面板数据模型中的后模拟和贝叶斯因子.docVIP

PAGE PAGE 16 面板数据模型中的后模拟和贝叶斯因子 摘 要 本文所关注的问题是关于泊松面板数据模型与多个随机效应的后模拟和模型选择的问题。已经被发展了的有效算法是以马尔可夫链蒙特卡罗方法为基础的，而马尔可夫链蒙特卡罗这种方法主要用于后验分布的抽样。数学家提出了一种新的参数化的随机效应和固定效应，且与常用的参数作比较；并且也认可了通过Chib方法的边缘似然和贝叶斯因子的计算。这些方法可以通过两个涉及大样本和多个随机效应的真实数据来论证。 关键词：贝叶斯因子；计数数据；Gibbs抽样；重要性抽样；边缘似 然；Metropolis-Dhastings算法；马尔科夫链蒙特卡罗；泊松回归 1.引言 本文涉及的问题是带有多个随机效应的面板数据模型与估计的问题。虽然我们专注于数据资料，但是我们的很多讨论也适用于二进制数据和广义线性模型。我们感兴趣的是程序，这些程序允许那些（似然函数通常不可得到的）模型和方法具有一个高效的估计，那些方法是被用来比较替换、潜在的非嵌套、模型的方法。从各种数值的角度来看，越来越多的文献已经开始出现在一些问题中，这些问题主要是围绕马尔可夫链蒙特卡罗算法（Albert，1992 ； Bennett等，1996 ; Gamerman，1994; Wakefield等，1994；Zeger和Karim，1991）。它也已经开始了解到某种特定的识别问题会严重的损害现有模拟方法的性能。Gelfand等人（1996）讨论了一种方法来处理这个问题，但是这种方法对于我们所研究的模型看起来在计 算上不是那么简单的。 本文在三个重要方向推进现有的文献。首先，我们提出了一种参数化模型，关系到Gelfand等人（1996），这种模型实现起来比较简单。固定效应时的参数协变量矩阵和随机效应时的参数协变量矩阵是完全不同的，而且随机效应具有非零平均值。其次，我们开发基于马尔科夫链蒙特卡罗方法的高效算法，这个方法用在参数的后验分布的抽样和随机效应中。在模型的参数化被提议的同时，这些算法提供了一个大大改善现有的方法，这个方法用于后验分布的抽样。最后，我们开发用于计算贝叶斯因子（卡斯和拉夫特里，1995）替代面板计数模型的方法。这种方法是基于CHIB（1995）的工作，相比于由Carlin（1995）、CHIB（1995）和Green（1995）描述的替代方法，这种方法很容易被应用。据我们所知，贝叶斯因子面板计数数据模型未曾计算。 本文的其余部分安排如下。在第2节我们讨论后验分布的模拟，并考虑几个不同的程序，每一种都是在Metropolis-Hastings步骤中的提案密度下的一个特定的选择下定义的。在第3节我们将展示边缘似然是如何从马尔科夫链蒙特卡罗输出计算的。通过魏和坦纳的蒙特卡洛EM（MCEM）算法的改进（1991）和重要性抽样的似然函数的计算，所以本节也占据了最大似然估计的计算。第4节中，我们考虑两个应用程序的技巧，首先要是对癫痫患者的药物氟柳双胺抗癫痫药的效果的数据为例，然后以专利数据680家公司在美国的纵向试样。结束语出现在第5节后面的附录。 2.马尔科夫链蒙特卡罗抽样方法 2.1 模型和新的参数 设是对主题的计数数据，，在整个时间段 中。模型是指定在参数条件和随机效应下的 模型，且是独立同分布于泊松分布，即 其中满足条件：，通常情况下协变量和不包含任何变量，而且表示变量服从正态分布。 我们的参数具有两个新的特点：向量是非零的且协变量和中不允许有共同的变量。在以前的配方中，为的子集且（例如，Laird 和Ware，1982）。在马尔可夫链蒙特卡洛方法的内容下由于识别问题这个参数不被推荐。要查看这个原因，我们假设为简单起见，假设和之间的重叠仅是而且定义，所以，但第一项是对和是同等观察的，暗示是不确实性识别的（o’Hagan，1994）。通过的先验分布必须完全地完成识别。因此，如果数据包含相当大的异质性导致了很大的差异，那么任何模拟和的马尔科夫链蒙特卡罗算法不会有很好的结合。我们通过假设参数服从先验分布 其中是超参数，是以为自由度和(Press,1989）为尺度参数的Wishart分布。这些分布在代表先验信息的参数中是灵活的。 2.2 似然函数 对于估计计算算法是需要的，因为这种模型的似然函数是复杂和棘手的。似然函数可以正式表示如下。 设表示第个族上的看法。在有条件的独立性下 和 是的联合密度函数，其中是带有条件均值的泊松质量函数,而且 是均值为协方差为的正态分布。这种参数由给出的，似然函数是通过 （1） 来给出的。似然函数的难解性来自于方程的积分。 2