлива при этом ниже – 7,2 литра. В целом, этот средний двигатель, ставился на версии «Оптима».
  3. Наиболее «Топовая» версия оборудовалась двигателем с 16 клапанами и мощностью на 98 лошадиных сил. Мог разогнать 183 километра и потреблял 7,4 литра.

Обратите внимание, что сейчас покупать автомобили, выпущенные до рестайлинг, не имеет смысла. Покупка запчастей может обойтись в «копеечку».

Двигатель лада приора 2008, универсал, 1 поколение

С универсалом все проще. С самого начала выпуска он имел только один, но зато самый мощный в то время двигатель на 98 л/с, который разгонял автомобиль до 183 км/ч и потреблял 7,2 литра бензина на 100 км. пути в смешанном цикле.Таким образом, несмотря на большую грузовместимость универсала, его паспортная скорость остается такой же, как и у прочих Приор в другом кузовном исполнении, но с тем же двигателем, поскольку снаряженный вес у всех модификаций один и тот же.Должно быть, в полной загрузке универсал покажет чуть меньшие скоростные или большие расходные характеристики.

Новая Лада: KALINA

Мотор после рестайлинга

Технические характеристики Лада Приора хэтчбек несколько изменились после рестайлинга в 2013 году. В новой версии вышло только 2 двигателя:

  1. В младшей модели двигатель стал более экономным (потребление всего 6,9 литров), при возросшей мощности – 98 лошадиных сил. Максимальный разгон – 183 километра.
  2. В старшей версии двигатель стал мощнее – 106 лошадиных сил, но теми же скоростными характеристиками. Потребление упало до 6,8 литров.

ТТХ двигателя автомобиля Приора: 126 и 127 сколько лошадиных сил и крутящего момента

Технические характеристики мотора автомобиля Приора показывают на борту 98 и 106 лошадиных сил. Это касается моторов с рабочим объемом 1,6 л.

  • Мотор — 98 лошадиных сил получил номер 21126. Максимальный крутящий момент– 4000 об/мин при 145 Нм.
  • Мотор — 106 лошадиных сил значится под номером 21127, крутящий момент – 4 200 об/мин при 148 Км.

Мотор 21127 является модифицированной версией 126 модели, но оба они выпускаются шестнадцатиклапанными. Кроме этого на Приоре есть два восьмиклапанных мотора рабочим объемом 1,6 л, которые выдают 81 и 87 л.с., но они не так распространены, как более новые версии. Что интересно, есть моторы с объемом 1,8 л.

  1. Первый мотор 1,8 л выдает мощность 98 л.с. (также работает 21127), но при этом крутящий момент равен 3000 об/мин при 160 Нм.
  2. Мотор со 123 л.с., который ставился на спортивные версии, выдает 4000 об/мин при 165 Нм.

В сопоставлении с весом автомобиля, шестнадцатиклапанных двигателей достаточно для свободного передвижения.

Что касается технического состояния, ВАЗ-21126 и последующие модели превосходят восьмиклапанные версии движков, поэтому автовладельцы их выбирают чаще. К самой распространенной «компоновке» можно отнести Приору седан с двигателем 21126 и механической коробкой передач.

Кузов

Во всех версиях «Приоры» кузов выполнен посредственно. У водителей и экспертов возникло 2 претензии:

Подверженность ржавчине. Кузов выполнен из обычной стали, без легирующих добавок. По этой причине уже после первой зимы она начинает активно ржаветь и остановить этот процесс не получится.

Плохое лакокрасочное покрытие. Некоторые замечали, что оно начинает отваливаться большими «чипсами». Придется постоянно посещать малярный цех, чтобы закрашивать их, иначе процесс коррозии будет не остановить.

Трансмиссия

Изначально хэтчбек выходил с механической коробкой передач. По сути, это была усиленная версия КПП от 110-й «Лады». Водители сразу отметили низкое качество механики, которая стала известна очень плохими синхронизаторами. Нередко ручка просто «соскакивала» с передачи или нужный режим просто не включался.

Выжимное начинало стучать уже через 3 месяца после покупки, а нечеткие переключения наблюдались сразу с салона.

В дальнейшем рестайлинг-версия «2180» получила обновленную механику, которая работала намного плавней. Пропали внезапные стуки, а переключения стали гладкими. После АвтоВАЗ обновил коробку передач и установил роботизированную версию, которая получила смешанные отзывы. Впрочем, она весьма надежна и удобна, отзывов о ее неработоспособности нет.

Технические данные модификации

Модификация – это хороший автомобиль бюджетного класса. Он относится к В классу и имеет высокую степень экологичности – Евро4.

Сколько весит кузов Хетчбек? В заводской комплектации, без нагрузки, ее вес составляет всего 1088 килограмм.

В сравнении с другими версиями «Приоры», здесь не была усилена подвеска. Передняя пружина осталась независимой, а задняя частично независимой. Передний тормоз вентилируемый и имеет дисковый тип запора, задние – барабанный. Использование в модификации роботизированной АКПП сделало автомобиль «дружелюбнее» и проще в управлении, даже неопытным водителям.

Во многом была изменена стекла фар, которая лучше распространяют свет. Также незначительно был изменен кузов, салон, руль и приборы мульти-медия.

Рестайлинг Лада Приора 2013 года

Рестайлинг 2013 года заключался в некоторых изменениях, касающихся внешнего вида, кое-какого оборудования, интерьера и двигателя. В числе таких изменений у Приор мы назовем:

  • Несколько измененную экстерьерную геометрию, которую, впрочем, нет смысла описывать, поскольку визуально Приора до и после рестайлинга внешне осталась почти неразличимой;
  • Замену решетки радиатора на вытянутые «соты», немного склоняющие автомобиль в модный ныне «органический» стиль, характерный биологическими формами;
  • Улучшенную внешнюю светотехнику, благодаря которой габариты автомобиля стали отчетливее в темное время. В частности увеличена площадь светоотражателей, добавлены светодиодные секции габаритов и стоп-сигналов, которые и ярче, и острее реагируют на включение;
  • Приборную панель, которая реализована иначе: вместо четырех «циферблатов» стрелки датчиков удалось скомпоновать в двух, без ущерба для функционала. Чисто эстетически это выглядит лучше, а с эргономической точки зрения многое зависит от привычки;
  • Увеличенное число пиктограмм, вспыхивающих на приборной доске, благодаря чему проще разобраться в том, какая светотехника засбоила;
  • Добавленную нишу в центре торпедо, в которую помещен бортовой компьютер;
  • Удлиненные салазки передних сидений, благодаря чему высокий водитель и передний пассажир могут настраивать положение кресел под себя более гибким образом;
  • Более вместительный по глубине бокс справа от водителя;
  • Более привлекательное трехспицевое рулевое колесо с подушкой безопасности под треугольной крышкой;
  • В «люксовой» комплектации – обивку кожи на основе комбинации автоткани с экокожей;
  • Новый дизайн дверных карт.

Читать также: Задние тормозные диски хендай солярис

Также с 2013 года Приоры выпускаются в другой двигательной комплектации, из которой убрали 80-сильный, но зато добавили новый двигатель на 106 л/с, который, как и все, развивает скорость до 183 км/ч, и сокращает расход топлива до 6,8 – 6,9 литра на каждую сотню км. Этим двигателем оснащаются «люксовые» комплектации Приоры. Конечно, такое уменьшение расхода топлива очень привлекает потребителя. Остается надеяться, что разработчики будут и дальше трудиться в этом направлении. Кроме того, новый двигатель хорошо вписался в экологические нормативы Euro-3 и Euro-4, благодаря близко расположенному катализатору. За счет быстрого нагрева катализация токсичных веществ происходит бодрее, в результате чего в атмосферу попадает уже меньшая их концентрация.

Есть у рестайлинговых Приор и недостаток (по сравнению с прежними выпусками этого автомобиля): ковер в багажнике тоньше, чем у предшественниц, из-за чего уровень шума во время движения выше. Автомобилистам рекомендуется позаботиться о дополнительной шумоизоляции багажника. Кроме того, снаряженный вес автомобиля увеличился, (до 1185 кг), что на целых 100 кг. сократило его грузовые возможности, поскольку максимальная масса осталась прежней – 1593 кг. для универсала, и 1578 кг. для прочих кузовных вариаций.

Разбираем новый 1,8-литровый двигатель ВАЗ-21179

Впервые АВТОВАЗ запускает в серию 1,8-литровый мотор, впервые внедряет изменяемые фазы газораспределения и впервые применяет селективную сборку на конвейере. Двигатель объемом 1,8 л (122 л.с.) внешне не сильно отличается от нынешних вазовских шестнадцатиклапанников. Но это новый мотор, причем собственной разработки. Старт производства — в феврале.

ГЦ

  • Дроссельная заслонка — без механического привода.
  • В головке блока цилиндров сделаны дополнительные масляные каналы к регулятору фаз. Облегченные клапаны — фирмы Mahle.
  • Катколлектор поставляет российская компания Экоальянс. Диаметр входных каналов увеличен до 39 мм. Датчик кислорода несет эмблему Bosch.
  • Коленчатый вал — с увеличенным радиусом кривошипа.
  • Рабочий объем цилиндров прирос благодаря большему ходу поршней.
  • Надежный водяной насос повышенной производительности закупают у корейской фирмы GMB.
  • Впервые на двигателе ВАЗ установлен импортный маслонасос GMB повышенной производительности.
  • Применен новый автомат натяжения зубчатого ремня — с двумя роликами, немецкой фирмы INA.
  • Облегченная шатунно-поршневая группа — производства Federal Мogul.
  • Топливная рампа — фирмы Continental. Форсунки — увеличенной производительности, факел распыла оптимизирован под рабочий процесс нового двигателя.
Двигатель объемом 1,8 л внешне не сильно отличается от нынешних вазовских шестнадцатиклапанников. Но это новый мотор, причем собственной разработки.

Основные параметры:

  • рабочий объем — 1774 см³
  • мощность — 122 л.с.
  • крутящий момент — 170 Н·м при 3750 об/мин.
Новый мотор предназначен для моделей Веста, XRAY и Ларгус. На блоке цилиндров есть дополнительная площадка для нанесения серийного номера. Ее хорошо видно при продольной установке силового агрегата в моторном отсеке. Поняли намек? Официальной информации пока нет, но нетрудно догадаться, что речь идет о Ниве. Блок цилиндров унифицирован с применяемым на нынешних 1,6‑литровых двигателях ВАЗ‑21126, —21127 и —21129. Та же высота и тот же диаметр цилиндров. Отличия — в дополнительных каналах системы смазки, обеспечивающих работу регулятора фаз, и дополнительных каналах системы охлаждения.

ГЦ1–9

Дроссельная заслонка — без механического привода. Мотор отвечает требованиям Евро‑5.

Дроссельная заслонка — без механического привода. Мотор отвечает требованиям Евро‑5.

Рабочий объем подняли путем увеличения хода поршня с 75,6 до 84,0 мм. Коленчатый вал — с увеличенным радиусом кривошипа и иными противовесами. Для снижения потерь на трение уменьшили с 47,8 до 43 мм диаметры шатунных шеек коленвала. Стали другими масляные каналы — так называемое сверление из шейки в шейку позволяет снизить себестоимость производства, а в масляных каналах остается меньше стружки и грязи. На торце вала нанесена метка классов коренных и шатунных шеек для точной подгонки вкладышей по диаметру, то есть для селективной сборки.

ГЦ1–8

В головке блока цилиндров сделаны дополнительные масляные каналы к регулятору фаз. Облегченные клапаны — фирмы Mahle.

В головке блока цилиндров сделаны дополнительные масляные каналы к регулятору фаз. Облегченные клапаны — фирмы Mahle.

Блок цилиндров и коленчатый вал производят на АВТОВАЗе. А вот облегченную шатунно-поршневую группу закупают у компании Federal Mogul — Восток (Тольятти). На юбку поршня нанесено графитовое покрытие, форма юбки откорректирована для увеличения пятна контакта. Кольца такие же, как на других моторах семейства, только маслосъемные имеют хромированное покрытие. Высота жарового пояса увеличена на 1,3 мм, и теперь так называемая компрессионная высота составляет 26,7 мм против 25,4 мм у моторов объемом 1,6 л. Плата за увеличение рабочего хода поршня при той же высоте блока — уменьшение длины шатуна с 133 до 128 мм. Нижняя головка шатуна выполнена по так называемой разрывной технологии — как и у нынешних 1,6‑литровых моторов.

ГЦ1–6

Коленчатый вал — с увеличенным радиусом кривошипа. Рабочий объем цилиндров прирос благодаря большему ходу поршней.

Коленчатый вал — с увеличенным радиусом кривошипа. Рабочий объем цилиндров прирос благодаря большему ходу поршней.

Регулировка фаз потребовала модернизации системы смазки. Установлены коренные вкладыши с маслораздающей канавкой переменного сечения — для снижения расхода масла. Впервые на вазовском моторе появился маслонасос зарубежного производства — южнокорейский GMB. Производительность отечественных насосов составляет 34–38 л/мин при оборотах двигателя 6000 об/мин, а GMB выдает 54–60 литров. Корпус насоса алюминиевый, а не чугунный. Сечение маслозаборника, разумеется, увеличено. Алюминиевый поддон картера двигателя имеет фланец для сопряжения с картером сцепления, что повышает жесткость силового агрегата. Объем масляного картера — 4,4 л против 3,2 л у двигателя 1.6.

Водяной насос тоже корейский, с добротными подшипником и уплотнениями, гарантирующими надежность. Он лучше серийных вазовских: помимо прочего выше производительность. Пластиковый модуль впуска делает тольяттинская фирма Мотор-Супер. Газодинамические характеристики впускного тракта оптимизированы под новый мотор. Развитое оребрение модуля позволило уменьшить шум. Система управления двигателем работает не с показаниями массового расхода воздуха, а рассчитывает параметры через температуру и давление. Поэтому в модуле впуска есть гнездо для соответствующего датчика.

ГЦ2

Головка блока цилиндров. Распределительные валы сделаны в Корее. Хорошо видны задающий диск и датчик фаз, позволяющие отслеживать положение впускного вала.

Головка блока цилиндров. Распределительные валы сделаны в Корее. Хорошо видны задающий диск и датчик фаз, позволяющие отслеживать положение впускного вала.

Головка блока цилиндров — отечественного производства. В литье есть дополнительные каналы, по которым масло поступает к регулятору фаз, а также гнёзда для соленоида управления регулятором и датчика фаз. На впускном распределительном валу фиксируют задающий диск, отслеживающий его положение. Значительно переработана водяная рубашка для лучшего охлаждения камеры сгорания. Кроме того, снизили сопротивление прокачиванию жидкости. Газовые каналы доработали для лучшего наполнения цилиндров и интенсификации вихревого движения топливовоздушного заряда.

Распределительные валы южнокорейского производства поставляет компания Toyota Tsusho. Они полые внутри, а кулачки изготовлены методом порошковой металлургии. Такой распределительный вал существенно легче прежнего, чугунного. Клапаны фирмы Mahle тоже облегченные, со стержнями диаметром 5 мм. Сухари, направляющие, маслосъемные колпачки — соответствующего размера. Цель облегчения — снижение инерционности системы, что дает возможность с бóльшим ускорением открывать клапан.

ГЦ2–2

Распределительные валы сделаны в Корее. Хорошо видны задающий диск и датчик фаз, позволяющие отслеживать положение впускного вала.

Распределительные валы сделаны в Корее. Хорошо видны задающий диск и датчик фаз, позволяющие отслеживать положение впускного вала.

На впускном распределительном валу установлен механизм регулирования фаз гидравлического типа. Его конструкция традиционна, а вот размеры — под наш мотор. Поставщик — немецкая фирма INA. Валы приводит зубчатый ремень производства компании Continental. По заверениям заводских специалистов, он будет служить 180 000 км.

Новый мотор весит 99,3 кг. При испытаниях на стенде он продемонстрировал высокую топливную экономичность. В некоторых режимах — и вовсе рекордсмен среди вазовских двигателей! Ресурс — 220 000 км, но при заботливом отношении проходит до 400 тысяч. Еще одна радость для будущих покупателей: мотор можно заправлять бензином АИ‑92. Конечно, на 95-м мощностные показатели будут выше, но тут уж выбирать владельцу — экономить или «отжигать».

ГЦ2–3

Регулятор фаз (INA) и соленоид управления регулятором.

Регулятор фаз (INA) и соленоид управления регулятором.

Похоже, сдвинулись не только фазы в механизме газораспределения, но и отношение к потребителю. Кстати, потенциал нового мотора не исчерпан. Перспектива — второй регулятор фаз, теперь уже на валу выпускных клапанов. И на этом, уверен, развитие этого двигателя не закончится.

Лада Приора технические характеристики ТТХ: размеры и масса, узлы


Лада Приора стала приемником ВАЗ-2110, переняв от нее несколько элементов и получив симпатию отечественных автовладельцев — куда же мы без тазов. Около 400 деталей было переделано. В своем сегменте Лада Приора получает одну из лучших оценок благодаря своей неприхотливости и хорошим показателям. Но что точно стоит сказать о машине, технические характеристики автомобиля Приора вполне приличны для своего класса.

АвтоВАЗ представил модель ВАЗ-2170 в середине нулевых годов, Приора выпускалась с 2007 по 2022 годы, а в 2013 году претерпела рестайлинг с небольшими изменениями. За все время было выпущено большое количество автомобилей ВАЗ, появилось немало идей по улучшению и стилизации машин Лада Приора. Технические характеристики это тот момент по которому опытный водитель выбирает себе машину, не за красивые глаза же ее брать. Хотя посмотрите на рисунок ниже и на ее глаза.

ТТХ двигателя автомобиля Приора: 126 и 127 сколько лошадиных сил и крутящего момента

Технические характеристики мотора автомобиля Приора показывают на борту 98 и 106 лошадиных сил. Это касается моторов с рабочим объемом 1,6 л.

  • Мотор — 98 лошадиных сил получил номер 21126. Максимальный крутящий момент– 4000 об/мин при 145 Нм.
  • Мотор — 106 лошадиных сил значится под номером 21127, крутящий момент – 4 200 об/мин при 148 Км.

Мотор 21127 является модифицированной версией 126 модели, но оба они выпускаются шестнадцатиклапанными. Кроме этого на Приоре есть два восьмиклапанных мотора рабочим объемом 1,6 л, которые выдают 81 и 87 л.с., но они не так распространены, как более новые версии. Что интересно, есть моторы с объемом 1,8 л.

  1. Первый мотор 1,8 л выдает мощность 98 л.с. (также работает 21127), но при этом крутящий момент равен 3000 об/мин при 160 Нм.
  2. Мотор со 123 л.с., который ставился на спортивные версии, выдает 4000 об/мин при 165 Нм.

В сопоставлении с весом автомобиля, шестнадцатиклапанных двигателей достаточно для свободного передвижения.

Что касается технического состояния, ВАЗ-21126 и последующие модели превосходят восьмиклапанные версии движков, поэтому автовладельцы их выбирают чаще. К самой распространенной «компоновке» можно отнести Приору седан с двигателем 21126 и механической коробкой передач.

Двигатель лада приора 2008, хэтчбек, 1 поколение

5-дверные хэтчбеки выпускаются с 2008 года. В зависимости от комплектации они оснащаются:

  • 80-сильным 8-клапанным двигателем, выдающим те же скоростные и расходные характеристики, что и в случае с седаном, снабженным тем же мотором;
  • 16-клапанным двигателем на 89 л.с., выдающим для хэтчбека ту же скорость и расходуя то же количество бензина, что и седан с таким же самым мотором;
  • 98-сильным 16-клапанным мотором, благодаря которому хэтчбек полностью совпадает по скоростным и расходным характеристикам с седаном с той же силовой установкой.

Характеристики(ТТХ): коробки передач Приоры

Приора комплектуется двумя коробками передач:

  1. механическая;
  2. роботизированная.

Пятиступенчатая МКПП всегда стабильна. Задача владельца – следить за ней и давать ей должный уход, не уповая на то, что машина «починится сама». Передаточные числа таковы, что заставляют машину с шестнадатиклапанными двигателями достигать «сотни» всего за 11 секунд.

Роботизированная АКПП также идет с пятью ступенями. Она является небольшой доработкой старой надежной японской коробки Jatco. По заявлению автоВАЗа, в разгоне не уступает машинам с МКПП. Могут возникнуть ошибки вроде пинков при разгоне. Убираются при помощи перепрограммирования ЭБУ. Сцепление сухое однодисковое, внутри – диафрагменная нажимная пружина. Привод выключения сцепления тросовый с авторегулировкой.

Продажи и перспективы

Спрос на Приору стабильно растёт уже не первый год, и вполне закономерно бывшая в 2010 году второй по продажам, по итогам 2012 г. Приора становится первой.

К осени 2013 г. планируется появление обновленных автомобилей ВАЗ Приора, причём обновления коснутся в первую очередь внешнего вида как салона, так и наружных элементов. Запланировано также производство автомобилей Приора в комплектации с ESC, боковыми подушками безопасности, мультимедийной системой, климат-контролем и предпусковым подогревателем, но срок выпуска таких автомобилей пока не называется. Вообще же АатоВАЗ планирует продавать Приоры до 2016 г. включительно.

Размеры кузова и масса автомобиля Лада Приора — хэтчбэк, универсал, седан, купе, лонг

Идеальная машина для каждого своя – все зависит от того, зачем ее покупают. Приора отлично подходит, как для молодого поколения, так и для старшего. Вес который она может поднять, различается – так, универсал получил объемный багажник, который способен вместить больше вещей. Ширина Приоры остается неизменной – ровно 164 см. Вес машины колеблется от 1578 до 1598 кг.

Хэтчбек

Когда речь заходит про габаритные размеры, Лада Приора не может не радовать – с ней можно проехать даже по самому узкому двору. Снаряженная масса хэтчбека – 1163 кг, максимально допустимая – 1578 кг. Объем багажника – 360 л, а с разложенными сиденьями – 705 л. Высота равна 143,5 см, длина – 421 см.

Седан

Габариты седана немного отличаются, но масса автомобиля остается неизменной. Объем багажника при это равен 430 л. Размеры кузова седана составляют 142 см в высоту, длина равна 435 см.

Универсал

Улучшенные технические характеристики Лада Приора универсал разрешают серьезно нагружать багажник – об усиленной подвеске заранее позаботились. В отличие от хэтчбека у универсала длина на 13 см больше – 434 см. Высота составляет 150,8 см. Объем багажника равен 444 л и 777 л при разложенных сиденьях. Полная масса может быть равна 1598 кг.

Купе

Трехдверный хэтчбек Lada Priora выпускался в спортивной версии и отличался улучшенными характеристиками – после рестайлинга под его капотом оказалось 123 лошади. Кузовные элементы пришлось переделать, что не так сильно сказалось на габаритах. Длина равна 424,3 см, высота 143,5 см.

Лонг кузов

Удлиненная Приора – это версия «Премьер», премиальная. Ее базу удлинили на 17,5 см, сделали заднюю дверь больше, а в стекло добавили дополнительную секцию. Под капотом появилось заметное преимущество – нужно больше «лошадей», чтобы тащить более тяжелую машину. Салон отделан изысканно и стильно. Ширина осталось той же – 168 см, длина равна 452,5 см, а высота – 142 см. Снаряженная масса равна 1100 кг, а объем багажника остался прежним – 430 л.

Грузовместимость

Грузовая вместимость (не грузоподъемность!) Приор варьируется в зависимости от типа кузова. Так, багажники имеют разные объемы:

  • 360 литров – у хэтчбека и купе;
  • 430 литров – у седана;
  • 444 литра – у универсала.

Как мы видим, этот объем не сильно отличается от седановского, поэтому говорить о том, что Приора-универсал создана для решения широкого ряда хозяйственных задач (относительно других вариантов этого авто), можно с очень большой натяжкой.Конечно, грузовместимость существенно увеличивается, если сложить спинку заднего дивана, а еще лучше – снять полностью заднее сиденье.

Характеристики подвески

Ходовая часть Приоры была создана для спокойного проезда по ухабам и препятствиям, а также проезда по проселочной дороге. Конечно, ВАЗ-2170 – это не внедорожник, но она легко пройдет по многим местам. Передняя часть подвески является независимой, а задняя – полузависимой, за счет чего получается сделать машину мягче.

Рычаги стабилизатора поперечной устойчивости вместе со стойками многие владельцы, почти сразу меняют на спортивный комплект – для того, чтобы машина не шаталась, когда выполняется резкий поворот. Телескопические амортизаторы стабильно гасят колебания при проезде препятствий, так что проблем с ней не возникнет. ВАЗ-2170 – переднеприводная машина.

  • Передняя подвеска по типу МакФерсон с продольными растяжками.
  • Задняя подвеска также с продольными рычагами. В ней установлена поперечная балка U-образного сечения, к которой крепится стабилизатор поперечной устойчивости торсионного типа.

Что касается дорожного просвета, для дорестайлинговой версии он составлял 165 мм, а для рестайлинговой – 170 мм. Колесная база равна 249,2 см, ширина передней колеи – 141 см, задней – 138 см. Подвеску можно занизить или завысить при желании – готовые комплекты для модернизации есть в открытой продаже.

Рестайлинг

В 2013 году в Тольятти была презентована обновленная версия Lada Priora. Стоит отметить, что уже до официального дебюта в сети появились картинки, видео новинки.

С точки зрения дизайна экстерьера машина не претерпела существенных изменений. Реформы незначительно коснулись бамперов, решетки радиатора, молдингов. А вот, задняя оптика освещения обзавелась светодиодными лампами, которые дают более яркий свет в сравнении с обычными, к тому же более долговечны.

Внутреннее убранство выглядит современней за счет иной компоновки панели приборов, а также экрана мультимедийной системы. На центральной консоли исчезли аналоговые хронометры, а на их место пришла вещевая ниша.

Тормозная система

Тормоза спереди и сзади отличаются. Спереди установлены дисковые вентилируемые тормоза с однопоршневым плавающим суппортом и авторегулировкой зазора между колодками и диском, а сзади – барабанные тормоза. Тормозная система диагональная двухконтурная, гидравлическая. Оснащается вакуумным усилителем.

Возможна работа с антипробуксовочной системой. Также сзади можно самостоятельно установить дисковые тормоза вместо штатных барабанных. Новая тормозная система также будет поддерживать работу ABS. Стояночный тормоз ручной, на тросике с приводом задних колес.

Новое авто на старой платформе

Десятая модель начала производится в конце 90-х годов. Инженеры «АвтоВАЗа» уже тогда хорошо понимали, что на базе платформы, разработанной еще в 90-е, ничего перспективного построить не удастся, и очень скоро автомобиль станет невостребованным. Что самое страшное – его без особого труда обойдут зарубежные конкуренты с бюджетными моделями. Первоочередной задачей специалистов «АвтоВАЗа» стал рестайлинг. Кстати, внешний видом автомобиля дизайнеры начали заниматься еще задолго до того, как модель поставили на конвейерную сборку. Посмотрите, как выглядит предсерийный ВАЗ-217030. Фото автомобиля можно увидеть ниже.


В результате всех изменений потребители получили совершенно новый и более комфортабельный автомобиль, который полностью соответствовал стандартам рынка на тот момент. Уже в базовой комплектации «Приора» была оснащена всеми необходимыми опциями. Машина комплектовалась подушками безопасности, электрическими стеклоподъемниками на передних дверях, электрическим усилителем рулевого управления, центральным замком и многими другими элементами.

Резюме

В остальном же все детали полностью отрабатывают свой срок без нареканий. Естественно, из всех правил бывают исключения и есть много автомобилей с разными проблемами. Но что касается первых поколений, их не стоит покупать на вторичном рынке. Качество сборки откровенно «хромает». Если соблюдать правила эксплуатации и правильно обслуживать автомобиль, то он прослужит своему владельцу довольно долго. Сегодня эти машины продаются на вторичном рынке – можно купить в хорошем состоянии ВАЗ-217030. Инструкция к автомобилю расскажет владельцу о правильной эксплуатации.

Итак, мы выяснили, какие имеет «Лада Приора» технические характеристики, дизайн и интерьер.

Габариты приоры седан


Лада Приора технические характеристики ТТХ: размеры и масса, узлы

Лада Приора стала приемником ВАЗ-2110, переняв от нее несколько элементов и получив симпатию отечественных автовладельцев — куда же мы без тазов. Около 400 деталей было переделано. В своем сегменте Лада Приора получает одну из лучших оценок благодаря своей неприхотливости и хорошим показателям. Но что точно стоит сказать о машине, технические характеристики автомобиля Приора вполне приличны для своего класса.

АвтоВАЗ представил модель ВАЗ-2170 в середине нулевых годов, Приора выпускалась с 2007 по 2018 годы, а в 2013 году претерпела рестайлинг с небольшими изменениями. За все время было выпущено большое количество автомобилей ВАЗ, появилось немало идей по улучшению и стилизации машин Лада Приора. Технические характеристики это тот момент по которому опытный водитель выбирает себе машину, не за красивые глаза же ее брать. Хотя посмотрите на рисунок ниже и на ее глаза. 🙂

ТТХ двигателя автомобиля Приора: 126 и 127 сколько лошадиных сил и крутящего момента

Технические характеристики мотора автомобиля Приора показывают на борту 98 и 106 лошадиных сил. Это касается моторов с рабочим объемом 1,6 л.

  • Мотор — 98 лошадиных сил получил номер 21126. Максимальный крутящий момент– 4000 об/мин при 145 Нм.
  • Мотор — 106 лошадиных сил значится под номером 21127, крутящий момент – 4 200 об/мин при 148 Км.

Мотор 21127 является модифицированной версией 126 модели, но оба они выпускаются шестнадцатиклапанными. Кроме этого на Приоре есть два восьмиклапанных мотора рабочим объемом 1,6 л, которые выдают 81 и 87 л.с., но они не так распространены, как более новые версии. Что интересно, есть моторы с объемом 1,8 л.

  1. Первый мотор 1,8 л выдает мощность 98 л.с. (также работает 21127), но при этом крутящий момент равен 3000 об/мин при 160 Нм.
  2. Мотор со 123 л.с., который ставился на спортивные версии, выдает 4000 об/мин при 165 Нм.

В сопоставлении с весом автомобиля, шестнадцатиклапанных двигателей достаточно для свободного передвижения.

Что касается технического состояния, ВАЗ-21126 и последующие модели превосходят восьмиклапанные версии движков, поэтому автовладельцы их выбирают чаще. К самой распространенной «компоновке» можно отнести Приору седан с двигателем 21126 и механической коробкой передач.

Характеристики(ТТХ): коробки передач Приоры

Приора комплектуется двумя коробками передач:

  1. механическая;
  2. роботизированная.

Пятиступенчатая МКПП всегда стабильна. Задача владельца – следить за ней и давать ей должный уход, не уповая на то, что машина «починится сама». Передаточные числа таковы, что заставляют машину с шестнадатиклапанными двигателями достигать «сотни» всего за 11 секунд.

Роботизированная АКПП также идет с пятью ступенями. Она является небольшой доработкой старой надежной японской коробки Jatco. По заявлению автоВАЗа, в разгоне не уступает машинам с МКПП. Могут возникнуть ошибки вроде пинков при разгоне. Убираются при помощи перепрограммирования ЭБУ. Сцепление сухое однодисковое, внутри – диафрагменная нажимная пружина. Привод выключения сцепления тросовый с авторегулировкой.

Размеры кузова и масса автомобиля Лада Приора — хэтчбэк, универсал, седан, купе, лонг

Идеальная машина для каждого своя – все зависит от того, зачем ее покупают. Приора отлично подходит, как для молодого поколения, так и для старшего. Вес который она может поднять, различается – так, универсал получил объемный багажник, который способен вместить больше вещей. Ширина Приоры остается неизменной – ровно 164 см. Вес машины колеблется от 1578 до 1598 кг.

Хэтчбек

Когда речь заходит про габаритные размеры, Лада Приора не может не радовать – с ней можно проехать даже по самому узкому двору. Снаряженная масса хэтчбека – 1163 кг, максимально допустимая – 1578 кг. Объем багажника – 360 л, а с разложенными сиденьями – 705 л. Высота равна 143,5 см, длина – 421 см.

Седан

Габариты седана немного отличаются, но масса автомобиля остается неизменной. Объем багажника при это равен 430 л. Размеры кузова седана составляют 142 см в высоту, длина равна 435 см.

Универсал

Улучшенные технические характеристики Лада Приора универсал разрешают серьезно нагружать багажник – об усиленной подвеске заранее позаботились. В отличие от хэтчбека у универсала длина на 13 см больше – 434 см. Высота составляет 150,8 см. Объем багажника равен 444 л и 777 л при разложенных сиденьях. Полная масса может быть равна 1598 кг.

Купе

Трехдверный хэтчбек Lada Priora выпускался в спортивной версии и отличался улучшенными характеристиками – после рестайлинга под его капотом оказалось 123 лошади. Кузовные элементы пришлось переделать, что не так сильно сказалось на габаритах. Длина равна 424,3 см, высота 143,5 см.

Лонг кузов

Удлиненная Приора – это версия «Премьер», премиальная. Ее базу удлинили на 17,5 см, сделали заднюю дверь больше, а в стекло добавили дополнительную секцию. Под капотом появилось заметное преимущество – нужно больше «лошадей», чтобы тащить более тяжелую машину. Салон отделан изысканно и стильно.
Ширина осталось той же – 168 см, длина равна 452,5 см, а высота – 142 см. Снаряженная масса равна 1100 кг, а объем багажника остался прежним – 430 л.

Характеристики подвески

Ходовая часть Приоры была создана для спокойного проезда по ухабам и препятствиям, а также проезда по проселочной дороге. Конечно, ВАЗ-2170 – это не внедорожник, но она легко пройдет по многим местам. Передняя часть подвески является независимой, а задняя – полузависимой, за счет чего получается сделать машину мягче.

Рычаги стабилизатора поперечной устойчивости вместе со стойками многие владельцы, почти сразу меняют на спортивный комплект – для того, чтобы машина не шаталась, когда выполняется резкий поворот. Телескопические амортизаторы стабильно гасят колебания при проезде препятствий, так что проблем с ней не возникнет.
ВАЗ-2170 – переднеприводная машина.

  • Передняя подвеска по типу МакФерсон с продольными растяжками.
  • Задняя подвеска также с продольными рычагами. В ней установлена поперечная балка U-образного сечения, к которой крепится стабилизатор поперечной устойчивости торсионного типа.

Что касается дорожного просвета, для дорестайлинговой версии он составлял 165 мм, а для рестайлинговой – 170 мм. Колесная база равна 249,2 см, ширина передней колеи – 141 см, задней – 138 см. Подвеску можно занизить или завысить при желании – готовые комплекты для модернизации есть в открытой продаже.

Тормозная система

Тормоза спереди и сзади отличаются. Спереди установлены дисковые вентилируемые тормоза с однопоршневым плавающим суппортом и авторегулировкой зазора между колодками и диском, а сзади – барабанные тормоза. Тормозная система диагональная двухконтурная, гидравлическая. Оснащается вакуумным усилителем.

Возможна работа с антипробуксовочной системой. Также сзади можно самостоятельно установить дисковые тормоза вместо штатных барабанных. Новая тормозная система также будет поддерживать работу ABS. Стояночный тормоз ручной, на тросике с приводом задних колес.

priorik.ru

Размеры кузова Lada Priora — Таблицы размеров

I 1.6 AT (2014 — н.в.)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4350 (мм)
Высота1420 (мм)
I 1.6 MT (2013 — н.в.)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4350 (мм)
Высота1420 (мм)
I 1.6 MT (2013 — 2014)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4350 (мм)
Высота1420 (мм)
I 1.6 MT (2013 — н.в.)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4350 (мм)
Высота1420 (мм)
I 1.8 MT (2014 — н.в.)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4350 (мм)
Высота1420 (мм)
I 1.6 AT (2014 — н.в.)
Тип кузовахэтчбек
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4240 (мм)
Высота1435 (мм)
I 1.6 MT (2013 — н.в.)
Тип кузовахэтчбек
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4240 (мм)
Высота1435 (мм)
I 1.6 MT (2013 — 2014)
Тип кузовахэтчбек
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4240 (мм)
Высота1435 (мм)
I 1.6 MT (2013 — н.в.)
Тип кузовахэтчбек
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4240 (мм)
Высота1435 (мм)
I 1.8 MT (2014 — н.в.)
Тип кузовахэтчбек
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4240 (мм)
Высота1435 (мм)
I 1.6 MT (2013 — н.в.)
Тип кузовахэтчбек
Количество дверей3
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4210 (мм)
Высота1435 (мм)
I 1.6 MT (2013 — н.в.)
Тип кузовахэтчбек
Количество дверей3
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4210 (мм)
Высота1435 (мм)
I 1.6 AT (2014 — н.в.)
Тип кузовауниверсал
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4330 (мм)
Высота1508 (мм)
I 1.6 MT (2013 — н.в.)
Тип кузовауниверсал
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4330 (мм)
Высота1508 (мм)
I 1.6 MT (2013 — н.в.)
Тип кузовауниверсал
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4330 (мм)
Высота1508 (мм)
I 1.8 MT (2014 — н.в.)
Тип кузовауниверсал
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4330 (мм)
Высота1508 (мм)
I 1.6 MT (2010 — 2013)
Тип кузовахэтчбек
Количество дверей3
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4210 (мм)
Высота1435 (мм)
I 1.6 MT (2009 — 2013)
Тип кузовауниверсал
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4330 (мм)
Высота1508 (мм)
I 1.6 MT (2008 — 2013)
Тип кузовахэтчбек
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4240 (мм)
Высота1435 (мм)
I 1.6 MT (2011 — 2013)
Тип кузовахэтчбек
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4240 (мм)
Высота1435 (мм)
I 1.6 MT (2008 — 2013)
Тип кузовахэтчбек
Количество дверей5
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4240 (мм)
Высота1435 (мм)
I 1.6 MT (2007 — 2013)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4350 (мм)
Высота1420 (мм)
I 1.6 MT (2011 — 2013)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4350 (мм)
Высота1420 (мм)
I 1.6 MT (2007 — 2013)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2492 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет170 (мм)
Ширина1680 (мм)
Длина4350 (мм)
Высота1420 (мм)
I Premier 1.6 MT (2008 — 2012)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2667 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет130 (мм)
Ширина1680 (мм)
Длина4525 (мм)
Высота1420 (мм)
I Premier 1.8 MT (2008 — 2012)
Тип кузоваседан
Количество дверей4
Количество мест5
Колесная база2667 (мм)
Колея передняя1410 (мм)
Колея задняя1380 (мм)
Дорожный просвет130 (мм)
Ширина1680 (мм)
Длина4525 (мм)
Высота1420 (мм)

razmery.info

Технические характеристики Lada Priora

Выпуск рестайлинговой LADA Priora («Лада Приора») начался с ноября 2013 г. С конвейера ОАО «АВТОВАЗ» сходят следующие автомобили этого семейства: ВАЗ-2170 — с кузовом седан, ВАЗ-2171 — с кузовом универсал, ВАЗ-2172-с кузовом хэтчбек (пятидверный и трехдверный). На автомобили могут устанавливаться два четырехцилиндровых шестнадцатиклапанных двигателя объемом 1596 см3 и мощностью 98 и 106 л.с. Нормы токсичности соответствуют стандарту Евро-4. Автомобили комплектуются пятиступенчатой механической коробкой передач с приводом на передние колеса.

Обновленная LADA Priora соответствует современным требованиям по пассивной безопасности. Передний и задний бамперы изготовлены из ударопрочного материала, что обеспечивает поглощение энергии удара при столкновении. Центральные стойки, крыша и пороги имеют усиленную конструкцию. Во всех дверях для повышения стойкости при боковом ударе установлены металлические усилители.

Информация актуальна для моделей Приора 2013, 2014, 2015, 2016, 2017, 2018 года выпуска.

Габаритные размеры

В базовую комплектацию автомобиля входят: регулируемая по углу наклона рулевая колонка, электростеклоподъемники передних дверей, подушка безопасности водителя, наружные зеркала с электроприводом. Фары автомобиля могут работать в режиме дневных ходовых огней, которые не слепят водителей на встречной полосе и значительно снижают энергопотребление.

Для более полного удовлетворения потребностей клиентов в комплектации автомобиля предусмотрены различные опции. К ним относятся: подушка безопасности переднего пассажира, преднатяжители ремней безопасности передних сидений, антиблокировочная система тормозов (ABS), система электронного контроля устойчивости (ESC), круиз-контроль, кондиционер, электростеклоподъемники всех дверей, электрическая регулировка зеркал, современная мультимедийная система, бортовой компьютер, автоматическое управление очистителем ветрового стекла, автоматическое управление внешним освещением, повторители поворотов в боковых зеркалах заднего вида, противотуманные фары, электрообогрев ветрового стекла.

LADA Priora — это компактный, экономичный автомобиль, хорошо адаптированный к условиям нашего климата и особенностям российских дорог.

Общие данные

Тип кузоваСеданУниверсалХэтчбек, 5-дверныйХэтчбек, 3-дверный
Количество дверей4553
Количество мест (при сложенном заднем сиденьи)

5 (2)

Снаряженная масса, кг

1055-1110

Разрешенная максимальная масса, кг1578159315781578
Допустимая полная масса буксируемого прицепа, кг:
оборудованного тормозами

800

не оборудованного тормозами

500

Объем багажника (5/2 места), л430444/777360/705
Максимальная скорость (двигатель 21126/21127), км/ч

183/186

Время разгона до 100 км/ч (двигатель 21126/21127), с

11,5/10,5

Расход топлива (двигатель 21126/21127), л/100 км: смешанный цикл

6,9/ 6,8

Емкость топливного бака, л

44

Двигатель

Модель2112621127
Тип двигателя

Бензиновый, рядный, четырехтактный, четырехцилиндровый

Расположение

Спереди, поперечно

Клапанный механизм

DOHC, 16 клапанов

Диаметр цилиндра х ход поршня, мм

82,0 х 75,6

Рабочий объем, см3

1596

Номинальная мощность, кВт (л.с.)72 (98)78 (106)
при частоте вращения коленчатого вала двигателя, мин-156005800
Максимальный крутящий момент, Н-м145148
при частоте вращения коленчатого вала двигателя, мин-140004200
Система питанияРаспределенный впрыск топливаРаспределенный впрыск топлива. Изменяемая длина каналов впускного трубопровода
ТопливоНеэтилированный бензин с октановым числом не ниже 95
Система зажиганияЭлектронная, входит в состав системы управления двигателем
Нормы токсичностиЕвро-4

Трансмиссия

СцеплениеОднодисковое, сухое, с диафрагменной нажимной пружиной
Привод выключения сцепленияТросовый, с автоматической регулировкой длины троса
Тип коробки передачМеханическая, пятиступенчатая, с синхронизаторами на всех передачах переднего хода
Привод ведущих колесВалами с шарнирами равных угловых скоростей

Ходовая часть

Передняя подвескаНезависимая, типа МакФерсон, с телескопическими амортизаторными стойками, винтовыми пружинами, поперечными рычагами, продольными растяжками и стабилизатором поперечной устойчивости
Задняя подвескаПолунезависимая, с винтовыми цилиндрическими пружинами, телескопическими гидравлическими амортизаторами и продольными рычагами, соединенными поперечной балкой U-образного сечения и встроенным в нее стабилизатором поперечной устойчивости торсионного типа
КолесаДисковые, стальные или легкосплавные (запасное колесо — стальное)
Размер колеса5,0Jx14h4; 5,5Jx14h4; 6,0Jx14h4; PCD 4×98; DIA 58,6; ET 35
ШиныРадиальные, бескамерные
Размер шин175/65R14; 185/60R14; 185/65R14

Рулевое управление

Рулевой механизмШестерня-рейка с переменным передаточным отношением
Усилитель рулевого управленияЭлектрический — установлен на валу рулевого управления
Рулевой приводДве тяги с резинометаллическими шарнирами (со стороны рулевого механизма) и шаровыми шарнирами (со стороны поворотных рычагов)

Тормозная система

Рабочая тормозная системаГидравлическая, двухконтурная — диагональная, с вакуумным усилителем (может комплектоваться ABS)
Тормозной механизм переднего колесаДисковый, вентилируемый с однопоршневым плавающим суппортом и автоматической регулировкой зазора между диском и колодками
Тормозной механизм заднего колесаБарабанный, с самоустанавливающимися колодками и автоматической регулировкой зазора между колодками и барабаном
Стояночный тормозРучной, с тросовым приводом на колодки тормозных механизмов задних колес

Электрооборудование

Схема электрооборудованияОднопроводная, «минусовые» выводы источников питания и потребителей соединены с «массой» (кузовом и силовым агрегатом) автомооиля
Номинальное напряжение12В
Аккумуляторная батарея6СТ-62 VL, емкостью 62 А ч
ГенераторПеременного тока, трехфазный со встроенным выпрямительным блоком и электронным регулятором напряжения
Максимальный ток, отдаваемый генератором,А115
СтартерС возбуждением от постоянных магнитов, планетарным редуктором, электромагнитным тяговым реле и муфтой свободного хода

carpod.ru

Характеристики Лада Приора. Комплектации, вес и модификации

Лада Приора была создана на базе седана десятой модели и увидела свет в 2007 году. От своей предшественницы она получила практически только боковой силуэт и целевую ориентацию: этот бюджетный автомобиль очень востребован у большинства автолюбителей благодаря оптимальному сочетанию цены и качества, из-за чего внимание к нему не ослабевает. Разумеется, покупатели, привлеченные небольшой стоимостью, интересуются его техническими характеристиками, о которых мы и рассказываем.

Сводные данные по Ладе Приора (до рестайлинга 2013 года)

ВАЗ 2170 (именно такую индексацию получила Приора) имеет улучшенный по сравнению с «десяткой» салон, 16-клапанный двигатель, объемом 1596 куб. см., и 5-ступенчатую механическую коробку передач во всех комплектациях (в первых комплектациях седана и хэтчбека с двигателем на 80 л.с. устанавливался 8-клапанный мотор).
В смешанном режиме езды у Приоры на 100 км. уходит от 6,6 до 7,6 л. топлива за городом (в зависимости от комплектации), а в городе – 9,8 л.
Новый двигатель позволяет разгоняться до 180 км/ч, а до «сотни» – за 12 секунд. Это свойство обращает на себя внимание любителей скоростных заездов, ведь поработав над двигателем и проведя тюннинг автомобиля, можно добиться хороших спортивных показателей.

Сколько весит Лада Приора

Вес автомобиля до рестайлинга 2013 года был следующим:

  • 3-дверный хэтчбек-купе, 5-дверный хэтчбек и седан имеют снаряженную массу (в которую включается вес полного бака горючего и водителя) 1088 кг. При этом полная масса (т.е. максимально допустимый вес автомобиля, при котором возможна его эксплуатация после полной загрузки) равен 1578 кг;
  • Универсал, при той же снаряженной массе, способен взять чуть больше груза, и его полная масса достигает 1593 кг.

Таким образом, универсал – самый грузоподъемный из всех типов кузова Приоры.

На сколько хватает бензобака

С максимальным наполнением объема бензобака Лада Приора, питаясь АИ-95 (по паспорту!) проедет:

  • 438 км по городу;
  • 767 км по трассе;
  • 597 км в смешанном цикле.

Однако, дальность езды на полном баке приводится нами по грубой прикидке, поскольку в зависимости от комплектации и модификации она может несколько изменяться, хотя во всех случаях объем бензобака один и тот же: 43 литра.

Грузовместимость

Грузовая вместимость (не грузоподъемность!) Приор варьируется в зависимости от типа кузова. Так, багажники имеют разные объемы:

  • 360 литров – у хэтчбека и купе;
  • 430 литров – у седана;
  • 444 литра – у универсала.

Как мы видим, этот объем не сильно отличается от седановского, поэтому говорить о том, что Приора-универсал создана для решения широкого ряда хозяйственных задач (относительно других вариантов этого авто), можно с очень большой натяжкой.
Конечно, грузовместимость существенно увеличивается, если сложить спинку заднего дивана, а еще лучше – снять полностью заднее сиденье.

Габариты ВАЗ 2170 и других модификаций Приоры

Габариты автомобиля – это то, что нужно учитывать при покупке, поскольку размеры парковочных мест, гаража, поворотов или въездных арок далеко не всегда универсальны. Высота измеряется от крайней точки переднего, до крайней точки заднего бампера. Ширина меряется в самом широком месте, а высота – от поверхности земли до крайней верхней точки крыши. Рейлинги и багажники не входя в высоту кузова. С учетом этого, габариты Приоры следующие:

  • Самый длинный кузов у автомобилей этого семейства – у седана. Он занимает в длину 4350 мм. Но при этом он ниже всех – 1420 мм. по высоте.
  • Следующим по длине идет универсал, со своими 4340 мм длины. По высоте он выше всех – 1508 мм.
  • Пятидверный хэтчбек и трехдверное купе короче всех – 4210 мм. при 1435 мм. по высоте.

Во всех четырех случаях ширина Приоры одна и та же – 1680 мм. Клиренс – 165 мм., хотя в комплектации Приора-спорт он несколько уменьшен, но это уже не так важно, поскольку в таком варианте этот автомобиль больше не производится.

Модификации Лада Приора до 2013 года

Автомобили ВАЗ 2170 Lada Priora I поколения имеют такие варианты кузова: 4-дверный седан, 5-дверные хэтчбек и универсал, и 3-дверный купе. В зависимости от года выпуска и комплектации, мощность двигателя может быть разной, что выглядит следующим образом.

Двигатель Лада Приора 2007, седан, 1 поколение

Исходя из комплектации, седаны до рестайлинга 2013 года снабжаются такими двигателями:

  • 80 «лошадок»: 8 клапанов, максимальная скорость движения 172 км/ч., расход бензина – 7,6 л. на каждые 100 км. в смешанном цикле.
  • 16-клапанный двигатель на 89 л.с. развивает скорость до 176 км/ч, расходуя 7,3 л/100 км. пути в смешанном цикле. Как видите, по своим характеристикам этот двигатель не сильно отличается от «младшего брата», хотя и потребляет чуть меньше бензина.
  • 16-клапанный 98-сильный мотор: максимальная скорость 183 км/ч, расход АИ-95 в смешанном цикле – 7,2 л/100 км.
Двигатель Лада Приора 2008, хэтчбек, 1 поколение

5-дверные хэтчбеки выпускаются с 2008 года. В зависимости от комплектации они оснащаются:

  • 80-сильным 8-клапанным двигателем, выдающим те же скоростные и расходные характеристики, что и в случае с седаном, снабженным тем же мотором;
  • 16-клапанным двигателем на 89 л.с., выдающим для хэтчбека ту же скорость и расходуя то же количество бензина, что и седан с таким же самым мотором;
  • 98-сильным 16-клапанным мотором, благодаря которому хэтчбек полностью совпадает по скоростным и расходным характеристикам с седаном с той же силовой установкой.
Двигатель лада приора 2008, универсал, 1 поколение

С универсалом все проще. С самого начала выпуска он имел только один, но зато самый мощный в то время двигатель на 98 л/с, который разгонял автомобиль до 183 км/ч и потреблял 7,2 литра бензина на 100 км. пути в смешанном цикле.
Таким образом, несмотря на большую грузовместимость универсала, его паспортная скорость остается такой же, как и у прочих Приор в другом кузовном исполнении, но с тем же двигателем, поскольку снаряженный вес у всех модификаций один и тот же.
Должно быть, в полной загрузке универсал покажет чуть меньшие скоростные или большие расходные характеристики.

Двигатель лада приора 2010, купе, 1 поколение

С 2010 года Приора получает еще одну модификацию – трехдверный купе-хэтчбек. С ним тоже все достаточно просто, т.к. оснащается он 98-сильным 16-клапанным мотором, дающим наибольшую скорость 183 км/ч, потребляя в смешанном цикле 7,4 литра бензина на каждые 100 км., т.е. чуть больше, чем все остальные кузовные модификации.
Как вы видите, универсал и купе не имеют такой широкой моторной вариации, как 5-дверный хэтчбек и седан, поскольку автомобили такого кузова рассчитаны не на широкую продажу, а для специфических нужд: спорта и автотуризма.
Между прочим, у создателей Приоры была идея запустить в серию и кабриолет, но разумно посчитав, что он не найдет своего покупателя, они от этой идеи отказались.

Рестайлинг Лада Приора 2013 года

Рестайлинг 2013 года заключался в некоторых изменениях, касающихся внешнего вида, кое-какого оборудования, интерьера и двигателя. В числе таких изменений у Приор мы назовем:

  • Несколько измененную экстерьерную геометрию, которую, впрочем, нет смысла описывать, поскольку визуально Приора до и после рестайлинга внешне осталась почти неразличимой;
  • Замену решетки радиатора на вытянутые «соты», немного склоняющие автомобиль в модный ныне «органический» стиль, характерный биологическими формами;
  • Улучшенную внешнюю светотехнику, благодаря которой габариты автомобиля стали отчетливее в темное время. В частности увеличена площадь светоотражателей, добавлены светодиодные секции габаритов и стоп-сигналов, которые и ярче, и острее реагируют на включение;
  • Приборную панель, которая реализована иначе: вместо четырех «циферблатов» стрелки датчиков удалось скомпоновать в двух, без ущерба для функционала. Чисто эстетически это выглядит лучше, а с эргономической точки зрения многое зависит от привычки;
  • Увеличенное число пиктограмм, вспыхивающих на приборной доске, благодаря чему проще разобраться в том, какая светотехника засбоила;
  • Добавленную нишу в центре торпедо, в которую помещен бортовой компьютер;
  • Удлиненные салазки передних сидений, благодаря чему высокий водитель и передний пассажир могут настраивать положение кресел под себя более гибким образом;
  • Более вместительный по глубине бокс справа от водителя;
  • Более привлекательное трехспицевое рулевое колесо с подушкой безопасности под треугольной крышкой;
  • В «люксовой» комплектации – обивку кожи на основе комбинации автоткани с экокожей;
  • Новый дизайн дверных карт.

Также с 2013 года Приоры выпускаются в другой двигательной комплектации, из которой убрали 80-сильный, но зато добавили новый двигатель на 106 л/с, который, как и все, развивает скорость до 183 км/ч, и сокращает расход топлива до 6,8 – 6,9 литра на каждую сотню км. Этим двигателем оснащаются «люксовые» комплектации Приоры. Конечно, такое уменьшение расхода топлива очень привлекает потребителя. Остается надеяться, что разработчики будут и дальше трудиться в этом направлении.
Кроме того, новый двигатель хорошо вписался в экологические нормативы Euro-3 и Euro-4, благодаря близко расположенному катализатору. За счет быстрого нагрева катализация токсичных веществ происходит бодрее, в результате чего в атмосферу попадает уже меньшая их концентрация.

Есть у рестайлинговых Приор и недостаток (по сравнению с прежними выпусками этого автомобиля): ковер в багажнике тоньше, чем у предшественниц, из-за чего уровень шума во время движения выше. Автомобилистам рекомендуется позаботиться о дополнительной шумоизоляции багажника. Кроме того, снаряженный вес автомобиля увеличился, (до 1185 кг), что на целых 100 кг. сократило его грузовые возможности, поскольку максимальная масса осталась прежней – 1593 кг. для универсала, и 1578 кг. для прочих кузовных вариаций.

Комплектации Лады Приора ВАЗ 2170 и других модификаций

ВАЗ 2170 известен в таких комплектациях:

  • «Стандарт» – самая бюджетная комплектация. В ней отсутствуют: аудиомагнитола, динамики, кондиционер, подголовники заднего дивана, иммобилайзер, центральный замок, обогрев передних сидений, электропривод и обогрев наружных зеркал, противотуманные фары, дистанционное открывание замка багажника. Передние стеклоподъемники – электрические, задние – механические. Двигатель – 81 л.с., который с 2013 года уже не выпускается, и в настоящий момент заказы на такую комплектацию больше не поступают;
  • «Норма», которая оснащается 87-, а после рестайлинга – только 98 и 106-силовым двигателем. В наличии: аудиподготовка, бортовой компьютер, электрообогрев и электропривод наружных зеркал, иммобилайзер, противоугонная сигнализация и все элементы комплектации «стандарт» плюс кое-какое новое оборудование. Эта комплектация пользуется самым большим спросом из-за своей ценовой ниши. Когда автомобиль нужен «уже вчера», то приходится покупать то, на что хватает денег сейчас, а всем остальным дооборудовать машину уже в процессе.
  • «Норма+». По сути, это та же норма, на которую установлено одно или несколько наименований оборудования: кондиционер, аудиомагнитола с колонками, ABS+BAS, крепления для детских сидений, обогрев передних сидений и лобового стекла;
  • «Люкс» – наиболее насыщенная функционалом. Имеет все то же, что и «норма+», а кроме того: боковые подушки безопасности, подушку для переднего пассажира, задние и передние электроподъемники стекол, навигатор, мультимедийную систему, круиз-контроль, парктроник, противотуманные фары, датчик дождя, климатическую систему, литые диски, обогрев передних сидений;
  • «Спорт» – специальная комплектация увеличивающая «спортивную» составляющую. Это аэродинамический обвес кузова: выраженный бампер со спойлером, боковые пороги, диффузорный задний бампер, и антикрыло на крышке багажника. Отличаются и колесные диски с узкопрофильным покрышками. Уменьшены дорожный просвет, снаряженный (до 1080 кг) и максимальный (до 1500 кг) вес. Интерьер тоже преображен: добавлены боковые поддержки по краям сидений с красным шитым швом, вставки под карбон, кожаный руль. Кондиционер, магнитола, полный набор электрических стеклоподъемников прилагаются. Однако, выпуск спортивных Приор был ограничен и сегодня они сняты с производства, хотя их кое–где можно встретить на трассе, и чаще всего это Приора в кузове купе.

Конечно же, это не полный, а лишь ориентировочный обзор комплектаций Лады Приоры, который в пределах одной статьи вряд ли возможно привести целиком. Кроме того, комплектация несколько отличается также от типа кузова. Например:

  • У Приор-универсалов имеются рейлинги на крыше, скобы на колесных арках багажника, за которые можно стропить груз;
  • Для кузова купе разработаны складные спинки и усиленный каркас передних сидений.

vaz-russia.com

Какой вес, двигатель и размер у Лада Приора Хетчбек(ВАЗ 2172)

Лада Приора изначально производилась в четырех вариациях кузова: универсал, седан и хэтчбек (в том числе хэтчбек-купе). Однако наибольшую жизнеспособность, что вполне очевидно, имеют только два типа кузова: седан и хэтчбек, поскольку универсал пользуется не таким потребительским интересом, и в настоящий момент Приоры с таким кузовом больше не производятся. К слову, ВАЗ собирался производить Приору и в кузове кабриолет, но от этой идеи отказались, т.к. в нашей стране эта машина просто не найдет покупателя.
А вот седаны и хэтчбеки – самые востребованные варианты, и вечные конкуренты в деле привлечения покупателя, которые периодически перетягивают на себя канат лидерства продаж в зависимости от модных тенденций, класса автомобиля, марки, практических и эстетических представлений потребителей. Сейчас мы попытаемся разобраться, какими особенностями и преимуществами обладает Лада Приора с кузовом хэтчбек в пяти- и трехдверном (купейном) исполнении.

Двигатели на Ладе Приоре хэтчбек

На 5-дверный хэтчбек ВАЗ 2172, выпускавшийся с 2007 года, устанавливается три двигателя с разной номинальной мощностью, объемом 1596 куб.см:

  • Восьмиклапанный 81-сильный мотор, выдающий максимальную скорость 172 км/ч при расходе горючего 7,6 литра на каждые 100 км. при езде в смешанном режиме. Это наименее экономичный из всех приоровских двигателей, хотя и самый дешевый. В настоящее время Приоры им больше не комплектуются;
  • 16-клапанный, 89-сильный, способный разогнать машину до 176 км/ч. Потребление топлива в смешанном цикле чуть ниже, а именно – 7,3 л/100 км;
  • 98 лошадиных сил: этот 16-клапанный мотор разгонял хэтчбек до 183 км/ч, а в смешанном цикле потреблял 7,4 л/100 км;
    3-дверный хэтчбек-купе до 2013 года снабжался только одним мотором – 98 л/с, который придавал этому автомобилю те же технические характеристики, что и его 5-дверному собрату.

Двигатель Приоры Хэтчбек после рестайлинга 2013 года

В 2013 создатели Приоры решили обновить ее дизайн, улучшить эргономику и дооснастить автомобиль согласно требованиям времени, вследствие чего из комплектации убрали 81-сильный и 89-сильный мотор. Вместо них устанавливаются новые 16-клапанные двигатели, хотя и прежнего объема:

  • на 98 л/с, дающий максимальную скорость 183 км/ч, разгон до «сотни» – за 11,5 сек, и потребляющий 6,9 литра топлива на 100 км;
  • 106-сильный, обладающий теми же скоростными характеристиками, но незначительно снижающий потребление горючего (до 6,8 литра АИ-95).

Объем багажника лады приора хэтчбек: размер и характеристики

Среди всех Приор хэтчбек имеет самый маленький объем багажника – 360 литров против 430 у седана и 444 в универсальном кузове. Конечно же, багажник любого хэтчбека всегда меньше, чем у того же автомобиля в кузове седан. Однако, 360 литров – это много или мало?
Это число не является предельно малым или предельно большим показателем для хэтчбеков, поэтому придется сопоставить его с аналогичными характеристиками других авто. Например, багажник хэтчбека Приора всего на 10 литров меньше, чем у Hyundai Solaris и на 29 литров меньше, чем KIА Rio, но обладает куда большим объемом, чем багажники Renault Sandero и Ford Fiesta. В этом отношении 360-литровый багажник считается вместительным, и уже по этому признаку хозяйственные качества автомобиля можно считать хорошими.


Вообще, современные легковые автомобили оснащаются багажниками, объемом от 300 до 500 литров, если не учитывать сугубо спортивные или полугрузовые машины с кузовом «универсал», которые пользуются небольшим потребительским интересом. Поэтому багажник хэтчбека Приора можно считать средним по емкости. И если разработчики изначально ставили бы перед собой задачу создать хэтчбек с более вместительным багажником, то им бы пришлось увеличивать габариты авто, выйдя за пределы заданного класса, ценового сегмента, или убрать задний диван.
Если 360 литров кому-то мало, то вместимость Приоры можно увеличить, сложив спинки заднего сиденья или убрав его полностью.

Габаритные размеры Лады Приоры Хэтчбек

Хэтчбек Приора имеет наименьшие габариты по длине против всех остальных кузовных исполнений. Его длина – 4240 мм в 5-дверном кузове, и 4210 – в 3-дверном кузове купе. Высота при этом представляет собой промежуточную позицию между низким седаном и высоким универсалом, и равняется 1435 мм.
Ширина же хэтчбека ничем не отличается от тех же показателей других кузовов, и составляет 1680 мм.
Дорожный просвет – 165 мм, хотя в комплектации Приора-спорт он несколько уменьшен, но в таком варианте этот автомобиль уже снят с производства.

Вес хэтчбека Лада Приора (ВАЗ 21723)

Снаряженная масса хэтчбека ВАЗ 21723 составляет:

  • 1088 кг – выпуска до 2013 года. Здесь учитывается, что автомобиль имеет полное оснащение, заправлен полностью, и управляется водителем, вес которого 75 кг. Пассажиры и груз при этом не перевозятся;
  • В 2013 году после рестайлинга снаряженная масса стала достигать 1185 кг.

Надо сказать, что полная масса (т.е. максимальный вес автомобиля с полной загрузкой, при котором возможна его эксплуатация) после рестайлинга осталась прежней, а именно – 1578 кг. Это означает, что грузовые возможности хэтчбека после рестайлинга сократились примерно на 100 кг, несмотря на прежний размер багажника.

Чем хорош Лада Приора в кузове хэтчбек?

Ответ на этот вопрос лежит в плоскости того, какими вообще достоинствами обладает такая кузовная вариация.
Во-первых, это более спортивный и динамичный вид, который предпочитает молодой покупатель, даже с учетом того, что седан выглядит солиднее.
Во-вторых, компактный размер и самая короткая колесная база, благодаря которым в городских условиях легче маневрировать и устраиваться на стоянку. Выше мы уже описали габариты хэтчбека.
В-третьих, отсутствие выступающей кормы, которая создает трудности при парковке и движении задним ходом.
В-четвертых, широкий багажный проем (несмотря на то, что у седана Приоры багажник по объему больше), позволяющий уложить габаритные грузы.

Таким образом, хэтчбек Приора – это прекрасный выбор для тех, кто не слишком обременяет себя насущными проблемами, предпочитая уделять время простым жизненным радостям. Это автомобиль для езды, а не для перевозки, которые по достоинству оценят молодые автолюбители, спортсмены, и те, кто не собирается стареть.

vaz-russia.com

Габаритные размеры Приоры | PrioraPRO

Автомобили Лада Приора разработаны специально для динамичных и стремительных городских дорог. Внешний вид их отличается своей собранностью, универсальностью и резвостью. Габаритные размеры Приоры подчеркивают её индивидуальность – для каждой модели, будь то хетчбек, седан или универсал, разработаны свои собственные габариты:

— хетчбек по своей натуре, автомобиль более молодежный, за счет этого и более легкий и спортивный – его размеры: длина 4210 мм, ширина 1680 мм, высота 1435 мм;

— более увесистый седан имеет размеры: длина 4400 мм, ширина 1680 мм, высота 1420 мм;

— приземистый и солидный универсал соответствует следующим параметрам: длина 4340 мм, ширина 1680 мм, высота 1508 мм;

— красавец Сoupe, быстрый и динамичный, имеет габариты: длина 4243 мм, ширина 1680 мм, высота 1435 мм.

Габаритные размеры Лада Приоры мягко сочетаются со стилем её кузова. Это подчеркивается геометричными линиями, изящно выполненной решеткой радиатора, элегантными фарами как задними, так и передними. Добавляют уникальности открытые передние и задние арки колес, которые подтянуты к колесной арке задним бампером. Такое сочетание делает автомобиль приподнятым, обращающим на себя внимание.

Кроме этого, габаритные размеры на Приоре может уверенно сопоставить прекрасной аэродинамике. При движении на высоких скоростях, в автомобиле обеспечен баланс подъемных и прижимных сил на передней и задней осях, а коэффициент сопротивления воздуха в кузове седан равен 0,34, что соответствует уровню лучших мировых аналогов.

Во время краш-тестов, автомобиль Лада Приора, габаритные размеры которой достаточно невелики, в сравнении с авто её ценового сегмента, показала себя в лучшем виде: он соответствует последним европейским требованиям при боковом и фронтовом ударе. Абсолютная безопасность обеспечивается с помощью ремней безопасности для каждого пассажира, подушкой безопасности водителя, а в комплектации «люкс» еще и переднего пассажира.

Также в Приоре были улучшены боковые стойки, пороги пола, установлены стальные брусья безопасности дверей. В обивку дверей встроены специальные демпфирующие вставки, которые позволяют обеспечить повышенную безопасность при боковом ударе.

При возможном столкновении на невысоких скоростях, безопасность переднего пассажира увеличивается, благодаря мягкой накладке на панели приборов.

priorapro.ru

Новая Лада Приора багажник, размеры, габариты, клиренс, дорожный просвет Lada Priora рестайлинг

Размеры рестайлинговой Лады Приоры существенно не изменились. Хотя за счет новых передних и задних бамперов длина Lada Priora изменилась на несколько миллиметров.

По прежнему седан Lada Priora рестайлинг имеет самую большую длину, которая в новой версии составляет 4 350 мм. Длина универсала на 1 сантиметр короче, а вот хэтчбек Приора еще меньше, длина этой версии кузова составляет 4210 мм. Ширина всего семейства составляет 1 680 мм и колесная база одинакова для всех 2 492 мм. А вот высота у всех разная, седан Лада Приора 1 420 мм, хэтчбек 1 435 мм, а вот универсал вообще 1 508 мм в высоту. Большая высота универсала Priora объясняется наличием рейлингов на крыше. У хэтчбека же конструкция задней части кузова такова, что автомобиль получился выше седана.

Что касается дорожного просвета или клиренса Лада Приора, то производитель указывает на цифру 165 мм у седана и хэтчбека, а у универсала Lada Priora клиренс составляет 170 мм. Однако по факту дорожный просвет больше, достаточно взять в руки рулетку и убедится в этом. Но производитель не ошибается, просто указывает дорожный просвет автомобиля при полной загрузке. В то же самое время производители иномарок хитрят и указывают дорожный просвет своих автомобилей в не нагруженном состоянии. поэтому реальный дорожный просвет иномарок и их официальные данные часто не совпадают.

Объемы багажного отделения у новой версии Лада Приора во всех трех кузовах мало изменились. Объем багажника седана составляет 430 литров. Объем багажного отделения хэтчбека Priora меньше, всего 306 литров, но если сложить задние сидения (чего нельзя сделать в седане), то объем возрастает до 705 литров. В Приора универсал объем багажного отделения составляет 444 литров, а при сложенных сидениях достигает 777 литров. К сожалению задние сидения не складываются в ровень с полом, да и большие колесные арки съедают довольно много багажного пространства.

Далее подробные данные о габаритах Лада Приора в таблице ниже.

Размеры Lada Prioraседанхэтчбекуниверсал
Длина, мм435042104340
Ширина168016801680
Высота142014351508
Колея передних колес141014101414
Колея задних колес138013801380
Колесная база249224922492
Объем багажника, л430360444
Объем при сложеных сидениях705777
Объем топливного бака434343
Дорожный просвет, мм165165170

Что касается размера шин Лада Приора, то производитель рекомендует устанавливать диски 14 дюймов. Размер покрышек может быть такой 175/65 R14 или 185/60 R14 или такой 185/65 R14. Самое интересное, что сегодня даже на Лада Гранта или Калина в хорошо упакованных комплектациях “Автоваз” предлагает 15-дюймовые колеса в качестве штатных. Почему такого нет на Приоре не понятно, хотя это не останавливает владельцев этих машин, которые ставят на свои Lada Priora колеса гораздо большего размера.

myautoblog.net

Lada Priora хэтчбек — технические характеристики

  

 Эксплуатационные характеристики Лада Приора хэтчбек 1 поколения

Максимальная скорость: 183 км/ч
Время разгона до 100 км/ч: 11.5 c
Расход топлива на 100км по городу: 9.8 л
Расход топлива на 100км по трассе: 5.6 л
Расход топлива на 100км в смешанном цикле: 7.2 л
Объем бензобака: 43 л
Снаряженная масса автомобиля: 1088 кг
Допустимая полная масса: 1578 кг
Размер шин: 175/65 R14, 185/65 R14, 185/60 R14

Модификации двигателей

Комплектация Двигатель Коробка Привод Расход, л Разгон до 100
Люкс 21723-23-043 1.6 98 л.c. бензин механика передний 9.8/5.6/7.2 11,5
Норма 21723-21-045 1.6 98 л.c. бензин механика передний 9.8/5.6/7.2 11,5
Норма 21723-21-045 1.6 81 л.c. бензин механика передний 9.8/5.6/7.6 13,5
Норма 21723-21-045 1.6 87 л.c. бензин механика передний 9.8/5.6/7.3 12,5

Характеристики двигателя

Расположение: спереди, поперечно
Объем двигателя: 1596 см3
Мощность двигателя: 98 л.с.
Количество оборотов: 5600
Крутящий момент: 145/4000 н*м
Система питания: Распределенный впрыск (многоточечный)
Турбонаддув: нет
Расположение цилиндров: Рядный
Количество цилиндров: 4
Диаметр цилиндра: 82 мм
Ход поршня: 75.6 мм
Степень сжатия: 10.3
Количество клапанов на цилиндр: 4
Рекомендуемое топливо: АИ-95
Экологический класс: Euro IV

Тормозная система

Передние тормоза: Дисковые, вентилируемые
Задние тормоза: Барабанные

Рулевое управление

Усилитель руля: есть

Трансмиссия

Привод: Передний
Количество передач: механическая коробка — 5

Подвеска

Передняя подвеска: независимая, пружинная
Задняя подвеска: полунезависимая, пружинная

Кузов

Тип кузова: хэтчбек
Количество дверей: 5
Количество мест: 5
Длина машины: 4210 мм
Ширина машины: 1680 мм
Высота машины: 1420 мм
Колесная база: 2492 мм
Колея передняя: 1410 мм
Колея задняя: 1380 мм
Дорожный просвет (клиренс): 165 мм
Объем багажника: 360/705 л

Производство

Год выпуска: с 2007 по 2013

kuruh.ru

Технические характеристики Лады Приоры: Седан, Хэтчбэк, Универсал

Вступление

Лада Приора впервые сошла с конвейера в далеком 2007 году и сразу же завоевала популярность на рынке. Приора является доступным  и практичным автомобилем, имеющим в себе ряд качеств, которые так сильно полюбились отечественному потребителю.

Приора это рейстайлинг модели ВАЗ 2110, но с огромным количеством изменений, как по технической части, так и по внешности. Новая Лада получила индекс 2170-72 в зависимости от типа кузова, как и с десятым семейством. По сравнению с ВАЗ 2110 в ней появилось более 2000 новых инженерных решений.

При проектировании ВАЗ 2170 большое количество внимания уделялось именно «болячкам» предыдущей модели, от которых, кстати, получилось избавиться. Новая Лада получилась более симпатичной и изящной, появились более привлекательные формы и современный вид. Со временем первичная модель подверглась ряду изменений и пережила несколько рейсталингов где менялись как внешняя часть, так и салон и даже технические характеристики. В последних годах выпуска она получила более мощный двигатель и новую трансмиссию.

Технические характеристики

Ниже поговорим о каждом элементе Лады Приоры отдельно, а именно рассмотрим в отдельности кузов, двигатель, багажник и т.д.

Кузов

Приора выпускалась в нескольких кузовах. В 2007 году появился только седан, позже уже в 2008 году с конвейера сошел первый хэтчбэк и универсал.

Седан 2170

Данный кузов получился весьма симпатичным и наиболее популярным среди молодежи. Приору начали покупать молодые люди и подвергать ее различному тюнингу. Это стало своего рода молодежным движением.

Универсал 2171

Этот вид кузова является отличным решением для семейных людей. Универсал оснащён огромным багажником.

Хэтчбэк 2172

Хэтчбэк не отличается от седана по техническим характеристикам и фронтальной частью кузова, но является короче на несколько сантиметров, что заметно не вооруженным глазом.

Двигатель

На Ладу устанавливалось несколько типов двигателей с разной мощностью и количеством клапанов. Ниже в таблице приведены все устанавливаемые двигателя и их характеристики.

Модель211262112721116
Число клапанов16168
Мощность (л.с.)9810687
ТипБензиновыйБензиновыйБензиновый
Крутящий момент,

 

Нм / об/мин

145/4000148/4200140/3800
Количество цилиндров444
Расположение цилиндровРядноеРядноеРядное
Объем (куб. см.)159615961596
ТопливоБензин АИ 95Бензин АИ 95Бензин АИ 95
Тип питанияЭлектронный впрыскЭлектронный впрыскЭлектронный впрыск
Максимальная скорость, км/ч183183172
Время разгона до 100 км/ч11,511,012,5
Средний расход топлива на 100км7,27,27,6
Коробка переключения передач

Приора оснащалась несколькими КПП в зависимости от комплектации и года выпуска автомобиля. Все КПП является 5-ти ступенчатыми

КПП с кулисой

Данная коробка передач устанавливалась на автомобили с 2007 года до 2013 г.в. Является довольно надежной и неприхотливой КПП, основная ее «болячка», слабая вторая передача, которая со временем начинает вылетать.

Тросиковая КПП

Устанавливалась на автомобили с 2014 года выпуска. Получила большое количество положительных отзывов, изменилось положение передач, а именно задней передачи. Снизились вибрации, передаваемые в салон от КПП.

Роботизированная КПП

В 2014 году на люксовых комплектациях автомобиля начали устанавливать роботизированную КПП. Является очень надежной и неприхотливой, но ощутимо теряет в динамике по сравнению с механической КПП.

Остальные характеристики
ХарактеристикаСеданУниверсалХэтчбэк
Высота, мм142014351508
Ширина, мм168016801680
Длинна, мм435043404210
Колесная база, мм249224922492
Масса, кг116311631088
Количество мест555
Количество дверей555
Приводпереднийпереднийпередний
Колеса185/65 R14185/65 R14185/65 R14
Емкость бака, л434343
Объем багажника, л430444/777 (со сложенными задними сиденьями)360/705 (со сложенными задними сиденьями)

Фотогалерея

← Замена ремня ГРМ на 8-ми клапаном моторе Замена помпы Лада Приора →

enginehack.ru

Лада Приора Хэтчбек White Horse › Бортжурнал › Меняем местами «габариты» и «стоп-сигналы»

Посмотрел я на несколько БЖ про перестановку местами габаритов и стоп-сигналов и мне понравилось. А потом, в тот же день, заметил эту задумку на приорке в потоке. Это и послужило решающим моментом)

В стоке (заводском исполнении) габариты сверху, а стоп сигналы снизу, что на мой взгляд смотрится не очень ( ночью машина похожа на каблук ), да и ниже кажется когда габариты снизу)))

До переделки:

Габариты

Вкл. туманки

Стопы

Начинаем работу:

Это отсносится к старым приорам, не обновленным, где уже идут диоды на габаритах.

1. Идем в багажник, открываем обивку фонаря, она на липучках. Находим коннектор и отсоединяем его…

отсоединяем коннектор

2. Далее выкручиваем по три барашка на каждом фонаре.

барашек)

3. Снимаем, достаем фонарь и находим патроны габарита и стопа:

Патроны

И наблюдаем картину… не лезет))) Чтоб народ не смог перепутать местами габарит, задний ход, повороты и габариты, на заводе придумали решение у каждого плафона есть своя форма, показано на рисунке, по месту увидите различия, наша задача отрезать лишнее простым канцелярским ножом.

Как видим, на патронах по бокам разные выпуклости! У патрона габаритов, есть полость в одной выпуклости и в самом фонаре под эту полость есть нарост своего рода:

Было

4. Берём и обычным канцелярским ножом срезаем этот нарост.

Стало

Теперь патрон стопа влазит в патрон габарита.

А для того чтобы патрон габарита влез в то место в фонаре где раньше был стоп, берём и расширяем тем же ножом узкое место в патроне бывшего стопа:

Было

5. Расширяем тем же ножом узкое место в патроне бывшего стопа.

Стало

Теперь все везде влазит!

6. Собираем всё в обратной последовательности.

Для тех кто боится переделки, и сомневается что потом уже назад не вернёшь, скажу — всё легко становится назад! Места в плафоне хватит.
Патрону даже после этих вырезаний есть место где схватится. Всё закрутится и будет держатся. Можно хоть и задний ход с поворотами местами поменять :DD и вообще каждый с каждым в любой последовательности выставить))

Фото проделанной работы:
День:

Габариты

Туманки

Стопы


Ночь:

Габариты

Стопы

Слева переделка, справа сток

Выводы делать вам, мне лично нравится больше вариант слева)

В процессе работы Я не делал фотографий. Поэтому взял фото с соседних обзоров.
Спасибо за фотографии юзерам CheesePickup и Baynov89 🙂

www.drive2.ru

Американские габариты на приоре! — Лада Приора Седан, 1.6 л., 2008 года на DRIVE2

Всем привет, решил замутить себе такую тему, как габариты в поворотники, но на приоре оказалось посложнее, чем на десятках например или на девятках, там можно просто дополнительным патроном отделаться, но здесь все посложнее, собственно и расскажу…
Начал делать все на пятиконтактном реле с диодами и конденсаторами, а именно:

1. Реле пятиконтактное 2шт соответственно на одну и другую сторону (реле можно абсолютно любые, самое главное пять контактов что бы было и все).
2. Конденсатор на 4700 мф 25 вольт 2шт.
3. Диод IN5819 2шт.

Полный размер

реле

Полный размер

колодка для реле

Полный размер

конденсатор

Полный размер

диод

Следующее нужно все это дело спаять…

Собственно паялось все по этой схеме

Полный размер

Далее получилась вот такая штукенция

Следущеем днем полетел в гараж, начал колдовать!

Полный размер

отсоединить фишку с фары, снять штатную гофру. Теперь ищем в этом пучке три провода: Масса Габарит поворотник

ТАм все просто, все контакты под своими цифрами:

6 — Габарит
8 — Поворотник
3 — Масса
Собственно нам они и нужны!

Оголяем провода как на этой фотографии


Итак:
1 — Синий провод на поворотники у нас разрезан, часть которая идет с основной гофры в пучок на нее прикручиваем провод с 87 контакта
2 — Вторая часть проводка которая заходит в фишку, подсоединяем к ней проводок с 30 контакта
3 — Оранжевый провод который идет на габариты, прикручиваем к нему провод с 88 контакта
4 — Черный провод — это масса соответственно, к нему проводок с 85 контакта.

Полный размер

Далее прокладываем реле как вам удобно, все изолируем, я проложил в гофру и изолентой матанул еще!

Полный размер

Ну собственно результат, повортники моргают, габариты горят. Все как надо!

ВСЕМ ДОБРА!

www.drive2.ru

ГАЗ Соболь 2217 и 22171 от официального дилера ТСС КАВКАЗ

ГАЗ Соболь 2217 – это легкий, маневренный и комфортабельный коммерческий автомобиль отечественного производства. Он максимально адаптирован к российским дорожным и климатическим условиям. Его основными преимуществами являются комфорт для водителя и пассажиров, многофункциональность, практичные габариты и экономичность. Благодаря им ГАЗ Соболь давно по достоинству оценили представители бизнес-среды, правоохранительные органы, коммунальные, медицинские службы.

ГАЗ Соболь – идеальный автомобиль для перевозки небольшого количества пассажиров. На сегодняшний день доступны шести- и десятиместные модификации. Это позволяет использовать ГАЗ Соболь 22171 в качестве корпоративного транспорта или маршрутного такси. Автомобиль поможет не только быстро и с комфортом преодолевать серьезные расстояния, но и проводить деловые встречи. Это возможно благодаря удобному размещению кресел лицом к лицу. Также, они оснащены подголовниками и подлокотниками. Откидной столик и лампа индивидуального освещения позволят воспользоваться ноутбуком или ознакомиться с документами даже в темное время суток.

ГАЗ 22171 обладает хорошими ходовыми и техническими характеристиками. По уровню комфорта и легкости в управлении он практически не уступает легковым автомобилям и зарубежным аналогам. Независимая передняя подвеска позволила значительно повысить устойчивость и управляемость Соболя. Также, он оснащен гидроусилителем рулевого управления, оригинальной рамой и рессорами.

Компактные размеры этого микроавтобуса значительно упрощают маневрирование и парковку в условиях современного мегаполиса. Использовать ГАЗ 22171 Соболь можно как в качестве пассажирского  или грузового, так и в качестве специального автомобиля. Большое количество модификаций и фургонов позволит приспособить его практически для любых нужд. Также, Вы можете выбрать бортовой вариант со стандартной или удлиненной рамой.

Технические характеристики: ГАЗ Соболь 2217

Модель ГАЗ 2217 ГАЗ 22171
Модель двигателя

Бензиновый УМЗA275 (EVOTECH) / Дизельный Cummins ISF 2,8

Дизельной версии не полнорприводного соболя завод на данный момент не выпускает!

Тип крыши низкая средняя
Количество мест 6+1

10+1

Данной версии завод уже не делает.
Данную версию с бензиновым двигателем можно заказать через доработчика.

6+1

10+1

Данной версии завод уже не делает.
Данную версию с бензиновым двигателем можно заказать через доработчика.

Колёсная формула 4х2
Тип привода задний
Колёсная база, мм 2760
Габаритные размеры, мм (длина/ширина/высота) 4810/2030/2100 4810/2030/2200
Дорожный просвет, мм 150
Минимальный радиус поворота, м 5,5
Полная масса, кг (бензин/дизель) 2785 2900/3025 2800/2785 2915/3040
Снаряженная масса, кг (бензин/дизель) 2245 2085/2205 2260/2140 2100/2220
Мощность двигателя, л.с. (бензин/дизель) 106,8/120
Объём двигателя, л. (бензин/дизель) 2,69 / 2,781
Контрольный расход топлива, л/100 км при 80 км/ч (бензин/ дизель) 10,9 / 9,2
Максимальная скорость (бензин/дизель) 135 / 120
Сцепление Однодисковое, сухое, ZF Sachs. Привод сцепления — гидравлический, ZF Sachs
Коробка передач Механическая, 5-ти ступенатая, синхронизированная
Карданная передача Двухвальная, с промежуточной опорой
Рама Штампованная, клепаная, с лонжеронами швеллерного сечения
Передняя подвеска Независимая, на поперечных рычагах, пружинная, со стабилизатором поперечной устойчивости игидравлическими газонаполненными амортизаторами
Задняя подвеска Зависимая, на двух продольных полуэллиптических рессорах с гидравлическими амортизаторами и стабилизатором поперечной устойчивости
Шины 215/65R16, 225/60R16
Рулевое управление Рулевой механизм типа “винт-шариковая гайка-рейка-сектор”. Рулевой привод с ГУР интегрального типа. Рулевая колонка, регулируемая по высоте и углу наклона.
Тормозная система Передние тормозные механизмы – дисковые, задние — барабанные. Привод гидравлический, двухконтурный, с вакуумным усилителем.
АБC Входит в базовую комплектацию
Опции

Кондиционер, магнитола с управлением на руле, круиз-контроль (для дизельных модификаций).

Электростеклоподъёмники, электрорегулировка зеркал, противотуманые фары, центральный замок , круиз-контроль (для дизельных модификаций). ГУР,. Панель приборов «Оптима». Входит в базовую комплектацию!

Позвоните по телефону (8793) 38-41-39 или закажите обратный звонок и мы не только скажем цену, но еще и предоставим скидку, как заказчику с сайта!

Байесовский вывод с информативными априорными данными, основанными на исторических данных, улучшает обнаружение дифференциально экспрессируемых генов | Биоинформатика

Аннотация

Мотивация: Современные высокопроизводительные биотехнологии, такие как микрочипы, способны производить огромное количество информации для каждого образца. Однако в типичном высокопроизводительном эксперименте было проанализировано только ограниченное количество образцов, что привело к классической проблеме «большие p , маленькие n ».С другой стороны, быстрое распространение этих высокопроизводительных технологий привело к сбору значительных объемов данных, которые часто выполняются на одной платформе и с использованием одного и того же протокола. Крайне желательно использовать существующие данные при выполнении анализа и выводов по новому набору данных.

Результаты: Использование существующих данных может быть выполнено простым способом в соответствии с байесовской структурой, в которой хранилище исторических данных может быть использовано для построения информативных априорных значений и использования в анализе новых данных.В этой работе, используя данные микрочипов, мы исследуем возможность и эффективность получения информативных априорных данных из исторических данных и их использования в задаче обнаружения дифференциально экспрессируемых генов. С помощью моделирования и анализа реальных данных мы показываем, что предлагаемая стратегия значительно превосходит существующие методы, включая популярные и современные подходы на основе байесовских иерархических моделей. Наша работа иллюстрирует осуществимость и преимущества использования все более доступных геномных больших данных в статистическом выводе и представляет многообещающую практическую стратегию решения проблемы «большие p , маленькие n ».

Доступность и реализация: Наш метод реализован в пакете R IPBT, который находится в свободном доступе на https://github.com/benliemory/IPBT.

Контактное лицо: [email protected]; [email protected]

Дополнительная информация: Дополнительные данные доступны по адресу Биоинформатика онлайн.

1 Введение

Высокопроизводительные технологии, такие как микрочипы и секвенирование следующего поколения, стали незаменимыми инструментами в биомедицинских исследованиях.Эти технологии могут генерировать обширный набор информации для каждого биологического образца, который может быть обобщен в комплексную картину лежащих в основе биологических процессов или систем. Однако из-за относительно высокой стоимости и сложности подготовки выборки количество обследованных выборок в каждом эксперименте намного меньше, чем количество исследуемых признаков в каждой выборке. Ключевую характеристику таких наборов данных можно резюмировать как «большие p , маленькие n » (Fan and Lv, 2010).Это представляет собой огромную проблему при проведении статистических выводов на основе этих данных, таких как обнаружение генов с дифференциальной экспрессией (DE) — фундаментальная проблема в анализе данных об экспрессии генов.

Иерархические модели (Good, 1965), которые предназначены для «заимствования силы» между функциями, обеспечивают решение в условиях многомерных данных и доказали свою эффективность при работе с высокопроизводительными геномными данными (Керр и Черчилль). , 2001; Newton и др. , 2001; Parmigiani и др., 2003; Смит, 2004). Структура иерархической модели все чаще используется в исследованиях геномики (Ji and Liu, 2010). Широко признано, что иерархические модели обладают ключевыми преимуществами по сравнению с наивным, раздельным выводом по отдельным признакам. Основная идея заключается в том, что иерархические модели предполагают, что параметры распределения всех признаков (например, зонды) являются случайными выборками из априорного распределения верхнего уровня (гипераприорного). В результате апостериорные распределения этих параметров «регрессируют» к середине.Несмотря на успех, такая стратегия может оказаться палкой о двух концах. С одной стороны, этот подход снимает проблему плохих результатов вывода из-за небольшого размера выборки; с другой стороны, это непреднамеренно вносит систематические ошибки при оценке дисперсии генов, которые имеют внутреннюю высокую или внутреннюю низкую дисперсию. Это разумная стратегия, если нет доступной дополнительной информации, кроме текущих экспериментальных данных. Однако на самом деле, учитывая бурный рост общедоступных наборов данных по геномике, существует огромное количество информации, которую можно использовать и которую следует учитывать.Уникальное и фундаментальное преимущество байесовской модели вывода заключается в ее способности включать существующую априорную информацию. Байесовский вывод обеспечивает плавную интеграцию предшествующих знаний и наблюдаемых данных, поэтому он желателен при решении реальных практических задач (Gelman, 2004). Поскольку такие технологии, как микроматрицы, получили широкое распространение, существует множество общедоступных данных (далее именуемых историческими данными). Мы считаем, что такую ​​информацию следует использовать в своих интересах, и байесовская структура обеспечивает привлекательный путь для реализации такой стратегии.Хотя исторические данные использовались в других контекстах (например, Sui et al. (2009) применили историческую базу данных экспериментов с микрочипами для корректировки фона для ДНК-микрочипов), мы обнаружили, что ни один из существующих методов обнаружения генов DE явно не использует исторические данные в байесовских условиях.

Наша гипотеза состоит в том, что значение экспрессии каждого гена (или его суррогата – зонда на микроматрице) имеет свое уникальное распределение, отражающее его внутренние биологические свойства.Например, когда исторические данные, собранные в различных условиях, были объединены вместе, в сочетании с ограниченным диапазоном сигнала технологии микрочипов, измерения генов домашнего хозяйства, как правило, показывают высокие средние значения, но относительно небольшие различия в разных условиях; тогда как гены, реагирующие на стимулы, имеют тенденцию иметь большие различия, поскольку значения их экспрессии могут быть любыми. Поэтому, предполагая, что для выборки была проведена надлежащая нормализация, для выполнения статистического вывода мы считаем, что, возможно, лучше использовать данные, собранные из разных экспериментов, но с одним и тем же геном, чем данные, собранные из одного и того же эксперимента, но с разными генами.Чтобы проиллюстрировать это, используя 566 наборов данных микрочипов нормальных твердых тканей, полученных Affymetrix GeneChip U133A из глобальной карты экспрессии генов данных микрочипов, созданной Lukk et al. (2010) (подробности о наборах данных можно найти в разделе «Результаты»), мы строим стандартное отклонение по сравнению со средним значением для 22 283 зондов их нормализованных и логарифмически преобразованных значений экспрессии (рис. 1). Мы наблюдаем форму полумесяца на графике, зонды с низкими или высокими средними значениями, как правило, имеют небольшую дисперсию (измеряемую стандартным отклонением на рисунках и в таблицах), в то время как зонды со средними значениями имеют большую дисперсию.Мы выбираем 100 зондов из каждой из трех точек, которые соответствуют низкому среднему/малому отклонению, среднему уровню среднего/большому отклонению и высокому среднему/малому отклонению, соответственно, и выполняем генную онтологию (GO) (Ashburner et al. ). , 2000) анализ обогащения каждого набора соответствующих генов с использованием DAVID (Huang da et al. , 2009a,b). Более подробную информацию можно найти в дополнительных таблицах S1–S3 и дополнительных данных. Результат, похоже, подтверждает нашу гипотезу. Мы обнаружили, что гены в группе 3 в основном участвуют в хозяйственной деятельности, о чем свидетельствуют обогащенные функциональные категории, такие как элонгация трансляции или связанные с рибосомами.Гены группы 2 в основном известны тем, что реагируют на раздражители. Гены в группе 1 не обнаруживают функционального обогащения, возможно, потому, что они почти не экспрессируются.

Рис. 1.

 Стандартное отклонение (SD) по сравнению со средним значением для каждого датчика по 566 образцам нормальной твердой ткани. Красные зоны для групп 1, 2 и 3 представляют зонды с низкими средними значениями и малыми стандартными отклонениями, зонды со средними значениями и большими стандартными отклонениями, а также зонды с высокими средними значениями и малыми стандартными отклонениями соответственно. Соответствующие результаты обогащения термина ГО представлены в дополнительных материалах

рис.1.

 Стандартное отклонение (SD) по сравнению со средним значением для каждого датчика по 566 образцам нормальной твердой ткани. Красные зоны для групп 1, 2 и 3 представляют зонды с низкими средними значениями и малыми стандартными отклонениями, зонды со средними значениями и большими стандартными отклонениями, а также зонды с высокими средними значениями и малыми стандартными отклонениями соответственно. Соответствующие результаты обогащения термина ГО представлены в Дополнительных материалах

2 Методы

2.1 Настройка проблемы

В эксперименте по идентификации генов DE цель состоит в том, чтобы обнаружить среди всех протестированных генов (часто в десятках тысяч) те, которые показывают статистически значимую разницу в их показателях экспрессии между двумя состояниями.Для каждого отдельного гена это задача проверки гипотез. В типичном исследовании с использованием микрочипов или других технологий с высокой пропускной способностью размер выборки (т.е. количество повторов) часто чрезвычайно мал, что представляет собой серьезную проблему для тестирования из-за ненадежных оценок дисперсии. Чтобы преодолеть это, в литературе были предложены различные методы, направленные на получение более надежных оценок дисперсии. Например, SAM (Tusher et al. , 2001) предложил добавить небольшую константу для стабилизации оценки дисперсии при выполнении теста Стьюдента t .Байесовская иерархическая модель обеспечивает альтернативный подход, заимствуя информацию из других генов для стабилизации расчетных дисперсий. При таком подходе оценку дисперсии для каждого гена можно рассматривать как средневзвешенное значение выборочной дисперсии этого гена и общей выборочной дисперсии по всем генам. Основное предположение состоит в том, что все гены имеют некоторые общие черты настолько, что параметры предшествующих распределений (параметров модели) можно рассматривать как случайные выборки, взятые из другого распределения (гипераприорного).Такой подход получил широкое распространение для анализа данных экспрессии генов микрочипов и других высокопроизводительных данных геномики. Например, Лимма — это эмпирический байесовский метод, который использует иерархическую модель для заимствования информации из других генов, чтобы можно было улучшить результирующую оценку дисперсии (Smyth, 2004).

2.2 Базовая статистическая база

Пусть X ijk обозначает логарифмически преобразованное значение экспрессии гена после соответствующей предварительной обработки и нормализации, где i обозначает ген (или зонд), j обозначает состояние (контрольная группа или группа лечения) и k обозначает повтор с i  = 1, 2,…⁠,  I , j  = 1, 2 и k  = 1, 2,…⁠, n. Основное предположение для значения экспрессии гена: -я группа, σi2 — дисперсия для i -го гена. Мы проверяем, значительно ли средняя экспрессия определенного гена различается между двумя группами. Для i -го гена гипотезы следующие: H0: µi,1 = µi,2 по сравнению с HA: µi,1≠ µi,2⁠. В типичной иерархической модели, предназначенной для анализа данных микрочипов, вероятностные модели экспрессии генов значения при этих двух условиях можно записать следующим образом (Обратите внимание, что следующие модели адаптированы из моделей, первоначально предложенных Джи и Вонгом (2005) для моделирования данных мозаичного массива):

Xijk|µi,j,σi2∼N(µi, j,σi2)

(2)

σi2|ν0,ω02∼Inv− χ2(ν0,ω02)

(4) где средний параметр µij считается однородным, а параметр дисперсии σi2 следует распределению, обратному χ2 с гиперпараметрами ν0 и ω02⁠.⁠, который впоследствии используется для выполнения скорректированного t -теста.

2.3 Информативный предварительный байесовский тест (IPBT)

В этом исследовании мы предлагаем альтернативный подход, который в некотором смысле «перпендикулярен» байесовской иерархической модели для обнаружения генов DE. Вместо заимствования информации из разных генов, измеренных в одном и том же эксперименте, предлагаемый нами подход заимствует информацию из измерений одного и того же гена в разных экспериментах, проведенных в прошлом, с использованием той же технологии, одного и того же типа чипа, на одном и том же типе клеток. или похожие).Идея использования прошлого опыта может быть легко реализована в рамках байесовской схемы вывода в форме априорных распределений.

Ключевая идея нашего подхода состоит в том, чтобы определить информативное, специфичное для каждого гена априорное распределение для каждого гена на основе большого количества исторических данных, а затем провести проверку байесовской гипотезы. Следовательно, мы называем наш подход информативным предварительным байесовским тестом (IPBT). Поскольку разные гены имеют разные биологические функции, часто бывает так, что величины их экспрессии демонстрируют довольно разные распределения.Следовательно, в отличие от байесовской иерархической модели, IPBT предполагает, что каждый ген имеет свои собственные уникальные априорные распределения.

2.3.1 Модель IPBT
Полная модель:

Xijk|µi,j,σi2∼N(µi,j,σi2)

(5)

µi,j|µi0,σi2ki∼N(µi0,σi2ki)

(6)

σi2|νi, ? Основное различие между IPBT и иерархической моделью в (2)–(4) заключается в том, что здесь гиперпараметры (⁠νi,ωi2⁠) для дисперсии σi2s являются геноспецифичными.Это дает каждому гену свое конкретное предварительное распределение и обеспечивает большую гибкость. Дополнительный рисунок S2 в дополнительных материалах резюмирует разницу между IPBT и байесовской иерархической моделью. В IPBT для каждого гена интересующим параметром является σi2, для которого мы делаем вывод, используя байесовскую процедуру. Подробности о модели и процедуре ее вывода можно найти в дополнительных материалах (раздел 2.1).

2.3.2. Вывод и вычисление

Значительный объем данных микрочипов был накоплен в общедоступных репозиториях, таких как омнибус экспрессии генов (GEO) и ArrayExpress.являются оценками параметров апостериорного распределения.

Оценка скорректированного отклонения, по сути, представляет собой средневзвешенное значение оценочных отклонений, полученных из исторических данных и текущих данных соответственно. Это указывает на то, что IPBT действительно обеспечивает естественную интеграцию исторических данных в текущий эксперимент, чтобы помочь в обнаружении гена DE. Поскольку мы выбираем сопряженные априорные распределения (т. е. нормальное обратное χ2-распределение) в IPBT, апостериорное распределение можно оценить напрямую. Более подробную информацию можно найти в Разделе 2.1 дополнительных материалов. Мы показываем, что использование скорректированного теста t эквивалентно использованию фактора Байеса с точки зрения ранжирования генов DE в нашей модели (подробности можно найти в разделе 2.2 дополнительных материалов).

3 результатов

3.1 Моделирование

Мы проводим имитационное исследование для сравнения IPBT с четырьмя альтернативными методами обнаружения генов DE: (i) тест Стьюдента t , (ii) SAM, достигнутый пакетом R «siggenes»; (iii) Limma, достигнутая пакетом R «Limma»; и (iv) тест Z с использованием истинной дисперсии.

3.1.1 Сравнение оценки дисперсии между иерархической моделью и IPBT

Чтобы проиллюстрировать влияние различных методов на оценку изменчивости генов, мы проводим следующее симуляционное исследование. Используя среднее значение и стандартное отклонение, полученные из образцов нормальной твердой ткани, в глобальной карте экспрессии генов данных микрочипа, разработанной Lukk et al. (2010), мы моделируем две выборки данных экспрессии и обрабатываем их как текущие контрольные данные.Мы случайным образом отбираем десять образцов из нормальных образцов твердых тканей и используем их в качестве исторических данных при оценке стандартного отклонения с помощью IPBT. На рис. 2 представлены графики стандартных отклонений, полученных различными методами, в сравнении с их истинными средними значениями. На рис. 2(а) показано предварительно заданное истинное стандартное отклонение каждого гена по сравнению с его истинным средним значением экспрессии. На рис. 2(b) показаны стандартные отклонения выборки, рассчитанные по двум «текущим» выборкам, которые включают чрезвычайно малые стандартные отклонения, вызванные ограниченным размером выборки.На рис. 2(с) представлены стандартные отклонения, рассчитанные по байесовской иерархической модели, которые показывают усадку в сторону среднего эффекта по сравнению с рис. 2(б) и явно страдают от проблемы чрезмерной усадки. На рис. 2(d) показаны оценки дисперсии из IPBT, которые показывают небольшую проблему чрезмерной усадки.

Рис. 2.

 Стандартное отклонение (SD) Оценки, полученные с помощью различных методов с датчиками, отсортированными по средним значениям их истинного выражения. (a) Истинные SD (b) Выборочное SD текущих выборок (c) Оценки SD из байесовской иерархической модели (d) Оценки SD из IPBT

Рис.2.

 Стандартное отклонение (SD) Оценки, полученные с помощью различных методов с зондами, отсортированными по их средним значениям истинного выражения. (a) Истинные SD (b) Выборочное SD текущих выборок (c) Оценки SD из байесовской иерархической модели (d) Оценки SD из IPBT

3.1.2. Стратегия моделирования

В моделирующем исследовании рассматриваются 1000 генов и тыс. (от 2 до 5) образцов как для экспериментальной, так и для контрольной групп. Мы случайным образом выбираем 10% из 1000 генов (т.е. 100 генов) как обозначенные гены DE. Предполагается, что значения экспрессии генов как в экспериментальной, так и в контрольной группах соответствуют нормальному распределению. Параметры распределения получены из реальных данных на глобальной карте экспрессии генов. Во-первых, 1000 генов выбираются случайным образом (без замены) по всему геному. Затем для каждого гена мы получаем его выборочное среднее и выборочную дисперсию из 566 нормальных выборок в коллекции. Для экспериментальной группы предполагается, что среднее значение и дисперсия значения экспрессии гена равны их аналогам в контрольной группе, за исключением 100 генов DE, для которых средние значения экспрессии установлены на два стандартных отклонения выше.Для исторических данных, используемых IPBT, мы сначала случайным образом выбираем 188 нормальных образцов из 566 (без замены) из глобальной карты экспрессии генов, затем получаем значения экспрессии их генов, соответствующие 1000 выбранным ранее генам.

3.1.3. Результат обнаружения гена DE

Чтобы оценить производительность, мы рассчитываем эмпирический коэффициент ложных открытий (FDR) (Benjamini and Hochberg, 1995; Tusher et al. , 2001) (также известный как доля ложных открытий — доля неправильных вызовов DE среди всех называется) из 100 лучших генов, ранжированных по тестовой статистике.Подробное определение эмпирического FDR (далее просто FDR) содержится в дополнительных материалах. Процедура моделирования повторяется 500 раз для каждого метода. Распределения 500 FDR методов суммированы с использованием диаграмм и показаны на рисунке 3 (а). Наш метод явно превосходит все другие методы, за исключением теста Z с использованием истинных дисперсий (считается золотым стандартом). Показатели нашего метода и теста Z довольно близки. Примечательно, что FDR генов DE, обнаруженных с помощью IPBT, даже меньше, чем FDR генов DE, обнаруженных с помощью теста Стьюдента t с большим размером выборки (т.е. увеличилось на единицу).

Рис. 3.

 FDR для обнаружения генов DE при сравнении различных методов с разным размером выборки для (a) случайно выбранных генов DE и (b) генов DE с низким стандартным отклонением. ROC-кривые для обнаружения генов DE при сравнении различных методов в одном моделировании для (c) случайно выбранных генов DE и (d) генов DE с низким стандартным отклонением

Рис. 3.

 FDR для обнаружения генов DE при сравнении различных методов разный размер выборки для (а) случайно выбранных генов DE и (b) генов DE с низким стандартным отклонением.Кривые ROC для обнаружения генов DE, сравнивающие различные методы в одном моделировании для (c) случайно выбранных генов DE и (d) генов DE с низким стандартным отклонением

другие методы. На рис. 3(c) показана типичная кривая ROC для одного моделирования с двумя повторами. Подробная площадь под кривой (AUC), соответствующая рисунку 3(c), указана в дополнительной таблице S7 (столбец «Случайный выбор»).Кривые ROC снова показывают, что IPBT работает лучше, чем все другие методы, при обнаружении генов DE, за исключением теста Z , а характеристики нашего метода и теста Z аналогичны. Дополнительные результаты можно найти в разделе моделирования дополнительных материалов (дополнительный рис. S3; дополнительные данные).

Далее мы сравниваем согласованность и стабильность этих методов при обнаружении генов ДЭ. В каждом моделировании исторические данные остаются неизменными, но пять разных наборов контрольных и лечебных данных были сгенерированы из одних и тех же базовых распределений.Для каждого набора контрольных и лечебных данных мы применяем все четыре метода для обнаружения генов ДЭ. Мы суммируем количество перекрытий среди пяти списков генов DE. Процедура моделирования повторяется 500 раз, и среднее количество перекрытий используется как мера согласованности при обнаружении генов DE. Мы рассматриваем среднее количество перекрытий, большее или равное четырем, как показатель высокой согласованности и большее или равное трем, как умеренное соответствие. Среднее количество перекрытий представлено в таблице 1, которая снова показывает, что IPBT превосходит другие методы, за исключением теста Z , по согласованности, а характеристики IPBT и теста Z близки.

Таблица 1. Согласованность

для обнаружения генов DE

9544
Время перекрытия . 3 . 4 . 5 . Высокий (4 + 5) . Умеренный (3 + 4 + 5) .
Студенческий т -тест 31,20 14,64 2,92 17,2056 48,76
САМ 28,43 25,24 10,55 35,79 64,22
Limma 28,63 25,67 10,56 36,23 64,86
IPBT 33.12 33.12 30.39 11.54 41.93
Z Тест 33.31 31,47 11,23 42,70 76,01
раз . 3 . 4 . 5 . Высокий (4 + 5) . Умеренный (3 + 4 + 5) .
Студенческий т -тест 31,20 14,64 2.92 17,56 48,76
САМ 28,43 25,24 10,55 35,79 64,22
Limma 28,63 25,67 10,56 36,23 64,86
IPBT 33.12 33.12 30.39 11.54 41.93 75.05
Z Тест 33.31 33.47 11.23 11.23 42.70 76.01 76.01

.
Время перекрытия (низкая дисперсия) . 3 . 4 . 5 . Высокий (4 + 5) . Умеренный (3 + 4 + 5) .
Стьюдента т -test 21,55 6,87 0,83 7,70 29,25
SAM 17,28 5,73 0,83 6,56 23,84
Limma 18.02 6.13 6.13 0.93 0.93 7.06 7.06 25.08 25.08
IPбт 33.57 28.67 10,69 39,36 72,93
Z Испытание 33,28 32,49 12,71 45,20 78,48

.
Время перекрытия (низкая дисперсия) . 3 . 4 . 5 . Высокий (4 + 5) . Умеренный (3 + 4 + 5) .
Стьюдента т -test 21,55 6,87 0,83 7,70 29,25
SAM 17,28 5,73 0,83 6,56 23,84
Лимма 18.02 6.13 0,93 7,06 25,08
IPBT 33,57 28,67 10,69 39,36 72,93
Z Испытание 33.28 33244 32.49 12.71 45.20244 45.0244 45.48 78.48 78.48
Таблица 1.

Консистенция для детектирования DE Genes

7
. 3 . 4 . 5 . Высокий (4 + 5) . Умеренный (3 + 4 + 5) .
Стьюдента т -test 31,20 14,64 2,92 17,56 48,76
SAM 28,43 25,24 10,55 35,79 64.22
Limma 28,63 25,67 10,56 36,23 64,86
IPBT 33,12 30,39 11,54 41,93 75.05
Z Тест 33.31 31.47 11.23 11.23 42.70 76.01 76.01
4
Перекрытие . 3 . 4 . 5 . Высокий (4 + 5) . Умеренный (3 + 4 + 5) .
Стьюдента т -test 31,20 14,64 2,92 17,56 48,76
SAM 28,43 25,24 10,55 35,79 64.22
Limma 28,63 25,67 10,56 36,23 64,86
IPBT 33,12 30,39 11,54 41,93 75.05
Z Тест 33.31 31.47 11.23 42.70 42.701 76.01
-Test

.
Время перекрытия (низкая дисперсия) . 3 . 4 . 5 . Высокий (4 + 5) . Умеренный (3 + 4 + 5) .
Студент T -Test 21.55 6.87 0.87 0.83 7.70 29.25
SAM 17.28 5,73 0,83 6,56 23,84
Limma 18,02 6,13 0,93 7,06 25,08
IPBT 33,57 28,67 10.69 39.36 39.36 72.93
Z Тест 33.28 32.49 12.71 45,20 78,48
4

.
Время перекрытия (низкая дисперсия) . 3 . 4 . 5 . Высокий (4 + 5) . Умеренный (3 + 4 + 5) .
Студенческий т -тест 21.55 6,87 0,83 7,70 29,25
САМ 17,28 5,73 0,83 6,56 23,84
Limma 18,02 6,13 0,93 7,06 25.08
IPBT 33.57 33.57 28,67 10244 10.69 39.36 72.93
Z Тест 33.28 33.28 33.49 12.71 12.71 45.48 78.48 78.48 78.48 78.487
3.1.4 Влияние неточной оценки отклонения

В предыдущем исследовании моделирования для каждого гена мы использовали одно и то же распределение для получения текущих и исторических данных. Это представляет собой идеалистический сценарий и может не соответствовать действительности. Чтобы проверить надежность нашего метода, мы проводим дополнительное исследование моделирования, в котором оба параметра в нормальном распределении, которое создает исторические данные, смещаются таким образом, что распределения, которые генерируют исторические данные, и текущие данные больше не идентичны.Величина сдвига выбирается случайным образом из равномерного распределения в интервале (-20%, 20%). Мы исследуем три типа исторических данных с добавленным шумом: несмещенные, с избыточной дисперсией и недостаточной дисперсией. Дополнительный рисунок S5 в дополнительных материалах показывает, что IPBT с зашумленными историческими данными по-прежнему превосходит другие методы. Хотя производительность IPBT ухудшилась при использовании зашумленных исторических данных, она все еще лучше, чем тест Стьюдента t , SAM и Limma с точки зрения FDR, и близка к результату теста золотого стандарта Z во всех сценариях.Этот результат демонстрирует надежность IPBT и предполагает его широкое применение даже с потенциально зашумленными историческими данными.

3.1.5 Обнаружение генов DE с низкой внутренней дисперсией

Как показано на рисунке 2, методы, основанные на иерархической модели, завышают дисперсию генов, которые имеют внутреннюю низкую дисперсию, следовательно, меньшую мощность для обнаружения генов DE такого типа. IPBT, с другой стороны, не страдает от этого недостатка. Чтобы дополнительно изучить, как чрезмерная коррекция влияет на обнаружение генов DE, мы проводим еще одно исследование моделирования в соответствии со сценарием, согласно которому гены DE имеют низкую внутреннюю дисперсию, и результаты представлены на рисунке 3 (b), (d), дополнительная таблица S7. (столбец «Низкая дисперсия») и Таблица 1 (Низкая дисперсия).Все результаты показывают, что байесовская иерархическая модель работает даже хуже, чем тест Стьюдента t , тогда как IPBT сохраняет превосходную производительность, аналогичную производительности теста Z . Эти результаты подтверждают надежность IPBT, поскольку он позволяет избежать проблем «чрезмерной коррекции» для тех генов с низкой внутренней дисперсией. Дополнительные результаты можно найти в разделе моделирования дополнительных материалов (дополнительный рис. S4; дополнительные данные).

3.2 Анализ реальных данных

3.2.1 Глобальная карта экспрессии генов

Lukk и др. (2010) построил глобальную карту экспрессии генов, которая включает данные микрочипа из 5372 образцов человека и содержит 369 различных тканей, клеточных линий и болезненных состояний. Среди них мы рассчитываем информативные априорные значения для 96 групп по крайней мере с десятью образцами, включая нормальную солидную ткань мозга и нормальную солидную ткань сердца. Набор данных (обработанный и нормализованный с помощью надежного многомассивного анализа (RMA) (Irizarry et al. , 2003)) был загружен с сайта arrayExpress (ID: E-MTAB-62). 96 групп имеют средний размер выборки 25,5 и средний размер выборки 48. Более подробную информацию о карте экспрессии генов можно найти в дополнительных материалах.

3.2.2 Сравнение текущих и исторических данных

Наша модель предполагает, что исторические данные информативны для оценки дисперсии экспрессии генов. Мы подтверждаем это, используя два набора данных из глобальной карты экспрессии генов.Один набор содержит все данные от сердца, а другой содержит все данные от мозга. Для каждого набора мы загружаем необработанные данные (файлы CEL), а затем обрабатываем и нормализуем данные с помощью RMA (Irizarry и др. , 2003 г.) с использованием пакета R «oligo». В первом исследовании мы случайным образом выбираем пять нормальных образцов сердца (из 36) и пять образцов больного сердца (из 51) и используем их в качестве текущих данных. Данные из 31 оставшегося нормального образца сердца используются в качестве исторических данных. На рис. 4(a) и (b) показаны стандартные отклонения генов в контрольной группе (нормальные образцы) и группе лечения (образцы больных) по сравнению с историческими данными соответственно.Сильные положительные модели корреляции, продемонстрированные на графике, подтверждают, что использование исторической информации в качестве информативных априорных значений в процедуре вывода возможно. Мы также проводим аналогичные анализы образцов мозга. Мы случайным образом выбираем пять нормальных образцов мозга (из 39) в качестве контроля и пять образцов мозга с заболеваниями (из 31) и используем их в качестве текущих данных. Данные из 34 оставшихся нормальных образцов мозга используются в качестве исторических данных. Соответствующие результаты, которые демонстрируют аналогичную картину, показаны на дополнительном рисунке S6 (a), (b).

Рис. 4.

(a) Сравнение стандартных отклонений (SD), полученных из пяти нормальных образцов сердца, и полученных из исторических данных сердца. (b) Сравнение SD, полученных из пяти образцов с заболеваниями сердца, и SD, полученных из исторических данных о сердце. (c) Совпадения между всеми парными комбинациями первых 1000 генов из всех 5 списков генов DE

Рис. от души исторические данные. (b) Сравнение SD, полученных из пяти образцов с заболеваниями сердца, и SD, полученных из исторических данных о сердце. (c) Согласованность между всеми парными комбинациями первых 1000 генов из всех 5 списков генов DE

3.2.3 Обнаружение генов DE

Для реальных данных, поскольку невозможно узнать, каковы настоящие гены DE, мы используем согласие как меру производительности. Эта стратегия широко использовалась в исследованиях анализа данных микрочипов (Lim et al., 2015; Лим и Вонг, 2014 г.). В этом исследовании, снова используя данные глобальной генной карты, мы случайным образом выбираем два образца нормального сердца и два образца сердца с больным. Данные из оставшихся 34 нормальных образцов сердца используются в качестве исторических данных. Затем мы применяем IPBT и конкурирующие методы к этим данным, чтобы получить список 1000 лучших генов DE для каждого метода. Мы повторяем описанную выше процедуру отбора проб и испытаний пять раз. Затем для каждого метода мы вычисляем соответствие между каждой парой списков 1000 генов DE.На рис. 4(c) обобщены результаты, которые показывают значительно более высокую согласованность для нашего метода IPBT по сравнению с другими. Мы также сравнили согласованность вызова гена DE, как и в исследовании моделирования, и результаты суммированы в дополнительной таблице S8. Опять же, IPBT работает лучше всех протестированных методов. Процедура повторяется для данных мозга, сравнивая два образца нормального мозга и два образца мозга больного. Результаты показаны на дополнительном рисунке S6 и дополнительных данных. IPBT снова достигает наилучшего согласия и согласованности.Чтобы получить полное представление о производительности, мы также проводим сравнение производительности каждого из пяти тестовых наборов по отдельности. Подробные описания исследования и результатов приведены в дополнительных материалах (раздел 5.2, дополнительный рисунок S7–S11).

3.2.4 Latin Square hgu133a Данные эксперимента с добавлением

Этот набор данных состоит из трех повторов 14 отдельных гибридизаций 42 транскриптов с шипами на сложном фоне человека (клетки HeLa) при концентрациях в диапазоне от 0.от 125 до 512 пМ (Affymetrix, Санта-Клара, Калифорния). Поскольку гены всплеска известны, этот набор данных широко использовался для оценки производительности алгоритмов предварительной обработки Microarray (McCall et al. , 2010; Wu and Irizarry, 2004) и методов анализа генов DE (Lo and Gottardo, 2007). ). В нашем исследовании каждый раз мы выбираем две из 14 отдельных гибридизаций в качестве контрольной и лечебной групп (каждая группа имеет три повтора) соответственно. Все 91 пара проверяются на обнаружение гена DE.После исключения зондов, не существующих в Affymetrix GeneChip U133A, 34 зонда являются добросовестными каждый раз дифференциально экспрессируемыми. Мы используем 42 набора данных из клеток HeLa (клеточная линия аденокарциномы шейки матки) из глобальной карты экспрессии генов в качестве исторических данных.

В этом исследовании каждый метод генерирует список тестов DE (ранжированных по статистике теста) в каждой паре контрольной и экспериментальной групп, и мы получаем долю правильных вызовов DE (соответствие 34 добросовестных тестов DE).В таблице 2 обобщено среднее количество правильно идентифицированных зондов DE среди 90 007 тыс. 90 008 лучших (⁠k = 5,10,…,40) зондов для всех 91 комбинации контроля и лечения. На рисунке 5 показаны диаграммы FDR для верхних 90 007 тыс. 90 008 зондов, называемых значимыми. IPBT последовательно обнаруживает более добросовестных зондов DE, следовательно, имеет более низкий FDR с точки зрения медианы во всех экспериментах. Кроме того, IPBT более надежен, поскольку он последовательно показывает наименьшие межквартильные диапазоны на ящичковой диаграмме.Все эти результаты показывают, что IPBT работает лучше, чем другие методы.

Таблица 2. 90 004 Среднее число правильно идентифицированных зондов DE по всем 91 паре групп данных Spike-in Experiments среди лучших 90 007 тыс. зондов

Верхние тыс.
.
5 . 10 . 15 . 20 . 25 . 30 . 35 . 40 .
Стьюдента т -test 3,1 5,9 8,6 11,2 13,8 16,3 18,7 21,0
САМ 3,3 6,2 8,9 11,6  14,3  16,7  19,5  22.3
Limma 3,3 6,2 8,8 11,6 14,1 16,8 19,5 22,3
IPBT 3,9 7.4 10,4 13.3 16.4 22,0 25,0
45 70244 22,0 25,0
Top K
.
5 . 10 . 15 . 20 . 25 . 30 . 35 . 40 .
Ученик T -Test 39 5.9 5.9 80244 11.2 13.8 13.9 16.3 18.7 21.0
САМ 3,3 6,2 8,9 11,6 14,3 16,7 19,5 22,3
Limma 3,3 6,2 8,8 11,6 14,1 16.8 19.8 19.5 19.9.0244 29.02444 22.9
IPбт 3.9 3.9 10.4 13.3 16.4 22,0 25,0
Таблица 2.

Среднее количество правильно выявленных де-зондс на всех 91 группах групп на расширении экспериментов top k зонды

904
Top k
.
5 . 10 . 15 . 20 . 25 . 30 . 35 . 40 .
Стьюдента т -test 3,1 5,9 8,6 11,2 13,8 16,3 18,7 21,0
САМ 3,3 6,2 8,9 11.6 14,3 16,7 19,5 22,3
Limma 3,3 6,2 8,8 11,6 14,1 16,8 19,5 22,3
IPBT 3.9 7.4 10.4 13.3 16.4 19,1 22.0   25,0  
Верх k
.
5 . 10 . 15 . 20 . 25 . 30 . 35 . 40 .
Студенческий т -тест 3.1 5,9 8,6 11,2 13,8 16,3 18,7 21,0
САМ 3,3 6,2 8,9 11,6 14,3 16,7 19,5 22.3
Limma 3.3 3.3 6.2 6.8 11.6 11.6 14.1 14,8 16.9 19.0 9.0244 22,3
IPбт 3.9 70244 10.4 13.3 16.4 19,1 22,0 25,0

Рис. 5.

Все методы детекции применяются ко всем 91 паре гибридизаций. Коробчатые диаграммы FDR показаны для всех 91 пар групп, если считать k зондов значимыми

Рис. 5.

Все методы детекции применяются ко всем 91 паре гибридизаций.Коробчатые диаграммы FDR показаны для всех пар групп 91, когда k лучших зондов названы значимыми

4 Обсуждение

В этом исследовании мы представляем новую стратегию повторного использования релевантной информации, содержащейся в исторических данных, для улучшения обнаружения гена ДЭ. Исследования моделирования и применение реальных данных показывают, что наш метод IPBT значительно превосходит другие существующие методы с точки зрения как точности, так и согласованности при обнаружении генов DE. В частности, когда гены DE имеют относительно низкую внутреннюю дисперсию, методы, основанные на байесовских иерархических моделях, работают плохо, тогда как IPBT сохраняет свои превосходные характеристики.

Байесовская иерархическая модель обеспечивает привлекательную статистическую основу для обработки «больших p , малых n » задач вывода. Потому что он может «заимствовать» информацию из всех генов в геноме, чтобы помочь сделать вывод об одном гене, чтобы можно было улучшить низкую производительность из-за ограниченного размера выборки. Однако, как мы показали в этом исследовании, подход байесовской иерархической модели может страдать от проблемы «чрезмерной коррекции» и давать ложноотрицательные результаты. Кроме того, эмпирический байесовский подход предполагает наличие общего априорного значения для каждого гена, что ограничивает эффективность подхода для генов с совершенно разным поведением.Напротив, IPBT предполагает специфические для гена информативные априорные значения. С быстрым распространением больших данных геномики с высокой пропускной способностью получение этих информативных априорных значений больше не является проблемой.

Метаанализ является мощным инструментом для объединения нескольких исследований связанной гипотезы и применяется к данным микрочипов (Conlon et al. , 2007; Tseng et al. , 2012). Наш подход отличается от метаанализа, потому что исторические данные, используемые в IPBT, могут быть получены из экспериментов с другой гипотезой, а исторические данные используются косвенно в виде информативных априорных значений в байесовском выводе.

В IPBT есть много возможностей для улучшения. Во-первых, информативный априор, используемый в IPBT, зависит от гена, поэтому анализ гена DE проводится по генам. На самом деле мы знаем, что некоторые гены коррелируют друг с другом, например, гены, расположенные на одном и том же пути или имеющие схожие биологические функции. Потенциальным расширением IPBT является введение корреляции между генами. Информация о корреляции может быть получена из биологических знаний или исторических данных. Недавние исследования продемонстрировали преимущество включения корреляционной информации при выводе генов DE (Lim and Wong, 2014; Soh et al., 2011).

Во-вторых, текущий метод IPBT использует нормальное распределение для моделирования мер выражения, преобразованных в журнал. Выбор распределения сделан в основном для математического удобства. Можно заменить нормальное распределение другим ненормальным, чтобы добиться надежности вывода так же, как Ganjali et al. (2015) в своем исследовании обнаружения гена DE.

В-третьих, мы предполагаем, что значения выражения, используемые IPBT, уже были скорректированы и нормализованы.Это возможно с помощью мощных методов нормализации, таких как RMA. Однако желательно, чтобы в модели учитывались дополнительные соображения для учета незначительных погрешностей между экспериментами в данных, как показано в таких исследованиях, как Arima et al. (2011 г.) и Lewin et al. (2006 г.). Это потенциально сделает IPBT более гибким и еще больше повысит его производительность.

Мы планируем продолжить такие расширения IPBT в будущих исследованиях.

5 Выводы

В этом исследовании мы изучаем осуществимость и эффективность получения информативных априорных данных из исторических данных микрочипов и их использования для обнаружения генов DE в исследованиях с ограниченным размером выборки.С помощью моделирования и анализа реальных данных мы показываем, что наш метод значительно превосходит конкурирующие методы, включая популярные и современные подходы на основе байесовских иерархических моделей.

Воспользовавшись ресурсом глобальной карты экспрессии генов, разработанной Lukk et al. (2010), мы рассчитали информативные априорные значения для 96 различных групп типов клеток, используя Affymetrix U133A GeneChip в качестве ресурса сообщества для изучения гена DE (все группы на карте глобальной экспрессии генов, по крайней мере, с 10 образцами).Мы сделали рассчитанные информативные априоры бесплатными для исследовательского сообщества, которые можно загрузить с https://github.com/benliemory/IPBT.

Стратегия, которую мы предлагаем в этой статье, не ограничивается платформой микрочипов. RNA-Seq (Mortazavi et al. , 2008) считается лучшей альтернативой для измерения экспрессии генов, поскольку она может предоставить больше информации о транскриптоме (альтернативный сплайсинг, слияние генов и т. д.). Мы не использовали данные RNA-Seq, поскольку в настоящее время доступно гораздо меньше «исторических» данных по сравнению с микрочипами из-за сравнительно более высокой стоимости и более короткого времени принятия RNA-Seq.По мере увеличения общего объема данных RNA-Seq структура IPBT может применяться и к RNA-Seq. Кроссплатформенные модели также могут быть рассмотрены.

Наша работа иллюстрирует осуществимость и преимущества использования все более доступных геномных больших данных в статистическом выводе и представляет многообещающую стратегию решения проблемы «большие p , маленькие n ».

Подтверждение

Авторы хотят поблагодарить помощника редактора и трех анонимных рецензентов за их проницательные и конструктивные комментарии, которые значительно улучшили рукопись.

Финансирование

Б.Л. и З.С.К. частично поддерживаются грантом Национального научного фонда DMS1000617 и грантом Национального института здравоохранения P01GM085354. З.С и Ю.З. частично поддерживаются грантом Национального научного фонда DMS1000443.

Конфликт интересов: не объявлено.

Каталожные номера

и другие. . (

2011

)

Использование пробелов для коррекции фона на основе модели при обнаружении генов с данными массива ДНК

.

Стат. Модель.

,

11

,

89

114

.

и другие. . (

2000

)

Генная онтология: инструмент для объединения биологии. Консорциум генных онтологий

.

Нац. Жене.

,

25

,

25

29

.

(

1995

)

Контроль частоты ложных открытий: практичный и мощный подход к множественному тестированию

.

JR Stat. соц. сер. Б Стат. Методол.

,

57

,

289

300

.

и другие. . (

2007

)

Модели байесовского метаанализа данных микрочипов: сравнительное исследование

.

Биоинформатика BMC

,

8

,

80

.

(

2010

)

Выборочный обзор выбора переменных в многомерном пространстве признаков

.

Стат. Грех.

,

20

,

101

148

.

и другие. . (

2015

)

Надежное моделирование данных дифференциальной экспрессии генов с использованием нормальных/независимых распределений: байесовский подход

.

PLoS One

,

10

,

e0123791

.

(

2004

)

Байесовский анализ данных

.

Бока-Ратон, Флорида

:

Chapman & Hall/CRC

.

(

1965

)

Оценка вероятностей: очерк современных байесовских методов

.

Кембридж, Массачусетс

:

Массачусетский технологический институт Нажмите

.

и другие. . (

2009

)

Инструменты обогащения биоинформатики: пути к всестороннему функциональному анализу больших списков генов

.

Рез. нуклеиновых кислот.

,

37

,

1

13

.

и другие. . (

2009

)

Систематический и комплексный анализ больших списков генов с использованием ресурсов биоинформатики DAVID

.

Нац. протокол

,

4

,

44

57

.

и другие. . (

2003

)

Исследование, нормализация и обобщение данных уровня зонда массива олигонуклеотидов высокой плотности

.

Биостатистика

,

4

,

249

264

.

(

2010

)

Анализ данных омики с использованием иерархических моделей

.

Нац. Биотехнолог.

,

28

,

337

340

.

(

2005

)

TileMap: создание хромосомной карты гибридизации массива мозаики

.

Биоинформатика (Оксфорд, Англия)

,

21

,

3629

3636

.

(

2001

)

Экспериментальный дизайн микрочипов для экспрессии генов

.

Биостатистика

,

2

,

183

201

.

и другие. . (

2006

)

Байесовское моделирование дифференциальной экспрессии генов

.

Биометрия

,

62

,

1

9

.

и другие. . (

2015

)

Качественный скачок в воспроизводимости, точности и чувствительности анализа профиля экспрессии генов даже при чрезвычайно малом размере выборки

.

Ж. Биоинформ. вычисл. биол.

,

13

,

1550018

.

(

2014

)

Поиск согласованных подсетей заболеваний с использованием PFSNet

.

Биоинформатика (Оксфорд, Англия)

,

30

,

189

196

.

(

2007

)

Гибкие эмпирические модели Байеса для дифференциальной экспрессии генов

.

Биоинформатика (Оксфорд, Англия)

,

23

,

328

335

.

и другие. . (

2010

)

Глобальная карта экспрессии генов человека

.

Нац. Биотехнолог.

,

28

,

322

324

.

и другие. . (

2010

)

Замороженный надежный анализ с несколькими массивами (fRMA)

.

Биостатистика

,

11

,

242

253

.

и другие. . (

2008

)

Картирование и количественная оценка транскриптомов млекопитающих с помощью RNA-Seq

.

Нац. Методы

,

5

,

621

628

.

и другие. . (

2001

)

О дифференциальной изменчивости коэффициентов экспрессии: улучшение статистических выводов об изменениях экспрессии генов на основе данных микрочипов

.

Дж. Вычисл. биол. Дж. Вычисл. Мол. Клеточная биол.

,

8

,

37

52

.

и другие. . (

2003

)

Анализ данных экспрессии генов : методы и программное обеспечение

.

Нью-Йорк

:

Спрингер

.

(

2004

)

Линейные модели и эмпирические байесовские методы для оценки дифференциальной экспрессии в экспериментах с микрочипами

.

Стат. заявл. Жене. Мол. биол.

,

3

,

Статья 3

.

и другие. . (

2011

)

Поиск согласованных подсетей заболеваний в наборах данных микрочипов

.

BMC Биоинформатика

,

12

,

S15

.

и другие. . (

2009

)

Базовая корректировка ДНК — микрочипов с использованием базы данных экспериментов с микрочипами

.

Дж. Вычисл. биол. Дж. Вычисл. Мол. Клеточная биол.

,

16

,

1501

1515

.

и другие. . (

2012

)

Всесторонний обзор литературы и статистические соображения для метаанализа микрочипов

.

Рез. нуклеиновых кислот.

,

40

,

3785

3799

.

и другие. . (

2001

)

Анализ значимости микрочипов применительно к реакции на ионизирующее излучение

.

Проц. Натл акад. науч. США

,

98

,

5116

5121

.

(

2004

)

Предварительная обработка данных массива олигонуклеотидов

.

Нац. Биотехнолог.

,

22

,

656

658

; .

Примечания автора

© The Author, 2015. Опубликовано Oxford University Press. Все права защищены.Для разрешений, пожалуйста, по электронной почте: [email protected]

%PDF-1.3 % 642 0 объект > эндообъект внешняя ссылка 642 81 0000000016 00000 н 0000003556 00000 н 0000003748 00000 н 0000003784 00000 н 0000004037 00000 н 0000004185 00000 н 0000004304 00000 н 0000004423 00000 н 0000004542 00000 н 0000004703 00000 н 0000004941 00000 н 0000005817 00000 н 0000010589 00000 н 0000010848 00000 н 0000011236 00000 н 0000011403 00000 н 0000012149 00000 н 0000013026 00000 н 0000013735 00000 н 0000014134 00000 н 0000014615 00000 н 0000014977 00000 н 0000021547 00000 н 0000021584 00000 н 0000021991 00000 н 0000022045 00000 н 0000022534 00000 н 0000030836 00000 н 0000031442 00000 н 0000031875 00000 н 0000032006 00000 н 0000033344 00000 н 0000033617 00000 н 0000033952 00000 н 0000034653 00000 н 0000035117 00000 н 0000035310 00000 н 0000035985 00000 н 0000036070 00000 н 0000036304 00000 н 0000036605 00000 н 0000037529 00000 н 0000038276 00000 н 0000039005 00000 н 0000039837 00000 н 0000040541 00000 н 0000041134 00000 н 0000047428 00000 н 0000047672 00000 н 0000048046 00000 н 0000048431 00000 н 0000049213 00000 н 0000050087 00000 н 0000050473 00000 н 0000050617 00000 н 0000050841 00000 н 0000055128 00000 н 0000055470 00000 н 0000055868 00000 н 0000055972 00000 н 0000057693 00000 н 0000057933 00000 н 0000058276 00000 н 0000059000 00000 н 0000059654 00000 н 0000062347 00000 н 0000062411 00000 н 0000062838 00000 н 0000063056 00000 н 0000063117 00000 н 0000063604 00000 н 0000063835 00000 н 0000064119 00000 н 0000064219 00000 н 0000066000 00000 н 0000066251 00000 н 0000066587 00000 н 0000066648 00000 н 0000067291 00000 н 0000067517 00000 н 0000001916 00000 н трейлер ]/предыдущая 498913>> startxref 0 %%EOF 722 0 объект >поток h ΤVyLW {13″»»- xdʒ1ƴ ,,\*eZA-x`ID&P5Mhk?emM}.6lyշƂSlAGH͘ԅgtn;>>1лW#mD[;

~do4Pi`YD z0″b,sz(ce.b

Frontiers | Опасности невыполнения обязательств: Учебное пособие о влиянии априорных значений невыполнения обязательств при использовании байесовского SEM с небольшими выборками

Байесовская оценка моделей структурных уравнений (SEM) приобрела популярность в последние десятилетия (например, Kruschke et al., 2012; van de Schoot et al., 2017) и все чаще используется в качестве решения для проблемы, вызванные небольшим размером выборки (например, McNeish, 2016a; König and van de Schoot, 2017).При небольших выборках частотная оценка [такая как (ограниченная) оценка максимального правдоподобия или (взвешенная) оценка методом наименьших квадратов] SEM может привести к несходимости модели, что означает, что оценщик не смог найти максимум (или минимум) для производная параметров модели. Исследования моделирования показали, что даже когда модель сходится, оценки параметров могут быть неприемлемыми (например, случаи Хейвуда) или неточными (т. е. оценка отклоняется от значения генеральной совокупности; Boomsma, 1985; Nevitt and Hancock, 2004).В отличие от частотных методов, байесовские методы не полагаются на методы большой выборки, что делает байесовские методы привлекательным вариантом, когда доступна только небольшая выборка. В рамках байесовской модели необходимо указать априорные распределения для всех параметров модели. Этот дополнительный шаг может стать препятствием для начинающих пользователей байесовских методов. Чтобы сделать байесовский SEM доступным для широкой аудитории, были разработаны популярные программы для анализа байесовских SEM, такие как M plus (Muthén and Muthén, (1998–2017)) и пакет blavaan (Merkle and Rosseel, 2018) в R (R Core Team, 2018), предлагают предыдущие дистрибутивы по умолчанию.Однако эти предыдущие дистрибутивы по умолчанию подходят не во всех случаях. Когда выборки малы, использование только априорных значений по умолчанию может привести к неточным оценкам, особенно сильно неточным параметрам дисперсии, нестабильным результатам и высокой степени неопределенности в апостериорных распределениях (например, Gelman, 2006; McNeish, 2016a; Smid et al. ., 2019б). Эти три последствия использования априорных значений по умолчанию с небольшими выборками серьезно ограничивают выводы, которые можно сделать о параметрах модели.

При небольших выборках эффективность байесовской оценки сильно зависит от априорных распределений, независимо от того, являются ли они значениями по умолчанию для программного обеспечения или заданы исследователем (например, Gelman et al., 2014; Kaplan, 2014; McElreath, 2016). McNeish (2016a) обсуждал, что проблемы с небольшими выборками (такие как несходимость, недопустимые и неточные оценки параметров) не могут быть устранены только путем переключения с частотной оценки на байесовскую. Вместо этого он утверждает, что если байесовские методы используются с небольшими выборками, «необходимо тщательно учитывать предыдущие распределения» (McNeish, 2016a, p.764). Этот совет не нов: Касс и Вассерман (1996) уже предостерегали от использования предварительных настроек по умолчанию для небольших выборок. Спустя четверть века после этого первоначального предупреждения байесовская оценка все чаще используется для работы с небольшими выборками (van de Schoot et al., 2017; Smid et al., 2019b). Тем не менее исследователи по-прежнему упорно полагаются на априорные значения по умолчанию, несмотря на явное предостережение против их использования (как показано McNeish, 2016a; König and van de Schoot, 2017; van de Schoot et al., 2017).

Цели этого учебного пособия

В этом учебном документе мы приводим нетехническое обсуждение рисков, связанных с использованием априорных значений по умолчанию.Мы обсудим, как априорные значения по умолчанию могут непреднамеренно вести себя как высокоинформативные априорные значения, когда выборки малы. Затем мы демонстрируем образовательное онлайн-приложение Shiny (доступно на нашей странице Open Science Framework (OSF) через https://osf.io/m6byv), в котором пользователи могут изучить влияние различных предыдущих распределений и размера выборки на результаты модели. Мы обсуждаем, как приложение Shiny можно использовать в обучении, и предоставляем онлайн-список для чтения (доступный через https://osf.io/pnmde) с литературой по байесовскому оцениванию и, в частности, о том, как указать подходящие априорные распределения.Наконец, мы даем рекомендации о том, как распознавать (неправильное) поведение априорных ситуаций.

Что такое небольшая выборка?

Прежде чем мы продолжим обсуждение потенциальных опасностей априорных значений по умолчанию с небольшими выборками, нам нужно ответить на вопрос: что именно является небольшой выборкой? Мала ли выборка, зависит от сложности оцениваемой модели. Один из способов выразить размер выборки — посмотреть на соотношение между количеством наблюдений и количеством неизвестных параметров в модели (т.г., Ли и Сонг, 2004 г.; Смид и др., 2019а). Выборку можно считать очень маленькой, если это отношение равно 2, что означает наличие только двух наблюдений для каждого неизвестного параметра. Поскольку SEM часто включают множество неизвестных параметров (например, факторные нагрузки, точки пересечения, ковариации), выборки, которые могут показаться относительно большими, на самом деле очень малы. Например, модель подтверждающего факторного анализа (CFA) с тремя скрытыми факторами и пятнадцатью наблюдаемыми элементами состоит из 48 неизвестных параметров: 12 факторных нагрузок (первая факторная нагрузка зафиксирована на 1 для идентификации), 15 пересечений, 15 остаточных дисперсий, три факторных дисперсии, и трехфакторные ковариации.В этом сценарии выборка из 100 участников по-прежнему будет считаться очень маленькой (коэффициент = 2,08). Этот пример демонстрирует, что общие эмпирические правила относительно размеров выборки для SEM (например, n > 100; Kline, 2015) могут вводить в заблуждение, поскольку они не учитывают сложность модели. Кроме того, сложность модели зависит не только от количества оцениваемых параметров. Другие факторы, которые играют роль в сложности модели, заключаются в том, включает ли модель такие компоненты, как категориальные переменные, скрытые факторы, несколько групп или скрытые классы.Недавний обзор исследований по моделированию SEM (Smid et al., 2019b) показал, что авторы этих работ по моделированию имеют самые разные определения «малого размера выборки», начиная от чрезвычайно малого (например, 92 153 n 92 154 = 8, оцениваемого при трех моменты времени с одной непрерывной переменной; van de Schoot et al., 2015) до того, что некоторые могут счесть средними (например, n = 200 с 12 порядковыми переменными; Chen et al., 2015). Таким образом, оценить, является ли выборка (слишком) малой, к сожалению, не так просто, как проверить, достигнуто ли определенное количество участников, и это следует делать на основе анализа за анализом.

Опасности невыполнения обязательств

Риски, связанные с априорными значениями по умолчанию при использовании байесовского SEM с небольшими выборками, можно описать как комбинацию следующих трех факторов.

Во-первых, когда выборки малы, априорные значения оказывают относительно большее влияние на апостериорные, чем в случае больших выборок. Апостериорное можно рассматривать как компромисс между априорным и правдоподобием. При большем размере выборки вероятность преобладает над апостериорной (см. рис. 1C). Однако при небольшом размере выборки вероятность имеет относительно меньший вес на апостериорной основе.Соответственно, приор имеет относительно больший вес над апостериором (см. рис. 1А). Поэтому очень важно указать подходящие априорные распределения, когда выборки малы (например, Gelman et al., 2014).

Рисунок 1. Примеры априорного, вероятностного и апостериорного распределения при малых (A) , средних (B) и больших (C) объемах выборки. В апостериорном распределении доминирует априорное при малом размере выборки (A) , и доминирует вероятность при большом размере выборки (C) .

Во-вторых, большинство приор по умолчанию имеют очень широкое распространение. Например, априорное значение M плюс по умолчанию для средних значений и коэффициентов регрессии является нормальным распределением со средним гиперпараметром, равным нулю, и дисперсией 10 10 (Мутен и Мутен, (1998–2017)). Гиперпараметр дисперсии соответствует стандартному отклонению 100 000, что означает, что 68% априорного распределения содержат значения от -100 000 до 100 000, а 95 % априорного распределения содержат значения от -200.000 и 200.000. Когда такие априорные значения по умолчанию указаны, широкий диапазон значений параметров может быть выбран из апостериорных значений во время байесовского анализа. Таким образом, все эти значения параметров считаются правдоподобными, что не всегда может быть уместным. Например, при измерении математических способностей по шкале от 0 до 100 значения ниже 0 и выше 100 не могут присутствовать в данных. Указание априорного значения по умолчанию с таким широким распределением среднего значения математических способностей придаст большой вес необоснованным значениям (см.г., Stan Development Team, 2017 с. 131). Для небольших размеров выборки сочетание относительно большего влияния априорных значений на апостериорные и широкое распространение априорных значений по умолчанию может привести к крайне неверным оценкам параметров (см., например, Gelman, 2006; McNeish, 2016a; и систематическую литературу). обзор Smid et al., 2019b).

Третий фактор, который играет роль, — это ложное убеждение в том, что априорные значения по умолчанию являются неинформативными априорными значениями, которые «позволяют говорить данным.Априорные значения по умолчанию могут действовать как высокоинформативные априорные значения, поскольку они могут сильно влиять на апостериорное распределение и выводы исследования (см., например, Betancourt, 2017). Как поясняет McNeish (2016a, стр. 752): «при небольших выборках идея неинформативности априорных значений является скорее мифом, чем реальностью (…)». Поэтому терминология информативных и неинформативных априорных значений может сбивать с толку (см. также Bainter, 2017, стр. 596). Кроме того, разные программы используют разные априорные значения по умолчанию (см. Таблицу 1).ван Эрп и др. (2018, стр. 26) исследовали производительность нескольких априорных значений по умолчанию и пришли к выводу, что, особенно с небольшими выборками, все исследованные априорные значения по умолчанию работали очень по-разному, и «что нет ни одного априорного значения по умолчанию, которое работало бы последовательно лучше, чем другие априорные (…)». Таким образом, выбор программного обеспечения может непреднамеренно повлиять на результаты исследования (см., например, Holtmann et al., 2016), что проблематично, если об этом не знать. Обратите внимание, что мы не выступаем против априорных значений по умолчанию в целом.Априорные значения по умолчанию могут быть подходящими — даже при небольших выборках — в случаях, когда все значения в априорном распределении разумны и могут встречаться в данных (например, значения около 100 000 или 200 000 являются реалистичными в данных о ценах на жилье, см., например, LeGower and Walsh). , 2017). Однако использование априорных значений по умолчанию проблематично, когда исследователи предполагают, что они позволяют «данным говорить», в то время как на самом деле они « позволяют говорить априорным значениям по умолчанию», что означает, что априорные значения могут сильно повлиять на результаты, даже если никто об этом не знает.

Таблица 1. Обзор априорных распределений основных параметров по умолчанию для программы Mplus и использования Mplus, JAGS и Stan через пакет R blavaan.

В следующем разделе мы обсудим приложение Shiny, которое мы разработали, чтобы продемонстрировать на примере возможное информативное поведение априорных значений по умолчанию, когда выборка невелика.

Блестящее приложение: влияние Priors по умолчанию

Мы создали приложение Shiny, которое служит учебным пособием, которое можно использовать, чтобы узнать больше о влиянии априорных значений по умолчанию на байесовское SEM.Его можно найти в Интернете по адресу https://osf.io/m6byv вместе с дополнительными файлами и кодом R для воспроизведения приложения. Кроме того, мы создали план урока (доступный для загрузки в приложении), чтобы поддержать образовательную направленность приложения. Приложение состоит из трех страниц: (1) страница, на которой пользователи могут в интерактивном режиме изучить влияние предыдущих настроек и размера выборки на байесовскую модель скрытого роста (см. рис. 2), (2) обзор предыдущих спецификаций, использованных в приложении. и (3) список дополнительных ресурсов, чтобы узнать больше о различных аспектах байесовского SEM.Основная интерактивная страница включает в себя меню, которое помогает пользователям выбрать размер выборки, предварительные настройки спецификации и запустить модель в первый и второй раз с удвоенным числом итераций (в соответствии с контрольным списком WAMBS Депаоли и ван де Шут, 2017). Модели в приложении Shiny запускались извне с использованием программного обеспечения M plus (Muthén and Muthén, (1998–2017)) для улучшения взаимодействия с пользователем.

Рисунок 2. Главная страница приложения Shiny, где пользователи могут в интерактивном режиме изучить влияние предыдущих настроек и размера выборки в байесовской модели скрытого роста.

Главное окно на странице имеет пять вкладок, которые можно использовать для (1) просмотра оцениваемой модели, (2) проверки сходимости модели с использованием потенциального коэффициента масштабирования (PSFR; Gelman and Rubin, 1992), изучения точность апостериорных выборок с эффективным размером выборки (ESS), (3) просмотреть графики априорных, вероятностных, апостериорных и трассировочных графиков, (4) проверить оценки параметров, (5) получить доступ к плану урока.

Модель, размеры выборки и априорные значения, используемые в приложении Shiny

Модель, размеры выборки и предыдущие настройки, используемые в приложении Shiny, основаны на Smid et al.(2019а). В частности, модель представляет собой модель латентного роста (LGM) со скрытой точкой пересечения и линейным наклоном, четырьмя временными точками и непрерывной долгосрочной переменной (т. е. дистальным исходом), которая предсказывается скрытой точкой пересечения и наклоном (см. рис. 3). ). Долгосрочная переменная — это переменная, собираемая на волне оценки, которая происходит намного позже других волн оценки в LGM. Примером отдаленного исхода являются уровни депрессии у молодых взрослых, которые предсказываются поведением и эмоциональными проблемами в возрасте 4–16 лет (Koukounari et al., 2017). Пользователи могут выбрать один из трех размеров выборки: 26, 52, 325, которые представляют собой очень маленькую, маленькую и относительно большую выборку для интересующей модели, которая имеет 13 неизвестных параметров.

Рисунок 3. Модель латентного роста с дальней (долгосрочной) переменной результата, которая используется в приложении Shiny, включая значения популяции (значения модели и популяции основаны на Smid et al., 2019a).

В приложение включены три различные априорные спецификации: одна спецификация, использующая априорные программы по умолчанию, и две спецификации с растущим числом продуманных априорных значений.Приоритеты по умолчанию, которые мы выбрали, указаны в M плюс (Muthén and Muthén, (1998–2017)) и называются «M plus по умолчанию» в приложении Shiny. Две продуманные априорные спецификации, названные «частичные продуманные априорные» и «полные продуманные априорные», были взяты из Smid et al. (2019b), сведения о котором приведены на второй странице приложения Shiny. Короче говоря, «частичные продуманные априорные значения» включают информативные априорные значения для среднего значения точки пересечения и наклона LGM, коэффициентов регрессии и точки пересечения дистального результата.«Полные продуманные априорные значения» включают информативные априорные значения по всем параметрам модели, за исключением остаточных дисперсий. Эти две спецификации отражают сценарии, в которых исследователь имеет доступ к предварительным знаниям относительно некоторых или большинства параметров модели.

Конкретные значения гиперпараметров продуманных априорных значений (например, где находится центр априорных значений и насколько оно узкое) в примере, используемом в приложении, несколько произвольны, поскольку они основаны на моделировании.В частности, все априорные значения сосредоточены вокруг (известных) значений совокупности, а ширина априорных значений основана на ширине апостериорного распределения анализа, выполненного с M плюс априорных значений по умолчанию. Этот подход наиболее тесно связан с типом априорной спецификации, называемой априорной спецификацией, зависящей от данных (McNeish, 2016b), где первоначальный анализ с использованием априорных значений по умолчанию или методов частотной оценки предоставляет значения для априорных гиперпараметров. В прикладных исследованиях априорные данные, зависящие от данных, вызывают споры, поскольку исследователь технически использует свои данные для определения априорных значений, которые впоследствии используются для анализа их данных (Darnieder, 2011).Чтобы решить эту проблему, исследователи могли разделить свои данные пополам и основывать предварительную спецификацию байесовского анализа на результатах частотного анализа с использованием 50% всей выборки. Поскольку этот подход приведет к дальнейшему уменьшению размера выборки для окончательного анализа, этот подход для указания априорных значений может оказаться неприемлемым при малых размерах выборки.

Две продуманные априорные спецификации, включенные в приложение, являются лишь двумя примерами того, как продуманные априорные данные могут быть включены в байесовский SEM.Другие источники, которые можно использовать для уточнения вдумчивых априорных данных, включают предыдущие исследования, метаанализы или знания экспертов в данной области (подробное обсуждение этих тем мы отсылаем к Zondervan-Zwijnenburg et al., 2017; Lek and van de Schoot, 2018; van de Schoot и др., 2018). Даже если предварительное знание недоступно, исследователи могут думать о невозможных и неправдоподобных значениях параметров и указывать априорные распределения, которые содержат информацию только о типичном диапазоне параметров.Чтобы проиллюстрировать эту идею, представьте, что дистальный результат LGM, показанный на рис. 3, был измерен с помощью вопросника, имеющего диапазон от 0 до 20. Исследователь мог бы использовать эту информацию, чтобы указать априорное значение для перехвата отдаленного результата, который делает значения за пределами этого диапазона крайне маловероятны [например, N (10, 15)]. Для некоторых параметров может быть сложно определить предшествующие гиперпараметры, исключающие неправдоподобные значения. Например, обратное гамма-распределение часто используется в качестве априорного значения для параметров (остаточной) дисперсии.Параметры этого распределения, называемые формой и масштабом, не так легко интерпретировать и точно определить, как среднее значение и дисперсию нормального распределения. К счастью, были предложены методы для определения продуманных априорных гиперпараметров для обратного гамма-распределения (например, Zitzmann et al., 2020). В качестве альтернативы исследователи могут принять решение вообще перейти на другое распределение (van Erp et al., 2018). Примеры включают в себя априор полу-Коши (Gelman, 2006; Полсон и Скотт, 2012) или справочные априорные, такие как априор Джеффри (Tsai and Hsiao, 2008).

Использование приложения Shiny в качестве учителя

Поскольку это приложение Shiny было специально разработано для использования в качестве образовательного инструмента, мы создали рабочий лист и ключ ответа, которые можно загрузить непосредственно в само приложение. Кроме того, в нашем приложении можно экспортировать все созданные графики и таблицы. Их можно использовать при ответах на вопросы рабочего листа. Сообщая учащимся о влиянии использования настроек по умолчанию при небольших выборках, мы надеемся научить их важности указания подходящих априорных распределений и внести свой вклад в ответственное использование байесовского SEM.

Рекомендации

: как распознать (неправильно) ведущего себя ранее?

Чтобы сформулировать подходящие априорные распределения и для последующей проверки того, «ведут ли себя» априорные распределения, необходима информация о разумном диапазоне значений параметров в модели. Эта информация может основываться на предыдущих исследованиях, используемой шкале или вопроснике или экспертных знаниях в данной области. В нашем списке для чтения (доступном через https://osf.io/pnmde) мы предоставляем обзор соответствующей литературы о том, как указать подходящие априорные значения на основе нескольких источников информации.Ниже мы обсудим четыре способа выявления (неправильного) поведения априора после проведения байесовского анализа (см. также Таблицу 2) путем проверки всех параметров (а) эффективного размера выборки, (б) графиков трассировки, (в) априорного поведения. апостериорные распределения правдоподобия и (d) апостериорное стандартное отклонение и 95% наивысшая апостериорная плотность.

Таблица 2. Возможные признаки «нехорошего поведения» приоры.

Эффективный объем выборки

Проверка эффективного размера выборки (ESS) каждого параметра в модели — хороший первый шаг в поиске некорректных априорных значений.ESS представляет количество независимых выборок, которые имеют ту же точность, что и общее количество выборок в апостериорных цепях (Geyer, 1992). ESS тесно связана с концепцией автокорреляции, где текущее получение из апостериорного распределения зависит от предыдущего извлечения из апостериорного распределения. Автокорреляция нежелательна, поскольку увеличивает неопределенность апостериорных оценок. Если автокорреляция внутри цепочек низкая, то ESS приближается к общему количеству выборок в апостериорных цепочках, а апостериорное распределение будет более точным и с большей вероятностью хорошо аппроксимирует оценку параметра (Zitzmann and Hecht, 2019).Если автокорреляция внутри цепочек высока, для достижения адекватного ESS потребуется большее количество выборок. Низкий уровень ESS может быть первым признаком того, что априор ведет себя неправильно. Было сделано несколько рекомендаций о том, как оценить, является ли ESS слишком низким : Zitzmann and Hecht (2019) рекомендуют, чтобы ESS в идеале превышал 1000, чтобы обеспечить достаточную точность в цепочке. Также возможно вычислить нижнюю границу количества необходимых эффективных выборок, используя желаемый уровень точности и интересующий уровень достоверного интервала (Vats et al., 2019; Flegal и др., 2020). Наконец, также может быть полезно посмотреть на отношение ESS к общему количеству выборок, где отношение <0,1 указывает на высокий уровень автокорреляции в цепочках (хотя это не обязательно указывает на то, что апостериорное распределение равно нулю). неточно; Gabry et al., 2019). Низкий ESS может служить первым признаком того, что что-то может быть не так, но даже если все ESS кажутся приемлемыми, следует проверить графики и апостериорные оценки, чтобы дополнительно подтвердить, что априорные значения ведут себя правильно.

Графики трассировки

Три характеристики графика трассировки могут указывать на неправильное поведение априора. Во-первых, форма графика трассировки: если несколько цепей ведут себя хорошо, цепи должны напоминать голодную гусеницу после 6 дней еды (см. рис. 4А). Плохое поведение априора может привести к тому, что графики трассировки будут иметь всплески, очень напоминающие общение с инопланетянами, снятое в научно-фантастическом фильме (рис. 4C). Во-вторых, имеют ли смысл значения, охватываемые апостериорным, для этого параметра, или ось y растянута, чтобы покрыть нереалистичные значения? Даже при наличии тонких всплесков (рис. 4B) диапазон y по оси может показать, что цепочки получают неправдоподобные значения из апостериорного распределения, и им следует уделить особое внимание.В-третьих, отсутствие перекрытия цепочек может указывать на неправильное поведение приора. Когда цепочки не перекрываются, это указывает на то, что они выбираются из разных частей апостериорного распределения и не сходятся к одному и тому же местоположению.

Рис. 4. Кривые; предварительные, вероятностные, апостериорные графики; апостериорное стандартное отклонение (SD) и 95% наивысший интервал апостериорной плотности (HPD) для трех параметров: среднее значение пересечения 92 185 (A) 92 186, остаточная дисперсия дистального результата 92 185 (B) 92 186 и влияние регрессии наклона на дистальный результат (C) при размере выборки n = 26 и M плюс априорных значений по умолчанию (примеры получены из приложения Shiny).* Приоритет по умолчанию M плюс для параметров остаточной дисперсии равен IG(−1, 0), что является неправильным (т. е. не интегрируется до 1) и имеет постоянную плотность 1 на интервале (−∞, ∞) ( Аспарухов, Мутен, 2010).

Сравнение априорного правдоподобия и апостериорного сравнения

Одним из важных аспектов нашего приложения Shiny является то, что априорное, вероятностное и апостериорное распределения визуализируются, чтобы упростить сравнение различных априорных значений и параметров размера выборки. При наличии существенного отклонения между априорным, вероятностным и апостериорным распределениями результаты следует интерпретировать с осторожностью, особенно при небольшом размере выборки.Исследователи должны решить, насколько желательно влияние априорной вероятности и вероятности на апостериорную. Предпочтительно ли, чтобы апостериорное значение было компромиссом между априорным и правдоподобием, или чтобы апостериорное значение доминировало над одним из двух? Например, когда вероятность и априорное значение сильно отклоняются, можно не доверять апостериорным результатам. В случае небольших выборок результаты могут быть особенно обусловлены априорными распределениями. Это желательно только в том случае, если исследователи доверяют указанным предыдущим дистрибутивам, а не тогда, когда они используются программой по умолчанию.На рис. 4 показано сравнение априорной вероятности и апостериорной вероятности для трех параметров. Хотя априорные распределения (пунктирные линии) выглядят абсолютно плоскими, для всех параметров использовались априорные распределения по умолчанию. На рис. 4A апостериорное значение (сплошная линия) точно соответствует распределению правдоподобия (пунктирная линия), что здесь желательно, поскольку задано априорное значение по умолчанию (пунктирная линия), и мы не хотим, чтобы оно сильно влияло на апостериорное распределение. На рисунках 4B, C апостериорные значения кажутся слишком толстыми (куртотичными) по сравнению с распределением правдоподобия и плоскими априорными значениями по умолчанию, поэтому результаты следует изучить дополнительно.

Задний SD и 95% HPD

Апостериорное стандартное отклонение (SD) и интервал достоверности 95% (или наивысшая апостериорная плотность; HPD) могут быть проверены, чтобы оценить, являются ли оценки необычайно точными или неопределенными. Неопределенность демонстрируется большим задним SD и широким 95% HPD.

Имеющаяся информация о разумных значениях параметров, а также объем информации в априорной вероятности и вероятности должны использоваться для оценки разумности уровня (не)определенности апостериорной вероятности.Например, на рисунке 4C сообщается апостериорное стандартное отклонение 94,64, что является гораздо более высоким значением, чем можно было бы ожидать для регрессионной оценки, и подразумевает, что некоторые очень экстремальные значения, вероятно, были выбраны из апостериорного значения. Этот уровень неопределенности также отражается экстремальными пиками на графике трассировки и эксцессом апостериорного распределения. Параметры, изображенные на рисунке 4, показывают, что сочетание неинформативного априорного значения и небольшого размера выборки не всегда приводит к проблемам по всем параметрам модели.Важно отметить, что даже если кажется, что априорные значения основного(ых) интересующего(их) параметра(ов) ведут себя хорошо, неправильное поведение априорного значения, расположенного в другом месте модели, может привести к неточностям в апостериорных оценках основных параметров. Например, в многоуровневом SEM с эффектом ковариации между уровнями оценка межуровневой дисперсии может не представлять существенного интереса. Однако предположительно неинформативное априорное значение [IG(0,001, 0,001)] для параметра межуровневой дисперсии может превратиться в некорректно работающее априорное значение, когда величина дисперсии, расположенной на межуровневом уровне, велика (Депаоли и Клифтон, 2015).В имитационном исследовании Депаоли и Клифтон (2015) показали, что это неправильное поведение привело к смещенной апостериорной оценке эффекта ковариации между уровнями. Исследователь, который только просматривал график трассировки на предмет эффекта ковариации между уровнями, возможно, не осознавал, что на его результаты отрицательно повлияло предварительное размещение параметра межуровневой дисперсии. По этой причине очень важно всегда проверять все параметры в SEM.

Что делать, если вы подозреваете, что настоятель плохо себя ведет?

Когда один из графиков трассировки, графиков априорной вероятности-апостериорного распределения, апостериорных SD или 95% HPD показывают признаки неправильного поведения априора, результатам не следует доверять, и исследователи должны действовать с осторожностью.К сожалению, мы не можем предоставить эмпирические правила, когда эти индикаторы плохого поведения становятся проблематичными. Это зависит от указанного априора, данных, параметра, интересующей модели и личного суждения исследователя. Анализ чувствительности может помочь оценить влияние указанных априорных распределений на апостериорные (см. Depaoli and van de Schoot, 2017; van Erp et al., 2018). Опять же, исследователь должен решить, желательно ли определенное влияние априора или нет.Следовательно, байесовский SEM следует использовать только с небольшими выборками, когда исследователи могут и хотят принимать такие решения.

Отчет о байесовском SEM

Несмотря на то, что существует обширная литература о том, как выполнять и что сообщать для байесовского анализа (см., например, Kruschke, 2015, стр. 721–725; Depaoli and van de Schoot, 2017), мы хотим подчеркнуть важность прозрачности и информирования о каждом решении. Мы советуем всегда предоставлять (онлайн) приложение, в котором подробно объясняется, какие априоры указаны и почему выбраны именно эти априоры.Дополнительную литературу и примеры по байесовскому SEM можно найти в нашем списке для чтения на https://osf.io/pnmde.

Иллюстрация: влияние невыполнения обязательств

Чтобы проиллюстрировать влияние априорных настроек и размера выборки, а также информативное поведение априорных значений по умолчанию при небольшом размере выборки, мы извлекли графики трассировки, графики априорной вероятности-апостериорные и апостериорные стандартные отклонения из приложения Shiny для одного параметра: эффект регрессии дистального исхода регрессировал по линейному наклону (β 2 на рис. 3).Графики (рис. 5) показывают признаки плохого поведения априорных значений, когда выборки малы ( n = 26 или 52 для этой модели), когда используются априорные значения по умолчанию. В частности, графики трассировки демонстрируют всплески, которые достигают маловероятных значений для коэффициента регрессии, графики имеют растянутую ось y и показывают цепочки, которые не перекрываются. Кроме того, графики априорного правдоподобия и апостериорного распределения для двух небольших размеров выборки показывают, что апостериорное распределение (сплошная линия) шире, чем оценка правдоподобия (пунктирная линия).В целом графики, представленные на рис. 5, показывают, что априорные значения по умолчанию, которые считаются неинформативными, могут влиять на результаты при небольших выборках. Варианты улучшения оценки модели включают увеличение размера выборки или указание подходящих априорных значений для параметров.

Рисунок 5. Кривые графики; предварительные, вероятностные, апостериорные графики; апостериорное стандартное отклонение (SD) и 95% интервалы наивысшей апостериорной плотности (HPD) для коэффициента регрессии β 2 при размерах выборки n = 26, 52, 325 , когда M плюс априорные значения по умолчанию и частично продуманные априорные значения указаны. (A,B,E,F,I,J) График трассировки. (C,D,G,H,K,L) Априорный, Вероятностный, Апостериорный график.

Резюме

В этом учебном документе мы обсудили риски, связанные с априорными значениями по умолчанию в байесовском SEM, когда выборки малы. Мы описали опасности значений по умолчанию как комбинацию трех факторов: (а) относительно большее влияние априорных значений на апостериорные при небольших выборках, (б) широкое распространение априорных значений по умолчанию, которые часто содержат нереалистичные значения, и (c) ложное убеждение в том, что априорные значения по умолчанию неинформативны.Мы продемонстрировали интерактивное приложение Shiny, в котором пользователи могут исследовать влияние априорных оценок и размера выборки на результаты модели. Приложение Shiny также можно использовать для обучения студентов ответственному использованию байесовского SEM с небольшими выборками. В этой статье мы показали, что априорные значения по умолчанию могут действовать как высокоинформативные априорные значения, когда выборки малы. Мы предоставили обзор соответствующей литературы (доступной через https://osf.io/pnmde) о том, как указать подходящие априоры на основе нескольких источников информации.Мы обсудили, как распознать неправильное поведение априора, проверив (а) эффективные размеры выборки, (б) графики трассировки, (в) сравнение априорно-апостериорных распределений правдоподобия и (г) апостериорное стандартное отклонение и 95% наивысших апостериорных плотностей. .

Важно отметить, что мы не утверждаем, что исследователи несут исключительную ответственность за отказ от своей зависимости от априорных значений по умолчанию. Существует несколько стратегий, которые можно использовать, чтобы помочь исследователям улучшить свои решения в отношении предварительной спецификации.Простой способ улучшить использование байесовских методов — предоставить образовательные инструменты, такие как приложение, представленное в этой статье, для широкой аудитории исследователей. В более общем плане разработчики программного обеспечения могли бы реализовать уведомления, побуждающие пользователей проверять влияние их предыдущих дистрибутивов с помощью методов, предложенных в текущей статье (например, помечать низкие ESS и предлагать проверку графиков трассировки). Другая возможность вмешаться и улучшить возникает в процессе рецензирования.Рецензенты должны внимательно изучить решения, принятые авторами в отношении их предыдущей спецификации, и вмешаться, если решения, принятые авторами, были неуместными. В таком случае рецензент может сообщить, что основные изменения вносятся для обеспечения надлежащего применения байесовских методов.

Байесовский SEM следует использовать только с небольшими выборками, когда доступна информация о разумном диапазоне значений для всех параметров в модели. Эта информация необходима для формулирования подходящих априорных распределений и , чтобы впоследствии проверить, «ведут ли себя» априорные распределения.Мы надеемся, что этот учебный документ поможет распространить информацию о том, что использование байесовского оценивания не является быстрым решением задач с малой выборкой в ​​SEM, и что мы призываем исследователей указывать подходящие априорные распределения и тщательно проверять результаты, когда с использованием байесовской SEM с небольшими выборками.

Вклад авторов

SS разработал рукопись учебника и блестящее приложение, а также развил идею блестящего приложения с SW. SW разработал код для блестящего приложения при участии и отзывах от SS.С. С. взял на себя инициативу в написании рукописи. SW написала раздел «Shiny App» и предоставила отзыв о рукописи. Оба автора внесли свой вклад в статью и одобрили представленную версию.

Финансирование

СС поддержан грантом Нидерландской организации научных исследований: NWO-VIDI-452-14-006.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Сноски

    Каталожные номера

    Bainter, SA (2017). Байесовская оценка для моделей факторного анализа элементов с разреженными категориальными индикаторами. Мультивар. Поведение Рез. 52, 593–615. дои: 10.1080/00273171.2017.1342203

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Бумсма, А. (1985). Несходимость, неправильные решения и начальные значения в оценке максимального правдоподобия lisrel. Психометрика 50, 229–242. дои: 10.1007/BF02294248

    Полнотекстовая перекрестная ссылка | Академия Google

    Чен Дж., Чжан Д. и Чой Дж. (2015). Оценка латентного опосредованного эффекта с порядковыми данными с использованием подходов с ограниченной информацией и байесовской полной информации. Поведение. Рез. Методы 47, 1260–1273. doi: 10.3758/s13428-014-0526-3

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Darnieder, WF (2011). Байесовские методы для зависимых от данных априорных значений. Докторская диссертация, Университет штата Огайо, Колумбус, Огайо.

    Академия Google

    Депаоли, С. (2014). Влияние «неточных» информативных априорных значений параметров роста при моделировании байесовской смеси роста. Структура. Экв. Моделирование 21, 239–252. дои: 10.1080/10705511.2014.882686

    Полнотекстовая перекрестная ссылка | Академия Google

    Депаоли, С., и Клифтон, Дж. П. (2015). Байесовский подход к моделированию многоуровневых структурных уравнений с непрерывными и дихотомическими результатами. Структура. Экв. Моделирование 22, 327–351. дои: 10.1080/10705511.2014.937849

    Полнотекстовая перекрестная ссылка | Академия Google

    Депаоли, С., и ван де Шут, Р. (2017). Улучшение прозрачности и репликации в байесовской статистике: контрольный список WAMBS. Психология. Методы 22, 240–261. doi: 10.1037/met0000065

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Габри Дж., Симпсон Д., Вехтари А., Бетанкур М. и Гельман А. (2019).Визуализация в байесовском рабочем процессе. JR Stat. соц. сер. Стат. соц. 182, 389–402. doi: 10.1111/rssa.12378

    Полнотекстовая перекрестная ссылка | Академия Google

    Гельман, А. (2006). Априорные распределения параметров дисперсии в иерархических моделях (комментарий к статье Брауна и Дрейпера). Байесовский анализ. 1, 515–534. дои: 10.1214/06-ba117a

    Полнотекстовая перекрестная ссылка | Академия Google

    Гельман А., Карлин Дж. Б., Стерн Х. С., Дансон Д. Б., Вехтари, А., и Рубин, Д.Б. (2014). Байесовский анализ данных , 3-е изд. Бока-Ратон, Флорида: CRC Press.

    Академия Google

    Гельман А. и Рубин Д. Б. (1992). Вывод из итеративного моделирования с использованием нескольких последовательностей. Стат. науч. 7, 457–472. дои: 10.1214/сс/1177011136

    Полнотекстовая перекрестная ссылка | Академия Google

    Гейер, CJ (1992). Практическая цепь Маркова методом монте-карло Автор(ы). Стат. науч. 7, 473–483.

    Академия Google

    Холтманн, Дж., Кох Т., Лохнер К. и Эйд М. (2016). Сравнение ML, WLSMV и байесовских методов для многоуровневых моделей структурных уравнений в небольших выборках: имитационное исследование. Мультивар. Поведение Рез. 51, 661–680. дои: 10.1080/00273171.2016.1208074

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Каплан, Д. (2014). Байесовская статистика для социальных наук. Нью-Йорк, штат Нью-Йорк: The Guilford Press.

    Академия Google

    Касс, Р.Э. и Вассерман Л. (1996). Выбор априорных распределений по формальным правилам. Дж. Ам. Стат. доц. 91, 1343–1370. дои: 10.1080/01621459.1996.10477003

    Полнотекстовая перекрестная ссылка | Академия Google

    Клайн, Р. Б. (2015). Принципы и практика моделирования структурными уравнениями , 4-е изд. Нью-Йорк, штат Нью-Йорк: Guilford Press.

    Академия Google

    Кениг, К., и ван де Шут, Р. (2017). Байесовская статистика в образовательных исследованиях: взгляд на текущее положение дел. Учеб. 70, 1–24. дои: 10.1080/00131911.2017.1350636

    Полнотекстовая перекрестная ссылка | Академия Google

    Кукунари, А., Стрингарис, А., и Моган, Б. (2017). Пути от материнской депрессии к депрессии у молодых взрослых потомков: исследовательский продольный анализ посредничества. Междунар. J. Methods Psychiatr. Рез. 26:e1520. doi: 10.1002/mpr.1520

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Крушке, Дж. К. (2015). Выполнение байесовского анализа данных: Учебное пособие с R, JAGS и Стэном , 2-е изд.Лондон: Академическая пресса.

    Академия Google

    Крушке, Дж. К., Агуинис, Х., и Джу, Х. (2012). Пришло время байесовских методов анализа данных в организационных науках. Орган. Рез. Методы 15, 722–752. дои: 10.1177/1094428112457829

    Полнотекстовая перекрестная ссылка | Академия Google

    Ли, С.-Ю., и Сонг, X.-Ю. (2004). Оценка байесовского подхода и подхода максимального правдоподобия при анализе моделей структурных уравнений с малыми размерами выборки. Многомерное поведение. Рез. 39, 653–686. дои: 10.1207/s15327906mbr3904_4

    Полнотекстовая перекрестная ссылка | Академия Google

    ЛеГауэр, М., и Уолш, Р. (2017). Обещайте стипендиальные программы как политику создания мест: данные о зачислении в школу и ценах на жилье. J. Городская экономика. 101, 74–89. doi: 10.1016/j.jue.2017.06.001

    Полнотекстовая перекрестная ссылка | Академия Google

    Лек, К., и ван де Шут, Р. (2018). Разработка и оценка цифрового метода опроса экспертов, направленного на развитие диагностической компетентности учителей начальной школы. Перед. Образовательный 3:82. doi: 10.3389/feduc.2018.00082

    Полнотекстовая перекрестная ссылка | Академия Google

    МакЭлрит, Р. (2016). Статистическое переосмысление: байесовский курс с примерами в R и Stan. Биока-Ратон, Флорида: CRC Press, Taylor & Francis Group.

    Академия Google

    Макниш, Д. (2016a). Об использовании байесовских методов для решения задач с малой выборкой. Структура. Экв. Моделирование 23, 750–773. дои: 10.1080/10705511.2016.1186549

    Полнотекстовая перекрестная ссылка | Академия Google

    Макниш, Д.(2016б). Использование априорных данных, зависящих от данных, для уменьшения смещения небольшой выборки в моделях скрытого роста: обсуждение и иллюстрация с использованием Mplus. Дж. Образование. Поведение Стат. 41, 27–56. дои: 10.3102/1076998615621299

    Полнотекстовая перекрестная ссылка | Академия Google

    Меркл, Э. К., и Россил, Ю. (2018). blavaan: модели байесовских структурных уравнений с помощью расширения параметров. Дж. Стат. ПО 85, 1–30.

    Академия Google

    Мутен Л.К. и Мутен Б.О. (1998–2017). Руководство пользователя Mplus , 8-е изд. Лос-Анджелес, Калифорния: Мутен и Мутен.

    Академия Google

    Невитт, Дж., и Хэнкок, Г.Р. (2004). Оценка подходов с небольшими выборками для статистики тестов моделей при моделировании структурными уравнениями. Мультивар. Поведение Рез. 39, 439–478. дои: 10.1207/S15327906MBR3903_3

    Полнотекстовая перекрестная ссылка | Академия Google

    Полсон, Н.Г., и Скотт, Дж.Г. (2012). На полуприор Коши для параметра глобальной шкалы. Байесовский анализ. 7, 887–902. дои: 10.1214/12-ba730

    Полнотекстовая перекрестная ссылка | Академия Google

    Смид, С. К., Депаоли, С., и ван де Шут, Р. (2019a). Прогнозирование дальней переменной результата на основе модели латентного роста: машинное обучение в сравнении с байесовской оценкой. Структура. Экв. Моделирование 27, 1–23. дои: 10.1080/10705511.2019.1604140

    Полнотекстовая перекрестная ссылка | Академия Google

    Смид, С. К., Макниш, Д., Миочевич, М., и ван де Шут, Р. (2019b).Байесовская и частотная оценка для моделей структурных уравнений в условиях небольшой выборки: систематический обзор. Структура. Экв. Моделирование 27, 1–31. дои: 10.1080/10705511.2019.1577140

    Полнотекстовая перекрестная ссылка | Академия Google

    Команда разработчиков Стэна (2017). Язык моделирования Stan: руководство пользователя и справочное руководство. Версия 2.17.0. Команда разработчиков Стэна. дои: 10.1080/10705511.2015.1044653

    Полнотекстовая перекрестная ссылка | Академия Google

    Цай, М.-Y., и Сяо, С.К. (2008). Вычисление эталонного байесовского вывода для компонентов дисперсии в лонгитюдных исследованиях. Вычисл. Стат. 23, 587–604. doi: 10.1007/s00180-007-0100-x

    Полнотекстовая перекрестная ссылка | Академия Google

    ван де Шут, Р., Броер, Дж. Дж., Перрик, К. Х., Зондерван-Цвейненбург, М., и ван Лоей, Н. Э. (2015). Анализ небольших наборов данных с использованием байесовской оценки: случай симптомов посттравматического стресса после искусственной вентиляции легких у выживших после ожогов. евро. Дж. Психотравматол. 6:25216. дои: 10.3402/ejpt.v6.25216

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    ван де Шут, Р., Сийбрандий, М., Депаоли, С., Винтер, С. Д., Олф, М., и Ван Лои, Н. Э. (2018). Байесовский анализ траектории посттравматического стрессового расстройства с информированными априорными данными, основанный на систематическом поиске литературы и опросе экспертов. Мультивар. Поведение Рез. 53, 267–291. дои: 10.1080/00273171.2017.1412293

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    ван де Шут, Р., Винтер С., Райан О., Зондерван-Звейненбург М. и Депаоли С. (2017). Систематический обзор байесовских работ по психологии: последние 25 лет. Психология. Методы 22, 217–239. doi: 10.1037/met0000100

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    ван Эрп, С. Дж., Малдер, Дж., и Оберски, Д. Л. (2018). Предварительный анализ чувствительности при моделировании байесовского структурного уравнения по умолчанию. Психология. Методы 23, 363–388. дои: 10.1037/met0000162

    Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

    Ватс, Д., Флегал, Дж. М., и Джонс, Г. Л. (2019). Многомерный выходной анализ для цепи Маркова методом Монте-Карло. Биометрика 106, 321–337. doi: 10.1093/biomet/asz002

    Полнотекстовая перекрестная ссылка | Академия Google

    Вагенмакерс, Э.-Дж., Ли, М., Лодевикс, Т., и Айверсон, Г.Дж. (2008). «Байесовский вывод против частотного вывода», в Статистика социальных и поведенческих наук . Байесовская оценка информативных гипотез , редакторы Х. Хойтинк, И. Клагкист и П.Боэлен (Нью-Йорк, штат Нью-Йорк: Springer-Verlag), 181–207. дои: 10.1007/978-0-387-09612-4_9

    Полнотекстовая перекрестная ссылка | Академия Google

    Цицманн, С., и Хехт, М. (2019). Выходя за рамки сходимости в байесовской оценке: почему важна точность и как ее оценить. Структура. Экв. Моделирование 26, 646–661. дои: 10.1080/10705511.2018.1545232

    Полнотекстовая перекрестная ссылка | Академия Google

    Цицманн С., Людтке О., Робич А. и Хехт М. (2020). О эффективности байесовских подходов в небольших выборках: комментарий к Smid, McNeish, Mioèeviæ и van de Schoot (2020). Структура. Экв. Моделирование 1–11. doi: 10.1080/10705511.2020.1752216 [Epub перед печатью].

    Полнотекстовая перекрестная ссылка | Академия Google

    Зондерван-Звейненбург, М., Петерс, М., Депаоли, С., и Ван де Шут, Р. (2017). Откуда берутся приоры? Применение руководящих принципов для построения информативных априорных исследований в исследованиях с небольшой выборкой. Рез. Гум. Дев. 14, 305–320. дои: 10.1080/15427609.2017.1370966

    Полнотекстовая перекрестная ссылка | Академия Google

    Влияние выигрышей и априорных вероятностей на показатели производительности и точки отсечки в памяти распознавания

  1. Иган, Дж.стр. Память распознавания и рабочая характеристика . (Технический представитель № AFCRC-TN-S8-51, AD-152650) Университет Индианы. Лаборатория слуха и общения. 1958.

  2. Андерсон, Дж. Р. Язык, память. и подумал . Хиллсдейл, Нью-Джерси: Erlbaum, 1976.

    . Google ученый

  3. Крейг А. Распознавание сигналов и правило обнаружения совпадения вероятностей. Восприятие и психофизика .1976 20 , 157–162.

    Артикул Google ученый

  4. Creelman, C.D., &Donaldson, W. ROC-кривые для различения линейной протяженности. Журнал экспериментальной психологии . 1968, 77 , 514–516.

    Артикул пабмед Google ученый

  5. Дорфман Д. Д. Согласование вероятностей при обнаружении сигналов. Псвхономтк Наука .1969, 17 , 103.

    Google ученый

  6. Эстес, В.К., и ДаПолито, Ф. Независимая вариация процессов хранения и поиска информации в парно-ассоциированном обучении. Журнал экспериментальной психологии , 1967, 75 , 18–26.

    Артикул пабмед Google ученый

  7. Галантер Э. Психологические механизмы принятия решений и восприятие.В EC Carterette & MP Friedman (Eds.), Справочник по восприятию (Том 2). Нью-Йорк: Academic Press, 1974.

    . Google ученый

  8. Грин, Д. М., и Моисей, Ф. Л. Об эквивалентности двух мер распознавания кратковременной памяти. Психологический бюллетень , 1966, 66 , 228–234.

    Артикул пабмед Google ученый

  9. Хили, А.F., &Jones, C. Изменение критерия при воспоминании. Психологический бюллетень , 1973, 79 , 335–340,

    Статья Google ученый

  10. Хили, А. Ф., и Джонс, К. Могут ли испытуемые поддерживать постоянный критерий в задаче на память? Память и познание , 1975, 3 , 233–238.

    Google ученый

  11. Хили, А. Ф., и Кубови, М.Сравнение памяти распознавания с числовым решением: как предшествующие вероятности влияют на точку отсечки. Память и познание , 1977, 5 , 3–9.

    Google ученый

  12. Кинч, В. Модели для бесплатного отзыва и распознавания. В Д. А. Норман (ред.), 92 153 Модели человеческой памяти 92 154. Нью-Йорк: Academic Press, 1970.

    . Google ученый

  13. Кранц Д.H. Пороговые теории обнаружения сигналов. Психологический обзор , 1969, 76 , 308–324.

    Артикул пабмед Google ученый

  14. Кубови М. Возможная основа консерватизма в задачах обнаружения сигналов и вероятностной категоризации. Восприятие и психофизика , 1977, 22 , 277–281.

    Артикул Google ученый

  15. Кубовый М., & Хили, А. Ф. Правило принятия решения в вероятностной категоризации: что это такое и как его изучить. Journal of Experimental Psychology: General , 1977, 106 , 427–446.

    Артикул Google ученый

  16. Кубови М. и Хили А. Ф. Модели процессов вероятностных решений по категоризации. В T. Wallsten (Ed.), Когнитивные процессы в выборе и принятии решений . Хиллсдейл, Нью-Джерси: Эрлбаум, в печати.

  17. Люс, Р. Д. Пороговая теория для простых экспериментов по обнаружению. Психологический обзор , 1963, 70 , 61–79.

    Артикул пабмед Google ученый

  18. Мостеллер Ф. и Тьюки Дж. В. Анализ данных и регрессия: второй курс статистики . Рединг, Массачусетс: Аддисон-Уэсли, 1977.

    Google ученый

  19. Мердок, Б.Б., младший. Теория обнаружения сигналов и кратковременная память. Журнал экспериментальной психологии , 1965, 70 , 443–447.

    Артикул пабмед Google ученый

  20. Мердок Б.Б. мл. Человеческая память: теория и данные . Потомак, штат Мэриленд: Erlbaum, 1974.

    Google ученый

  21. Паркс, Т. Е. Теория обнаруживаемости сигналов для характеристик памяти распознавания. Психологический обзор , 1966, 73 , 44–58.

    Артикул пабмед Google ученый

  22. Сперлинг Г. и Мельхнер М. Дж. Оценка товара и информация о заказе. Журнал математической психологии , 1976. 13 , 192–213.

    Артикул Google ученый

  23. Свэтс, Дж. А., Таннер, В. П., младший, и Бердсолл, Т. Г. Процессы принятия решений в восприятии. Психологический обзор , 1961, 68 , 301–340.

    Артикул пабмед Google ученый

  24. Томас, Э.А.К., и Легге, Д. Сопоставление вероятностей как основа для принятия решений об обнаружении и распознавании. Психологический обзор , 1970, 77 , 65–72.

    Артикул Google ученый

  25. Талвинг Э. и Томсон Д. М. Специфичность кодирования и процессы поиска в эпизодической памяти. Psychological Review , 1973, 80 , 352–373.

    Артикул Google ученый

  26. Улехла, З. Дж. Оптимальность перцептивных критериев принятия решений. Журнал экспериментальной психологии , 1966, 71 , 564–569.

    Артикул пабмед Google ученый

  27. Повышение производительности моделей глубокого обучения с помощью аксиоматических априорных значений атрибуции и ожидаемых градиентов

  28. Лундберг, С.М. и Ли, С.-И. Единый подход к интерпретации прогнозов модели. В Достижения в системах обработки нейронной информации Vol. 30, 4765–4774 (NeurIPS, 2017).

  29. Сундарараджан, М., Тали, А. и Ян, К. Аксиоматическая атрибуция для глубоких сетей. В Proc. 34-я Международная конференция по машинному обучению Vol. 70, 3319–3328 (Журнал исследований машинного обучения, 2017 г.).

  30. Штрумбель, Э. и Кононенко, И. Объяснение моделей прогнозирования и индивидуальных прогнозов с вкладом признаков. Знай. Инф. Сист. 41 , 647–665 (2014).

    Артикул Google ученый

  31. Датта, А., Сен, С. и Зик, Ю. Алгоритмическая прозрачность через количественное входное влияние: теория и эксперименты с обучающимися системами. В 2016 IEEE Symposium on Security and Privacy (SP) 598–617 (IEEE, 2016).

  32. Лундберг, С. М. и др. От локальных объяснений к глобальному пониманию с помощью объяснимого ИИ для деревьев. Нац. Мах. Интел. 2 , 56–67 (2020).

    Артикул Google ученый

  33. Лундберг, С. М. и др. Объяснимые прогнозы машинного обучения для предотвращения гипоксемии во время операции. Нац. Биомед. англ. 2 , 749–760 (2018).

    Артикул Google ученый

  34. Sayres, R. et al. Использование алгоритма глубокого обучения и объяснения интегрированных градиентов для помощи в оценке диабетической ретинопатии. Офтальмология 126 , 552–564 (2019).

    Артикул Google ученый

  35. Zech, J. R. et al. Переменная эффективность обобщения модели глубокого обучения для выявления пневмонии на рентгенограммах грудной клетки: перекрестное исследование. PLoS Мед. 15 , e1002683 (2018).

    Артикул Google ученый

  36. Росс, А. С., Хьюз, М.К. и Доши-Велес, Ф. Правильно по правильным причинам: обучение дифференцируемых моделей путем ограничения их объяснений. В Proc. 26-я Международная объединенная конференция по искусственному интеллекту 2662–2670 (IJCAI, 2017).

  37. Schramowski, P. et al. Делаем глубокие нейронные сети правильными по правильным научным причинам, взаимодействуя с их объяснениями. Нац. Мах. Интел. 2 , 476–486 (2020).

    Артикул Google ученый

  38. Ильяс А.и другие. Состязательные примеры — это не баги, это фичи. В Достижения в системах обработки нейронной информации Vol. 32 (НейрИПС, 2019).

  39. Лю, Ф. и Авчи, Б. Включение априорных данных с атрибуцией признаков в классификацию текстов. В Proc. 57-го ежегодного собрания Ассоциации компьютерной лингвистики (ACL) 6274–6283 (2019).

  40. Чен Дж., Ву X., Растоги В., Лян Ю. и Джа С. Надежная регуляризация атрибуции.В Достижения в системах обработки нейронной информации Vol. 32 (НейрИПС, 2019).

  41. Ригер, Л., Сингх, К., Мердок, У. Дж. и Ю, Б. Интерпретации полезны: наказывающие объяснения, чтобы привести нейронные сети в соответствие с предшествующими знаниями. В Proc. 37-я Международная конференция по машинному обучению (ред. Дауме III, Х. и Сингх, А.) 8116–8126 (ICML, 2020).

  42. LeCun, Y., Cortes, C. & Burges, C. База данных рукописных цифр MNIST (AT&T Labs) http://yann.lecun.com/exdb/mnist (2010)

  43. Ю, Ф., Сюй, З., Ван, Ю., Лю, К. и Чен, X. К надежному обучению нейронных сетей путем регуляризации состязательных градиентов. Препринт на https://arxiv.org/abs/1805.09370 (2018).

  44. Якубовиц Д. и Гириес Р. Повышение устойчивости DNN к атакам злоумышленников с использованием регуляризации Якоби. В Proc. Европейская конференция по компьютерному зрению (ECCV) (ред. Феррари, В., Хеберт, М., Сминчисеску, К. и Вайс, Ю.) 514–529 (ECCV, 2018).

  45. Рот, К., Лучки, А., Новозин, С. и Хофманн, Т. Надежное обучение с помощью структурированной градиентной регуляризации. Препринт на https://arxiv.org/abs/1805.08736 (2018).

  46. Selvaraju, R. R. et al. Grad-CAM: визуальные объяснения из глубоких сетей с помощью локализации на основе градиента. В Proc. Международная конференция IEEE по компьютерному зрению 618–626 (IEEE, 2017 г.).

  47. Росс, А. С. и Доши-Велес, Ф.Улучшение состязательной устойчивости и интерпретируемости глубоких нейронных сетей путем регуляризации их входных градиентов. В Тридцать вторая конференция AAAI по искусственному интеллекту Vol. 32 1 (АААИ, 2018).

  48. Смилков, Д., Торат, Н., Ким, Б., Вьегас, Ф. и Ваттенберг, М. Smoothgrad: удаление шума путем добавления шума. Препринт на https://arxiv.org/abs/1706.03825 (2017).

  49. Фонг, Р. К. и Ведальди, А. Интерпретируемые объяснения черных ящиков с помощью значимого возмущения.В Proc. Международная конференция IEEE по компьютерному зрению 3429–3437 (IEEE, 2017 г.).

  50. Крижевский А. и др. Изучение нескольких уровней функций из крошечных изображений Технический отчет (Citeseer, 2009 г.).

  51. Симонян К. и Зиссерман А. Очень глубокие сверточные сети для крупномасштабного распознавания изображений. В 3-я Международная конференция по представлениям обучения (под редакцией Бенжио, Ю. и ЛеКун, Ю.) (ICLR, 2015).

  52. Рехт, Б., Рулофс Р., Шмидт Л. и Шанкар В. Обобщаются ли классификаторы ImageNet на ImageNet? Проц. 36-й Международной конференции по машинному обучению Vol. 97, 5389–5400 (ПМЛР, 2019).

  53. Ципрас Д., Сантуркар С., Энгстром Л., Тернер А. и Мадри А. Надежность может противоречить точности. В 7-й Международной конференции по образовательным представлениям (ICLR, 2019).

  54. Zhang, H. et al. Теоретически принципиальный компромисс между надежностью и точностью.В Proc. 36-я Международная конференция по машинному обучению Vol. 97, 7472–7482 (ПМЛР, 2019).

  55. Cheng, W., Zhang, X., Guo, Z., Shi, Y. & Wang, W. Регулируемое графом двойное лассо для надежного сопоставления eQTL. Биоинформатика 30 , i139–i148 (2014).

    Артикул Google ученый

  56. Tyner, J. W. et al. Функциональный геномный ландшафт острого миелоидного лейкоза. Природа 562 , 526–531 (2018).

    Артикул Google ученый

  57. Greene, C.S. et al. Понимание многоклеточных функций и заболеваний с помощью сетей, специфичных для тканей человека. Нац. Жене. 47 , 569–576 (2015).

    Артикул Google ученый

  58. Кипф, Т. Н. и Веллинг, М. Полууправляемая классификация с использованием графовых сверточных сетей. В 5-я Международная конференция по образовательным представлениям (ICLR, 2017).

  59. Субраманиан, А. и др. Анализ обогащения набора генов: основанный на знаниях подход к интерпретации профилей экспрессии всего генома. Проц. Натл акад. науч. США 102 , 15545–15550 (2005 г.).

    Артикул Google ученый

  60. Benjamini, Y. & Hochberg, Y. Контроль частоты ложных открытий: практичный и мощный подход к множественному тестированию. JR Stat. соц. B 57 , 289–300 (1995).

    MathSciNet МАТЕМАТИКА Google ученый

  61. Лю, Дж. и др. Meis1 имеет решающее значение для поддержания клеток острого миелоидного лейкоза человека независимо от перестроек MLL. Энн. Гематол. 96 , 567–574 (2017).

    Артикул Google ученый

  62. Valk, P.J.M. et al. Прогностически полезные профили экспрессии генов при остром миелоидном лейкозе. Н. англ. Дж. Мед. 350 , 1617–1628 (2004).

    Артикул Google ученый

  63. Фенг Дж. и Саймон Н. Нейронные сети с разреженным входом для многомерной непараметрической регрессии и классификации. Препринт на https://arxiv.org/abs/1711.07592 (2017).

  64. Скардапан С., Комминиелло Д., Хуссейн А. и Унчини А. Групповая разреженная регуляризация для глубоких нейронных сетей. Нейрокомпьютинг 241 , 81–89 (2017).

    Артикул Google ученый

  65. Росс А., Лаге И. и Доши-Велес Ф. Нейронное лассо: локальная линейная разреженность для интерпретируемых объяснений. Семинар по прозрачному и интерпретируемому машинному обучению в средах, критически важных для безопасности, 31-я конференция по системам обработки нейронной информации (2017).

  66. Шрикумар, А., Гринсайд, П. и Кундадже, А. Изучение важных функций путем распространения различий в активации.В про. 34-я Международная конференция по машинному обучению Vol. 70, 3145–3153 (Журнал исследований машинного обучения, 2017 г.).

  67. Херли Н. и Рикард С. Сравнение показателей разреженности. IEEE Trans. Инф. Теория 55 , 4723–4741 (2009).

    MathSciNet Статья Google ученый

  68. Зонуби, Д., Кассим, А. А. и Венкатеш, Ю. В. Индекс Джини как мера разреженности для восстановления сигнала из сжатых образцов. IEEE J. Сел. Верхняя. Сигнальный процесс. 5 , 927–932 (2011).

    Артикул Google ученый

  69. Миллер, Х.В. 79-55071 (PHS) (Департамент здравоохранения, образования и социального обеспечения, 1973 г.).

  70. Биндер А., Монтавон Г., Лапушкин С., Мюллер К.-Р. & Самек, В. Послойное распространение релевантности для нейронных сетей с локальными слоями перенормировки.В Международной конференции по искусственным нейронным сетям (ред. Вилла, А.Е.П., Масулли, П. и Риверо, А.Дж.П.) 63–71 (Springer, 2016).

  71. Фридман, Э. Дж. Пути и последовательность в дополнительном разделении затрат. Междунар. Дж. Теория игр 32 , 501–518 (2004).

    MathSciNet Статья Google ученый

  72. Чжан, Х., Сиссе, М., Дофин, Ю. Н. и Лопес-Пас, Д. Путаница: за пределами минимизации эмпирического риска.В 6-я Международная конференция по образовательным представлениям (ICLR, 2018).

  73. Бардсли, Дж. М. Инкременты, распределенные по Лапласу, априор Лапласа и регуляризация с сохранением ребер. J. Обратная некорректная задача . 20 , 271–285 (2012).

    MathSciNet Статья Google ученый

  74. Абади, М. и др. Tensorflow: система для крупномасштабного машинного обучения. В 12-й симпозиум USENIX по проектированию и внедрению операционных систем (OSDI ’1 6) 265–283 (2016).

  75. Лу, Ю., Цзэн, Т., Ошер, С. и Синь, Дж. Взвешенная разность анизотропной и изотропной модели полной вариации для обработки изображений. SIAM J. Imaging Sci. 8 , 1798–1823 (2015).

    MathSciNet Статья Google ученый

  76. Ши, Ю. и Чанг, К. Эффективный алгоритм изотропного и анизотропного устранения размытия и шумоподавления с полным изменением. J. Appl. Математика . 2013 , 797239 (2013).

    MathSciNet МАТЕМАТИКА Google ученый

  77. Лю, С. и Дэн, В. Очень глубокая классификация изображений на основе сверточной нейронной сети с использованием небольшого размера обучающей выборки. В 2015 г. 3-я Азиатская конференция IAPR по распознаванию образов (ACPR) 730–734 (IEEE, 2015).

  78. Сривастава Н., Хинтон Г., Крижевский А., Суцкевер И. и Салахутдинов Р. Выпадение: простой способ предотвращения переобучения нейронных сетей. Дж. Маха. Учить. Рез. 15 , 1929–1958 (2014).

    MathSciNet МАТЕМАТИКА Google ученый

  79. Кингма, Д. П. и Ба, Дж. В 3-я Международная конференция по образовательным представлениям (под редакцией Бенжио, Ю. и Лекуна, Ю.) (ICLR, 2015).

  80. Виртанен, П. и др. SciPy 1.0: фундаментальные алгоритмы научных вычислений на Python. Нац. Методы 17 , 261–272 (2020).

    Артикул Google ученый

  81. Preuer, K. et al. DeepSynergy: предсказание синергии противораковых препаратов с глубоким обучением. Биоинформатика 34 , 1538–1546 (2018).

    Артикул Google ученый

  82. Тибширани, Р. Регрессионное сокращение и отбор с помощью лассо. JR Stat. соц. B 58 , 267–288 (1996).

    MathSciNet МАТЕМАТИКА Google ученый

  83. Педрегоса, Ф.и другие. Scikit-learn: машинное обучение на Python. Дж. Маха. Учить. Рез. 12 , 2825–2830 (2011).

    MathSciNet МАТЕМАТИКА Google ученый

  84. Лундберг, С. М. и др. Объяснимый ИИ для деревьев: от локальных объяснений к глобальному пониманию. Препринт на https://arxiv.org/abs/1905.04610 (2019).

  85. Штурмфельс, П., Эрион, Г. и Янизек, Дж. Д. suinleelab/attributionpriors: Nature Machine Intelligence, код . Зенодо https://doi.org/10.5281/zenodo.4608599 (2021).

  86. Когда характеристики истца и предыдущие результаты деятельности позволяют предсказать бюрократическую ошибку – отпечаток пальца – Университет Йонсей

    Когда характеристики истца и предыдущая деятельность предсказывают бюрократическую ошибку — отпечаток пальца — Университет Ёнсе
    • Сортировать по
    • Масса
    • По алфавиту

    Бизнес и экономика

    • Представление 83%
    • Страхование по безработице 79%
    • Показатели эффективности 24%
    • Бюрократы 21%
    • предикторы 17%
    • Безработица 17%
    • Государственное управление 17%
    • Сотрудники 16%
    • Менеджеры 15%
    • Обязанность 11%
    • Образование 10%

    Общественные науки

    • представление 100%
    • страхование по безработице 95%
    • страховая выплата 24%
    • Государственное управление 15%
    • управляющий делами 11%
    • работник 11%
    • обязанность 9%
    • недостаток 8%
    • управление 8%
    • литература 6%
    • опыт 5%
    • образование 5%

    Оценка закупок, основанная на ценности больницы, тесно связана с оценкой предыдущего года и организационными характеристиками | Чен

    Оценка закупок, основанная на ценности больницы, тесно связана с оценкой предыдущего года и организационными характеристиками

    Алисса С.Чен, Кэролайн Хасси, Ли Ревир, Джон Лардж, Мария Уканова


    Аннотация

    Задача : Программа закупок на основе стоимости больниц (HVBP) Medicare вознаграждает больницы, достигшие общего балла эффективности (TPS) выше среднего. В этой статье исследуется взаимосвязь между характеристиками больницы и общей оценкой эффективности (TPS) за предыдущий год по TPS за текущий год в рамках программы Medicare’s Hospital Value Based Purchasing (HVBP).


    Методы: Регрессионный анализ используется для исследования взаимосвязи между TPS предыдущего года и организационными характеристиками TPS текущего года.


    Результаты: Регрессионный анализ показывает, что определенные географические местоположения, меньший размер койки и более низкий процент непропорциональной доли больниц (DSHPCT) приводят к значительно более высокому TPS как в 2015, так и в 2016 финансовом году. Преподавательский статус связан с более высокими баллами в 2015 финансовый год и более низкие оценки в 2016 финансовом году. Кроме того, TPS предыдущего года является важным предиктором TPS текущего года.


    Выводы: Результаты показывают, что эффективность HVBP зависит от организационных характеристик, которые могут иметь мало общего с качеством или стоимостью медицинской помощи.Кроме того, результаты показывают, что результаты HVBP за предыдущий год являются самым сильным предиктором будущих результатов, что может помешать больницам с низкими показателями добиться успеха в будущем, несмотря на значительный выигрыш в улучшении затрат и качества.


    DOI: https://doi.org/10.5430/jha.v8n1p50

    Рефбеки

    • В настоящее время нет рефбеков.

    Journal of Hospital Administration

    ISSN 1927-6990 (печатная версия) ISSN 1927-7008 (онлайн)

    Copyright © Sciedu Press
    Чтобы убедиться, что вы можете получать сообщения от нас, добавьте «Sciedupress.com» в «безопасный список» вашей электронной почты. Если вы не получаете сообщения электронной почты в папку «Входящие», проверьте папки «Массовая почта» или «Нежелательная почта».

    Добавить комментарий

    Ваш адрес email не будет опубликован.