基于Gibbs抽样缺失数据下混合模型的参数估计.pdfVIP

理 论 新 探 基于Gibbs 样缺失数据下混合模型的参数估计 张秀伟 ，张香云 (1．苏州科技学院 数理学院；江苏苏州215009；2．浙’江农林大学 理学院，浙江 临安311300) 摘 要：文章依据贝叶斯原理，基于MCMC方法推导了缺失数据下混合模型的参数估计迭代公式．以8个杉 木固定样地观测资料数据建立混合模型，通过计算机模拟，得到了缺失30％时参数的估计结果，并与线性模型 下三种方法的估计结果做了比较分析。 关键词：Gibbs抽样；混合模型；参数估计；缺失数据 中图分类号：0212 文献标识码：A 文章编号：1002—6487(2013)16—0010—02 0 引言 给定起始点 叭‘：f …，’1，重复上面的第(1)至 对于正态混合模型参数估计前人 已经作了许多研究， (k)步得到Markov链： ’ BilmesJ用基于极大似然估计的EM算法完成了正态混合 = ({”…．，”)，=‘(…．，f2)，．．．，。=(…“．，。)…， 模型的参数估计，Figueiredo又用改进的EM算法对正态混 使Markov链达到均衡状态的样本 0“即可作为 合模型进行了参数估计。ill中用Gibbs抽样方法，推导了 p(olso)的样本。 正态?昆合模型参数估计的迭代公式．本文是在具有缺失数 据时推导混合模型的参数估计的迭代公式，并对于数据缺 失30％时的结果与线性模型下三种方法的估计结果进行 2 缺失数据下混合模型的参数估计 了比较 2．1 混合模 型 1 Gibbs抽样 设完全数据时，}昆合模型为 Yl=Xl8+Z t+et t1 MCMC方法是通过建立一个平稳分布为p(01~”1的 这里 ：x(p)和 z(g)是协方差矩阵 ， ×是 回归 系数矩阵，bi(×r1是单元i的系数矩阵，设 ～N(O，∑)， Mark。v链来获得P(OIx”1的样本，对于获得的样本再作统 b～N(0，) 1，…，，则Y～～(x ，W,7)，其中 计推断，最简单 、应用较广泛的MCMC方法是Gibbs抽样 ， 已是 1984年 由s．Genmn和D．Geman在 图像分析时所提出 = (J， )( )+(∑L) 的。 2．2 MCMC方法的多重借补 设第 次迭代开始时的估计值为 ‘”，则第 次迭 y=(YI,Y2…．，Y)是可忽略随机缺失， 1表示 代由以下走步完成，Gibbs抽样方法的步骤为： 的观 测 部 分 ， y 、表 示 的缺 失 部 分 ，且 记 (1)从满条件分布pf1，H…．，H‘1中抽取 = (Yl(。Y2(… ()， =(Ylm(is)，Y2训(… ())， 样本 ； 未知参数记为 =(，∑，)。 (2)从满条件分布p(o，∽，3H…．，H‘]中 多重借补，即从缺失数据的后验分布抽取M个独立样 本 ，…，y…(m’ 抽取样本02‘ 按照基本 的Bayesian理论 ，即可获得给定观测数据