| 缩略语表 | 第9-10页 |
| 摘要 | 第10-12页 |
| Abstract | 第12-14页 |
| 前言 | 第15-21页 |
| 研究背景 | 第15-16页 |
| 研究现状 | 第16-18页 |
| 立题依据 | 第18页 |
| 研究内容 | 第18页 |
| 理论意义与实用价值 | 第18-19页 |
| 研究方法 | 第19页 |
| 论文结构 | 第19-21页 |
| 第一章 经典统计的回归模型概述 | 第21-32页 |
| 1.1 经典统计回归分析的概述 | 第21-24页 |
| 1.1.1 何为回归分析 | 第21-23页 |
| 1.1.2 构建回归方程并求解的方法 | 第23-24页 |
| 1.2 因变量是定量变量的回归分析 | 第24-29页 |
| 1.2.1 自变量只有一个且不需要对变量进行变换的回归分析 | 第24页 |
| 1.2.2 自变量只有一个,需要适当变换的回归分析 | 第24-26页 |
| 1.2.3 含有多个自变量且不存在共线性的多重线性回归分析 | 第26页 |
| 1.2.4 含有多个自变量且存在共线性的回归分析 | 第26-28页 |
| 1.2.5 基于Possion分布的回归分析 | 第28页 |
| 1.2.6 数据存在过离散时的负二项回归分析 | 第28页 |
| 1.2.7 生存资料的回归分析 | 第28-29页 |
| 1.2.8 分位数回归 | 第29页 |
| 1.2.9 Probit回归分析(概率回归) | 第29页 |
| 1.3 因变量是定性变量的回归分析 | 第29-32页 |
| 1.3.1 因变量为二值变量的Logistic回归分析 | 第29-30页 |
| 1.3.2 因变量为多值无序变量的Logistic回归分析 | 第30页 |
| 1.3.3 因变量为多值有序变量的Logistic回归分析 | 第30-31页 |
| 1.3.4 结局不独立的二水平二值Logistic回归分析 | 第31页 |
| 1.3.5 结局不独立的二水平多值无序的Logistic回归分析 | 第31页 |
| 1.3.6 结局不独立的二水平多值有序Logistic回归分析 | 第31-32页 |
| 第二章 贝叶斯回归分析的基本理论知识 | 第32-45页 |
| 2.1 贝叶斯统计学基本介绍 | 第32-34页 |
| 2.1.1 先验、似然和后验 | 第32页 |
| 2.1.2 先验信息的分类 | 第32-33页 |
| 2.1.3 贝叶斯公式 | 第33-34页 |
| 2.2 贝叶斯推断 | 第34-36页 |
| 2.2.1 贝叶斯推断 | 第34页 |
| 2.2.2 贝叶斯的点估计和估计误差 | 第34-35页 |
| 2.2.3 假设检验 | 第35-36页 |
| 2.2.4 区间估计 | 第36页 |
| 2.3 马尔科夫链蒙特卡洛方法(MCMC) | 第36-40页 |
| 2.3.1 Metropolis算法和MH算法 | 第37-38页 |
| 2.3.2 Gibbs抽样(GibbsSampler) | 第38-39页 |
| 2.3.3 Gamerman算法 | 第39页 |
| 2.3.4 Burn-in,Thinning和蒙特卡洛链抽样 | 第39-40页 |
| 2.4 马尔科夫链(Markov链)收敛性诊断 | 第40-45页 |
| 2.4.1 轨迹图诊断 | 第40-43页 |
| 2.4.2 Markov链的统计量检验 | 第43-45页 |
| 第三章 贝叶斯回归分析法与经典回归分析法的比较 | 第45-49页 |
| 3.1 基本原理上的比较 | 第45页 |
| 3.2 建立模型方面的比较 | 第45-46页 |
| 3.2.1 多重线性回归分析 | 第45-46页 |
| 3.2.2 分位数回归分析 | 第46页 |
| 3.2.3 二值资料的Logistic回归分析 | 第46页 |
| 3.3 两种统计思想的优劣比较方法 | 第46-49页 |
| 3.3.1 多重线性回归分析中的比较方法 | 第46-47页 |
| 3.3.2 分位数回归分析中两种方法的比较方法 | 第47-48页 |
| 3.3.3 Logistic回归分析的比较方法 | 第48-49页 |
| 第四章 数据来源及其统计描述 | 第49-57页 |
| 4.1 数据质量较好时的小样本资料 | 第49-50页 |
| 4.2 数据质量较好的大样本资料 | 第50-51页 |
| 4.3 存在多重共线性的小样本资料 | 第51-52页 |
| 4.4 分位数回归分析资料 | 第52-53页 |
| 4.5 数据存在缺失值的回归分析资料 | 第53-55页 |
| 4.6 Logistic回归分析资料 | 第55-57页 |
| 第五章 分析结果与结论 | 第57-81页 |
| 5.1 数据质量较好时的小样本分析 | 第57-58页 |
| 5.1.1 基于经典统计方法分析 | 第57页 |
| 5.1.2 基于贝叶斯方法分析——指定先验分布N(0,10~6) | 第57页 |
| 5.1.3 基于贝叶斯方法分析——无信息先验 | 第57-58页 |
| 5.1.4 不同方法的比较结果 | 第58页 |
| 5.1.5 结论 | 第58页 |
| 5.2 数据质量较好时的大样本分析 | 第58-63页 |
| 5.2.1 使用全部样本建立模型 | 第58-59页 |
| 5.2.2 使用部分(90%)样本建立模型 | 第59-63页 |
| 5.2.3 结论 | 第63页 |
| 5.3 数据存在多重共线性时的比较 | 第63-66页 |
| 5.3.1 基于经典统计方法分析 | 第63-65页 |
| 5.3.2 基于贝叶斯方法分析——指定先验分布N(0,10~6) | 第65-66页 |
| 5.3.3 基于贝叶斯方法分析——无信息先验 | 第66页 |
| 5.3.4 不同方法的比较结果 | 第66页 |
| 5.3.5 结论 | 第66页 |
| 5.4 分位数回归的比较 | 第66-74页 |
| 5.4.1 使用全部样本建立分位数回归模型 | 第66-67页 |
| 5.4.2 使用部分(90%)样本建立分位数回归模型 | 第67-72页 |
| 5.4.3 分位数回归的结果比较 | 第72-73页 |
| 5.4.4 结论 | 第73-74页 |
| 5.5 数据存在缺失值的回归分析 | 第74-76页 |
| 5.5.1 剔除缺失值 | 第74页 |
| 5.5.2 对缺失值进行填补 | 第74-75页 |
| 5.5.3 920例非缺失样本建立模型,80例填补后作为预测 | 第75-76页 |
| 5.5.4 结论 | 第76页 |
| 5.6 Logistic回归分析 | 第76-81页 |
| 5.6.1 基于经典统计方法分析 | 第76-77页 |
| 5.6.2 基于贝叶斯方法分析——指定先验分布N(0,10~4) | 第77-78页 |
| 5.6.3 基于贝叶斯方法分析——无信息先验 | 第78-79页 |
| 5.6.4 不同方法的比较结果 | 第79-80页 |
| 5.6.5 结论 | 第80-81页 |
| 第六章 讨论 | 第81-83页 |
| 6.1 自变量筛选问题 | 第81页 |
| 6.2 先验分布的确定问题 | 第81-82页 |
| 6.3 研究的局限性 | 第82-83页 |
| 第七章 结论与展望 | 第83-85页 |
| 7.1 结论 | 第83页 |
| 7.2 展望 | 第83-85页 |
| 7.2.1 本论文的主要工作 | 第83-84页 |
| 7.2.2 进一步工作展望 | 第84-85页 |
| 参考文献 | 第85-88页 |
| 附录 SAS代码 | 第88-93页 |
| 附录1 计算评价指标的SAS代码 | 第88-89页 |
| 附录2 拆分数据集贝叶斯回归SAS代码 | 第89-92页 |
| 附录3 计算灵敏度和特异度SAS代码 | 第92-93页 |
| 在学期间取得的学术成果 | 第93-94页 |
| 主要简历 | 第94-96页 |
| 致谢 | 第96页 |
