在實(shí)際應(yīng)用中,人們廣泛使用線性混合模型（linear mixed models,簡稱LMMs）、廣義線性模型（generalized linear models,簡稱GLMs）、廣義線性混合模型（generalized linear mixed models,簡稱GLMMs）等工具來分析各類實(shí)際數(shù)據(jù)。特別地,其中廣義線性混合模型在非壽險精算,醫(yī)學(xué),生態(tài)學(xué),傳染病學(xué)等領(lǐng)域中存在大量潛在應(yīng)用。然而,相比其他模型而言,廣義線性混合模型的估計(jì)涉及高維積分問題,因此其實(shí)際計(jì)算較為困難。在現(xiàn)有文獻(xiàn)中,Breslow和Clayton（1993）^[3]最早探討了如何采用Laplace方法進(jìn)行快速近似計(jì)算相關(guān)擬似然估計(jì)的問題,并提出了一類基于懲罰擬似然的計(jì)算方法（簡記為PQL,Penalized Quasi-Likelihood）,并推導(dǎo)了相關(guān)方法的理論性質(zhì)。然后,近年來隨著數(shù)據(jù)搜集越來越便利,海量數(shù)據(jù)逐漸出現(xiàn),這給相關(guān)模型的實(shí)際應(yīng)用帶來極大挑戰(zhàn)。在大數(shù)據(jù)情形下,Jordan等（2018）^[18]提出了針對線性模型、廣義線性等模型的通信有效推斷方法。考慮到Jo... 

【文章來源】：江西財經(jīng)大學(xué)江西省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

PQL和CSQL方法的性能與數(shù)據(jù)分割數(shù)的關(guān)系

廣義線性混合模型中的通信有效分布式統(tǒng)計(jì)計(jì)算36表示）、出院傾向（用dischargedisposition表示）、入院醫(yī)師的醫(yī)學(xué)專業(yè)（用medicalspecialtyoftheadmittingphysician表示）、住院時間（用timespentinhospital表示）。這些協(xié)變量都在BeataStrack等(2014)[38]的表1中進(jìn)行了描述。每個患者EncounterID被認(rèn)為是隨機(jī)效應(yīng)，擬合的模型可表達(dá)成以下形式：(μ)=0Χ0+1Χ1+2Χ2+3Χ3+4Χ4+5Χ5+6Χ6+其中，μ=Readmission，Χ0=Gender，Χ1=Age，Χ2=Rac，Χ3=Admissionsource，Χ4=Dischargedisposition，Χ5=medicalspecialty，Χ6=Timespentinhospital，(=1,,6;=1,,)是logistic回歸的固定效應(yīng)，是第個患者的EncounterID的隨機(jī)截距。圖2：混合logistic回歸PQL和CSQL方法的性能與數(shù)據(jù)分割數(shù)的關(guān)系3.4本章小結(jié)本章展開解釋了實(shí)證數(shù)據(jù)分析，運(yùn)用數(shù)字研究和教育研究所（InstituteforDigitalResearchandEducation，簡稱IDRE）的數(shù)據(jù)與UC-Irvine機(jī)器學(xué)習(xí)庫數(shù)據(jù)集的實(shí)證數(shù)據(jù)進(jìn)行了實(shí)證分析，具體得出的結(jié)論如下：(1)本章首先對IDRE的數(shù)據(jù)選取這些變量：年齡（用Age表示），結(jié)婚的（用Married表示），性別（用Sex表示），（4）紅細(xì)胞（RedBloodCell簡稱RBC），白細(xì)胞（WhiteBloodCell簡稱WBC）和每個醫(yī)生的固定截距和隨機(jī)截距來說明


本文編號：2912374