利用 Bartlett 第二等式來推論模型假設錯誤下的變異數函數

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：37

、訪客IP：3.147.42.197

姓名

陳冠甫(Guan-fu Chen) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

利用 Bartlett 第二等式來推論模型假設錯誤下的變異數函數
(Inference for the variance function using the breakdown of Bartlett’s second identity under model misspecification)

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	★ (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	★ 針對名目、個數與有序資料迴歸係數統計檢定力計算的普世強韌法

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)

本文之目的在利用模型假設錯誤時，Bartlett第二等式的違背，提出一個變異數函數的推論方法，而重點則在變異數函數中過離散係數的部分。我們並使用拔靴法來估計過離散係數估計量的變異數。

摘要(英)

The Bartlett’s second identity collapses when model assumption is mistaken. We adopt the Poisson distribution as the working model and employ the breakdown of the Bartlett’s second identity to make inference about the overdispersion coefficients of count responses.

關鍵字(中)

★ 普瓦松分配
★ 費雪訊息
★ 過離散
★ Bartlett 第二等式

關鍵字(英)

★ Bartlett’s second identity
★ Poisson distribution
★ fisher information
★ overdispersion

論文目次

摘要 .......................................... I
ABSTRACT ..................................... II
目錄 .......................................... III
表目錄 ......................................... V
第一章緒論 .................................... 1
第二章研究方法 ................................. 3
2.1費雪訊息之表示法 .............................. 3
2.2普瓦松模型下的費雪訊息 ......................... 4
2.3過離散係數的估計量 ............................ 7
2.4過離散係數變異數的估計量 ....................... 13
2.5 GNB方法 .................................... 15
2.6 HGLM方法 ................................... 17
第三章模擬研究 .................................. 19
3.1 參數及相關係數的估計 ...........................19
3.2 資料生成 .....................................19
3.3 模擬結果分析 .................................39
第四章實例分析 ...................................40
第五章結論 ......................................44
參考文獻 ........................................ 45

參考文獻

1. Bartlett, M. S. (1953). ‘‘Approximate confidence intervals,” Biometrika, 40, 12-19.
2. Casella, G and Berger, R. L. (2002). Statistical Inference. (2nd ed.) Pacific Grove, CA: Thompson Learning.
3. Cox, D. R. (1983). ‘‘Some remarks on overdispersion,” Biometrika, 70, 269-274.
4. Dean, C and Lawless J. F. (1989). ‘‘Tests for Detecting Overdispersion in Poisson Regression Models,” Journal of the American Statistical Association, 84, 467-472.
5. Efron, B (1983). ‘‘Bootstrap Methods: Another Look at the Jackknife,” Annals of Statist, 7, 1-26.
6. Jain, G. C. and Consul, P. C. (1971). ‘‘A generalized negative binomial distribution,” SIAM Journal on Applied Mathematics, 21, 501-513.
7. Lee, Y. and Nelder, J. A. (1996). ‘‘Hierarchical generalized linear models,” Journal of the Royal Statistical Society, 58, 619-678.
8. Presnell, B. and Boos, D. D. (2004). ‘‘The IOS Test for Model Misspecification.” Journal of the American Statistical Association. 99, 216-227.
9. Puig, P. and Valero, J. (2006). ‘‘Count data
distributions:some characterizations with applications,” Journal of the American Statistical Association, 101,332-340
10. Yang, Z., Hardin, J. W., Addy, C. L., Vuong, Q. H. (2007). ‘‘Testing approaches for overdispersion in Poisson regression versus the generalized Poisson model,” Biometrical Journal, 49, 565-584.
11. 曹雅婷 (2011). 個數資料之過離散性的強韌推論。(國立中央
大學統計研究所碩士論文)

指導教授

鄒宗山(Tsung-shan Tsou)

審核日期

2012-6-28

推文