广义线性混合模型中的通信有效分布式统计计算

发布时间：2020-12-12 10:25

　　在实际应用中,人们广泛使用线性混合模型（linear mixed models,简称LMMs）、广义线性模型（generalized linear models,简称GLMs）、广义线性混合模型（generalized linear mixed models,简称GLMMs）等工具来分析各类实际数据。特别地,其中广义线性混合模型在非寿险精算,医学,生态学,传染病学等领域中存在大量潜在应用。然而,相比其他模型而言,广义线性混合模型的估计涉及高维积分问题,因此其实际计算较为困难。在现有文献中,Breslow和Clayton（1993）^[3]最早探讨了如何采用Laplace方法进行快速近似计算相关拟似然估计的问题,并提出了一类基于惩罚拟似然的计算方法（简记为PQL,Penalized Quasi-Likelihood）,并推导了相关方法的理论性质。然后,近年来随着数据搜集越来越便利,海量数据逐渐出现,这给相关模型的实际应用带来极大挑战。在大数据情形下,Jordan等（2018）^[18]提出了针对线性模型、广义线性等模型的通信有效推断方法。考虑到Jo... 

【文章来源】：江西财经大学江西省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

PQL和CSQL方法的性能与数据分割数的关系

广义线性混合模型中的通信有效分布式统计计算36表示）、出院倾向（用dischargedisposition表示）、入院医师的医学专业（用medicalspecialtyoftheadmittingphysician表示）、住院时间（用timespentinhospital表示）。这些协变量都在BeataStrack等(2014)[38]的表1中进行了描述。每个患者EncounterID被认为是随机效应，拟合的模型可表达成以下形式：(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回归的固定效应，是第个患者的EncounterID的随机截距。图2：混合logistic回归PQL和CSQL方法的性能与数据分割数的关系3.4本章小结本章展开解释了实证数据分析，运用数字研究和教育研究所（InstituteforDigitalResearchandEducation，简称IDRE）的数据与UC-Irvine机器学习库数据集的实证数据进行了实证分析，具体得出的结论如下：(1)本章首先对IDRE的数据选取这些变量：年龄（用Age表示），结婚的（用Married表示），性别（用Sex表示），（4）红细胞（RedBloodCell简称RBC），白细胞（WhiteBloodCell简称WBC）和每个医生的固定截距和随机截距来说明


本文编号：2912374