随机效应线性模型中回归系数和参数同时估计的可容许性

对于一般的随机效应线性模型Y=Xβ+ε,E(β)=Aα,E(ε)=0,Cov(β′,ε′)=V.其中X为已知的n×p矩阵,β和ε分别为不可观测的p维和n维随机向量,Y是可观测的,V和A都已知,α∈Rk为参数.本文在一种新的矩阵损失函数下,给出了随机回归系数和参数同时估计在齐次线性估计类和非齐次线性估计类中可容许的充分必要条件.

带约束的随机效应线性模型中的回归系数和参数的可容许性估计

考虑了如下的参数受不完全椭球约束的随机效应线性模型 :Y =Xβ +ε,E βε =Aα0 , Covβε =σ2 V11 V12V2 1 V2 2,其中参数受如下不完全椭球约束α′A′Χ′NXAα≤σ2 在二次损失函数和矩阵损失函数下 ,分别给出了随机回归系数和参数在齐 (非齐 )次线性估计类中的可容许性估计的充分必要条件。

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.

非线性随机效应模型的置信域(英文)

本文对非线性随机效应模型 ,建立了微分几何框架 ,推广了 Bates &Wates关于非线性模型几何结构 .在此基础上 ,我们导出了关于固定效应参数和子集参数的置信域的曲率表示 ,这些结果是 Bates and Wates( 1 980 ) ,Hamilton( 1 986 )与 Wei( 1 994)等的推广 .

具有AR(1)误差的线性随机效应模型中方差齐性和自相关性的检验

在回归分析中,方差齐性是一个很基本的假设.本文对具有AR(1)误差的线性随机效应模型,研究了方差齐性和自相关性的检验问题.我们分别讨论了随机误差异方差、随机效应异方差、多元异方差以及自相关性的检验问题,并用score检验方法给出了三种方差齐性和自相关性的检验统计量.随机模拟的结果表明,当样本容量较大时,检验的功效较好.本文还给出一个数值例子说明检验方法的实用性.另外,模型的结果也可以推广到非线性情形.

具有AR(1)误差的非线性随机效应模型中自相关系数的扰动诊断

随机效应模型广泛应用于刻画重复测量数据的特征,Banerjee和Frees[1]用Cook距离,Lesaffre和Verbeke[2]用影响曲率分别对线性随机效应模型进行了分析.本文利用影响曲率对具有AR(1)误差的非线性随机效应模型中的自相关系数扰动进行了分析,得到了影响曲率的表达式,并且利用血浆药物渗透数据(Davidian和Gillinan[3])来说明分析方法的应用.

非线性再生散度随机效应模型的极大似然估计及随机逼近算法

非线性再生散度随机效应模型包括了非线性随机效应模型和指数族非线性随机效应模型等．通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings(简称MH) 算法,提出了模型参数极大似然估计的随机逼近算法．模拟研究和实例分析表明了该算法的可行性．

非线性随机效应模型的若干统计推断

该文利用非线性随机效应模型在欧氏空间的BW几何结构 ,求出了固定效应参数估计的渐近性质与随机展开式。利用随机展开式 。

二项线性随机效应模型的拟蒙特卡罗估计

讨论了如何运用拟蒙特卡罗方法对二项线性随机效应模型进行参数估计.首先写出观测数据的边缘对数似然函数,然后用拟蒙特卡罗方法将函数中的积分写成求和的形式,接着利用Newton-Raphson算法计算参数的极大似然估计.以一组种子数据为例,说明该方法是简单可行的.

非线性再生散度随机效应模型参数置信域的曲率表示

该文基于Laplace逼近建立了非线性再生散度随机效应模型在Euclid空间中的几何结构,并在此基础上研究了此模型参数和子集参数的置信域,进一步推广和发展了Hamilton,Watts和Bates关于正态非线性回归模型,Wei关于嵌入模型和指数族非线性模型,Zhu,Tang和Wei关于半参数非线性模型,唐年胜、韦博成和王学仁关于非线性再生散度模型,Tang和Wang关于拟似然非线性模型等的结果．

非线性再生散度随机效应模型的渐近性质

对非线性再生散度随机效应模型,该文给出了类似于Barndroff-Nielson,Cox(1989)和Severin,Wong(1992)的正则条件,基于这些正则条件和Laplace近似,证明了该模型参数极大似然估计的存在性、强相合性和渐近正态性．

非线性再生散度随机效应模型似然函数的Laplace逼近

首先提出用Lap lace逼近方法对非线性再生散度随机效应模型的边缘对数似然函数进行近似,然后基于近似的边缘对数似然函数利用F isher'sscoring迭代算法得到了模型参数的极大似然估计.模拟研究和实例分析表明了该算法的可行性.

带约束多元线性模型随机回归系数和参数的线性估计的泛容许性

讨论了带约束条件的多元线性模型随机回归系数和参数的线性估计的泛容许性问题.在损失函数(d(Y)-SΘ-QB)'(d(Y)-SΘ-QB)下,分别给出了随机回归系数和参数的线性估计在齐次和非齐次线性估计类中是泛容许估计的充要条件.

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。

机器学习方法和线性随机效应混合模型在纵向数据预测上的对比

本文针对牛奶中所含蛋白质的纵向数据,利用R软件,运用机器学习方法中的决策树、boost、bagging、随机森林、神经网络、支持向量机和传统处理纵向数据的线性随机效应混合模型做预测对比。变化训练集并进行八折交叉验证,对得到的标准均方误差分析可知:对于该数据,无论是长期预测(训练集更大)还是短期预测,传统的方法远远不如机器学习方法,机器学习方法有很好的稳健性。

两线性随机效应模型未知参数函数预测量的等价性研究

假设对一般线性随机效应模型添加新的变量项成为过参数线性随机效应模型,这时两模型相同未知参数的统计推断不一定相同。针对这一问题,本文利用带约束限制二次矩阵值函数最优化问题的解,给出过参数线性随机效应模型下未知参数函数的最佳线性无偏预测/最佳线性无偏估计的解析表达式,并利用一些代数与矩阵理论工具,得到了两模型未知参数函数最佳线性无偏预测/最佳线性无偏估计等价的条件。

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.

带不可忽略缺失数据的再生散度随机效应模型的Bayes估计

在响应变量带有不可忽略缺失数据的前提下得到非线性再生散度随机效应模型的Bayes方法.缺失数据机制由Logistic回归模型定义,根据Gibbs抽样技术和MH算法得到模型参数、随机效应因子以及缺失数据机制中回归系数的联合Bayes估计,并进行了实例分析.

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。

指数族非线性混合效应模型基于Q函数的数据删除度量(英文)

对指数族非线性混合效应模型,本文基于Q函数(朱宏图,2001)方法,给出几种度量数据删除影响的统计量．其主要思想是将随机效应视为缺失数据,并利用EM算法来处理完全数据对数似然函数的条件期望．一个实际例子说明我们方法是有效的．