如何在統合分析中正確的使用已知的訊息

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：36

、訪客IP：18.218.70.93

姓名

徐麗茵(Le-Yin Hsu) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

如何在統合分析中正確的使用已知的訊息

相關論文

★ 不需常態假設與不受離群值影響的選擇迴歸模型的方法	★ 用卜瓦松與負二項分配建構非負連續隨機變數平均數之概似函數
★ 強韌變異數分析	★ 用強韌概似函數分析具相關性之二分法資料
★ 利用Bartlett第二等式來估計有序資料的相關性	★ 相關性連續與個數資料之強韌概似分析
★ 不偏估計函數之有效性比較	★ 一個分析相關性資料的新方法-複合估計方程式
★ (一)加權概似函數之強韌性探討 (二)影響代謝症候群短期發生及消失的相關危險因子探討	★ 利用 Bartlett 第二等式來推論模型假設錯誤下的變異數函數
★ (一)零過多的個數資料之變異數函數的強韌推論 (二)影響糖尿病、高血壓短期發生的相關危險因子探討	★ 一個分析具相關性的連續與比例資料的簡單且強韌的方法
★ 時間數列模型之統計推論	★ 複合概似函數有效性之探討
★ 決定分析相關性資料時統計檢定力與樣本數的普世強韌法	★ 檢定DNA鹼基替換模型的新方法 - 考慮不同DNA鹼基間的相關性

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

統合分析是一門綜合不同研究中的資訊，以針對所感興趣的共同特徵加以分析而得到統計推論的學科。本篇論文所關注的是在統合分析中如何結合不同研究的變異。除了採用典型的常態模型外，我們同時也使用了伽瑪分配及逆高斯分配以探討如何研究並結合變異以得到正確的結論。

摘要(英)

Meta-analysis is a discipline that gathers information from different studies and provides a summary statistic (or statistics) about the characteristic of common interests in the studies. This dissertation is concerned with how variations of various studies should be incorporated in Meta-analysis. In addition to the typically adopted normal model, we use gamma and inverse Gaussian distributions to explore how investigators should integrate variations to draw conclusions.

關鍵字(中)

★ 統合分析
★ 強韌迴歸

關鍵字(英)

★ Meta-analysis
★ robust regression

論文目次

摘要 i
Abstract ii
致謝 iii
目錄 iv
表目錄 vi
第一章緒論 1
第二章強韌概似函數 3
2.1 常態實作模型的修正項 5
2.2 伽瑪實作模型的修正項 8
2.3 逆高斯實作模型的修正項 11
第三章統合迴歸分析 15
3.1 常態實作模型的修正項 16
3.2 伽瑪實作模型的修正項 19
3.2.1 伽瑪實作模型 (1) 19
3.2.2 伽瑪實作模型 (2) 22
3.3 逆高斯實作模型的修正項 24
3.3.1 逆高斯實作模型 (1) 24
3.3.2 逆高斯實作模型 (2) 27
第四章模擬研究 29
4.1 模擬資料之生成 29
4.2 模擬之結果 30
第五章實例分析 59
5.1 實例一 59
5.2 實例二 62
第六章結論 64
參考文獻 65

參考文獻

1.Borenstein, M. et al. (2009). Introduction to meta-analysis. Chichester: John Wiley & Sons, Ltd.
2.Class, G. V. (1976). Primary, secondary, and meta-analysis of research. Educational Researcher, 5, 3-8.
3.Huizenga, H. M. et al. (2011). Testing overall and moderator effects in random effects meta-regression. British Journal of Mathematical and Statistical Psychology, 64, 1-19.
4.Lee, J. L. (2002). Robust inverse Gaussian regression. Master thesis, Graduate Institute of Statistics, National Central University, Jhongli, Taiwan.
5.Liu, S. Y. (2002). Robust regression. Master thesis, Graduate Institute of Statistics, National Central University, Jhongli, Taiwan.
6.McCullagh, P. (1983). Quasi-likelihood functions. The Annals of Statistics, 11, 59-67.
7.Normand, S. L. (1999). Tutorial in biostatistics Meta-analysis: formulating, evaluating,combining, and reporting. Statistics in Medicine, 18, 321-359.
8.Pearson, K. (1904). Report on certain enteric fever inoculation statistics. British Medical Journal, 3, 1243-1246.
9.Plackett, R. L. (1958). Studies in the history of probability and statistics: VII. The principle of the arithmetic mean. Biometrika, 45, 130-135.
10.Royall, R. M. and Tsou, T. S. (2003). Interpreting statistical evidence by using imperfect models: robust adjust likelihood functions. Journal of the Royal Statistical Society: Series B, 65, 391-404.
11.Tsou, T. S. and Chien, L. C. (2005). Parametric robust tests for multiple regression parameters under generalized linear models. Advances and Applications in Statistics, 5, 51-86.
12.Tsou, T. S. (2009). Performing legitimate parametric regression analysis without knowing the true underlying random mechanisms. Communications in Statistics - Theory and Methods, 38,1680-1689.
13.Tsou, T. S. (2011). Determining the mean-variance relationship in generalized linear models - A parametric robust way. Journal of Statistical Planning and Inference, 141, 197-203.
14.van Houwelingen, H. C. et al. (2002). Advanced methods in meta-analysis: multivariate approach and meta-regression. Statistics in Medicine, 21, 589-624.

指導教授

鄒宗山(Tsung-Shan Tsou)

審核日期

2014-7-16

推文