| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 研究的现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.2.3 文献综评 | 第11-12页 |
| 1.3 研究的主要内容及结构框架 | 第12-13页 |
| 1.4 论文的创新之处 | 第13-14页 |
| 2 广义混合效应模型 | 第14-20页 |
| 2.1 广义线性模型 | 第14-18页 |
| 2.1.1 指数分布族及其性质 | 第14-17页 |
| 2.1.2 广义线性模型 | 第17-18页 |
| 2.2 广义线性混合效应模型 | 第18-20页 |
| 2.2.1 线性混合效应模型 | 第18-19页 |
| 2.2.2 广义线性混合效应模型 | 第19-20页 |
| 3 贝叶斯分位回归模型 | 第20-27页 |
| 3.1 分位回归 | 第20-24页 |
| 3.1.1 分位回归的损失函数 | 第20-21页 |
| 3.1.2 分位回归的性质 | 第21-24页 |
| 3.1.3 传统的分位回归估计算法 | 第24页 |
| 3.2 贝叶斯分位回归 | 第24-27页 |
| 3.2.1 分位回归与非对称Laplace分布 | 第24-25页 |
| 3.2.2 广义线性混合效应模型的贝叶斯分位回归 | 第25页 |
| 3.2.3 贝叶斯估计和频率估计的比较 | 第25-27页 |
| 4 MCMC算法 | 第27-32页 |
| 4.1 MCMC原理 | 第27-29页 |
| 4.1.1 蒙特卡洛方法 | 第27-28页 |
| 4.1.2 马尔科夫链 | 第28-29页 |
| 4.2 两个常用的MCMC算法 | 第29-32页 |
| 4.2.1 Metropolis-Hasting算法 | 第29-30页 |
| 4.2.2 Gibbs抽样算法 | 第30-32页 |
| 5 广义线性混合效应模型的贝叶斯分位回归 | 第32-38页 |
| 5.1 基于M-H算法的贝叶斯分位回归方法 | 第32-34页 |
| 5.2 基于Gibbs抽样算法的贝叶斯分位回归方法 | 第34-38页 |
| 6 蒙特卡罗模拟与实际数据分析 | 第38-45页 |
| 6.1 蒙特卡罗模拟 | 第38-42页 |
| 6.1.1 正态型数据的一元线性模拟 | 第38-39页 |
| 6.1.2 计数型数据的一元线性模拟 | 第39-40页 |
| 6.1.3 正态型数据的多元线性模拟 | 第40-42页 |
| 6.2 实际数据分析 | 第42-45页 |
| 7 结论与展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
| 在校期间研究成果 | 第52页 |