搜索到10310篇“ 线性混合效应模型“的相关文章
- 线性混合效应模型的复合分位数回归估计
- 2025年
- 考虑线性混合效应模型的稳健估计问题,通过结合矩阵的QR分解技术和复合分位数回归方法,提出一种基于正交投影的复合分位数回归估计方法。先通过QR分解技术消除随机效应,再构造固定效应的复合分位数回归目标函数,从而获得固定效应的估计。在一些正则条件下,证明所提出估计的渐近正态性。所提出的估计方法无需对模型误差和随机效应的分布作任何限制性的假定,并且固定效应的估计不受随机效应的影响。与正交矩估计方法的模拟研究比较表明,本文提出的方法具有稳健性,并将其应用于实际数据分析。
- 李京杨宜平赵培信
- 关键词:线性混合效应模型QR分解
- 基于非线性混合效应模型的东北红松树高-胸径关系
- 2025年
- 【目的】构建红松非线性混合效应树高-胸径模型,并对比分析不同抽样方法和不同抽样数量对模型预测精度的影响,为研究红松的生长发育规律提供理论依据。【方法】基于吉林省蛟河地区与黑龙江省凉水地区两块样地合计4 441组红松数据,将数据随机分为建模数据(80%)和检验数据(20%)。对常见的15个树高-胸径模型进行拟合,筛选效果最佳的模型作为基础模型,并将胸高断面积、优势木平均高和林分平均胸径加入基础模型,构建最优广义模型。同时,引入样方水平的随机效应,分别构建基础混合效应模型和广义混合效应模型,并评价两个固定效应模型与两个混合效应模型的拟合能力和预测精度。使用检验数据验证模型预测精度,采用固定效应模型的平均水平预测(FPA)、混合模型的总体平均响应预测(MPA)和主体响应预测(MPS)3种预测类型进行比较。此外,对混合模型在随机抽取、抽胸径最大、抽胸径最小和抽取平均木(胸径接近平均值的样本)4种抽样方案下的预测精度和样本数量关系进行分析。【结果】(1)Prodan模型为最优基础模型(R2、RMSE、MAE分别为0.841、3.335 m、2.492 m),加入林分平均胸径、优势木平均高和胸高断面积的广义模型预测精度更高(R2、RMSE、MAE分别为0.914、2.449 m、1.816 m)。引入样方随机效应后,模型的精度显著提升(基础混合效应模型R2、RMSE、MAE分别为0.961、1.652 m、1.231 m,广义混合效应模型R2、RMSE、MAE分别为0.958、1.719 m、1.288 m)。(2)通过检验数据验证模型精度,结果表明模型预测精度均表现为MPA>FPA>MPS,广义模型预测精度总体优于基础模型。(3)4种抽样方案中,抽取平均木的抽样方法表现最佳,当抽取8株时,预测能力最优;在实际应用中,考虑人工成本与经济成本,抽取5株平均木测量树高以估计随机参数的方法亦合理可行。【结论】将林分因子和样方效应引�
- 李欣宇叶尔江·拜克吐尔汉王娟张新娜张春雨赵秀海
- 关键词:非线性混合效应模型抽样设计
- 基于非线性混合效应模型的云南松林树高曲线
- 2025年
- 【目的】云南松林是云南省最重要的森林类型之一。构建云南松林树高曲线的非线性混合效应模型,对促进滇中地区乃至云南省云南松林科学经营及森林质量精准提升具有重要意义。【方法】基于云南省楚雄市旧关林场9块典型云南松林样地调查数据,选取12个基础模型拟合树高-胸径关系,筛选出最优模型作为基础模型。将树种组作为哑变量纳入模型,同时考虑林分变量的影响,并将样地作为随机效应,构建云南松林树高-胸径非线性混合效应模型。采用留一交叉验证对模型拟合效果进行检验。【结果】12个基础模型中,Schumacher模型表现最佳,被选为基础模型。在林分变量中,优势木平均高(Hd)和大于对象木断面积(BAL)与树高相关性显著,且具有生物学意义,因此被用于建立树高-胸径广义非线性模型。Hd与树高呈显著正相关,而BAL与树高呈负相关。最终建立的非线性混合效应模型能解释树高74%的变异,均方根误差为1.57 m。交叉验证结果表明,模型不存在过拟合现象,且残差无明显异方差。【结论】与传统基础模型相比,加入Hd和BAL的云南松林树高-胸径非线性混合效应模型能更准确地描述云南松林树高与胸径的关系。在森林经营实践中,可通过适地适树、调整林分密度和优化林分结构等措施降低林木个体竞争,从而促进林木树高生长。本研究为滇中地区云南松林树高曲线模拟研究提供方法借鉴及技术支持,对森林资源管理和生态保护具有重要的科学和实践价值。
- 冯源李贵祥和丽萍毕波覃阳平王发平胡滨显尹久明
- 关键词:云南松树高曲线非线性混合效应模型
- 线性模型和线性混合效应模型变量选择--基于信息准则的随机搜索方法
- 变量选择一直是统计学研究的热点问题,随着数据获取技术的发展,高维且复杂的数据大量涌现在各个研究领域,给变量选择工作带来了新的挑战.传统的全子集选择法需要遍历搜索所有的子集才能选出全局最优子集,但在变量维数p很大的高维场合...
- 李春
- 关键词:随机搜索线性混合效应模型
- 多语言环境中基于线性混合效应模型的语义理解系统
- 本发明公开多语言环境中基于线性混合效应模型的语义理解系统,包括数据收集单元、处理单元和语义输出单元;所述数据收集单元获取待识别文本,以及用户背景信息,并传输至处理单元;所述处理单元存储有线性混合效应模型;所述线性混合效应...
- 何光辉林颖洁牛小明
- 置信区间宽度等高线图在线性混合效应模型样本量规划中的应用被引量:2
- 2024年
- 线性混合效应模型在分析具有嵌套结构的心理学实验数据时具有明显优势。本文提出了置信区间宽度等高线图用于该模型的样本量规划。通过等高线图,确定同时符合检验力、效应量准确性以及置信区间宽度要求的被试量和试次数。结合关注被试内实验效应和被试变量调节效应的两类典型模型,通过两个模拟研究,采用基于蒙特卡洛模拟方法,探索效应量、随机效应大小和被试变量类型对置信区间宽度等高线图及样本量规划结果的影响。
- 刘玥徐雷刘红云韩雨婷游晓锋万志林
- 关键词:线性混合效应模型多水平模型
- 基于BP-L_(2)混合算法的线性混合效应模型在帕金森病语音信号中的应用
- 2024年
- 通过对帕金森病语音信号多重共线性纵向高维数据的预处理和分析,可为相关医疗机构提供重要信息。首先采用随机森林对数据进行预处理,得到降维数据集,通过相关性分析得知该数据存在多重共线问题;然后在BP神经网络中引入L_(2)正则化改变其目标函数,解决临床数据经常存在的数据多重共线性,以便更好地拟合线性混合效应模型;最后对比分析引入BP-L_(2)混合算法前后线性混合效应模型的AIC、BIC和-LogLik指标,证明引入该算法的优势。
- 罗成敏王涛
- 关键词:帕金森病BP神经网络线性混合效应模型
- 基于在线更新的线性混合效应模型的参数估计
- 2024年
- 本文考虑在线更新数据集下线性混合效应模型的参数估计问题,提出了对应的在线更新估计方法,并证明了所得估计量的相合性.通过数值模拟发现,在不同的参数设置下,该方法的表现良好.将该方法与全局估计进行对比发现,虽然该方法在估计误差方面的表现不如全局估计,但是该方法能适用于在线更新数据集的情形,且大大降低了估计量的估计时间,以及估计时对计算机存储性能与计算性能的要求.
- 盖玉洁谢雨娇王晓迪
- 关键词:线性混合效应模型参数估计
- 纵向数据下线性混合效应模型的贝叶斯变量选择
- 2024年
- 在纵向数据下讨论了如何采用贝叶斯方法将线性混合效应模型分别进行固定效应和随机效应选择的问题。针对固定效应选择,首先给出线性混合模型的似然函数,然后对于固定效应引入Spike-and-Slab混合先验,对于随机效应中的协方差矩阵给定Inverse-Wishart分布先验,运用二元潜变量标记固定效应中的活跃协变量,给出满条件分布及相应的Gibbs抽样算法。针对随机效应选择,采用Cholesky分解对线性混合模型中的协方差矩阵进行重新参数化,从而将随机效应分布的协方差参数函数作为标准正态潜在变量的回归系数,通过为随机效应协方差分解后的参数选择Spike-and-Slab混合先验,利用分层贝叶斯模型识别零方差的随机效应,给出满条件分布以及相应的Gibbs抽样算法。使用模拟数据说明方法的有效性,最后将模型应用于2017年2月至2018年2月的26家上市银行的实际数据,验证了方法的优良性。
- 李纯净陈雨孙胜男
- 关键词:纵向数据线性混合效应模型CHOLESKY分解GIBBS抽样
- 线性混合效应模型贝叶斯分位回归的变分推断
- 2024年
- 贝叶斯分位回归能够对线性混合效应模型中的参数进行良好的估计.在贝叶斯参数估计中,常用Gibbs抽样方法.为了得到精确的估计结果,Gibbs抽样方法需要进行多次抽样.当模型参数维度较高时,Gibbs抽样方法将会十分耗时.因此,文章采用变分推断来近似参数的后验分布.变分推断采用无条件分布来逼近Gibbs方法得到的条件分布,从而使得计算变得高效.文章将模型参数的先验假定为正态分布,对无惩罚线性混合效应模型的参数进行变分推断.考虑到模型参数可能面临的高维情况,文章将模型参数的先验假定为Laplace分布,对双惩罚线性混合效应模型的参数也进行变分推断.从模拟结果来看,变分推断对模型参数估计的精度虽略小于Gibbs抽样方法,但其运行速度较快.在高维情况下,运行效率依然很高.在大数据时代,时间和资源的消耗是文章首先需要考虑的因素.因此,文章提出的方法可实际运用在高维线性混合效应模型中.
- 王维贤殷先军张娟娟田茂再
- 关键词:线性混合效应模型GIBBS抽样