缺失数据下MGINAR(p)模型的参数估计

首先, 用条件最小二乘方法讨论缺失数据下MGINAR(p)模型的参数估计问题, 得到了参数的条件最小二乘估计. 其次, 模拟验证4种处理缺失数据方法的可行性并比较估计效果, 模拟结果表明: 当缺失概率较小时, 可使用个案剔除法或均值插补法; 当缺失概率较大时, 可使用桥插补法, 以降低估计偏差.     

缺失数据下Logistic回归多变点模型的贝叶斯估计

利用随机的方法填充了缺失数据,获得了Logistic回归多变点模型的完全数据似然函数.研究了变点位置等未知参数的满条件分布.利用筛选法和Metropolis-Hastings算法对参数进行抽样,把Gibbs样本的均值作为参数的贝叶斯估计.随机模拟的结果表明估计的精度较高.     

缺失数据下AR(p)模型的估计方法

研究在缺失数据条件下, 零均值AR(p)模型的估计方法. 应用EM算法, 给出了一个 数据和连续两个数据缺失时的具体计算步骤.     

基于SAS对缺失数据的处理——以新药试验为例

通过对新药试验的数据集中缺失数据进行分析,总结缺失数据对新药研究分析结果的影响,进而比较不同补缺方法的优缺点.利用SAS9.4软件对新药试验的数据集进行统计分析,分别采用LOCF补缺法、均值补缺法、分组均值补缺法、MCMC补缺法、FCS补缺法、monotone补缺法六种方法对缺失数据集进行统计分析,并比较数据填补前后的差异及分析结果的稳定性.由于新药试验数据集的病例脱落比例不是很高,故几种处理方法的分析结论都比较接近,但MCMC填补法的效果相对其他几种的填补方法更为稳定.     

缺失数据的填充及回归系数的条件部分根方估计

研究了含缺失数据的约束线性模型以及响应变量中缺失数据的最小二乘填充法及回归系数的条件部分根方估计,探讨了条件部分根方估计的优良性,同时研究了矩阵X中缺失数据的填充及回归系数的条件部分根方估计.     

NMAR机制下线性回归模型参数的Bayesian估计

当数据缺失机制为非随机缺失(NMAR)时,线性回归模型中的参数估计是一个复杂的问题.本文采用贝叶斯(Bayesian)方法,并利用MCMC方法、选择模型和Gibbs抽样方法,求得了参数的Bayesian估计,用一个模拟例子求得参数的估计均值和方差说明了此种方法的可行性。     

基于相依函数型数据条件均值函数估计的渐近性质

文章利用熵的方法研究了基于函数型数据的条件均值函数估计的一致收敛速度,在一定条件下获得了基于相依函数型数据的条件均值函数估计量的几乎完全一致收敛速度,推广了I.I.d场合下或某些相依情形下的的逐点收敛速度.     

基于矩阵填充的肿瘤基因表达谱数据缺失点估计

为解决肿瘤基因表达谱数据后续研究需要完整数据矩阵的问题,针对包含缺失点的数据集。提出基于矩阵填充(matrix completion)与模糊C均值(fuzzy c-means algorithm,FCM)相结合的缺失点估计方法(FCM_MC)。该方法充分利用肿瘤基因表达谱数据的冗余信息,通过模糊C均值聚类得到具有良好的低秩特性的基因语义片段,再利用矩阵填充方法分别对每个语义片段进行缺失点的重建。在不同数据集上进行实验,与传统缺失点估计算法比较。实验表明FCM_MC算法在缺失数据估计准确度和类结构保持度上效果得到有效提升,同时运行效率较高。     

左截断右删失数据下指数分布参数多变点的贝叶斯估计

主要利用MCMC方法研究了左截断右删失数据下指数分布多变点模型的参数估计问题.通过筛选法和逆变换法得到了指数分布的完全数据,在获得各参数的满条件分布后,利用MCMC方法得到了Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

变系数部分非线性模型的分位数回归估计

研究纵向数据缺失下变系数部分非线性分位数回归模型的估计问题.利用逆概率加权法结合分位数回归给出参数估计和非参估计;在一定条件下,证明了所给估计量的渐近正态性;通过数值模拟,验证了所提方法的有效性.     

NMAR机制下线性回归模型参数的Bayesian估计

当数据缺失机制为非随机缺失（NMAR）时,线性回归模型中的参数估计是一个复杂的问题．本文采用贝叶斯（Bayesian）方法,并利用MCMC方法、选择模型和Gibbs抽样方法,求得了参数的Bayesian估计,用一个模拟例子求得参数的估计均值和方差说明了此种方法的可行性。     

左截断右删失数据下泊松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左截断右删失数据下泊松分布的完全数据似然函数.给出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抽样,介绍MCMC方法的实施步骤.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.     

基于关系马尔可夫模型的枚举型缺失值估计

针对数据质量中数据缺失问题,提出了基于关系马尔可夫模型(RMM)的枚举型缺失值估计方法.该方法充分考虑属性间的关联性,将动态属性选择(DAS)方法与RMM结合,最大限度地利用完整数据的信息,提高了该方法的估计能力;利用RMM计算源状态到目的状态的转移概率,采用MaxPost和ProProp 2种缺失值填充方法,对缺失值进行填充.采用公认数据集,进行了对比实验,验证了该方法的有效性和优越性.     

纵向数据下广义经验似然方法的有效稳健估计

基于广义经验似然估计方法,提出了一种有效且稳健的估计,实现对纵向数据在线性模型下均值和协方差矩阵的联合估计。利用Cholysky分解将模型重参数化,利用拉格朗日乘子法求出估计值,再还原出均值和协方差矩阵的估计。在模拟研究中将所提方法同文献中其他稳健估计进行比较,结果显示所提方法效率更高。最后将所提方法用于分析CD4细胞数据,交叉验证结果显示所提方法更加可靠。     

协变量区间删失时线性变系数模型的参数估计

研究了当协变量为区间数据时的变系数一维线性结构关系模型,通过构造区间数据变量的条件均值,它与区间数据变量具有相同的均值,然后利用加权最小二乘法得到了变系数一维线性结构关系模型中的参数估计,当协变量的分布已知时,证明了估计的弱相合性和强相合性.     

左截断右删失数据下对数正态分布参数多变点的贝叶斯估计

通过添加数据得到左截断右删失数据下对数正态分布的完全数据似然函数,研究了变点位置和其它参数的满条件分布.再利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,进行随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

缺失数据下线性模型中缺失值处理方法的比较

在响应变量随机缺失的线性模型中,利用R统计软件模拟比较完全样本法、固定填补法和分数线性回归填补法得到的回归系数、响应变量均值、响应变量的分布函数、响应变量的分位数估计,并用标准误差（SE）评判其优劣.结果表明,除固定填补法外,无论采用其余哪种方法,随着样本容量的增大,评判值SE减小,样本容量越大,估计也就越精确 缺失概率的大小也影响估计的精度,缺失概率越大,相应的评判值SE越大,估计的精度也就越差 另外,在分数线性回归填补法中,J=5的结果总是比J=1的结果好,这说明随着J的增大,其估计精度也随着提高.     

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.     

缺失数据下半参数回归模型的局部线性光滑

在缺失响应变量的不完全数据下,对半参数回归模型进行研究.利用最小二乘和局部线性回归拟合方法建立缺失数据下半参数回归模型参数分量和非参数分量的局部线性估计.在适当的条件下,得到^βn,^nσ的渐近正态性和^gn(t)最优弱收敛速度.     

IIRCT下负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带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.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.