Bayesian Prediction on Longitudinal Data with Random Effects Covariance Matrix

NCU Institutional Repository > 理學院 > 統計研究所 > 博碩士論文 > Item 987654321/7677

jsp.display-item.identifier=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

题名:	Bayesian Prediction on Longitudinal Data with Random Effects Covariance Matrix
作者:	王志偉;Chih-Wei Wang
贡献者:	統計研究所
关键词:	Bayesian inference;Cholesky decomposition;Random effects;Mixed model;Markov chain Monte Carlo;Prediction
日期:	2007-01-12
上传时间:	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.
显示于类别:	[統計研究所] 博碩士論文

文件中的档案:

档案	大小	格式	浏览次数

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....