混合效应模型的非参数贝叶斯分位回归方法研究
2016-04-15分类号：O212.8
【部门】华中师范大学数学与统计学学院 湖北工业大学理学院 中国人民大学统计学院 中国人民大学应用统计研究中心
【摘要】本文对混合效应模型提出了一种非参数贝叶斯分位回归方法,通过引进一种新的分层有限正态混合分布,将分位回归建模时对随机误差项的假定放宽至仅有分位点约束之下。通过对混合比例参数假设广泛灵活的Stick-Breaking先验,使得模型捕捉复杂数据分布信息的能力更强。在建立的非参数贝叶斯分层分位回归模型中引入潜变量,使模型参数估计的Gibbs抽样算法中原来每次需要计算(2M)N项函数值变为每次只需计算N项即可。蒙特卡罗模拟显示,在误差分布函数变得较为复杂时,非参数贝叶斯分位回归方法比参数方法在估计效果上有更大的优势。
【关键词】混合效应模型 有限正态混合分布 Stick-Breaking先验 潜变量 Gibbs抽样算法
【基金】国家自然科学基金“基于当代分位回归与鞍点逼近方法的复杂数据分析”(11271368);; 教育部人文社会科学青年基金“面板数据的分位回归方法及其变量选择问题研究”(13YJC790105);; 湖北省教育厅人文社科项目“面板数据的分位回归方法及其应用研究”(2012G078);; 湖北工业大学博士科研启动基金“高维复杂纵向数据的分位回归建模研究”(BSQD13050)资助
【所属期刊栏目】统计研究
文献传递
