在R语言中实现Bayes方法对logistic的回归分析

对于logistic回归分析的处理办法,一直采用的都是极大似然估计的EM算法,由于计算方法的固定及计算过程的复杂性,例如,该算法对于初值的选取要求很高,否则收敛速度很慢。Gibbs抽样法作为一种高效灵活的估计方法广泛应用于广义线性回归模型,其中Probit回归模型由于联系函数为正态分布,使得回归系数的后验分布为共轭正态,从而抽样简单快捷。而Logit模型的后验分布比较复杂,无法直接抽取。本文基于增加数据的Gibbs抽样方法,通过引入Pólya-Gamma分布族的潜在变量,使得模型中的回归系数参数的满条件分布为共轭正态分布,从而回归系数的马氏链很容易构造,回归系数的估计为后验均值估计。通过一组实际数据,分别调用R语言Glm包和BayesLogit包,并对比2种方法的估计结果,二者差别不大,表明PólyaGamma潜变量Bayes估计法在处理logistic回归模型时的可用性、准确性。     

基于MCMC算法的多元线性回归变点模型的贝叶斯估计

基于MCMC算法,研究了多元线性回归系数变点模型的贝叶斯估计问题.首先由所有参数的联合后验分布得到各参数的满条件后验分布,再利用Gibbs抽样和MH算法相结合的MCMC算法对满条件分布抽取样本,最后得到变点位置及其他参数的贝叶斯估计.随机模拟结果显示用该方法估计各参数的效果较好.     

基于Gibbs抽样门限自回归模型的参数估计

基于贝叶斯统计推断以及模型随机项的基本假设,通过门限自回归(TAR)模型各参数与总体的共轭先验分布,利用蒙特卡洛模拟(MCMC)算法和Gibbs抽样从各参数的后验分布抽样,用后验均值来估计TAR模型的待估参数.通过模拟实验进一步验证基于贝叶斯统计推断在TAR模型参数估计中的有效性.     

分组数据场合逆威布尔分布参数贝叶斯估计的混合Gibbs算法

作者利用混合Gibbs算法(Gibbs抽样与Metropolis算法的混合)给出了分组数据场合逆威布尔分布参数的贝叶斯估计,然后通过Monte-Carlo模拟考查了贝叶斯估计的均值、均方误差及参数的可信区间,并与极大似然估计比较,给出了混合Gibbs抽样过程中相应参数的轨迹图、直方图及自相关系数图.在五组分组数据场合用混合Gibbs算法求逆威布尔分布参数的贝叶斯估计都得到了比较满意的结果,表明该算法可行、稳定、并且有效.     

数控机床贝叶斯可靠性评估模型的综合评价方法

基于DIC(Deviance Information Criterion)信息准则、BGR(Brooks-Gelman-Rubin)诊断原理、蒙特卡洛仿真误差及模型参数和可靠性指标后验估计的区间长度,提出了数控机床贝叶斯可靠性模型的综合评价方法.给出了不同先验下用于Gibbs抽样的幂律过程模型参数的后验分布,并利用马尔科夫链蒙特卡洛法获得了模型参数和可靠性指标的贝叶斯点估计和区间估计.通过2个工程实例进行验证,结果表明,幂律过程模型各项评价指标均优于Weibull分布模型,适用于小样本故障数据数控机床的可靠性评估.     

利用混合Gibbs算法给出广义指数分布参数的贝叶斯估计

在分组数据和定数截尾场合,分别利用混合Gibbs算法给出广义指数分布参数的Bayes估计,并进行蒙特卡罗模拟,计算参数Bayes估计的均值、均方误差与可信区间,给出模拟过程中参数的轨迹图、直方图和自相关系数图,结果显示该算法可行、稳定、精度高。     

利用混合 Gibbs 算法给出广义指数分布参数的贝叶斯估计

在分组数据和定数截尾场合，分别利用混合 Gibbs 算法给出广义指数分布参数的 Bayes 估计，并进行蒙特卡罗模拟，计算参数 Bayes 估计的均值、均方误差与可信区间，给出模拟过程中参数的轨迹图、直方图和自相关系数图，结果令人满意，算法可行、稳定、精度高。
     

EV回归的半参数部分线性模型的Bayes估计

考察部分线性模型y=X^τ_β+g(t)+ε,ε~N(0,σ²),其中回归变量X可以精确测量,而t具有测量误差. 用光滑样条估计非参数函数g(t), 结合光滑样条的Bayes解释及Bayes的线性回归, 将模型中的未知参数赋以一定的先验, 运用Gibbs抽样方法从后验分布中抽样, 用后验样本的均值来估计未知参数. MCMC模拟的另外一个好处是容易从后验样本中构造后验样本区间估计. 最后,提供了一个模拟例子来说明Bayes方法的估计效果.     

左截断右删失数据下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了左截断右删失数据下泊松分布的完全数据似然函数.给出了变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤.得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

指数分布恒加试验定时截尾试验数据缺失时的Bayes分析

运用Gibbs抽样迭代方法,解决Bayes分析中的后验边际分布的计算问题,得到满足顺序约束的参数的Bayes估计.通过Monte-Carlo模拟表明,在各场合存在先验信息的情况下,Bayes估计的相对偏差和相对均方误差都小于极大似然估计;而对于没有先验信息的情况,Bayes估计跟极大似然估计的效果差不多.