约瑟夫·易卜拉欣。;陈明慧;斯图亚特·里普西茨。 协变量随机缺失广义线性模型的贝叶斯方法。 （英语） Zbl 0999.62021号 可以。J.统计。 30，第1期，55-78（2002）. 摘要：作者提出了缺失协变量数据的广义线性模型的贝叶斯推理方法。它们为协变指定了一个参数分布，该协变被写成一维条件分布的序列。他们为回归系数和由协变量分布产生的参数提出了一类信息丰富的联合先验分布。他们检查了提议的先验分布和结果的后验分布的特性。他们还提出了一种比较各种模型的贝叶斯准则，并对其进行了校准。进行了详细的仿真，并对两个实际数据集进行了检验，以证明该方法。 引用于18文件 理学硕士： 2015年1月62日 贝叶斯推断 62J12型 广义线性模型（逻辑模型） 62页第10页 统计学在生物学和医学中的应用；元分析 关键词：贝叶斯准则;数据增强;吉布斯采样;历史数据;逻辑回归;泊松回归;预测分布;事先分配 PDF格式BibTeX公司 XML格式引用 \textit{J.G.Ibrahim}等人，加拿大。J.Stat.30，No.1，55--78（2002；Zbl 0999.62021） 全文： 内政部 参考文献： [1] Bayarri，量化数据和模型验证中的惊喜，第53页–（1999）·Zbl 0974.62021号 [2] Chen，缺失协变量治愈率模型的最大似然方法，《生物统计学》57，第43页–（2001）·Zbl 1209.62022号 [3] Chen，logistic回归模型的先验启发、变量选择和贝叶斯计算，《英国皇家统计学会期刊B辑》第61卷第223页–（1999）·Zbl 0913.62026号 [4] Chen，缺失协变量的比例风险回归，《美国统计协会杂志》94 pp 896–（1999）·Zbl 0996.62092号 [5] Chen，贝叶斯可信区间和HPD区间的蒙特卡罗估计，《计算与图形统计杂志》，第8页，69–（1999） [6] Gelfand，模型选择：最小后验预测损失方法，Biometrika 85 pp 1–（1998）·Zbl 0904.62036号 [7] Gilks，Gibbs抽样的自适应拒绝抽样，应用统计学41，第337页–（1992）·Zbl 0825.62407号 [8] Ibrahim，广义线性模型中的不完整数据，《美国统计协会杂志》第85页第765页–（1990） [9] 易卜拉欣，回归模型的幂先验分布，《统计科学》第15页，46–（2000） [10] Ibrahim，Monte Carlo EM，参数回归模型中缺失协变量，《生物统计学》55，第591页–（1999）·Zbl 1059.62662号 [11] 易卜拉欣，贝叶斯模型评估的基于标准的方法，《中国统计》第11卷第419页–（2001年）·Zbl 1037.62017年 [12] 易卜拉欣，设计实验分析的预测方法，《美国统计协会杂志》89页309–（1994）·Zbl 0791.62080号 [13] Ibrahim，当缺失数据机制是不可忽略的时，广义线性模型中的缺失协变量，英国皇家统计学会期刊B 61系列，第173页–（1999）·Zbl 0917.62060号 [14] Laud，预测模型选择，英国皇家统计学会期刊B系列57页247–（1995）·Zbl 0809.62024号 [15] Lipsitz，参数回归模型中不完全协变量的条件模型，Biometrika 83 pp 916–（1996）·Zbl 0885.62026号 [16] 少，缺少数据的统计分析（1987年） [17] Robins，当一些回归变量不总是被观测时回归系数的估计，美国统计协会杂志89页846–（1994）·Zbl 0815.62043号 [18] Robins，缺失数据重复结果的半参数回归模型分析，《美国统计协会杂志》90页106–（1995） [19] 鲁宾，《推断和缺失数据》，《生物统计学》63第581页–（1976年）·Zbl 0344.62034号 [20] Rubin，调查中无应答的多重插补（1987）·2007年6月10日 [21] Silverman，用于统计和数据分析的密度估计（1986）·Zbl 0617.62042号 ·doi:10.1007/978-1-4899-3324-9 [22] 《生活在六个城市的儿童的被动吸烟、燃气烹饪和呼吸道健康》，《美国呼吸道疾病评论》129第366页–（1984） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。