在實際應用中,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際數據。特別地,其中廣義線性混合模型在非壽險精算,醫(yī)學,生態(tài)學,傳染病學等領域中存在大量潛在應用。然而,相比其他模型而言,廣義線性混合模型的估計涉及高維積分問題,因此其實際計算較為困難。在現有文獻中,Breslow和Clayton（1993）^[3]最早探討了如何采用Laplace方法進行快速近似計算相關擬似然估計的問題,并提出了一類基于懲罰擬似然的計算方法（簡記為PQL,Penalized Quasi-Likelihood）,并推導了相關方法的理論性質。然后,近年來隨著數據搜集越來越便利,海量數據逐漸出現,這給相關模型的實際應用帶來極大挑戰(zhàn)。在大數據情形下,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�？紤]到Jo... 

【文章來源】：江西財經大學江西省

【文章頁數】：60 頁

【學位級別】：碩士

【部分圖文】：

PQL和CSQL方法的性能與數據分割數的關系

廣義線性混合模型中的通信有效分布式統(tǒng)計計算36表示）、出院傾向（用dischargedisposition表示）、入院醫(yī)師的醫(yī)學專業(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中進行了描述。每個患者EncounterID被認為是隨機效應，擬合的模型可表達成以下形式：(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，是第個患者的EncounterID的隨機截距。圖2：混合logistic回歸PQL和CSQL方法的性能與數據分割數的關系3.4本章小結本章展開解釋了實證數據分析，運用數字研究和教育研究所（InstituteforDigitalResearchandEducation，簡稱IDRE）的數據與UC-Irvine機器學習庫數據集的實證數據進行了實證分析，具體得出的結論如下：(1)本章首先對IDRE的數據選取這些變量：年齡（用Age表示），結婚的（用Married表示），性別（用Sex表示），（4）紅細胞（RedBloodCell簡稱RBC），白細胞（WhiteBloodCell簡稱WBC）和每個醫(yī)生的固定截距和隨機截距來說明


本文編號：2912374