English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 64745/64745 (100%)
造訪人次 : 20457147      線上人數 : 281
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜尋範圍 查詢小技巧:
  • 您可在西文檢索詞彙前後加上"雙引號",以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋,建議至進階搜尋限定作者欄位,可獲得較完整資料
  • 進階搜尋


    請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/7677


    題名: Bayesian Prediction on Longitudinal Data with Random Effects Covariance Matrix
    作者: 王志偉;Chih-Wei Wang
    貢獻者: 統計研究所
    關鍵詞: Bayesian inference;Cholesky decomposition;Random effects;Mixed model;Markov chain Monte Carlo;Prediction
    日期: 2007-01-12
    上傳時間: 2009-09-22 11:02:06 (UTC+8)
    出版者: 國立中央大學圖書館
    摘要: 隨機效應混合模型是時常被用來建構長時期追蹤資料的一類普遍模型。在實驗對象之中,這些模型的隨機效應共變異矩陣典型地被假設為常數。這篇論文中,我們採用一種特殊的Cholesky矩陣分解法去建構隨機效應共變異矩陣而且允許這種分解中所引進的參數是依賴實驗對象特性共變數。一種跟隨著Metropolis-Hastings步驟的Gibbs抽樣方法在這裡被實行用來幫助我們作出貝氏推論。此外,對於每個實驗對象,根據先前已觀測到的資料去預測未來的觀測資料是我們的另一個主題。一些模擬上的研究將被實行用來驗證我們的方法論以及常態分配測量誤差模型與學生t分配測量誤差模型在這裡將被比較。 Random effects (mixed) models are a common class of models used frequently to model longitudinal data. The random effects covariance matrix of these models is typically assumed constant across subject. In this thesis, we use a special Cholesky decomposition of the matrix to model the random effects covariance matrix and allow the parameters that result from this decomposition to depend on subject-specific covariates. A simple Gibbs sampler together with Metropolis-Hastings (M-H) steps can be implemented here to draw the Bayesian inference. Furthermore, predicting the future observations given the previous observed data for each subject is our another topic. Several simulation studies are carried out to demonstrate our methodologies and comparisons are make from both normal and t measurement error models.
    顯示於類別:[統計研究所] 博碩士論文

    文件中的檔案:

    檔案 大小格式瀏覽次數
    0KbUnknown687檢視/開啟


    在NCUIR中所有的資料項目都受到原著作權保護.

    社群 sharing

    ::: Copyright National Central University. | 國立中央大學圖書館版權所有 | 收藏本站 | 設為首頁 | 最佳瀏覽畫面: 1024*768 | 建站日期:8-24-2009 :::
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 回饋  - 隱私權政策聲明