Semiparametric Quantile Modelling of Hierarchical Data
摘要
经典层次线性模型明确的表达为分析嵌套的数据为随机的效果组织的建模和一个强大的工具提供可观的灵活性在象生物学，经济和教育那样的各种各样的区域产生。然而，独立地并且相等分布式假定在内组错误(i.i.d ) 并且根本为层次建模线性。最重要地，传统的层次模型(就像另外的平常的吝啬的回归方法一样) 不能描绘给一套 covariates 的一个依赖变量的全部有条件的分发并且没能产出柔韧的评估者。在这篇文章，我们放松上述并且规度假设，并且开发在内组错误能是 heteroscedastic 的在模型和在一些层次的模型被允许非参量的所谓的层次 Semiparametric Quantile 回归。我们在场有 2 水平的想法当模特儿。而 level-2 模型被放作为一个参量的模型， level-1 模型作为一个非参量的模型被指定。在建议的半下面参量的背景在 level-1 的非参量的功能的部分衍生物的向量在水平 2 成为反应变量向量。建议方法允许我们在最深处的水平为固定效果建模(即，水平 2 ) 作为 covariates 的功能而不是经常的效果。我们构画出为我们的评估者为集中和 asymptotic 规度要求的一些温和整齐条件。我们从实验室研究和一些模拟研究与一个真实层次数据集合说明我们的方法论。
引用本文（GB/T 7714）
Mao, Zai, Tian Tian, 等. Semiparametric Quantile Modelling of Hierarchical Data[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2009.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。