基于在线更新的线性混合效应模型的参数估计

本文考虑在线更新数据集下线性混合效应模型的参数估计问题,提出了对应的在线更新估计方法,并证明了所得估计量的相合性.通过数值模拟发现,在不同的参数设置下,该方法的表现良好.将该方法与全局估计进行对比发现,虽然该方法在估计误差方面的表现不如全局估计,但是该方法能适用于在线更新数据集的情形,且大大降低了估计量的估计时间,以及估计时对计算机存储性能与计算性能的要求.

基于正交投影的线性混合效应模型的弹性网变量选择

本文考虑线性混合效应模型的变量选择问题.通过结合QR分解和弹性网惩罚方法,提出了一种线性混合效应模型中固定效应的变量选择方法.先通过QR分解技术消除随机效应对模型的影响,再利用弹性网构造固定效应的惩罚最小二乘目标函数,从而同时进行回归系数的估计和变量选择,证明了所得估计的组效应性质.所提出的变量选择过程不仅可以将固定效应和随机效应分离,使得两者之间互不影响,而且拥有弹性网方法的组效应性质.模拟研究了所提出方法的有限样本性质.

广义线性混合效应模型及其应用

[目的]探讨广义线性混合效应模型在医学研究领域中的应用。[方法]通过实例分析说明模型的实际应用。[结果]将实例中的多中心临床实验数据中不能直观观测到的中心的效应以随机效应项纳入模型来解决由于来自同一中心可能造成的观测间不独立的问题,模型很好地处理了此类数据。[结论]广义线性混合效应模型可以分析观测间相关、因变量为非正态分布的非独立数据。

置信区间宽度等高线图在线性混合效应模型样本量规划中的应用

线性混合效应模型在分析具有嵌套结构的心理学实验数据时具有明显优势。本文提出了置信区间宽度等高线图用于该模型的样本量规划。通过等高线图,确定同时符合检验力、效应量准确性以及置信区间宽度要求的被试量和试次数。结合关注被试内实验效应和被试变量调节效应的两类典型模型,通过两个模拟研究,采用基于蒙特卡洛模拟方法,探索效应量、随机效应大小和被试变量类型对置信区间宽度等高线图及样本量规划结果的影响。

含竞争指标的广义可加混合效应树高-胸径模型

广义可加混合效应模型(GAMM)兼具参数模型与非参数模型的优点,同时适于处理多层次分组数据。通过运用广义可加混合效应模型模拟胸径及树高之间关系,加入竞争因子作为辅助变量,并与传统非线性混合效应模型进行比较,能够为建立树高曲线及提高模型精度提供新方法。根据吉林省汪清林业局金沟岭林场2块100 m×100 m次生混交林样地中的实测单木数据,按照7∶3比例随机划分建模与验证数据。随机效应设定为林木分级,辅助变量选择大于对象木胸高断面积之和(B_(AL))或简单竞争指数(Hegyi指数,H_(EG)),根据随机效应的设定位置共构建15个广义可加混合效应模型,对照模型以Logistic及Richard方程为基础模型,共构建6个非线性混合效应树高-胸径模型。结果表明:所有广义可加混合效应模型均能较好地描述自变量与树高之间的关系,决定系数(R^(2))为0.8897~0.8998,相对均方根误差(R_(RMSE))为17.87%~18.74%,平均绝对误差(M_(AE))为1.7881~1.8745 m,赤池信息量(A_(IC))为4120.42~4162.23,均优于相同自变量下的非线性混合模型,R^(2)平均提高0.005,相对均方根误差、平均绝对误差、赤池信息量分别平均降低0.46%、0.0587 m、41.49。对于验证数据的预测可以看出,模型5具有最小的预测相对均方根误差,为20.28%,同时具有最小的预测平均绝对误差,为2.1038 m。但部分广义可加混合效应模型的预测表现略差于非线性混合模型。综合考虑参数与非参数估计显著性、模型估计精度及预测能力,所有模型中的最优模型为模型5,即以B_(AL)为辅助变量,考虑唯一全局平滑函数并以具有相同扭曲程度的分组水平平滑函数为基础添加随机效应。竞争因子选择B AL作为辅助变量能够提升树高模型的精度,而选择Hegyi指数为辅助变量的促进效果不明显。研究建立的广义可加混合效应树高胸径模型相较于传统非线性混合效应模型具有更高的估计精度及预测效果,B AL适宜作为树高模型的辅助变量来反映林木竞争状况的影响。

非线性混合效应模型和广义线性模型拟合随机效应logistic回归的应用比较

在临床药物试验中药物疗效的评价经常遇到二分类资料,即反应变量有两个水平如有效、无效;成功、失败等。二分类变量服从二项分布,可采用logistic回归模型。运用logistic回归模型对分类资料进行分析,能给实际研究带来很多便利。与多元线性回归相比,logistic回归具有许多独特的优点,如对正态性和方差齐性不做要求,系数的可解释性等。

基于SAS NLMIXED的广义线性混合效应模型在发病率数据Meta分析中的应用

目的:介绍利用SAS软件中的PROC NLMIXED过程步实现发病率数据的META分析方法。方法:基于广义线性混合效应模型(GLMM)的二项式-正态模型(BN)和泊松-正态模型(PNM)等,可方便地实现发病率数据的随机效应Meta分析,尤其当Meta分析纳入含0事件研究时。以Schutz等发表的血管内皮生长因子受体酪氨酸激酶抑制剂治疗的癌症患者发生致命不良事件风险的系统评价作为实例数据,利用SAS软件实现发病率数据的META分析,并提供编程代码。结果:对于含0事件研究,使用PNM模型进行Meta分析,无需进行连续校正法。删除0事件研究对于PNM模型影响较大。与标准正态模型相比,PNM和BNM模型给出的效应值更高,而P值则更小,具有更好的灵敏性。结论:基于广义线性混合效应模型,利用SAS的PROCNLMIXED实现发病率数据Meta分析是优选的方法。

广义线性混合效应模型在分类重复测量资料中的应用

目的探讨分类重复测量资料广义线性混合效应模型(GLMMs)建模及SAS8.0的GLIMMIX宏实现。方法利用GLIMMIX宏ERROR和LINK语句来指示反应变量的分布及连接函数,通过REPEATED和RANDOM语句的TYPE选项选择合适的方差-协方差结构矩阵来模拟数据的相关性,采用基于线性的伪似然函数进行模型参数估计。结果GLMMs是在广义线性固定效应模型的基础上引入随机效应,反应变量可以是指数家族中任意分布(连续分布包括正态分布,beta分布,卡方分布等;离散分布包括二项分布,泊松分布,负二项分布等),可以通过连接函数将观测的均数向量与模型参数联系起来,根据重复测量资料的特点选择合适的方差-协方差结构矩阵。结论GLMMs应用范围广,建模灵活,可以为相关或非常量方差数据建模,能提供客观正确的统计结论。

广义非线性混合效应模型的变离差检验

应用混合效应方法研究了广义族非线性模型的变离差检验问题 .对离散和连续两类指数族分布 ,提出了若干有效的检验统计量 .所有统计量都可用简单、便于计算的矩阵公式来表示 。

半参数广义线性混合效应模型的估计及其渐近性质

半参数广义线性混合效应模型在心理学、生物育种、医学等领域有广泛的应用.Zhang(1998)用最大惩罚似然函数的方法(MPLE)对模型的参数和非参数部分进行了估计,然而Zhang(1998)MPLE方法只适用于正态数据模型.对于泊松等常用的模型,通常的方法是将随机效应看作缺失数据,再引入EM算法.本文基于McCulloch(1997)提出的MCNR算法,将此算法推广到半参数广义线性混合效应模型中并得到相应的估计算法.对于非参数部分,本文采用P样条拟合并利用GCV方法选取光滑参数,同时证明了所得估计的相合性和渐近正态性.最后,通过模拟和实例与其它算法作比较验证本文估计方法的有效性.

基于广义线性混合效应模型的蒙古栎林单木枯损建模及影响因子分析

[目的]通过基于广义线性混合效应模型的方法,建立枯损模型,提高枯损模拟和预测精度。[方法]以1995年在吉林省布设的295块蒙古栎永久样地作为研究对象,基于logistic回归及广义线性混合效应模型方法,考虑单木、林分、气象及立地等因子对枯损的影响,构建单木水平枯损模型。并与传统广义线性模型方法进行比较,采用验证数据进行精度验证。[结果]表明:与固定效应模型相比,考虑样地水平随机效应后,模型的模拟精度获得极大的提高,并且达到极显著程度;在截距和胸径变量上考虑随机效应的模型模拟精度最高;对单木枯损有重要影响的因子中,林分公顷断面积、林分平均年龄及年平均夏季(5—9月)降水量(MSP)与单木枯损概率呈负相关,大于对象木断面积、林分公顷株数、气象因子中的年平均温度(MAT)及上一年8月至当年7月的降雪量(PAS)与单木枯损概率呈正相关,初始单木胸径对枯损的影响比较复杂,要和其他因子结合起来分析。[结论]甄别影响单木枯损的不同来源及重要影响因素,有助于进一步制定科学的森林经营措施。

半参数广义线性混合效应模型的贝叶斯分析

纵向数据广泛存在于生物医学、遗传学、经济学以及社会管理等多个研究领域,线性混合效应模型是分析上述数据的有效工具。文章提出了一类含有不可忽略缺失数据的半参数广义线性混合效应模型,考虑了该模型的贝叶斯分析及模型选择问题,通过一AIDS研究的实际数据说明方法的应用。

基于线性混合效应模型双惩罚变量选择研究老年人抑郁影响因素

目的应用线性混合效应模型双惩罚变量选择对老年人抑郁量表得分(GDS)进行分析,旨在研究老年人抑郁的主要影响因素。方法数据来源于美国国家阿尔茨海默协作中心,筛选2018—2023年期间连续随访5次以上的165人的830次随访结果。首先构建线性混合效应模型,然后采用双惩罚变量选择方法同时对固定效应和随机效应进行变量选择,利用坐标下降算法寻找最小的BIC、AIC、EBIC、BICC值,从而找到惩罚参数的最佳组合。结果惩罚参数的最佳组合为λ_(1n)=0.07,λ_(2n)=0.03。模型选择出固定效应:自理能力、静息心率、记忆力损伤,估计值分别为0.0574、0.0121、1.6232;性别、生活状况、烟龄、嗜酒等具有随机效应。结论研究结果表明受试者自理能力、静息心率、记忆力损伤与老年抑郁呈正相关,其中记忆力损伤对老年抑郁的影响最大。此外,老年抑郁影响因素存在个体差异性,个体差异性最大的因素是身高和视力损伤。最后针对变量选择结果本文给出了应对和预防老年抑郁的相关建议。

广义线性混合效应模型在临床疗效评价中的应用

目的:探讨临床疗效评价中分类重复测量资料的广义线性混合效应模型(GLMMs)及SAS8.0的GLIMMIX宏实现。方法:利用GLIMMIX宏ERROR和LINK语句来指示疗效指标的分布及连接函数,通过REPEATED和RANDOM语句的TYPE选项选择合适方差-协方差结构矩阵来模拟不同时间疗效指标的相关性,采用基于线性的伪似然函数进行模型参数估计。结果:广义线性混合效应模型允许临床疗效评价指标是指数家族中任意分布(如:连续分布包括正态分布、beta分布、卡方分布等;离散分布包括二项分布、泊松分布、负二项分布等),可以通过连接函数将疗效指标的均数向量与模型参数建立线性关系,简化运算过程。结论:广义线性混合效应模型建模灵活,可为临床疗效评价提供更丰富的信息。

油松树高-胸径非线性混合效应模型的构建

为准确预估油松林木树高生长,探究样地间林分状况差异及样地内观测变量的相关性对树高生长预测的影响,以西宁南北山油松针阔混交林为研究对象,采用2013、2016-2021年的固定样地调查数据,从9个备选树高-胸径模型中选择最优基础模型,根据多元逐步回归结果,加入大于对象木的胸高断面积之和(BAL)、Shannon树种多样指数(H_(ba))、林分总断面积(BA)、坡率和坡向的组合项(SLC)构建广义模型,同时考虑样地水平的随机效应再构建广义混合效应模型,分析比较3种模型,确定最优树高预测模型。结果表明:3种模型的拟合效果和预测精度均表现为广义混合效应模型最优,广义模型次之。广义混合效应模型预测结果表明,树高生长与BAL和H_(ba)呈负相关,与BA和SLC呈正相关;BAL、H_(ba)和SLC对树高预测的影响程度随胸径的增加而增加,BA对树高预测的影响程度随胸径的增加而减小;在胸径≤8 cm时树高增速最快,BAL、H_(ba)、BA越小且SLC越大,树高增速越快。本研究构建的油松树高-胸径广义混合效应模型可为西宁地区及相似生态区油松树高生长预估提供参考。

有序多分类重复测量资料的广义线性混合效应模型分析

目的 探讨广义线性混合效应模型在有序多分类重复测量资料分析中的应用及SAS9.1的GLIMMIX和NLMIXED过程实现.方法 为了评价某新药治疗糖尿病神经病变的临床疗效,采用以安慰剂为对照的随机双盲临床试验.在各个随访时间记录各受试者的神经病变主觉症状总分,并根据减分率评定疗效.建立广义线性混合效应模型,并分别用线性化法和数值法积分近似法进行参数估计,利用SAS中的GLIMMIX和NLMIXED过程得以实现.结果 2种参数估计方法 结果 很接近.疗效的组间差别有统计学意义（P〈0.000 1）,试验组疗效优于安慰剂组;各个疗程间的疗效差别有统计学意义（P〈0.000 1）,且疗程越大疗效越好; 治疗前神经病变主觉症状总分对疗效有影响（P=0.061 3,接近显著性水平）,其值越高,越容易治愈,提示病情严重的患者相比病情轻微的患者治愈效果更好.另外用数值法积分近似法还给出了随机截距和随机斜率的统计显著性检验.结论 采用广义线性混合效应模型对有序多分类重复测量临床资料进行统计分析,可以更客观的进行药物疗效评价.

广义混合Poisson线性模型的贝叶斯推断

该文在贝叶斯框架下研究广义混合Poisson线性模型的变量估计和变量选择问题.首先结合广义Poisson线性模型和GMM模型,构造混合广义Poisson线性模型,并给出似然函数,然后构造未知参数的先验,给出后验似然函数,随后通过后验似然与先验的乘积得到未知参数的满条件分布,用Gibbs算法和M-H抽样算法抽取未知参数得到参数的估计值,并运用二元潜变量标记活跃变量,假设未知先验,给出后验似然,通过Gibbs算法和M-H抽样算法挑选出回归系数,最后进行数值模拟验证贝叶斯估计的有效性和变量选择的准确性.

纵向数据下线性混合效应模型的贝叶斯变量选择

在纵向数据下讨论了如何采用贝叶斯方法将线性混合效应模型分别进行固定效应和随机效应选择的问题。针对固定效应选择,首先给出线性混合模型的似然函数,然后对于固定效应引入Spike-and-Slab混合先验,对于随机效应中的协方差矩阵给定Inverse-Wishart分布先验,运用二元潜变量标记固定效应中的活跃协变量,给出满条件分布及相应的Gibbs抽样算法。针对随机效应选择,采用Cholesky分解对线性混合模型中的协方差矩阵进行重新参数化,从而将随机效应分布的协方差参数函数作为标准正态潜在变量的回归系数,通过为随机效应协方差分解后的参数选择Spike-and-Slab混合先验,利用分层贝叶斯模型识别零方差的随机效应,给出满条件分布以及相应的Gibbs抽样算法。使用模拟数据说明方法的有效性,最后将模型应用于2017年2月至2018年2月的26家上市银行的实际数据,验证了方法的优良性。

基于非线性混合效应的华东地区主要优势树种林分水平树高-胸径模型

【目的】使用非线性混合效应(nonlinear mixed-effects,NLME)方法建立华东地区林分水平树高-胸径模型,提供一个较大地域尺度的林分树高预测工具,并与传统非线性回归方法比较,探索非线性混合效应方法在构建树高-胸径模型上的表现。【方法】基于华东地区7个省级单元国家森林资源连续清查数据,构建主要优势树种哑变量,采用非线性混合效应方法建立林分水平树高-胸径模型。【结果】非线性混合效应方法在训练集与测试集上均表现优秀,训练集R2、均方根误差(RMSE)和平均绝对偏差(MAE)分别为0.678 5、2.396 7 m和1.832 6 m,测试集R2、RMSE与MAE分别为0.673 8、2.352 0 m和1.798 5 m。与不加入随机效应的传统回归方法相比,混合效应模型在训练集中,R2提升了8.13%,MAE与RMSE分别下降了7.09%与6.87%;在测试集表现中,R2上升了7.75%,RMSE与MAE分别下降了6.61%和5.97%。【结论】使用非线性混合效应方法建立了华东地区主要树种的林分水平树高-胸径模型,最终模型的拟合精度和预测精度均优于传统回归模型,模型适用的覆盖区域较广,能够为森林经营实践提供依据。

基于BP-L_(2)混合算法的线性混合效应模型在帕金森病语音信号中的应用

通过对帕金森病语音信号多重共线性纵向高维数据的预处理和分析,可为相关医疗机构提供重要信息。首先采用随机森林对数据进行预处理,得到降维数据集,通过相关性分析得知该数据存在多重共线问题;然后在BP神经网络中引入L_(2)正则化改变其目标函数,解决临床数据经常存在的数据多重共线性,以便更好地拟合线性混合效应模型;最后对比分析引入BP-L_(2)混合算法前后线性混合效应模型的AIC、BIC和-LogLik指标,证明引入该算法的优势。