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 。

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.

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．

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.

带有非参随机效应的稳健函数型回归模型

拓展的t过程对异常值稳健并且拥有高斯过程很多优良的性质。为此利用拓展的t过程先验提出了一个带有非参数随机效应的函数型模型,并在模型里考虑了个体效应的异质性、灵活的均值函数、非参协方差函数和稳健性。并进一步提出了基于似然的估计方法,给出了参数估计的信息相合性,最后通过模拟研究和实际数据分析来验证所提的方法。

非线性再生散度随机效应模型的贝叶斯分析

非线性再生散度随机效应模型是一类非常广泛的统计模型,包括了线性随机效应模型、非线性随机效应模型、广义线性随机效应模型和指数族非线性随机效应模型等．本文研究非线性再生散度随机效应模型的贝叶斯分析．通过视随机效应为缺失数据以及应用结合Gibbs抽样技术和Metropolis-Hastings算法(简称MH算法)的混合算法获得了模型参数与随机效应的同时贝叶斯估计．最后,用一个模拟研究和一个实际例子说明上述算法的可行性．

非线性再生散度随机效应模型的极大似然估计及EM算法

非线性再生散度随机效应模型是指数族非线性随机效应模型和非线性再生散度模型的推广和发展.通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings(MH)算法,提出了模型参数极大似然估计的Monte-Carlo EM(MCEM)算法,并用模拟研究和实例分析说明了该算法的可行性.

偏正态非线性再生散度随机效应模型的贝叶斯分析

非线性再生散度随机效应模型是一类非常广泛的统计模型,包括了广义线性随机效应模型和指数族非线性随机效应模型等.由于它更能灵活地刻画不同个体间的相关和联系,经常被用来模拟重复测量数据,对该模型传统的方法是假设随机效应服从正态分布.但对许多数据集的分析发现这样的假设有时不符合实际情况,会导致结论偏离真实.本文引入偏正态非线性再生散度随机效应模型,目的在于用一个偏正态分布来改进随机效应正态分布的假设,该分布包括了正态分布.同时结合Gibbs抽样技术和Metropolis-Hastings算法(简称MH算法)的混合算法获得了模型参数与随机效应的贝叶斯估计.一个模拟研究和一个HIV监测数据的研究用来说明上述算法的有效性.