個數資料之過離散性的強韌推論

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：25

、訪客IP：3.133.109.58

姓名

曹雅婷(Ya-ting Tsao) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

個數資料之過離散性的強韌推論
(Inference for overdispersion in count data without making distributional assumptions)

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
★ 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

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]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

本文之目的在於利用，當估計模型假設錯誤時，Bartlett的第二等式不正確的性質，來提出一個估計具有過離散性的個數資料之過離散係數的方法。再根據Presnell與Boos(2004)在附錄所提出的方法來估計過離散係數估計量的變異數，並探討估計方法的有效性。
論文中提出一個不需知道正確模型下估計過離散係數之方法，適用於對數迴歸模型或其他合理的迴歸模型。

摘要(英)

This thesis provides a method for estimating the over-dispersion count data. And this method adopts the poisson distribution as the working model.
The violation of the Bartlett’s second identity is then made use of to give rise to a useful formula for the estimation of the over-dispersion. This new means is applicable for any sensible link function that relates the response probabilities to the variates.

關鍵字(中)

★ 過離散性的個數資料
★ Bartlett第二等式
★ 對數迴歸模型

關鍵字(英)

★ Bartlett's second identity
★ over-dispersion count data
★ log regression model

論文目次

摘要 i
Abstract ii
致謝辭 iii
目錄 iv
表目錄 v
第一章緒論 1
第二章費雪訊息的兩種表示方法 2
第三章卜瓦松實作模型下費雪訊息的兩種表示方法 4
3.1 一般連結下費雪訊息的兩種表示方法 4
3.2過離散係數的估計量 6
3.3過離散係數估計量的變異數估計量 12
第四章模擬研究 25
4.1廣義負二項模型與卜瓦松-伽瑪的廣義階乘線性模型 25
4.2資料生成 28
第五章實例分析 44
第六章結論 51
參考文獻 52

參考文獻

1.Bartlett, M. S. (1953). Approximate confidence intervals. Biometrika. 40, 12-19.
2.Bissell, A. F. (1972). A Negative Binomial Model with Varying Element Sizes. Biometrika. 59, 435-441.
3.Brett, P and Dennis, D. B. (2004). The IOS Test for Model Misspecification. Journal of the American Statistical Association. 99, 216-227.
4.Casella, G. and Berger, R. L. (2002). Statistical Inference. (2nd ed.) Pacific Grove, CA: Thompson Learning.
5.Harville, D. A. (1997). Matrix Algebra From a Statistician’s Perspective. New York：Springer-Verlag.
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 (with discussion). Journal of the Royal Statistical Societ. Series B, 58, 619-678.
8.Lee, Y. and Nelder, J. A. (2000). Two ways of modelling overdispersion in non-normal data. Journal of the Royal Statistical Society. 49, 591-598.
9.McCullagh, P. (1983). Quasi-likelihood functions. The Annals of Statistics. 11, 59-67.
10.McCullagh, P. and Nelder, J. A. (1989) Generalized Linear Models. (2nd ed.) London：Chapman and Hall.
11.Puig, P. and Valero, J. (2006). Count data distributions: some characteriza-
tions with applications. Journal of the American Statistical Association. Series C (Applied Statistics). 101, 332-340.
12.Yang, Z., Hardin, 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.

指導教授

鄒宗山(Tsung-shan Tsou)

審核日期

2011-7-8

推文