第1章 緒論
1.1 縱向數(shù)據(jù)分析簡(jiǎn)介
1.1.1 混合效應(yīng)模型
1.1.2 邊際模型
1.2 研究方法及文獻(xiàn)概述
1.2.1 頻率方法
1.2.2 貝葉斯方法
1.3 本書(shū)主要內(nèi)容
1.4 貝葉斯統(tǒng)計(jì)推斷簡(jiǎn)介
1.5 MCMC方法簡(jiǎn)介
1.5.1 Gibbs抽樣算法
1.5.2 Metropolis-Hastings抽樣算法
1.5.3 收斂性診斷和后驗(yàn)推斷
第2章 Dirichlet過(guò)程及其拓展
2.1 引言
2.2 Dirichlet過(guò)程
2.3 Dirichlet過(guò)程的等價(jià)表述
2.3.1 Polyaurn表達(dá)式
2.3.2 Stick-breaking表達(dá)式
2.4 混合Dirichlet過(guò)程
2.5 混合Dirichlet過(guò)程的后驗(yàn)抽樣方法
2.5.1 基于Polyaurn表達(dá)式的后驗(yàn)抽樣方法
2.5.2 基于stick-breaking表達(dá)式的后驗(yàn)抽樣方法
2.6 Dirichlet過(guò)程的應(yīng)用
2.7 帶約束條件的Dirichlet過(guò)程
2.8 基于經(jīng)驗(yàn)似然的Dirichlet過(guò)程混合模型
2.9 本章小結(jié)
第3章 縱向數(shù)據(jù)線性混合效應(yīng)模型的半?yún)��?shù)貝葉斯推斷
3.1 引言
3.2 半?yún)��?shù)貝葉斯模型的構(gòu)造
3.3 后驗(yàn)推斷的MCMC算法
3.4 隨機(jī)模擬研究
3.4.1 正態(tài)隨機(jī)效應(yīng)
3.4.2 非正態(tài)隨機(jī)效應(yīng)
3.5 實(shí)例分析
3.6 本章小結(jié)
第4章 帶有AR(1)誤差的縱向數(shù)據(jù)線性混合效應(yīng)模型的半?yún)��?shù)貝葉斯推斷
4.1 引言
4.2 半?yún)��?shù)貝葉斯模型的構(gòu)造
4.3 后驗(yàn)推斷的MCMC算法
4.4 隨機(jī)模擬研究
4.4.1 正態(tài)隨機(jī)效應(yīng)
4.4.2 非正態(tài)隨機(jī)效應(yīng)
4.5 實(shí)例分析
4.6 本章小結(jié)
第5章 縱向數(shù)據(jù)均值-協(xié)方差回歸模型的半?yún)��?shù)貝葉斯推斷
5.1 引言
5.2 半?yún)��?shù)貝葉斯模型的構(gòu)造
5.3 后驗(yàn)推斷的MCMC算法
5.4 隨機(jī)模擬研究
5.5 實(shí)例分析
5.6 本章小結(jié)
第6章 縱向數(shù)據(jù)線性混合效應(yīng)中位數(shù)回歸模型的半?yún)��?shù)貝葉斯推斷
6.1 引言
6.2 半?yún)��?shù)貝葉斯模型的構(gòu)造
6.3 后驗(yàn)推斷的MCMC算法
6.4 隨機(jī)模擬研究
6.4.1 正態(tài)隨機(jī)效應(yīng)
6.4.2 非正態(tài)隨機(jī)效應(yīng)
6.5 實(shí)例分析
6.6 本章小結(jié)
第7章 總結(jié)與展望
參考文獻(xiàn)