版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、目的:探討基于貝葉斯估計(jì)的有序多分類多層模型在具有組內(nèi)相關(guān)特性的層次結(jié)構(gòu)數(shù)據(jù)中的應(yīng)用,旨在獲取準(zhǔn)確的參數(shù)估計(jì),以及研究該模型在實(shí)際分析過程中的方法學(xué)問題與其優(yōu)越性,為涉及層次結(jié)構(gòu)數(shù)據(jù)的分析提供科學(xué)實(shí)用的參考。
方法:通過橫斷面調(diào)查獲得數(shù)據(jù)常常遇到層次結(jié)構(gòu)問題,層次結(jié)構(gòu)數(shù)據(jù)特點(diǎn)突出:具有多層次變異、組內(nèi)相關(guān)性、因變量呈有序多分類形式等。一般logistic回歸分析難以滿足這些條件。而有序多分類多層模型就能較好地解決該數(shù)據(jù)存在的問
2、題。并且,由于現(xiàn)在已有文章證明有序多分類多層模型的傳統(tǒng)參數(shù)估計(jì)方法對(duì)隨機(jī)效應(yīng)的估計(jì)是有偏的,而貝葉斯估計(jì)則能提高隨機(jī)效應(yīng)估計(jì)的精度。所以,基于貝葉斯估計(jì)的有序多分類多層模型應(yīng)是處理層次結(jié)構(gòu)數(shù)據(jù)更合理的方法。
本文將首先介紹貝葉斯估計(jì)與MCMC法和有序多分類多層模型的基本理論,然后使用該方法對(duì)廣州市居民控?zé)熣{(diào)查實(shí)例進(jìn)行分析以獲取分析結(jié)果、探討分析步驟,并根據(jù)DIC與模型分析結(jié)果來(lái)進(jìn)行有序多分類多層模型與有序多分類logistic
3、回歸的對(duì)比。完成以上步驟的同時(shí)會(huì)附上模擬結(jié)果蹤跡的平穩(wěn)性圖及Raftery–Lewis診斷信息以評(píng)價(jià)參數(shù)迭代收斂情況。
結(jié)果:廣州市居民控?zé)熣{(diào)查實(shí)例:空模型分析顯示數(shù)據(jù)具有組內(nèi)相關(guān)性。有序多分類方差成分模型分析結(jié)果則表明,在控制其它變量及社區(qū)間控?zé)熈⒎☉B(tài)度差異后,居民的性別、民族、在崗情況、吸入二手煙情況、控?zé)熤R(shí)得分與吸煙危害知識(shí)得分對(duì)公共場(chǎng)所控?zé)熈⒎☉B(tài)度有影響。而有序多分類隨機(jī)系數(shù)模型則顯示總體控?zé)煈B(tài)度越不積極的社區(qū),其在
4、崗居民的控?zé)煈B(tài)度也越不積極。相比之下,有序多分類logistic回歸不能獲取高層次信息,且由偏差信息準(zhǔn)則與參數(shù)估計(jì)值的標(biāo)準(zhǔn)誤分別可知有序多分類方差成分模型與隨機(jī)系數(shù)模型對(duì)數(shù)據(jù)擬合程度較有序多分類logistic回歸優(yōu)與有序多分類隨機(jī)系數(shù)模型的參數(shù)估計(jì)值比有序多分類logistic回歸的估計(jì)值更為精確。殘差分析也找出控?zé)煼e極性較高與不夠高的社區(qū)。
診斷信息方面,各模擬結(jié)果蹤跡的平穩(wěn)性圖顯示馬爾科夫鏈?zhǔn)諗坑谀繕?biāo)分布,且Rafter
5、y–Lewis診斷信息顯示實(shí)際迭代次數(shù)能滿足獲取準(zhǔn)確p、5.2 p分位數(shù)所975.需的迭代次數(shù),迭代結(jié)果可用與統(tǒng)計(jì)推斷。
結(jié)論:廣州市居民控?zé)熣{(diào)查實(shí)例分析結(jié)果均對(duì)日后進(jìn)一步的研究作出提示。而從實(shí)例分析結(jié)果與模型比較可發(fā)現(xiàn)有序多分類多層模型的優(yōu)勢(shì)明顯,具體表現(xiàn)為:有序多分類多層模型對(duì)數(shù)據(jù)的擬合程度更優(yōu)、能夠通過殘差分解減少參數(shù)估計(jì)偏倚、考慮到數(shù)據(jù)的組內(nèi)相關(guān)性,能夠通過該模型從數(shù)據(jù)中挖掘更多有意義的信息等。而貝葉斯估計(jì)由于考慮到方
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 有序的誤分類數(shù)據(jù)的貝葉斯分析.pdf
- 樸素貝葉斯分類模型的研究與應(yīng)用.pdf
- 短期利率模型的貝葉斯估計(jì).pdf
- 基于貝葉斯分類錯(cuò)誤率的姿態(tài)估計(jì)研究.pdf
- 非高斯SV模型的貝葉斯估計(jì).pdf
- 基于聚類的樸素貝葉斯分類模型的研究與應(yīng)用.pdf
- 基于智能優(yōu)化的貝葉斯網(wǎng)絡(luò)分類模型研究.pdf
- 基于隨機(jī)森林特征選擇的貝葉斯分類模型及應(yīng)用.pdf
- ARFIMA模型參數(shù)貝葉斯估計(jì)的漸近性質(zhì).pdf
- 基于貝葉斯模型的醫(yī)學(xué)影像分類技術(shù)的研究與應(yīng)用.pdf
- 樸素貝葉斯分類模型的改進(jìn)研究.pdf
- 基于貝葉斯模型的醫(yī)學(xué)影像分類技術(shù)的研究與應(yīng)用
- 基于貝葉斯理論的網(wǎng)絡(luò)輿情主題分類模型研究.pdf
- 多組圖貝葉斯分類模型研究.pdf
- 基于統(tǒng)計(jì)模型和貝葉斯估計(jì)的語(yǔ)音增強(qiáng)算法研究.pdf
- 21340.基于mcmc的進(jìn)展多狀態(tài)模型的貝葉斯估計(jì)
- 經(jīng)驗(yàn)貝葉斯信度估計(jì)及其應(yīng)用
- 近似貝葉斯法在光合模型參數(shù)估計(jì)中的應(yīng)用
- 經(jīng)驗(yàn)貝葉斯信度估計(jì)及其應(yīng)用.pdf
- 貝葉斯分類算法的研究與應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論