新舊處理對成對連續與離散資料效果差異之強韌分數檢定

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：7

、訪客IP：3.142.144.40

姓名

周盈妡(Ying-Hsin Chou) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

新舊處理對成對連續與離散資料效果差異之強韌分數檢定

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)

在醫學與其他研究領域中，常會出現成對的連續與離散資料，如一個人的血壓值與癌症的嚴重程度。由於這種相關性資料不容易找到合適的模型，因此在分析上較為困難。
本文主要的目的是在廣義線性模型下，利用強韌概似函數方法，來分析成對的混合型資料。我們建立參數之強韌概似函數，在不需要特別對於成對的反應變數間之相關性建立模型的假設下，仍可得到正確的統計推論。

摘要(英)

Pairs of continuous and discrete data, such as a person′s blood pressure and the severity of cancer often appear in medicine and other fields of research. In general, likelihood inference for correlated data of mixed types is strenuous due to the scarcity of a suitable statistical model.
In this thesis, we show that the robust likelihood method is suitable for paired mixed data. More specifically, we consider testing the treatment/covariate effects on paired responses. Simulations and real data analysis are used to demonstrate the merit of this parametric robust approach.

關鍵字(中)

★ 強
★ 韌
★ 概
★ 似
★ 函
★ 數

關鍵字(英)

★ r
★ o
★ b
★ u
★ s
★ t

論文目次

摘要 i
Abstract ii
致謝辭 iii
目錄 iv
表目錄 vii
第一章緒論 1
第二章多項式-常態混合模型 3
2.1對數線性迴歸模型 4
2.1.1多項式-常態混合模型可被強韌化 4
2.1.2強韌化多項式-常態實作模型 5
2.1.3簡單對數線性迴歸下之修正項和 14
2.1.4簡單對數線性迴歸下之強韌變異數估計量 19
2.1.5簡單對數線性迴歸下之假設檢定 20
2.1.6簡單對數線性迴歸且解釋變數為連續 21
2.1.7簡單對數線性迴歸且解釋變數為離散 25
2.2 線性迴歸模型 28
2.2.1多項式-常態混合模型可被強韌化 28
2.2.2強韌化多項式-常態實作模型 29
2.2.3簡單線性迴歸下之修正項和 32
2.2.4簡單線性迴歸下之強韌變異數估計量 34
2.2.5簡單線性迴歸下之假設檢定 34
2.2.6簡單線性迴歸且解釋變數為連續 36
2.2.7簡單線性迴歸且解釋變數為離散 36
第三章伯努利-常態混合模型 38
3.1對數線性迴歸模型 39
3.1.1伯努利-常態混合模型可被強韌化 39
3.1.2強韌化伯努利-常態實作模型 40
3.1.3簡單對數線性迴歸下之修正項和 43
3.1.4簡單對數線性迴歸下之強韌變異數估計量 45
3.1.5簡單對數線性迴歸下之假設檢定 46
3.1.6簡單對數線性迴歸且解釋變數為連續 47
3.1.7簡單對數線性迴歸且解釋變數為離散 49
3.2線性迴歸模型 52
3.2.1伯努利-常態混合模型可被強韌化 52
3.2.2強韌化伯努利-常態實作模型 53
3.2.3簡單線性迴歸下之修正項和 53
3.2.4簡單線性迴歸下之強韌變異數估計量 54
3.2.5簡單線性迴歸下之假設檢定 54
3.2.6簡單線性迴歸且解釋變數為連續 56
3.2.7簡單線性迴歸且解釋變數為離散 56
第四章模擬研究 58
4.1資料生成 58
4.1.1多項式-常態混合實作模型 58
4.1.2伯努利-常態混合實作模型 60
4.2模擬結果分析 62
第五章實例分析 90
第六章結論 96
參考文獻 97
附錄一 98
附錄二 102
附錄三 106
附錄四 109

參考文獻

Dempster, A. P., Laird, N. M. and Rubin, D. B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society, Series B, 39: 1-38.
Fitzmaurice, G. M. and Laird, N. M. (1995). Regression models for a bivariate discrete and continuous outcome with clustering. Journal of the American Statistical Association, 90: 845-852.
Fitzmaurice, G. M. and Laird, N. M. (1997). Regression models for mixed Discrete and Continuous Responses with Potentially Missing Values. Biometric, 53: 110-122.
Royall, R. M. and Tsou, T. S. (2003). Interpreting statistical evidence by using imperfect models: robust adjusted likelihood functions. Journal of the Royal Statistical Society, Series B, 65: 391-104.
Tsou, T. S. and Chen, C. H. (2008). Comparing several means of dependent populations of count-A parametric robust approach. Statistics in Medicine, 27: 2576-2585.

指導教授

鄒宗山(Tsung-Shan Tsou)

審核日期

2019-7-12

推文