一种离散纵向数据相依结构建模的Cholesky因子模型

对一类响应变量为离散型的平衡或非平衡纵向数据,提出了均值-相关系数联合回归模型框架,并且使用Cholesky分解方法对模型的相关结构进行参数化,使其具有良好的统计解释性.为了解决似然推断中高维积分计算的难题,提出了一种高效的蒙特卡罗期望最大化(MCEM)算法,并证明了参数估计的渐近性质.模拟实验和实际数据分析表明提出的方法是高度有效的.

时序相依数据的一种基于约束Cholesky分解的简约Gauss copula建模方法

对具有时序相依性的离散数据,本文从隐变量的角度使用Gauss copula建模.不同于现有方法,本文对协方差提出一种新的约束以实现Gauss copula模型的可识别性,并基于此提出一个新的隐变量框架对隐Gauss变量的方差和协方差进行简约建模,从而将基于修正的Cholesky分解的联合建模方法推广到广义线性模型中,建立相应的理论性质.模拟和实际数据分析验证了所提出方法的性能.