阶层概似函数方法於广义线性混合模式之应用.pdfVIP

阶层概似函数方法於广义线性混合模式之应用.pdf

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
階層概似函數方法於廣義線性混合模式之應用 蔡秒玉 李易儒 國立彰化師範大學統計資訊所 摘 要 廣義線性混合模式 (generalized linear mixed models; GLMMs) 是一個相關性資料所常用的模式, 若隨機效應參數較 多, 則此模式的邊 際概似函數就必須以高維度積分的方式求得, 因此參數估計則顯得相當 複雜。 Lee Nelder (1996) 提 出 hierarchical-likelihood 的方法應用 於結構複雜的模式, 同時可避免 困難 的積分運算, 但此方法必須配合使 用牛頓演算法來估計 固定效應及變異數成份 , 也因此在某些情況下會有 參數估計值不收斂的問題, 本文將使 用牛頓演算法的修正式來進行改善。 在模擬研究中, 本文以 hierarchical-likelihood 以及 peneralized quasi likelihood (PQL) 的方法估計廣義線性混合模式中變異數成份的最大概 似估計值 以及有限制的最大概似估計值 , 從結果可以發現 hierarchical- likelihood 的方法比 PQL 來得穩定而且精準; 在雙胞胎家庭近視資料 實例中, 本文亦使用 hierarchical-likelihood 的方法進行分析 , 從結果 可知在調整 了環境與視力相關變項後, 顯示環境與遺傳因子皆與近視度 數息息相 關。 關鍵詞: 廣義線性混合模式, 階層概似函數 , 牛頓演算法, peneralized quasi likelihood。 JEL classification: C13, C33. 200 MIAO-YU TSAI AND YI-RU LI 前言 在醫學研究中, 常常會遇到具有相關性且結構複雜的資料 , 例如以家庭為單位的兒童近視臨 床試驗 , 或者在不同時間點進行重複測量的長期追蹤資料等。 若此相關性資料屬於連續型, 則 可以使用線性混合模式 (linear mixed model; LMM) 來配適資料 ; 若觀測值不服從常態分配, 則可考慮廣義線性混合模式 (generalized linear mixed model; GLMM) 來描述此種資料型 態。 本文將針對二元離散型的相關性資料 , 並以廣義線性混合模式來建構 , 我們有興趣的是模式 中固定效應 (fixed effect) 與變異數成份 的估計。 在估計的過程中, 必須得 到將隨機效應 (ran- dom effect) 積分後的邊際概似函數 , 然後再計算參數的估計值 , 但邊際概似函數往往無法 以積 分的方法直接求得, 因此參數估計變得相當複雜。 目前有許 多方法可避免掉複雜的積分運算, 例 如 Gauss-Hermit quadrature (GHQ) 以及 Monte-Carlo EM (MCEM), 但上述的方法並不 完善, 例如在隨機效應的變異數成份為二維以上的模式中,GHQ 所估計的參數會產生很嚴重的 偏誤 , 並且 GHQ 不能分析較複雜的巢狀資料 (Wolfinger 1999)。 此外, 在估計的過程中,GHQ 與 MCEM 需要相當 多的計算時間, 且當變異數成份 的維度增加時, 此耗 費時間的問題會變得 相當嚴重。 由於本文所處理的資料型態為複雜的巢狀資料 , 在建構模式的過程 中, 我們將以不 同的變異數成份來描述資料 間的相關性, 因此將不討論 GHQ 與 MCEM 兩種方法。 Breslow Clayton (1993) 所提 出的 peneralized quasi likelihood (PQL) 方法可以用來估計廣義 線性混合模式中的固定效應與變異數成份 , 且

文档评论(0)

yuxiufeng + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档