1,哮喘与元数据之间的数学模型（例如，哮喘与年龄，性别和肥胖(BMI)的相关性等）。 2, 哮喘与身体检查参数之间的数学模型（例如，通气功能参数对哮喘预测价值的排序，是否存在一定特征的亚组使得模型预测能够达到最佳值等）。 3, 联合元数据和身体检查参数建立数学模型并与前两个模型进行分析比较(例如，联合模型能否提高预测价值，如何实现最优并尝试从多角度进行交叉验证等)。

对于你的第一个问题，有关哮喘与元数据之间的数学模型，我们可以使用统计学方法，例如回归分析来探索这些相关性。我们可以收集一组哮喘患者的数据，包括他们的年龄、性别、肥胖指数(BMI)等相关信息，然后使用回归模型来分析这些因素与哮喘的关联。

在回归分析中，我们可以将哮喘作为因变量，而年龄、性别、BMI等作为自变量，通过计算相关系数和回归系数来评估它们之间的关系强度和影响程度。通过统计显著性检验，我们可以确定哪些因素对哮喘具有统计上显著的影响。

对于你的第二个问题，建立哮喘与身体检查参数之间的数学模型可以有多种方法。例如，我们可以使用机器学习算法，如支持向量机(SVM)、随机森林(Random Forest)等，来训练一个分类模型来预测哮喘发作的可能性。

在这种情况下，我们需要收集一组哮喘患者的身体检查参数数据，例如通气功能参数（如峰流速、呼气流速等），并将其与哮喘发作的发生与否进行关联。通过训练模型，我们可以评估不同身体检查参数对于哮喘预测价值的排序，并确定哪些参数对于预测哮喘发作具有更高的重要性。

对于你的第三个问题，建立联合模型可以结合元数据和身体检查参数，以提高哮喘预测价值。这可以通过将元数据和身体检查参数作为输入特征来训练一个更复杂的模型来实现。例如，我们可以使用深度学习模型，如神经网络，来同时考虑这两类特征。

通过比较联合模型与单独模型的预测效果，我们可以评估联合模型是否能够提高预测价值。此外，我们还可以使用交叉验证等方法来对模型进行评估和验证，以确保其在不同数据集上的稳定性和泛化能力。

需要注意的是，以上提到的方法仅仅是展示了一些可能的数学模型和分析方法，具体的建模过程和选择方法需要根据实际数据和研究目的进行进一步的探索和决策。