一、指数族半参数非线性模型的变离差检验（论文文献综述）
付宇[1]（2020）在《城市区域路网运行评价与影响模型研究》文中研究表明交通拥堵如今已成为困扰各大城市可持续发展的重大难题,严重影响着城市路网交通运行质量。传统的道路拥堵评价通常以路段为最小分析对象,通过路段的累加或平均来刻画道路网的运行状况,但由于忽视了路段间的互相影响,无法科学解析道路路网的交互关系,难以针对性地评估路网整体运行质量和提升运行效率。如何科学客观的表征路网运行变化的时空特征和评价城市道路网的运行质量,日益成为城市交通运行领域关注的重大问题。本文从区域层面探究城市路网运行状态,基于多源城市交通基础数据和路网动态运行数据,建立了城市区域路网运行质量评价指标体系,来反映不同类型区域运行状态多维特征,并提出区域路网运行质量影响模型,实现了对区域路网运行状态评分及因素影响关系刻画。论文首先梳理了国内外关于城市交通运行状态评价、影响因素探究及质量影响模型的研究现状,基于兴趣点、路网结构、区域交通指数和道路交通量数据,从交通拥堵强度、拥堵程度及影响范围三个维度构建了城市区域路网运行状态评价指标体系及指标计算方法。以北京市中心城区59个区域为例,使用凝聚层级法（HAC）进行路网运行状态聚类,并分析典型区域交通运行状态变化特征。在城市区域路网运行状态分类的基础上,进一步对区域路网运行状态开展定量化评价。论文基于信息熵理论提出了一套路网运行质量评分算法,用以定量化地描述各区域的拥堵水平。为了进一步探究区域路网运行状态的影响特征,研究从用地属性、路网结构、交通流量三个方面建立了影响因素集。采用相关系数法对区域路网运行状态影响因素进行了自相关性分析及Spearman相关系数分析,以检验影响因素的显着性,结果表明办公密度、医疗保健密度、路网密度、高等级道路比、道路日均通行量、购物服务密度、体育休闲密度、住宅密度、科教文化密度共9个因素会依次对路网运行状态产生从大到小的显着影响。最后,在评价模型和影响因素显着性分析的基础上,论文构建了基于XGBOOST算法的区域交通运行质量影响模型,应用最优模型进行验证及精度分析,结果表明影响模型的精度可达93%以上。与普通线性回归、贝叶斯岭回归、弹性网络回归、支持向量机回归模型的对比实验表明,在交叉验证及各项评分中本文所构建的模型均表现最优,证明本模型更适合于非线性、多参数的回归分析。本文的研究结论有助于政府及监管部门识别重点拥堵区域,从而面向不同拥堵类型的区域可以有针对性地制定相应改善性对策和措施,对区域运行质量的影响因素探究和定量化评价具有重要的现实意义和理论支撑。
刘洋洋[2]（2019）在《广义非线性模型的Bayes统计诊断》文中研究指明本文研究了广义非线性模型的Bayes统计诊断问题。首先,对广义非线性模型进行参数估计,提出从参数的条件后验分布中抽取观测值来估计参数值的Bayes估计法。利用MCMC方法中的M-H算法和Gibbs抽样算法相结合的混合算法进行分析,通过参数的条件后验分布抽取出每次迭代时的参数值,并利用参数的样本路径图和均值遍历图验证迭代时马尔科夫链的收敛性。计算马尔科夫链达到收敛后参数的后验均值,从而得到参数的Bayes估计。其次,从数据删除模型和Bayes局部影响分析两方面入手对模型进行统计诊断。基于数据删除模型,利用MCMC方法求出的数据删除前后参数的后验均值,得到Cook后验均值距离和偏差度统计量来判定删除的数据点是否为异常点或强影响点;然后利用Bayes局部影响分析的方法来评价先验分布、样本分布和样本数据的微小扰动对模型的影响程度,以Bayes因子或Cook后验均值距离为目标函数,建立一阶影响测度、一阶调整影响测度或二阶影响测度、二阶调整影响测度对模型进行局部影响分析,并识别出强影响点。最后,通过实例分析,对数据进行Bayes参数估计和异常点或强影响点的识别,从而验证广义非线性模型中Bayes统计诊断方法的有效性和可行性.
夏业茂,勾建伟[3]（2015）在《评价多水平因子分析模型的异质性:半参数贝叶斯方法》文中认为数据的异质性因相关的解释变量被排除在既定模型.然而,目前经典统计方法难以处理的异质参数的依赖关系或"结".为了解决非均质参数之间的依赖关系,本文基于多水平因子分析模型提出一个半参数贝叶斯分析程序.对于模型的截距和/或协方差结构参数的分布赋予折断的Dirichlet过程先验.在贝叶斯马尔可夫链蒙特卡罗框架内,分块Gibbs抽样器被用来执行后验分析.统计推断的基础上进行这些观察的经验分布.仿真研究表明,忽略了非均质参数之间的联系会导致不变参数估计产生严重的偏差.
徐登可[4]（2013）在《异方差模型的统计推断》文中提出在经典的线性回归模型中,观测值的方差齐性是一个基本的假定.在此假定下,方可进行常规的统计推断.若方差非齐而且未知,则回归分析将会遇到诸多问题.人们发现在现实生活中,异方差数据是大量存在的,所以观测值的方差齐性这种假定有时并不切合实际.若方差非齐,我们称为异方差.处理异方差的方法常见的有两类.第一类,数据变换法,如方差稳定化变换和经典的Box-Cox变换.经过变换后转化为同方差处理.第二类,方差建模法.不仅对均值而且也对方差建立统计模型,称为异方差回归模型,我们也称之为均值-方差模型.该模型的主要特点就是体现在对方差的重视,它能更好的解释数据变化的原因和规律,这也是数据分析中一个重要的发展趋势.因此,对均值-方差模型进行系统深入地研究是十分必要的.另外众所周知,变量选择是现代统计分析中的一个重要内容,也是当今研究的热点课题.目前,大多数文献集中于对均值回归模型的变量选择,然而对均值-方差模型同时进行变量选择的研究还不多见.我们也明白,均值-方差模型同时变量选择对了解复杂的社会经济现象和工业产品的质量改进试验具有十分重要的意义.本论文针对异方差回归模型,主要系统研究了均值方差联合建模结构下的统计推断问题,包括高维数据、纵向数据和偏态数据等复杂数据下双重广义线性模型和半参数均值方差模型等异方差回归模型的变量选择问题、方差齐性检验问题以及贝叶斯估计问题.具体地讲,论文的研究内容有以下几个方面:对高维数据下双重广义线性模型,提出了一个基于惩罚伪似然的变量选择方法.该方法能同时选择均值模型和方差模型中参数部分的重要解释变量.进一步地,对于适当选取的调整参数,证明了这种变量选择方法是相合的,回归系数的估计具有Oracle性质.最后通过随机模拟和实际例子分析研究了所提出方法的有限样本性质.其次,在纵向数据下,我们联合对均值和协方差矩阵进行建模,基于惩罚似然的思想提出了一种变量选择方法.针对协方差矩阵分解我们使用了一种新的分解方法,它具有滑动平均模型的解释.该方法能对均值和协方差结构进行同时变量选择,这样可以减少模型偏差和模型复杂度.在一些正则条件下,也证明了惩罚极大似然估计具有渐近相合性和渐近正态性.随机模拟结果也表明所提出的变量选择方法是有效的.对半参数均值方差模型,基于限制似然和惩罚似然的思想提出了一种可行的变量选择方法.在模型中,非参数部分采用B样条逼近.在适当选取的调整参数下,证明了变量选择的相合性.我们的方法能同时对均值模型和方差模型进行变量选择和参数估计,并且得到的非参数估计也能达到最优的收敛速度.另外,通过随机模拟和实例分析表明所提出的方法具有较好的有限样本性质.对双重logistic模型,考虑其在妊娠期高血压疾病危险因素分析中的具体应用,采用目前比较流行的系数压缩变量选择方法,对危险因素进行变量选择和参数估计.然后基于参数估计提出了一种比较客观的预测方法,并且把基于惩罚扩展拟似然估计的预测结果与基于经典的散度不带结构的极大似然估计得到的预测准确率做比较,得出基于双重logistic模型得到的预测准确率比较高的结论.同时也发现通过变量选择,剔除了很多对妊高病影响很小或者根本不影响的变量,并且最后做预测分析的结果也要比不剔除变量的结果要高,这也说明我们的变量选择方法对于此项研究起到了很大的作用.对偏正态半参数变系数模型,基于B样条逼近给出了模型中的参数部分与非参数部分的估计,也证明了给出的参数估计是相合的和非参数估计达到了最优的非参数收敛速度.其次,对模型进行了异方差检验.我们提出用score检验统计量来实现了对模型的异方差检验.最后通过随机试验结果表明我们的估计方法和检验方法是可行的.最后,基于B样条逼近非参数函数,考虑了半参数均值方差模型的贝叶斯估计.应用联合Gibbs抽样和Metropolis-Hastings算法的有效MCMC算法来获得模型中未知参数的贝叶斯估计.通过模拟研究和实际数据分析来说明所提出的贝叶斯分析方法是有效的.
陈淙洁[5]（2009）在《广义单指标混合模型的方差成分检验》文中认为在一般的回归分析中,观测值独立、方差齐性往往是作为进一步统计推断的基本假设。在广义参数和非参数模型中,虽然不存在方差齐性检验问题,但是方差成分的检验问题仍是研究者们关心的对象。本文利用P-样条的方法来研究广义单指标混合模型的方差成分检验问题。从这个思想出发,第二章简单介绍P-样条的估计方法以及节点的选择和相应的惩罚似然函数,并简单介绍了所用的Score统计量的一般形式。在此基础上,我们得到了检验广义单指标模型离差参数是否为常数的Score统计量。并通过计算机模拟,证实了其有效性和可操作性。由于除去离差参数可能造成偏离差的情况外,随机效应也是造成模型偏离差现象的一个重要原因。并且在离散指数分布族中,由于离差参数恒为1,不存在离差参数偏离的问题。但此时仍存在随机效应造成偏离差的可能性。基于这一思想,第三章推导得到了检验广义单指标混合模型是否存在由随机效应引起的偏大离差问题的Score检验统计量。同样给出计算机模拟,证实了文中所提出方法的可行性和有效性,推广和发展了先前的研究工作。
林金官,李勇,韦博成[6]（2009）在《基于连续可分的广义非线性纵向数据模型偏离名义离差的score检验及其功效》文中提出指数族非线性模型或广义非线性模型是广义线性模型和正态回归模型的自然推广.本文针对可分的连续型指数族回归模型（如正态模型,Γ模型,逆高斯模型）,讨论广义非线性纵向数据模型中偏离名义离差的检验问题,得到了检验的score统计量,并推导了它们的渐近分布和局部近似功效.然后利用Monte Carlo方法研究了检验统计量的性质.最后利用百慕大草地数据说明了检验方法的应用.
马海强[7]（2008）在《变系数模型的统计诊断和影响分析》文中进行了进一步梳理统计诊断是最近二十多年迅速发展起来的一门统计学新分支,它以强烈的应用背景,新颖的统计思想,广泛的研究内容和丰富的实际成果开创了统计学中一个理论与应用紧密结合的新领域。变系数模型是高维数据分析的一个有力工具,也是当今统计学家研究的热点问题该类模型具有稳健,易于解释等优点,涵盖了许多常见的模型,例如可加模型,部分线性模型,线性模型等,已在生物医药,计量经济,环境科学,空间测量等诸多领域得到了广泛的应用。本文针对变系数模型以及由其衍生出的新模型,从不同方面探讨了它们的统计诊断和影响分析等问题。首先,我们简单地介绍了变系数线性模型,变系数广义线性模型,变系数EV模型和统计诊断的基本概念和研究现状;其次,系统地研究了变系数线性模型的统计诊断和影响分析等问题,主要内容包括:基于局部加权最小二乘估计,研究了数据删除模型的影响分析,均值漂移模型与异常点检验,异方差统计诊断等问题,并且给出了广义Cook距离,W-K统计量,似然距离等诊断统计量和Score检验统计量,针对该模型的局部影响分析,我们分别对加权扰动模型,响应变量扰动模型,自变量扰动模型加以研究,得到了影响矩阵的计算公式,实例模拟显示,所给方法都具有可行性和有效性;接着,我们系统地研究了变系数广义线性模型的统计诊断和影响分析等问题,其主要工作包括:进行了诊断模型分析,证明了数据删除模型与均值漂移模型的等价性,得到了一些诊断统计量的简洁计算公式,针对加权扰动模型,响应变量扰动模型,自变量扰动模型,自变量函数的扰动模型,我们研究了这四种扰动模型下的局部影响分析,得到了影响矩阵的计算公式,此外,我们还研究了该模型的方差成分检验问题,分别给出了不同情况下方差成分检验的Score统计量;最后,针对变系数EV模型的统计诊断和影响分析等问题,研究了数据删除模型的影响分析,均值漂移模型与异常点检验,给出了一系列重要的结论和检验统计量,实例模拟显示,这些检验方法都是有效的。
肖爱玲,王志忠[8]（2007）在《广义非线性散度模型变离差的统计分析》文中认为以广义非线性散度模型为基础,通过假定离差是某个协变量的函数或随机函数给出了变离差的Score假设检验,当模型存在变离差和随机变离差时,给出了相应的变离差估计.
韦博成[9]（2007）在《非线性再生散度模型的广义变离差检验》文中认为研究了非线性再生散度模型的广义变离差检验,对于一类常见的正则散度分布族,解决了离差参数的齐性检验问题,得到了检验的似然比统计量和score统计量,并证明了score统计量的渐近χ2性.本文研究的非线性再生散度模型包括了许多常见的统计模型,诸如正态线性和非线性回归模型、广义线性模型和广义非线性模型等;同时,本文结果也适用于某些更复杂的分布,诸如基于极值分布、单纯形分布的非线性模型等.因此本文的结果进一步推广和发展了文献中已有的工作.
石雯[10]（2007）在《一类复杂观测数据模拟的统计诊断及对策》文中指出在科学研究和实际生产的许多领域中，普遍存在着数据的分析处理工作，复杂观测数据的分析处理在实际应用中有很重要的意义。本文针对一类具体的复杂水沙观测数据，在前人研究工作基础上，对所研究的复杂数据进行了统计诊断，建立了普通最小二乘意义下的多元线性回归模型，并对此模型进行了模型检验，同时应用回归诊断的方法对此模型进行了诊断。因为数据自变量间存在着严重的多重相关性，用普通的最小二乘法做出的回归，有可能使得回归模型在预测时变得不稳定。考虑到数据的样本容量较小，而且存在多重相关性，使用偏最小二乘回归法，建立了偏最小二乘回归模型。同时考虑到岭回归能有效地消除多重相关性，因此进一步建立了所研究数据的岭回归模型。将两种新的回归模型与普通最小二乘回归模型比较，发现偏最小二乘和岭回归方法能够减少参数拟合的均方误差，增强了模型的普适性，使得模拟效果更好。本文的亮点是基于一类复杂观测数据的普通最小二乘回归方法的诊断，针对问题的特性，用偏最小二乘回归方法和岭回归方法改进模型，并进行这些回归模型的精度比较。两种新回归模型普适性增强，模型更为稳定，模拟的效果优于普通最小二乘法。
二、指数族半参数非线性模型的变离差检验（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、指数族半参数非线性模型的变离差检验（论文提纲范文）
（1）城市区域路网运行评价与影响模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 交通运行状态评价研究现状 |
| 1.2.2 交通运行影响因素研究现状 |
| 1.2.3 路网运行状态影响模型研究现状 |
| 1.2.4 研究现状总结 |
| 1.3 研究内容 |
| 1.4 研究技术路线 |
| 1.5 本章小结 |
| 第2章 多源数据基础及其关联方法 |
| 2.1 路网区域的划分方法 |
| 2.1.1 必要性及划分原则 |
| 2.1.2 典型路网区域划分 |
| 2.2 研究数据基础 |
| 2.2.1 区域交通指数数据 |
| 2.2.2 兴趣点数据 |
| 2.2.3 路网结构数据 |
| 2.2.4 检测器数据 |
| 2.3 多源数据预处理与关联匹配 |
| 2.3.1 交通指数数据预处理 |
| 2.3.2 兴趣点数据地理关联及空间展示 |
| 2.4 本章小结 |
| 第3章 面向拥堵评价的区域路网运行时空特征 |
| 3.1 交通运行状态评价指标选取 |
| 3.1.1 选取原则 |
| 3.1.2 评价指标 |
| 3.2 基于路网运行特征的区域类型划分 |
| 3.2.1 凝聚层级聚类法(HAC) |
| 3.2.2 区域聚类结果 |
| 3.2.3 准确度检验 |
| 3.3 典型区域交通运行时空特征研究 |
| 3.3.1 区域类型命名 |
| 3.3.2 典型区域路网运行状态的时空特征 |
| 3.4 本章小结 |
| 第4章 区域路网运行状态定量评价及影响因素 |
| 4.1 基于信息熵理论的区域路网运行状态定量评价方法 |
| 4.1.1 评价指标的归一化 |
| 4.1.2 指标权重确定 |
| 4.1.3 路网运行状态评分 |
| 4.2 影响因素集构建 |
| 4.2.1 影响因素选取 |
| 4.2.2 数据采集计算 |
| 4.3 影响因素的相关性分析 |
| 4.3.1 自相关性分析 |
| 4.3.2 显着性检验 |
| 4.4 本章小结 |
| 第5章 基于XGBoost算法的区域运行质量影响模型 |
| 5.1 极端梯度提升(XGBoost)算法 |
| 5.1.1 算法概述及优势 |
| 5.1.2 算法原理 |
| 5.1.3 模型构建流程 |
| 5.2 区域交通运行质量影响模型构建 |
| 5.2.1 模型构建 |
| 5.2.2 评价指标选取 |
| 5.2.3 参数优化 |
| 5.2.4 模型对比验证 |
| 5.2.5 影响因素重要度排序 |
| 5.3 区域路网运行质量影响模型的实例验证 |
| 5.4 本章小结 |
| 研究结论与展望 |
| 研究主要结论 |
| 未来研究展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（2）广义非线性模型的Bayes统计诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 广义非线性模型的研究背景及研究现状 |
| 1.2 Bayes方法简介 |
| 1.3 统计诊断研究内容与意义 |
| 1.4 本文创新和结构安排 |
| 2 广义非线性模型的Bayes估计 |
| 2.1 广义非线性模型 |
| 2.2 MCMC方法 |
| 2.2.1 MCMC算法 |
| 2.2.2 应用MCMC算法的相关术语 |
| 2.2.3 MCMC方法收敛性的诊断 |
| 2.3 MCMC方法中的常用算法 |
| 2.3.1 Metropolis-Hastings(M-H)算法 |
| 2.3.2 Gibbs抽样算法 |
| 2.3.3 混合Gibbs抽样算法 |
| 2.4 模型的Bayes分析 |
| 2.5 模型的Bayes推断 |
| 3 广义非线性模型的统计诊断 |
| 3.1 基于数据删除的Bayes影响分析 |
| 3.1.1 数据删除模型 |
| 3.1.2 参数估计 |
| 3.1.3 诊断统计量 |
| 3.2 基于模型微小扰动的Bayes局部影响分析 |
| 3.2.1 Bayes扰动模型和流形 |
| 3.2.2 局部影响测度 |
| 3.2.3 目标函数的选择 |
| 3.2.4 模型的局部影响分析 |
| 4 实例分析 |
| 4.1 参数估计 |
| 4.1.1 模型分析 |
| 4.1.2 参数的MCMC收敛性诊断 |
| 4.1.3 参数估计 |
| 4.2 统计诊断 |
| 4.3 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）异方差模型的统计推断（论文提纲范文）
| 摘要 |
| Abstract |
| 符号表 |
| 第1章 绪论 |
| 1.1 研究的问题 |
| 1.2 模型 |
| 1.2.1 线性回归模型 |
| 1.2.2 双重广义线性回归模型 |
| 1.2.3 纵向数据下联合均值协方差模型 |
| 1.2.4 半参数回归模型 |
| 1.2.5 半参数联合均值方差模型 |
| 1.3 变量选择方法 |
| 1.3.1 子集选择法 |
| 1.3.2 系数压缩法 |
| 1.4 本文内容及结构 |
| 第2章 高维数据下双重广义线性模型的变量选择 |
| 2.1 引言 |
| 2.2 基于惩罚伪似然的变量选择 |
| 2.3 渐近性质 |
| 2.4 迭代计算 |
| 2.4.1 算法研究 |
| 2.4.2 调整参数的选择 |
| 2.5 模拟研究 |
| 2.6 定理的证明 |
| 2.6.1 定理2.3.1的证明 |
| 2.6.2 定理2.3.2的证明 |
| 2.7 本章小结 |
| 第3章 纵向数据下均值协方差模型的变量选择 |
| 3.1 引言 |
| 3.2 均值协方差模型的变量选择 |
| 3.2.1 协方差矩阵的改进的Cholesky分解 |
| 3.2.2 JMVGLRM的惩罚极大似然估计 |
| 3.3 渐近性质 |
| 3.4 迭代计算 |
| 3.4.1 算法研究 |
| 3.4.2 调整参数的选择 |
| 3.5 模拟研究 |
| 3.6 定理的证明 |
| 3.7 本章小结 |
| 第4章 半参数异方差模型的变量选择 |
| 4.1 引言 |
| 4.2 半参数异方差模型的变量选择 |
| 4.2.1 半参数异方差模型 |
| 4.2.2 正则 REML 估计 |
| 4.3 渐近性质 |
| 4.4 迭代计算 |
| 4.4.1 算法研究 |
| 4.4.2 调整参数的选择 |
| 4.5 模拟研究 |
| 4.6 实际数据分析 |
| 4.7 定理的证明 |
| 4.8 本章小结 |
| 第5章 妊娠期高血压疾病危险因素的统计分析 |
| 5.1 引言 |
| 5.2 模型及变量选择方法 |
| 5.2.1 双重logistic回归模型 |
| 5.2.2 算法 |
| 5.3 数据分析 |
| 5.4 本章小结 |
| 第6章 偏正态半参数变系数模型的异方差检验 |
| 6.1 引言 |
| 6.2 模型和估计 |
| 6.2.1 模型 |
| 6.2.2 基于B样条的极大似然估计 |
| 6.2.3 主要结论 |
| 6.3 方差齐性的score检验 |
| 6.4 模拟研究 |
| 6.5 定理的证明 |
| 6.6 本章小结 |
| 第7章 半参数均值方差模型的贝叶斯估计 |
| 7.1 引言 |
| 7.2 半参数均值方差模型的贝叶斯分析 |
| 7.2.1 非参数函数的B样条逼近 |
| 7.2.2 参数的先验分布 |
| 7.2.3 Gibbs抽样和条件分布 |
| 7.2.4 贝叶斯推断 |
| 7.3 模拟研究 |
| 7.4 实际数据分析 |
| 7.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
（5）广义单指标混合模型的方差成分检验（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 研究的现状 |
| 1.3 本文的工作 |
| 第2章 广义单指标模型的方差成分检验 |
| 2.1 引言 |
| 2.2 P-样条估计方法 |
| 2.3 Score检验统计量 |
| 2.4 计算机模拟 |
| 第3章 广义单指标混合模型的随机效应检验 |
| 3.1 引言 |
| 3.2 Score检验统计量 |
| 3.3 计算机模拟 |
| 第4章 实际例子 |
| 4.1 例1:空气污染数据 |
| 4.2 例2:心脏病数据 |
| 第5章 进一步讨论 |
| 参考文献 |
| 致谢 |
（7）变系数模型的统计诊断和影响分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 序言 |
| 1.1 变系数模型的研究历史及其现状 |
| 1.2 统计诊断 |
| 1.3 Score检验统计量 |
| 1.4 本文的主要工作 |
| 第二章 变系数线性回归模型的统计诊断和影响分析 |
| 2.1 引言 |
| 2.2 变系数线性回归模型 |
| 2.2.1 模型的背景和定义 |
| 2.2.2 模型中系数函数的估计方法 |
| 2.3 基于数据删除模型的影响分析 |
| 2.3.1 数据删除模型 |
| 2.3.2 诊断统计量 |
| 2.3.3 均值漂移模型和异常点诊断 |
| 2.4 局部影响分析 |
| 2.4.1 局部影响的曲率度量 |
| 2.4.2 扰动模型的局部影响分析 |
| 2.5 异方差统计诊断 |
| 2.6 实例模拟 |
| 第三章 变系数广义线性模型的影响分析和统计诊断 |
| 3.1 变系数广义线性模型 |
| 3.2 变系数广义线性模型的统计诊断 |
| 3.2.1 数据删除模型和均值漂移模型 |
| 3.2.2 诊断和检验统计量 |
| 3.3 局部影响分析 |
| 3.4 变系数广义线性模型的方差成分检验 |
| 3.4.1 离散型变系数广义线性模型的方差成分检验 |
| 3.4.2 连续型变系数广义线性模型的方差成分检验 |
| 第四章 变系数EV模型的统计诊断 |
| 4.1 引言 |
| 4.2 变系数EV模型 |
| 4.2.1 模型简介 |
| 4.2.2 模型中系数参数的估计 |
| 4.3 变系数EV模型的统计诊断 |
| 4.3.1 数据删除模型 |
| 4.3.2 诊断统计量 |
| 4.3.3 均值漂移模型和异常点诊断 |
| 4.4 实例模拟 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要研究成果 |
（8）广义非线性散度模型变离差的统计分析（论文提纲范文）
| 1 变离差检验和估计 |
| 1.1估计 θ |
| 0的确定 |
| 1.2估计θ的确定 |
| 1.3 变离差检验的推广 |
| 2 随机变离差的检验和估计 |
（9）非线性再生散度模型的广义变离差检验（论文提纲范文）
| 1 再生散度分布族与非线性再生散度模型 |
| 1.1 再生散度分布族 |
| 1) 极值分布.随机变量Y的概率密度函数为 |
| 2) 单纯形 (simplex) 分布.Y为区间 (0, 1) 上的随机变量, 其概率密度函数为 |
| 1.2 非线性再生散度模型 |
| 2 散度参数的齐性检验 |
| 3 Score统计量的渐近分布 |
| 4 讨论 |
（10）一类复杂观测数据模拟的统计诊断及对策（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 回归分析概述 |
| 1.2 复杂观测数据模拟的统计诊断及多重相关性治疗的研究进展 |
| 1.2.1 统计诊断方法的国内外研究动态 |
| 1.2.2 复杂数据的统计诊断方法研究进展 |
| 1.2.3 多重相关性问题的对策 |
| 1.3 本文主要内容及创新点 |
| 第二章 复杂观测数据的回归诊断 |
| 2.1 引言 |
| 2.2 诊断模型分析 |
| 2.2.1 数据删除模型 |
| 2.2.2 均值漂移模型 |
| 2.2.3 方差扩大模型 |
| 2.3 诊断统计量 |
| 2.3.1 残差 |
| 2.3.2 Score 检验统计量 |
| 2.3.3 Cook 距离及 Welsch-Kul 统计量 |
| 2.3.4 似然距离 |
| 2.3.5 其他统计量 |
| 2.4 异常点、影响点以及高杠杆点的区别和联系 |
| 2.5 复杂观测数据的回归诊断 |
| 2.5.1 数据来源 |
| 2.5.2 诊断统计量计算 |
| 2.6 模型的数据变换 |
| 2.7 本章小结 |
| 第三章 复杂观测数据的多重相关性诊断 |
| 3.1 回归模型的建立和参数估计 |
| 3.1.1 多元线性回归模型的建立 |
| 3.1.2 模型的假设检验 |
| 3.1.3 模型分析 |
| 3.2 多重相关性诊断 |
| 3.3 本章小结 |
| 第四章 复杂观测数据的偏最小二乘回归应用 |
| 4.1 偏最小二乘回归分析方法 |
| 4.1.1 偏最小二乘回归分析方法简介 |
| 4.1.2 偏最小二乘回归分析方法的原理 |
| 4.2 偏最小二乘回归模型分析 |
| 4.2.1 偏最小二乘法建模 |
| 4.2.2 交叉有效性分析 |
| 4.3 本章小节 |
| 第五章 复杂观测数据的岭回归应用 |
| 5.1 岭回归分析 |
| 5.1.1 岭回归估计的性质 |
| 5.1.2 方差膨胀因子法和岭迹法 |
| 5.2 所研究数据的岭回归计算 |
| 5.3 回归模型的比较 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 论文总结 |
| 6.2 后续展望 |
| 致谢 |
| 参考文献 |
四、指数族半参数非线性模型的变离差检验（论文参考文献）
- [1]城市区域路网运行评价与影响模型研究[D]. 付宇. 北京工业大学, 2020(06)
- [2]广义非线性模型的Bayes统计诊断[D]. 刘洋洋. 南京理工大学, 2019(06)
- [3]评价多水平因子分析模型的异质性:半参数贝叶斯方法[J]. 夏业茂,勾建伟. 应用数学学报, 2015(04)
- [4]异方差模型的统计推断[D]. 徐登可. 北京工业大学, 2013(04)
- [5]广义单指标混合模型的方差成分检验[D]. 陈淙洁. 复旦大学, 2009(12)
- [6]基于连续可分的广义非线性纵向数据模型偏离名义离差的score检验及其功效[J]. 林金官,李勇,韦博成. 应用数学学报, 2009(01)
- [7]变系数模型的统计诊断和影响分析[D]. 马海强. 中南大学, 2008(04)
- [8]广义非线性散度模型变离差的统计分析[J]. 肖爱玲,王志忠. 湖南大学学报(自然科学版), 2007(08)
- [9]非线性再生散度模型的广义变离差检验[J]. 韦博成. 徐州师范大学学报(自然科学版), 2007(02)
- [10]一类复杂观测数据模拟的统计诊断及对策[D]. 石雯. 河海大学, 2007(05)