论文部分内容阅读
在医学科研过程中,当实际数据不符合既定线性回归模型暗含的理想分布或模型选择有误而有异常数据出现时,经典的最小二乘估计会受到很大影响甚至得到完全错误的结论。本研究在回顾、比较某些现代回归分析研究成果基础上,重点解决多个异常点存在时经典方法不能奏效的回归诊断与影响分析问题,并尝试提出对现有方法的改进,同时探讨某些稳健性较高的回归估计方法,以实现对医用回归分析中某些病态数据的“诊疗”方法,促进医学回归分析的正确应用。 1.概要介绍了稳健统计方法的起源、发展、定义及其分析目的与主要研究内容,描述了Huber的最小最大方法与Hampel的极微小方法基本思想,强调稳健性与估计的一致性、有效性、无偏性等一样应成为评价某一统计分析技术的重要指标,经典方法属于相应稳健方法的某个特例。 2.结合稳健性理论的有关内容对稳健回归估计技术作出了较为全面的回顾与评价,在此基础上详细探讨了线性回归模型的M估计、GM估计、基于Wilcoxon秩次的R估计、高失效点HBP估计及其基础上的两阶段稳健回归方法及其稳健性质,给出了它们的估计与假设检验算法。其中首次将Rousseeuw & Croux用于单变量情况的尺度估计S_n引入稳健回归,比常用的绝对离差中位数MAD作尺度参数估计提高了估计效率。 3.说明了回归数据中异常点的分类、可能的发生原因及其处理原则,介绍了基于数据删除模型与均数漂移模型的经典诊断量,并分析了多个异常数据情况下掩盖与淹没现象带来的困难及后果,针对此问题详细回顾了文献中尝试解决回归诊断中掩盖现象的方法,指出其中存在的问题。 4.使用了稳健估计得到的标准化残差或稳健距离作为诊断量并结合其直观的诊断图示可将回归数据分为正常点、垂直异常点、无影响异常点和有影响异常