收藏本站
《长春工业大学》 2018年
收藏 | 手机打开
二维码
手机客户端打开本文

区间删失数据下两类回归模型的贝叶斯自适应Lasso变量选择

赵浪  
【摘要】:在生存分析研究中,普遍存在着高维数据。高维数据下的变量选择是生存分析中主要的研究问题之一。一般这种变量选择是在回归模型的框架下实现的。本文的主要研究内容为区间删失数据下两类回归模型的贝叶斯自适应Lasso变量选择研究,通过贝叶斯自适应Lasso变量选择方法进行Cox模型和AFT模型的变量选择和回归系数估计。第一部分主要研究区间I型删失数据下基于贝叶斯自适应Lasso方法的半参数Cox比例风险回归模型的变量选择,解决未知的基准风险函数是构建Cox比例风险模型的关键;本文将选取三次样条来逼近基准风险函数,然后通过分层贝叶斯结构来构建Cox比例风险模型下贝叶斯自适应Lasso,对待估参数寻找合适的先验分布(如正态分布、指数分布、伽马分布等),通过后验推断得到Cox比例风险模型下的BaLasso变量选择的后验分布。最后,通过MH与Gibbs相结合的MCMC抽样算法求解待估参数并进行变量选择。通过多种情况下的模拟,验证了模型方法的有效性。第二部分主要研究区间I型删失数据下基于贝叶斯自适应Lasso方法的AFT模型的变量选择,通过对AFT模型中残差项、对数项方差的建模以及分层贝叶斯结构来构建AFT模型下贝叶斯自适应Lasso,对待估参数寻找合适先验分布(如正态分布、指数分布、伽马分布等),通过后验推断得到AFT模型下的Ba Lasso变量选择的后验分布。最后,通过MH与Gibbs相结合的MCMC抽样算法进行求解待估参数并进行变量选择。通过多种情况下的模拟,验证了模型方法的有效性。
【学位授予单位】:长春工业大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:O212

【参考文献】
中国期刊全文数据库 前4条
1 刘丹;郑少智;;Cox模型中的自适应Lasso变量选择[J];统计与决策;2016年10期
2 李佳蓓;朱永忠;王明刚;;贝叶斯变量选择及模型平均的研究[J];统计与信息论坛;2015年08期
3 尚华;冯牧;张贝贝;于凤敏;;基于Bayesian Lasso方法的变量选择和异常值检测[J];计算机应用研究;2015年12期
4 闫丽娜;覃婷;王彤;;LASSO方法在Cox回归模型中的应用[J];中国卫生统计;2012年01期
中国博士学位论文全文数据库 前2条
1 袁晶;贝叶斯方法在变量选择问题中的应用[D];山东大学;2013年
2 刘吉彩;生存数据统计模型的变量选择方法[D];华东师范大学;2014年
中国硕士学位论文全文数据库 前5条
1 李群;贝叶斯框架下生存分析回归模型及其变量选择研究[D];长春工业大学;2017年
2 韦新星;几种变量选择方法在Cox模型中的应用[D];广西大学;2015年
3 王慧;生存分析中半参数模型的变量选择方法及其模拟研究[D];山西医科大学;2013年
4 刘琳;几类回归模型中的变量选择方法[D];广西大学;2013年
5 满敬銮;生存数据模型的变量选择[D];中南大学;2009年
【共引文献】
中国期刊全文数据库 前9条
1 彭紫君;;基于改进果蝇算法优化GRNN的碳排放权价格研究[J];中南财经政法大学研究生学报;2018年01期
2 赵云;李鹏;肖勇;钱斌;;电网大数据中用户电能计量异常优化监测仿真[J];计算机仿真;2017年08期
3 周辉宇;;基于大数据规则挖掘的交通拥堵治理研究[J];统计与信息论坛;2017年05期
4 麦继芳;崔霞;;面向大数据的淘宝卖家信用度的影响因素分析[J];广州大学学报(自然科学版);2016年05期
5 孙红卫;杨文越;王慧;罗文海;胡乃宝;王彤;;惩罚logistic回归用于高维变量选择的模拟评价[J];中国卫生统计;2016年04期
6 高磊;刘乐平;卢志义;;大数据背景下贝叶斯模型平均的理论突破与应用前景[J];统计与信息论坛;2016年06期
7 李春红;韦新星;;Elastic Net方法在Cox模型变量选择中的研究[J];西南大学学报(自然科学版);2015年07期
8 田双双;张海霞;赵俊琴;乔楠;王彤;;稀疏主成分简介[J];中国卫生统计;2014年05期
9 张秀秀;王慧;田双双;乔楠;闫丽娜;王彤;;高维数据回归分析中基于LASSO的自变量选择[J];中国卫生统计;2013年06期
中国博士学位论文全文数据库 前1条
1 刘超;消费者购买决策的贝叶斯统计分析[D];天津财经大学;2016年
中国硕士学位论文全文数据库 前10条
1 赵浪;区间删失数据下两类回归模型的贝叶斯自适应Lasso变量选择[D];长春工业大学;2018年
2 龙冰婷;我国上市公司信用风险预测研究[D];浙江工商大学;2018年
3 许树红;基于LASSO的FDR控制方法及其在高维数据生存分析中的应用[D];山西医科大学;2017年
4 李群;贝叶斯框架下生存分析回归模型及其变量选择研究[D];长春工业大学;2017年
5 杨姜维;Cox模型中的变量选择方法及股票市场实证研究[D];中南财经政法大学;2017年
6 刘志坚;高维数据下半参数可加危险率模型中基于ISIS的变量选择方法及其应用[D];重庆医科大学;2017年
7 许丽庆;纵向数据模型的变量选择及其在网络营销中的应用[D];广西大学;2017年
8 徐若南;基于自适应弹性网对强相关数据的群组变量选择的研究[D];合肥工业大学;2017年
9 冯健;基于贝叶斯模型平均法的Nomogram模型的构建及应用[D];第二军医大学;2016年
10 陈丽;p2p借款人信用风险研究[D];华东政法大学;2016年
【二级参考文献】
中国期刊全文数据库 前5条
1 褚灵伟;李捷;董晨;陆肖元;;基于双层贝叶斯网增强学习机制的网络认知算法[J];计算机应用研究;2014年05期
2 李扬;朱建锋;谢邦昌;;变量选择方法及其在健康食品市场研究中的应用探究[J];统计与信息论坛;2013年10期
3 王大荣;张忠占;;线性回归模型中变量选择方法综述[J];数理统计与管理;2010年04期
4 时正华;袁永生;印凡成;;一般均值漂移模型的Score检验统计量[J];数学杂志;2010年02期
5 朱钰;线性、非线性与广义线性回归模型[J];统计与信息论坛;1996年03期
中国硕士学位论文全文数据库 前10条
1 张秀秀;基于(I)SIS的变量选择方法及其在极高维数据生存分析中的应用[D];山西医科大学;2013年
2 郭环;两参数广义指数分布的参数估计与数值模拟[D];华中科技大学;2013年
3 阎春雨;广义线性模型中纠偏估计的再回归方法[D];山东大学;2012年
4 崔静;广义线性模型下罚估计量的性质[D];西北大学;2011年
5 闫丽娜;惩罚COX模型和弹性网技术在高维数据生存分析中的应用[D];山西医科大学;2011年
6 毕伯竹;高维多重共线性数据的变量选择问题[D];山东大学;2011年
7 柯郑林;Lasso及其相关方法在多元线性回归模型中的应用[D];北京交通大学;2011年
8 卢颖;广义线性模型基于Elastic Net的变量选择方法研究[D];北京交通大学;2011年
9 满敬銮;生存数据模型的变量选择[D];中南大学;2009年
10 龚建朝;Lasso及其相关方法在广义线性模型模型选择中的应用[D];中南大学;2008年
【相似文献】
中国期刊全文数据库 前10条
1 冷薇;李俊鹏;张崇岐;;高维混料模型的LASSO变量选择[J];数理统计与管理;年期
2 刘睿智;杜溦;;基于LASSO变量选择方法的投资组合及实证分析[J];经济问题;2012年09期
3 樊亚莉;;分位数回归模型中的两步变量选择(英文)[J];上海师范大学学报(自然科学版);2015年03期
4 王宣承;;基于LASSO和神经网络的量化交易智能系统构建——以沪深300股指期货为例[J];投资研究;2014年09期
5 叶树彬;沈先春;徐亮;金岭;胡荣;胡洋;李亚凯;刘建国;刘文清;;基于LASSO方法的傅里叶变换红外光谱快速定性识别方法[J];光谱学与光谱分析;2017年10期
6 杨丽娟;马云艳;;基于Lasso类方法在时间序列变量选择中的应用[J];鲁东大学学报(自然科学版);2016年01期
7 江建明;;基于Lasso方法的人民币汇率影响因素分析[J];时代金融;2016年17期
8 罗幼喜;李翰芳;;基于双自适应Lasso惩罚的随机效应分位回归模型研究[J];数量经济技术经济研究;2017年05期
9 钟金花;;基于Lasso方法的上海经济增长影响因素实证研究[J];统计与决策;2013年01期
10 姚磊;马学俊;;变系数模型的变量选择[J];统计与决策;2016年12期
中国重要会议论文全文数据库 前10条
1 张俊华;方伟武;;调查表分析中变量选择的一些方法(英文)[A];中国运筹学会第六届学术交流会论文集(下卷)[C];2000年
2 李慷;席裕庚;;复杂过程系统中操作变量选择与定位的方法研究[A];1993年控制理论及其应用年会论文集[C];1993年
3 杨毅;龙泽海;赵月丽;;基于lasso方法的银行对中小企业贷款供给意愿研究[A];金融供给侧结构性改革暨新经济治理范式下经济学主流期刊引领学科建设学术研讨会论文集[C];2016年
4 郑国臣;张静波;刘仕博;;贝叶斯信度网络技术在松辽流域水环境管理中的应用[A];2015第七届全国河湖治理与水生态文明发展论坛论文集[C];2015年
5 肖兵;沈薇薇;金宏斌;;基于动态贝叶斯网络的威胁估计研究[A];中国自动化学会中南六省(区)2010年第28届年会·论文集[C];2010年
6 李晓钢;王亚辉;罗仁茜;;基于贝叶斯网络的薄弱环节分析方法[A];技术融合创新·可靠服务企业·安全产品制胜——2013年全国机械行业可靠性技术学术交流会暨第四届可靠性工程分会第五次全体委员大会论文集[C];2013年
7 陈晓怀;程真英;刘春山;;动态测量误差的贝叶斯建模预报[A];第二届全国信息获取与处理学术会议论文集[C];2004年
8 姜峰;高文;姚鸿勋;;贝叶斯网络的推理和学习[A];全国网络与信息安全技术研讨会'2005论文集(下册)[C];2005年
9 郑恒;吴祈宗;黄锴;;一种基于半定性贝叶斯网络的多专家知识集成方法[A];中国运筹学会第八届学术交流会论文集[C];2006年
10 刘振;代进进;王毅;;贝叶斯网络推理与算法[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集(下)[C];2006年
中国博士学位论文全文数据库 前10条
1 袁晶;贝叶斯方法在变量选择问题中的应用[D];山东大学;2013年
2 王延新;高维模型的变量选择与稀疏正则化[D];武汉大学;2013年
3 李子林;高维基因数据中的统计方法[D];清华大学;2016年
4 唐凯临;变量选择和变换的新方法研究[D];同济大学;2008年
5 秦志敏;我国上市公司财务预警变量选择研究[D];东北财经大学;2012年
6 姬永刚;分位数回归中的贝叶斯变量选择[D];东北师范大学;2012年
7 侯文;删失数据下若干半参数模型的经验似然与惩罚经验似然推断[D];大连理工大学;2013年
8 赵军;Expectile回归和最优资产组合中的变量选择问题[D];浙江大学;2017年
9 苏盈盈;基于核方法的非线性系统变量选择及其应用[D];重庆大学;2014年
10 付光辉;高维的强相关数据的模型选择[D];中南大学;2011年
中国硕士学位论文全文数据库 前10条
1 赵浪;区间删失数据下两类回归模型的贝叶斯自适应Lasso变量选择[D];长春工业大学;2018年
2 贾元乔;基于lasso的两级变量选择方法[D];浙江大学;2013年
3 牟建波;基于分位数回归的自适应组Lasso变量选择[D];西南交通大学;2017年
4 苏莉;回归模型中变量选择的若干问题研究[D];兰州交通大学;2017年
5 柯郑林;Lasso及其相关方法在多元线性回归模型中的应用[D];北京交通大学;2011年
6 杨丽娟;Lasso类方法在时间序列中的若干应用[D];鲁东大学;2016年
7 王皓天;超高维回归中变量选择问题的应用研究[D];暨南大学;2017年
8 赵俊琴;基于Lasso的高维数据线性回归模型统计推断方法比较[D];山西医科大学;2015年
9 王婉秋;基于低秩模型基因—环境交互作用的贝叶斯变量选择方法[D];东北师范大学;2016年
10 胡晓娟;Lasso方法和贝叶斯集成方法在乳腺癌的基因表达方面的生存分析[D];山西医科大学;2014年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026