论文部分内容阅读
广义线性模型适用于连续数据和离散数据,在生物、医学、经济和社会学等领域都有广泛应用。论文主要目的是研究当广义线性模型(GLM)中存在不完全数据时,模型参数的极大似然估计问题。 论文首先介绍了GLM产生的实际背景和在国内外的发展状况,然后介绍了论文需要的理论知识:Newton-Raphson算法、EM算法和Markov链抽样的Metropolis-Hasting算法。 论文主要工作在第三至第五章。第三章在协变量和响应变量都为离散变量、且协变量和响应变量皆随机缺失条件下,得到了参数估计 EM算法表达式,并用Louis方法给出了模型参数估计的渐近方差。第四章给出了协变量和响应变量缺失机制不可忽略,且缺失变量可以是离散、连续或混合变量情况下,模型参数估计的EM算法,并讨论了为缺失机制建模的策略问题。第五章对缺失机制不可忽略的广义线性混合模型(GLMM)中的不完全数据,研究了模型参数的极大似然估计,给出了估计参数的Monte Carlo EM(MCEM)算法和Monte Carlo Newton-Raphson(MCNR)算法。 论文对文中给出的典型算法进行了随机模拟,尤其是对缺失机制不可忽略情况,模拟结果表明:若模型中不考虑缺失机制而简单地剔除缺失观测,将导致参数估计的较大偏差。