无重复因析试验中散度效应的截断估计及其性质

在无重复因析试验的散度效应分析中,常常对残差平方取对数来建立散度效应模型,但是当拟合位置模型后得到的残差绝对值很小或者近似为0时,直接对残差平方取对数建立散度效应模型显然是不合适的.基于此,文章提出了一种新的散度效应估计方法--截断估计,并且考虑了该估计的渐近性质,给出了它的渐近期望和渐近方差.     

带有截尾数据的无重复因子试验的位置效应与散度效应分析

考虑带有截尾数据的位置效应和散度效应模型,在改进Hamada和Wu(1991)位置效应分析方法的基础上,将Brennerman和Nair(2001)散度效应分析的MH方法融入其中,对带有截尾数据的无重复因子试验给出了模型选择以及同时估计位置效应和散度效应的迭代算法,拓展了Hamada和Wu的方法,使其也可以鉴别和估计散度效应.模拟结果表明该方法可行,且在均方误差(MSE)意义下,位置效应的估计精度优于Hamada和Wu方法.最后用此算法对Hamada和Wu文中的实例进行了进一步分析.     

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.     

无重复因析试验中一种散度效应的估计方法

在无重复因析试验的多个散度效应分析中,现有的许多方法都存在错误识别的现象,即两个显著的散度效应可能在它们的交互列上产生一个错误 的(spurious)散度效应.为了解决这种模棱两可性,文章提出了一种基于闭的位置效应集合残差的改进H方法(称为AH方法),证明了AH的估计的无偏性,并通过一个基于实例的模拟验证了此方法.     

非线性再生散度模型两种估计方法的比较

介绍以RDM为随机误差的广义线性模型-非线性再生散度模型的定义,分别考虑非线性再生散度模型的极大似然估计和Bayes估计,以模拟研究和实例分析对以上估计方法加以比较说明.     

Poisson截断δ冲击模型失效参数的Bayes估计

针对Poisson截断δ冲击模型失效参数的估计问题,利用Bayes估计方法,在最小均方误差原则下,基于寿命终止时总冲击次数及冲击到达时间这两类样本数据,在不同的先验假设下,给出Poisson截断δ冲击模型失效参数δ的Bayes估计量.     

广义非线性散度模型变离差的统计分析

以广义非线性散度模型为基础,通过假定离差是某个协变量的函数或随机函数给出了变离差的Score假设检验,当模型存在变离差和随机变离差时,给出了相应的变离差估计.     

偏正态数据下半参数混合效应模型的贝叶斯估计

针对纵向数据服从非正态分布情况下混合效应模型的估计问题,提出偏正态分布半参数混合效应模型的贝 叶斯估计方法;假定个体测量误差服从偏正态分布,纵向指标与时间的关系采用 B 样条方法建模,在共轭先验下考 虑该模型的贝叶斯分析,基于 MH 算法与 Gibbs 抽样的混合算法获取未知参数、随机效应和非参数函数的贝叶斯估 计;数值模拟中,数据非正态分布条件下将偏正态方法得到的估计与传统半参数混合效应模型估计方法进行对比, 发现偏正态半参数混合效应模型在有限样本情况下表现更好,说明偏正态半参数混合效应模型与传统模型相比, 可以更好地拟合偏态数据,获得更加精准的参数估计;最后将该方法应用于 ADNI 数据中,研究了神经评分与基线 临床指标间的关系,得出了合理的结论,证明了方法的合理性。     

Buhlmann-Straub信度模型的估计与检验

研究了Buhlmann-Straub信度模型的参数估计和随机效应的检验,以及它们的统计性质. 参数估计采用两步估计法,用F检验对随机效应进行检验.在两步估计法中, 利用正交变换得到了总平均的估计, 然后采用拟合常数法得到了方差的估计,并证明了该估计是无偏估计.通过残差平方和构造了F检验统计量对是否有随机效应进行检验,并得出了检验的势函数是检验方差的增函数.最后将估计和检验的方法应用到实例中, 得到了较好的效果.     

线性模型有偏估计的一种新算法

文章以降低预测残差平方和为目标,基于岭估计增大回归系数矩阵的对角元素的思想,提出一种利用高斯消去变换工具的线性模型参数估计法,并进行数据模拟实验,最后通过平均预测残差平方和以及平均残差平方和的箱线图来对比新算法和最小二乘估计及岭估计的优良性,说明满足一定条件时,新算法在估计精度和稳定性上优于这2种方法。