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

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：17

、訪客IP：3.133.118.185

姓名

羅曉媛(Hsiao-Yuan Lo) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

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

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
★ 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)

在比較性的研究中，我們可能將叢集資料如家庭成員劃分成對照組與實驗組。Tokola et al. (2011)提出一個不需母體之假設分配的方法來估計對照組與實驗組的差異，此方法亦可估算檢定力。他們的方法主要需正確的假設母體前兩階動差，然而，當動差的假設錯誤時，他們的方法可能也不具有強韌性，分析出來的結果可能是不正確的。
本文依據Royall and Tsou (2003)提出的強韌概似函數法，將多元負二項模型及多元常態模型強韌化後探討對照組與實驗組間是否有差異，並與Tokola et al. (2011)的方法比較檢定力與型一誤差機率。

摘要(英)

Tokola et al (2011) proposed a statistic for estimating the treatment and control effects difference for cluster data. This statistic requires exchangeable correlation and common variances and is not sensitive to other distributional assumptions.
We investigate the validity of their statistic when the second moment assumptions fail. We also robustify the normal and the negative binomial models so that they can adapt themself to the underlying distributions. We compare the three approaches in terms of their power performance.

關鍵字(中)

★ 叢集資料
★ 強韌概似函數
★ 多元負二項模型
★ 多元常態模型

關鍵字(英)

★ cluster data
★ exchangeable correlation
★ normal model
★ negative binomial model
★ power

論文目次

目錄
摘要 I
Abstract II
致謝辭 III
目錄 IV
表目錄 VI
第一章緒論 1
第二章 Tokola等人所提的方法 3
2.1 迴歸模型的建立 3
2.2 統計檢定量與其大樣本性質 4
第三章強韌概似函數 6
第四章多元負二項模型與多元常態模型 8
4.1多元負二項模型 8
4.1-1多元負二項模型的參數估計量 9
4.1-2多元負二項模型之修正項 11
4.2多元常態模型 16
4.2-1多元常態模型的參數估計 17
4.2-2多元常態模型之修正項 21
第五章檢定力的比較 26
5-1 不同方法之大小關係 26
5-2不同方法之檢定力比較 35
第六章模擬研究 38
6-1資料的生成方法與模擬所用符號的定義 38
6-2 模擬的結果 40
第七章結論 47
參考文獻 48

參考文獻

Arbous, A. G. and Kerrich, J. E. (1951). Accident statistics and theconcept of accident proneness. Biometrics, 7, 340-432.
Chen, C. H. and Tsou, T. S. (2011). Robust likelihood inferences for multivariate correlated data. Journal of Applied Statistics, 38, 2901-2910.
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, 391-404.
Solis-Trapala, I. L. and Farewell, V. T. (2005). Regression analysis of overdispersed correlated count data with subject specific covariates. Statistics in Medicine, 24, 2557-2575.
Tokola, K., Larocque, D., Nevalainen, J. and Oja, H. (2011). Power, sample size and sampling costs for clustered data. Statistics & Probability Letters, 81, 852-860.
Tsou, T.S. (2006). Robust Poisson regression. Journal of Statistical Planning and Inference, 136, 3173-3186.
Tsou, T. S. and Chen, C. H. (2008). Comparing means of several 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

2013-7-17

推文