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.

线性混合效应模型中随机效应密度的非参数估计

对于Tao等(1999)提出的一类线性混合效应模型,构造了随机效应密度的非参数估计,并证明了此估计量具有渐近无偏性.

带右删失数据的非线性随机效应模型参数估计

本文讨论了带右删失数据的非线性随机效应模型的参数估计,给出Gauss-Newton迭代法和改进后的Gauss-Newton迭代法,根据参数估计和算法给出数值模拟,验证了参数估计和算法的可行性.

指数族非线性随机效应模型的参数估计及其性质

对指数族非线性随机效应模型进行了较详细的讨论 ,给出了参数估计的方法 ,证明了参数估计的相合性与渐近正态性 ,最后给出一个具体实例 .

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。

一类分块混合效应模型的参数估计(英文)

研究一类分块混合效应模型中部分固定效应向量的估计问题 ,为得到其可行的最佳线性无偏估计 ,提出了一种减约模型 ,并给出了由此减约模型得出的可行估计等于原模型下相应的最佳线性无偏估计的充分必要条件 ,并以实例说明文中结果。

基于M估计的线性混合效应模型自相关和随机效应检验

对纵向数据的线性混合效应模型,用Fisher得分法得到了参数的M估计(稳健估计),给出了其渐近性质,研究了M估计下模型的自相关性和随机效应存在性检验问题,得到了检验的Score统计量,并通过葡萄糖数据的实例进行了分析论证.

水准网线性混合效应模型建立与参数估计研究

水准网观测数据经平差处理,可得到沉降预测的初始数据,数据的精确度影响着沉降规律预测的正确性。实践中发现,采用传统函数模型的计算结果,常受定权因素影响,平差结果表现出一定的差异性。针对此问题,提出水准网线性混合效应模型与参数估计方法。模拟试验以及工程案例结果表明,水准网利用线性混合效应模型进行平差计算较传统间接平差具有无需定权、参数估计精度高、沉降趋势特征明显等优势。

具有随机约束的混合效应模型参数的岭型谱分解估计（英文）

对于具有随机线性约束的线性混合效应模型参数提出一种称之为条件岭型谱分解估计的方法.利用均方误差矩阵和广义均方误差对固定效应参数的几种估计量进行比较,给出条件岭型谱分解估计优于条件谱分解估计的充分条件,并给出这两种估计的相对效率的上下界.最后,模拟算例验证了理论结果的正确性.

数据非随机缺失机制的混合效应模式混合模型分析与应用

目的阐明混合效应模式混合模型原理,实现数据非随机缺失机制医学纵向资料的模型分析。方法采用限制极大似然法进行参数估计,拟合含非随机缺失数据高血压随访资料的混合效应模式混合模型,利用SAS9.2完成模型参数估计与检验等。结果在混合效应模式混合模型(组间模型和组内模型)中得到四种缺失模式下的参数估计值及可信区间后,根据各缺失模式概率,求得参数总估计值。结论混合效应模式混合模型是分析数据非随机缺失机制资料的最佳选择。

两向分类随机效应模型中方差分量的非负估计

两向分类随机效应模型是一种有着广泛应用的统计模型,对其中的方差分量,经常使用方差分析法来估计。本文中,在均方损失意义下,给出了一种简单易行地改进ANOVA估计的方法,并给出了方差分量的正估计,这个估计在均方损失下一致优于ANOVA估计。

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 。

非参数混合效应模型的B样条估计

文章主要考虑纵向数据的非参数混合效应模型Yi(t"=,(t。)十研(t。)+e,(t。),j:l…,"。,i:1…,p. 我们运用B样条函数逼近方法给出了效应函数f(t),口。(t)的一个新的估计,即B样条估计.同时,我们也讨论了B 样条估计的渐近性质.

线性混合效应模型中方差分量的估计

本文首先研究了含三个方差分量的线性混合随机效应模型改进的ANOVA估计,此估计在均方损失下一致优于ANOVA估计,由于这些方差估计取负值的概率大于零,对得到的估计在某非负点采用截尾的方法得到非负估计是一种常用的方法。对文章中提出的估计,研究了此估计在某非负点截尾之后得到的估计在均方损失意义下优于截尾之前的估计的充分条件,同时给出ANOVA估计在截尾之后优于它本身的充分条件,而且将得到的结论推广到更一般的线性混合随机效应模型。

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。

线性混合模型中固定效应与随机效应线性组合两步预测的均方误差

对一般的线性混合模型,研究其固定效应与随机效应线性组合的两步预测问题,给出了两步预测均方误差的一个近似计算公式,为比较不同方差分量估计的优劣性进一步奠定了基础.

马尾松树高-胸径非线性混合效应模型构建

以贵州省东北部地区马尾松人工林为研究对象,基于254块样地的15 275株马尾松数据,随机选取80%样地数据用于模型建立,20%样地数据用于模型检验。对11个常用的树高-胸径模型进行拟合,筛选效果最佳的为基础模型,并将密度、优势木平均高、胸高断面积以不同个数及组合形式加入基础模型,筛选最优广义模型。同时考虑样地水平的随机效应,对应构建基础混合效应模型和广义混合效应模型,评价固定效应模型(两个)与非线性混合效应模型(两个)的拟合能力和预测精度,获得最佳树高预测模型。结果表明:最优基础模型为Chapman-Richards模型,其决定系数(R^(2)=0.636)最大,均方根误差(RMSE=2.472 m)、平均绝对误差(MAE=1.917 m)、平均相对误差绝对值(RMA=14.597%)最小;广义模型精度均优于基础模型,以含林分密度、优势木平均高、胸高断面积的广义模型预测精度最高(R^(2)=0.797、RMSE=1.845 m、MAE=1.383 m、RMA=10.913%);非线性混合效应模型预测能力优于固定效应模型,表明非线性混合效应模型能更好地描述树高-胸径关系,其中基础混合效应模型(R^(2)=0.864、RMSE=1.512 m、MAE=1.107 m、RMA=8.627%)和广义混合效应模型(R^(2)=0.863、RMSE=1.516 m、MAE=1.113 m、RMA=8.657%)拟合效果没有明显差异。与传统回归方法建立的基础模型和广义模型相比,基于非线性混合效应构建的树高-胸径模型预测效果更具有优越性,用基础非线性混合效应模型预测马尾松人工林树高值,具有较高精度。

基于SCAD_L_(2)和SCAD混合惩罚的高维随机效应线性回归模型

大数据时代的到来,使得变量选择问题成为了当前统计界和各重要领域实际工作者研究的重点课题在许多实际问题中,由于数据间存在相关性或异方差,对高维模型进行变量选择时会产生较大的系统性偏差。该文考虑高维随机效应线性回归模型,改进了现有的基于双惩罚思想的变量选择方法,提出了基于SCAD_L_(2)和SCAD的混合惩罚方法,在一定程度上弥补了已有方法不同时具备分组效应和渐近性质的不足:给出了基于混合惩罚的随机效应线性回归模型的两步迭代算法.分别在信噪比和随机效应影响不同的情况下对模型进行蒙特卡洛模拟和实例验证.结果表明:与其他惩罚方法相比,该混合惩罚方法具有分组效应和渐近性质,表现出更优良的变量选择能力和系数估计效果,适用于高维随机效应线性回归模型.

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。

利用线性混合随机效应模型评价临床疗效

讨论了线性混合随机效应模型在糖尿病临床试验重复观测数据中的应用,在病人初始入组时,采用不同治疗方案得到重复观测的血糖数据,根据数据的图示以及它们具有相关性的特点,采用线性混合随机效应模型拟合数据,通过参数和标准误差的估计构造检验统计量,对临床疗效进行评价,并给出一种能较客观地评价临床疗效的方法。