| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·广义线性模型简介 | 第11-15页 |
| ·GLM 产生的实际背景 | 第11-12页 |
| ·GLM 的国内外研究现状 | 第12-13页 |
| ·GLM 的应用与前景 | 第13-15页 |
| ·GLM 的算法实现 | 第15页 |
| ·不完全数据与EM 算法简介 | 第15-16页 |
| ·缺失机制与随机缺失介绍 | 第16-17页 |
| ·论文的主要工作及章节安排 | 第17-19页 |
| 第2章 预备知识 | 第19-33页 |
| ·广义线性模型 | 第19-22页 |
| ·GLM 的定义 | 第19-20页 |
| ·GLM 的性质 | 第20-22页 |
| ·GLM 中的联系函数 | 第22页 |
| ·非线性方程求解的 Newton-Raphson 算法 | 第22-24页 |
| ·一元非线性方程求解的Raphson 算法 | 第23页 |
| ·非线性方程组求解的 Raphson 算法 | 第23-24页 |
| ·EM 算法 | 第24-27页 |
| ·EM 算法的原理 | 第24-25页 |
| ·EM 算法的收敛性质 | 第25-26页 |
| ·Monte Carlo EM(MCEM)算法简介 | 第26-27页 |
| ·Markov chain Monte Carlo(MCMC)方法 | 第27-33页 |
| ·MCMC 方法简介 | 第27-29页 |
| ·Metropolis-Hastings 方法 | 第29-33页 |
| 第3章 GLM 中不完全数据的参数估计 | 第33-47页 |
| ·引言 | 第33页 |
| ·完全数据GLM 参数的估计 | 第33-35页 |
| ·加权EM 算法 | 第35-37页 |
| ·渐近协方差 | 第37页 |
| ·随机模拟 | 第37-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 缺失机制不可忽略时GLM 中不完全数据的参数估计 | 第47-59页 |
| ·引言 | 第47页 |
| ·模型和记号 | 第47-48页 |
| ·利用 EM 算法对参数进行估计 | 第48-53页 |
| ·缺失的协变量和响应变量均为离散变量情形 | 第48-52页 |
| ·缺失的协变量和响应变量均为连续变量情形 | 第52-53页 |
| ·缺失的协变量和响应变量均为混合变量情形 | 第53页 |
| ·模型检验与建模策略 | 第53-56页 |
| ·模型检验 | 第53-54页 |
| ·为协变量分布建模 | 第54-55页 |
| ·为缺失数据机制建模 | 第55-56页 |
| ·随机模拟 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 缺失机制不可忽略时GLMM 中不完全数据的参数估计 | 第59-72页 |
| ·引言 | 第59页 |
| ·模型和记号 | 第59-60页 |
| ·两种算法 | 第60-65页 |
| ·MCEM 算法 | 第60-63页 |
| ·MCNR 算法 | 第63-65页 |
| ·随机模拟 | 第65-71页 |
| ·本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第79-80页 |
| 致谢 | 第80-81页 |
| 作者简介 | 第81页 |
