论文部分内容阅读
非线性混合效应模型是用来分析由复杂机理(例如生长曲线或群体药物动力学模型,遗传分析等)产生的复杂数据或不平衡复杂数据(聚类,相关,纵向的重复测量数据)的工具。随着统计学计算方法和复杂群体性研究和应用的不断深入,混合效应模型成为目前重要的研究课题。不过,由于非线性混合效应模型参数估计相当复杂,参数型方法需要以似然近似为基础的方法和贝叶斯方法。目前对该模型存在很多模型拟合和参数估计方法,基于其模型条件似然的方法大致可以归为线性化的方法,积分近似方法,EM 算法;还有利用先验分布和条件似然的贝叶斯方法(一般使用MCMC 方法)。本文的目标是基于似然函数的一种随机近似版本的期望最大化(EM)算法,称之为SAEM 算法来处理非线性混合效应模型的参数估计问题。相对于传统的MCEM 算法和其他算法,它的优点:不需要指明其先验分布并且对于初值的选取非常稳健。其关键思想就是循环加快收敛速度。首先我们介绍EM 算法,然后介绍其推广的算法SAEM 算法,接着我们还将其和MCMC 算法相互结合得到SAEM-MCMC 算法。我们给出了该算法的理论基础,一些标准:步长的选择,参数的估计,对数似然的估计,Fisher 信息阵的估计和停止规则等。本文应用SAEM-MCMC 或SAEM 算法去估计非线性混合效应模型参数,并给出算法过程和步骤。最后给出一个应用:使用依据真实情况的一个模拟的数据,并实现SAEM-MCMC 算法对数据的拟合和参数的估计。最后将其他算法得到的分析结果相互比较,根据结果分析该算法的优缺点。这种方法当然也可以处理其他的非线性模型,混合效应模型。