混合效應模型在縱向數據處理領域中具有廣泛應用。在現有關于該模型的研究中,通常假定其隨機效應與誤差項均服從正態(tài)分布。然而,實際數據卻更常見地呈現出非對稱、多峰等非正態(tài)分布特征。若繼續(xù)沿用傳統(tǒng)的正態(tài)分布假定進行統(tǒng)計推斷,易缺乏穩(wěn)健性、降低統(tǒng)計精度。另一方面,現有研究在對混合效應模型作參數估計時,大多運用最小二乘估計與極大似然估計。然而,這些方法僅著眼于當前數據,未能充分利用變量的先驗分布信息。鑒于此,本文針對偏正態(tài)混合效應模型,結合數據先驗信息,以經驗貝葉斯方法對模型固定效應和偏度參數進行估計。首先,本文根據參數先驗分布中共軛分布理論,確定固定效應與偏度參數的先驗分布,并將超參數和模型參數分為感興趣參數和冗余參數。其次,基于模型的偏正態(tài)密度函數,利用隨機變量形式的貝葉斯定理給出感興趣參數的后驗密度函數及冗余參數的似然函數。進一步,綜合運用極大似然估計和MCMC技術對參數進行估計。進而,可得到模型固定效應與偏度參數的經驗貝葉斯估計及其算法。最后,將經驗貝葉斯估計應用于我國中北部地區(qū)物流需求的影響因素分析。模擬結果表明,在小樣本情形下,變動固定效應維數與分布,經驗貝葉斯估計在均方誤差意義下大部... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數】：64 頁

【學位級別】：碩士

【部分圖文】：

圖２．１不同參數值下偏正態(tài)密度函數曲線??２．１．２多元偏正態(tài)分布??

?杭州電子科技大學碩士論文???性質２．６若義￣５＾？（／／，２，６〇，則Ｘ的均值向量和協(xié)方差陣分別為??￡（Ｘ）?＝?＂?＋?＾７ｒ＾ｉ７Ｉ，?Ｃｏｖ（Ｘ）?＝?ｔ／２（ｌｎ－?。??Ｖ?ｎ?（＼－＼－ａ?ａ）?＼?７ｒ（＼?＋?ａ?ａ）Ｊ??可參見葉仁道和羅堃（２０１６）?［４８］。下圖顯示了位置參數為０，尺度參數為０．７／？，??偏度參數為２的二元偏正態(tài)密度函數曲線。??

當護10，變動心分布時，冗余參數收斂圖

【參考文獻】：
期刊論文
[1]互聯網環(huán)境下的區(qū)域物流需求分析研究[J]. 張衡,金燕生,郭航.  商業(yè)經濟研究. 2018(01)
[2]互聯網環(huán)境下的區(qū)域物流需求分析研究[J]. 劉振名,馬曉輝,張愛國.  無線互聯科技. 2017(12)
[3]基于貝葉斯參數估計的期貨市場交易成本、流動性與資產定價研究[J]. 劉志東,姜玲.  管理科學. 2017(01)
[4]貝葉斯偏正態(tài)線型混合模型的應用[J]. 王明高.  統(tǒng)計與決策. 2015(13)
[5]Inferences in Linear Mixed Models with Skew-normal Random Effects[J]. Ren Dao YE,Tong Hui WANG.  Acta Mathematica Sinica. 2015(04)
[6]基于MCMC算法的貝葉斯面板單位根檢驗[J]. 李素芳,朱慧明,李榮.  湖南大學學報(自然科學版). 2015(01)
[7]江蘇省物流需求影響因素分析及預測[J]. 李磊,單丹.  科技與經濟. 2013(06)
[8]基于變位置參數貝葉斯預測銀行內部欺詐研究[J]. 高麗君,豐吉闖.  中國管理科學. 2012(02)
[9]區(qū)域物流需求影響因素分析[J]. 張偉.  現代商貿工業(yè). 2012(04)
[10]基于Gibbs抽樣算法的面板數據分位回歸方法[J]. 羅幼喜,李翰芳,田茂再.  統(tǒng)計研究. 2011(07)

博士論文
[1]基于物流需求多樣性的區(qū)域物流規(guī)劃方法研究[D]. 陳思.西南交通大學 2013

碩士論文
[1]中國分區(qū)域居民消費模型的貝葉斯估計研究[D]. 王鳳龍.首都經濟貿易大學 2017
[2]帶有不可忽略缺失數據的混合線性模型的貝葉斯統(tǒng)計推斷[D]. 雷偉.云南大學 2016
[3]線性混合效應模型下的方差分量推斷[D]. 趙延.北京工業(yè)大學 2015



本文編號：3492609