最近很多研究者們關注識別不同的亞組。其中精準醫(yī)療是亞組分析中很常見的應用,精準醫(yī)療追求的是對不同亞組的患者給予不同的治療。由于不同的患者在基因,環(huán)境,年齡和體重等方面會有所不同,所以對不同亞組的患者給予針對性的治療能達到更好的醫(yī)療效果(Ma and Huang,2017)。亞組分析的另一個廣泛應用就是精準營銷。針對消費者不同的消費行為和喜好實施不同的營銷策略。精準營銷可以為消費者提供個性化的服務,識別不同的亞組有助于企業(yè)提高其利潤(You et al,2015)。因此,正確識別不同的亞組來提高效益是一個非常有意義的事情。在本文第二章中我們研究了異質(zhì)可加部分線性模型的亞組識別問題。異質(zhì)可加部分線性模型在實際應用中更加靈活和廣泛,該模型結(jié)合了參數(shù)和非參數(shù)成分,對每個變量既有簡單直接的解釋性同時避免了維數(shù)災難問題。而且我們提出的模型結(jié)合了線性,非線性和異質(zhì)性,更加具有一般性,有效性和適應性。作為可加部分線性模型的推廣模型,異質(zhì)可加部分線性模型包括同質(zhì)的線性成分和與對象相關的可加成分,但是我們事先并不知道與對象相關的可加成分的組構(gòu)成信息。這樣的模型對于解決一些特殊的問題比如精準醫(yī)療和精準營銷更...

【文章頁數(shù)】：106 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 亞組分析
    1.2 重復測量數(shù)據(jù)
    1.3 變量選擇
    1.4 交互模型的變量選擇
第二章 異質(zhì)可加部分線性模型的亞組分析
    2.1 引言
    2.2 異質(zhì)可加部分線性模型
        2.2.1 樣條擬合
        2.2.2 亞組識別程序
        2.2.3 算法
    2.3 理論性質(zhì)
    2.4 模擬研究
        2.4.1 蒙特卡洛模擬
        2.4.2 實際數(shù)據(jù)分析
    2.5 附錄:證明
第三章 重復測量數(shù)據(jù)的融合效應
    3.1 引言
    3.2 重復測量數(shù)據(jù)的融合效應
        3.2.1 融合性懲罰
        3.2.2 基于ADMM算法的估計程序
    3.3 數(shù)值研究
        3.3.1 蒙特卡洛模擬
        3.3.2 實際數(shù)據(jù)分析
第四章 高維多元響應變量交互模型特征篩選
    4.1 引言
    4.2 高維多元響應變量交互模型特征篩選
        4.2.1 投影法交互項篩選
        4.2.2 主效應和交互項篩選
        4.2.3 篩選算法
    4.3 理論性質(zhì)
    4.4 模擬研究
    4.5 附錄: 證明
第五章 總結(jié)與展望
參考文獻
致謝
博士期間發(fā)表的論文
學位論文評閱及答辯情況表



本文編號：3854604