本文重點討論了右刪失數(shù)據(jù)下的線性轉(zhuǎn)換混合治愈模型。線性轉(zhuǎn)換模型在不同的變換族G下會有不同的形式,本文只針對G為對數(shù)變換族的情況進(jìn)行討論,并希望與傳統(tǒng)的Cox比例風(fēng)險模型（PH）和比例優(yōu)勢模型（PO）進(jìn)行比較,PH和PO模型是線性轉(zhuǎn)換模型的兩類特殊情況。我們利用Bernstein多項式對基準(zhǔn)風(fēng)險函數(shù)進(jìn)行逼近,這樣做不僅可以達(dá)到逼近精度的要求,同時通過Bernstein多項式可以輕易的施加各種形狀約束,更為靈活,同時執(zhí)行起來更方便。我們將事先可能掌握到的形狀信息通過對參數(shù)施加約束,作為貝葉斯方法中的先驗信息,并且使用無信息的最大熵先驗。在貝葉斯方法的數(shù)值計算上,我們使用了MCMC算法,具體是將Gibbs抽樣與MH算法結(jié)合的方式從后驗分布中進(jìn)行抽樣,然后利用抽樣結(jié)果做進(jìn)一步統(tǒng)計推斷。模型選擇我們使用的是CPO和DIC統(tǒng)計量。在模擬中對于曲線部分估計好壞的評價標(biāo)準(zhǔn),我們使用的是積分絕對誤差（IAE）,通過IAE的箱線圖可以對估計結(jié)果進(jìn)行直觀的比較。我們通過不同樣本量下的模擬,得到了隨著樣本量的增大,參數(shù)和曲線部分都在逐漸逼近真實情況,并且波動在逐漸變小。從模擬實驗中可以看出帶約束的極大似然方法... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：33 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
引言
1 模型和方法
    1.1 模型介紹
    1.2 Bernstein多項式
        1.2.1 基本介紹
        1.2.2 形狀約束
        1.2.3 性質(zhì)
    1.3 估計方法
        1.3.1 極大似然估計
        1.3.2 貝葉斯估計
2 模型選擇
3 模擬
4 實例分析
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
碩士論文
[1]復(fù)發(fā)事件過程中混合治愈模型及其統(tǒng)計分析[D]. 曾小鳳.海南師范大學(xué) 2015



本文編號：3606676