English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 64745/64745 (100%)
造訪人次 : 20423126      線上人數 : 308
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/987654321/7685


    題名: 貝氏模型平均演算法及其在長時期追蹤資料之應用
    作者: 王國肇;Guo-Tzau Wang
    貢獻者: 統計研究所
    關鍵詞: 奧坎氏視窗法;AR(1)模型;吉比氏抽樣法;長時期追蹤資料;貝氏模型平均;AR(1);Occam's window;Gibbs sampling;longitudinal data;Bayesian model averaging
    日期: 2007-06-05
    上傳時間: 2009-09-22 11:02:14 (UTC+8)
    出版者: 國立中央大學圖書館
    摘要: 本文將貝氏模型平均法做一改良,提出模型漫步演算法以遞迴搜尋的方式選取模型,模擬結果顯示,在一般線性迴歸模型下,其平均被遺漏模型的後驗機率總和比傳統奧坎氏視窗法中所有遺漏的模型之後驗機率總和低;另外在選用不當的初始模型時,與使用較佳初始模型相較,模型漫步演算法所多耗費的計算量遠比奧坎氏視窗法少,且遺漏的模型也較少,亦即我們提出的演算法較不受限於初始模型的選擇。另外,配合吉比氏抽樣法將模型漫步演算法應用在具 AR(1) 誤差模型之長時期追蹤資料迴歸模型中,並將其應用在颱風降雨量之預測上。 In this thesis, we propose a new recursive algorithm, namely the model walking algorithm, to modify the widely used Occam's window method in Bayesian model averaging procedure. It is verified, by simulation, that in the regression models, the proposed method is much more efficient in terms of computing time and the selected candidate models. Moreover, it is not sensitive to the initial models. We then apply Bayesian model averaging to the multiple longitudinal regression models with AR(1) random errors within subjects. Gibbs sampling method together with the model walking algorithm are employed. The proposed method is also successfully used to make rainfall prediction based on typhoon data in Taipei, Taiwan.
    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
    0KbUnknown852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