两部分混合回归模型的贝叶斯推断

两部分回归模型在刻画半连续型数据的概率发生机制具有重要作用.本文将经典的两部分回归模型推广到两部分有限混合模型,通过假定多条回归直线的混合来解释分布的不齐一性.在贝叶斯框架内,运用马尔可夫链蒙特卡洛(MCMC)方法来进行后验分析.Polya-Gamma先验被用来对logistic模型进行拟合,同时,Stick-breaking先验用于随机权.这些有助于加速后验抽样.本文对可卡因数据展开实证分析.     

隐马尔可夫因子分析模型的半参数贝叶斯分析

因子模型在刻画潜在因素(因子)与观测变量间的影响关系并进而解释多元观测指标(变量)间的相关性方面具有重要作用.在实际应用中,观测数据往往呈现出时序变异多峰,偏态等特性.将经典的因子分析延伸到带有时齐隐马尔可夫模型的动力因子模型,并建立了半参数贝叶斯分析程序.分块GIBBS抽样器用以后验抽样.经验结果展示所建立的统计程序是有效的.     

带有缺失数据的纵向隐马尔可夫因子模型的贝叶斯分析

隐马尔可夫因子模型在刻画多元纵向数据的关联性和异质性具有重要作用.在实际应用中,观测数据往往呈现缺失数据.本文在纵向框架内,对缺失的数据提出了一个建模.使用一个多项模型去拟合缺失数据指标,并提出用一系列一维条件分布的联合分布来建模.每个一维条件分布不仅取决于当前变量的观测值,而且也糅合以前的观测值和丢失的信息.在贝叶斯框架内,马尔可夫链蒙特卡罗方法用于实现后验分析.带有Metropolis-Hastings算法的Gibbs采样器被用来从相关的满条件分布中抽取随机样本.后验推断基于这些模拟观测值进行展开.我们进行了模拟研究.实证结果表明,所提出的方法在模型是正确指定时是十分有效的,而且对模型偏移也具有一定的稳健性.     

两部分潜变量模型的变分贝叶斯推断

两部分潜变量模型是一种被广泛用于探索半连续数据中不可观测异质性的统计方法.文章对两部分潜变量建立变分贝叶斯推断程序.相比于马尔可夫链蒙特卡洛(MCMC)抽样方法,变分贝叶斯方法具有计算速度快、可提供确定性解等优点.利用Logistic模型一个随机表示,构造了一个适当的变分分布族来近似后验.变分分布通过坐标上升变分算法获得;给出了变分参数的更新计划,建立了变量选择和模型评价贝叶斯程序.经验结果展示了该方法的有效性和实用价值.     

多元空间因子模型的仿真、模型比较与应用

空间因子模型旨在揭示观测变量因公共因子的区域变化而产生的相关性。条件自回归模型被应用到因子分析模型。在贝叶斯框架内,马尔可夫链蒙特卡洛方法(MCMC)被用来进行后验分析。随机模拟结果揭示出方法的有效性,并对江苏省2005产业数据的进行了相关分析。     

部分线性函数多项式模型的联合探测

本文提出了一个新的部分线性函数多项式回归模型,该模型中响应变量依赖于一个p阶函数多项式和一些非函数型数据的协变量.函数多项式模型、函数线性模型和部分函数线性模型是该模型的特殊情形.本文提出了一个模型探测方法,它能同时探测部分线性函数多项式回归模型中哪些阶是重要的以及哪些非函数型变量是重要的.提出的方法能相合地识别真实的模型并有好的预测表现.数值模拟能清晰地证实我们的理论结果.     

基于一类重尾分布的函数型线性回归模型的稳健性估计

假定随机误差分布来自具有重尾特征的scale mixtures of normal分布族,运用贝叶斯方法研究了函数型线性回归模型的稳健性估计,其中模型的响应变量为标量,解释变量为函数型变量.数值模拟结果表明:当响应变量的观测数据存在离群值时,建立的方法得到的模型参数的估计,要优于正态分布假定下的模型参数的估计.     

协变量随机缺失时边际模型的广义矩估计

多元响应变量是纵向设计和横截面设计中经常遇到的一个数据类型.边际模型是探索该类数据解释变量对响应变量平均影响的一个常用工具.边际模型的一个重要特点在于,即使没有指明响应变量之间的相关结构,仍然能基于该模型构造回归参数的相合估计.本文讨论了协变量随机缺失时,边际模型回归参数的广义矩估计问题.使用逆概率加权和多个不同基底工作相关结构,我们得到了一组估计方程;本文通过极小化该估计方程组对应的二次推断函数构造目标参数的估计量.我们证明了估计量的渐近正态性,并通过随机模拟和初中数学成绩的实例分析考察了估计量的有限样本表现.     

随机插补下两线性模型中响应变量分位数差异的经验似然置信区间

设两个样本数据不完全的线性模型,其中协变量的观测值不缺失,响应变量的观测值随机缺失。采用随机回归插补法对响应变量的缺失值进行补足,得到两个线性回归模型的"完全"样本数据,在一定条件下得到两响应变量分位数差异的对数经验似然比统计量的极限分布为加权x_1~2,并利用此结果构造分位数差异的经验似然置信区间。模拟结果表明在随机插补下得到的置信区间具有较高的覆盖精度。     

变系数混合模型的光滑样条推断

为了拟合纵向数据和其他相关数据,本文提出了变系数混合效应模型(VCMM).该模型运用变系数线性部分来表示协变量对响应变量的影响,而用随机效应来描述纵向数据组内的相关性, 因此,该模型允许协变量和响应变量之间存在十分灵活的泛函关系.文中运用光滑样条来估计均值部分的系数函数,而用限制最大似然的方法同时估计出光滑参数和方差成分,我们还得到了所提估计的计算方法.大量的模拟研究表明对于具有各种协方差结构的变系数混合效应模型,运用本文所提出的方法都能够十分有效地估计出模型中的系数函数和方差成分.     

测量误差数据下偏正态众数回归模型的参数估计

现有对回归模型的研究大多仅限于直接观测的解释变量,忽略数据的测量误差将增加模型参数的估计偏差.目前关于测量误差模型的研究主要集中在回归误差服从正态分布的假设,这种假设不适用于研究非对称的数据.对于偏斜数据,众数的代表性优于均值和中位数.本文基于测量误差数据介绍了偏正态众数回归模型,并通过EM算法估计了模型的参数.模拟研究的结果表明,协变量带测量误差下的众数回归比均值回归有更好的表现.通过实例分析进一步表明了所提出模型和方法的有效性.     

带有辅助信息的多元失效时间数据的估计标准部分似然方法

在许多实际研究中, 由于预算限制, 主协变量值只能对某一个有效集进行准确测量, 但同时对应此主协变量的辅助信息则对全部个体均可以观测. 利用这些辅助协变量的信息有助于提高统计研究的效率. 本文在基于共同基准危险率的边际模型框架下, 我们提出了一些统计推断方法来分析多元失效时间数据. 对于回归参数, 我们提出标准的估计部分似然方程来估计它, 同时也给出了累积基准危险率函数的Breslow 型估计. 得到的估计可以证明是相合的和渐近正态的. 利用模拟分析结果来表明了提出的方法在有限样本下的可行性.     

带有污染协变量和辅助生存信息的Cox模型的改进估计方法研究

在流行病学、生物医学和临床试验等领域的研究中, Cox模型是最受欢迎的半参数回归模型之一.在建模过程中,观测到的协变量通常是被污染的,污染因子可测,但是污染函数未知,直接使用被污染的协变量进行参数估计,可能会造成错误的统计推断.研究者往往发现疾病治疗的最佳时刻点,如果忽略这些辅助生存信息,可能导致估计效率的降低.本文研究带有污染协变量和辅助生存信息的Cox模型的一种改进估计,通过核平滑方法校准受污染的协变量,并通过分组提取辅助生存信息用于参数估计,然后使用广义矩估计方法解决超维方程组求解的问题.模拟分析和实证研究结果表明:基于协变量校准后的Cox模型的广义矩估计方法比偏似然估计方法、协变量未调整的Cox模型的广义矩估计方法的效果更好.     

基于协变量缺失的Horvitz-Thompson加权分位回归估计方法

含有协变量缺失的数据缺失问题是现代统计分析中的热点之一.当缺失数据中同时存在厚尾,偏斜和异方差问题时则更加难以处理.为此,本文提出一种逆概率加权分位回归估计来研究响应和协变量之间的关系.与经典估计方法相比具有明显优势,一方面,该估计量使用了所有可用的数据,并且允许缺失的协变量与响应高度相关;另一方面,该估计量在所有分位数水平上满足一致性和渐近正态性.通过模拟验证了该方法的在有限样本下的有效性,进一步将该方法推广到线性多元回归模型和非参数回归模型.     

部分线性函数多项式模型的联合探测北大核心CSCD

本文提出了一个新的部分线性函数多项式回归模型,该模型中响应变量依赖于一个p阶函数多项式和一些非函数型数据的协变量．函数多项式模型、函数线性模型和部分函数线性模型是该模型的特殊情形．本文提出了一个模型探测方法,它能同时探测部分线性函数多项式回归模型中哪些阶是重要的以及哪些非函数型变量是重要的．提出的方法能相合地识别真实的模型并有好的预测表现．数值模拟能清晰地证实我们的理论结果．     

删失混合效应模型的分位回归及变量选择

纵向数据常常用正态混合效应模型进行分析.然而,违背正态性的假定往往会导致无效的推断.与传统的均值回归相比较,分位回归可以给出响应变量条件分布的完整刻画,对于非正态误差分布也可以给稳健的估计结果.本文主要考虑右删失响应下纵向混合效应模型的分位回归估计和变量选择问题.首先,逆删失概率加权方法被用来得到模型的参数估计.其次,结合逆删失概率加权和LASSO惩罚变量选择方法考虑了模型的变量选择问题.蒙特卡洛模拟显示所提方法要比直接删除删失数据的估计方法更具优势.最后,分析了一组艾滋病数据集来展示所提方法的实际应用效果.     

带有不可忽略缺失数据的半参数再生散度模型的贝叶斯分析

半参数再生散度模型是再生散度模型和半参数回归模型的推广,包括了半参数广义线性模型和广义部分线性模型等特殊类型.讨论的是该模型在响应变量和协变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题.在分析中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.     

含测量误差的部分线性模型的发散参数估计(英文)

本文考虑了部分线性模型中,线性部分协变量含有测量误差,并且线性部分的参数随着样本量的增大而发散的估计问题.我们考虑了用可观测的替代变量来替代不可观察到的真实变量,这种替代变量的期望与真实变量存在线性关系.我们提出了估计方法,并研究了估计量的相合性与渐进正态性.此外,我们研究了发散参数的发散速度.我们通过模拟来说明该估计的实际效果.     

失混合效应模型的分位回归及变量选择

纵向数据常常用正态混合效应模型进行分析.然而,违背正态性的假定往往会导致无效的推断.与传统的均值回归相比较,分位回归可以给出响应变量条件分布的完整刻画,对于非正态误差分布也可以给稳健的估计结果．本文主要考虑右删失响应下纵向混合效应模型的分位回归估计和变量选择问题．首先,逆删失概率加权方法被用来得到模型的参数估计．其次,结合逆删失概率加权和LASSO惩罚变量选择方法考虑了模型的变量选择问题.蒙特卡洛模拟显示所提方法要比直接删除删失数据的估计方法更具优势．最后,分析了一组艾滋病数据集来展示所提方法的实际应用效果．     

广义网络向量自回归

随着社交网络平台的快速发展,带有网络结构的时序数据越来越多.为拟合用户行为的动态变化,网络向量自回归模型被提出.模型最早研究的是连续型因变量.然而实际数据常观测到离散型因变量.由此,本文提出广义网络向量自回归模型.模型假设存在一个潜在的连续型变量,决定了可观测到的离散型因变量的取值.为了估计和推断模型,本文提出了MCMC (Markov chain Monte Carlo)算法并通过随机模拟进行验证.最后,使用某社交网络平台上的两个真实的数据案例作为例证.