导读:本文包含了过度离散论文开题报告文献综述及选题提纲参考文献，主要关键词:负二项回归模型,零膨胀负二项回归模型,过度离散,过度离散检验
过度离散论文文献综述
常国艳[1]（2018）在《基于广义线性模型的过度离散检验》一文中研究指出过度离散检验是计数数据分析中的一个重要问题。对用于计数数据分析的不同模型而言,各种关于过度离散检验的方法各有其优劣,本文基于广义线性模型中常用于计数数据分析的负二项回归模型和零膨胀负二项回归模型,通过Monte Carlo模拟方法和实证分析方法,研究了LRT检验,Score检验和Bootstrap检验叁种过度离散检验方法在上述两种模型下的优良性。第一章对问题的背景、意义以及本文研究的内容与结构做了简要的介绍。第二章主要介绍了本文研究所涉及的一些基本计数数据分析模型,如泊松回归模型,负二项回归模型和零膨胀负二项回归模型。同时,介绍了关于过度离散的一些基本知识,包括基本定义以及LRT检验,Score检验和Bootstrap检验叁种常见的过度离散的检验方法等。第叁章基于带协变量的负二项回归模型和不带协变量的负二项回归模型,通过Monte Carlo模拟方法和实证分析方法,比较了LRT检验,Score检验和Bootstrap检验叁种过度离散检验方法在检验功效下的优良性。Monte Carlo模拟分析和实证分析结果表明:叁种检验方法均能有效地检验数据是否存在过度离散现象,且对小样本而言,Bootstrap检验方法在检验功效准则下要优于Score检验和LRT检验方法。同时研究结果表明,协变量对检验方法的检验功效有正向的影响,即带协变量的NB模型下叁种检验方法的检验功效要优于不带协变量的NB模型下对应叁种检验方法的检验功效。针对既具有过度离散又具有零膨胀特性的计数数据,第四章基于零膨胀负二项回归模型,通过Monte Carlo模拟分析方法和实证分析方法,比较了LRT检验,Score检验和Bootstrap检验叁种过度离散检验方法在检验功效和犯第一类错误概率意义下的优良性,特别考虑了零膨胀对检验方法检验功效的影响。Monte Carlo模拟分析和实证分析所得主要结果有:1)在设计的试验条件下,Bootstrap检验在检验功效和犯第一类错误概率两准则下表现均相对较好;2)对给定的离散参数,零膨胀程度越大,叁种检验方法的检验功效越小;3)当零膨胀负二项回归模型中均值越大时,叁种检验方法的检验功效越好。最后,对本文的研究结果进行了总结,并对后续的研究工作提出了一点思考与建议。(本文来源于《贵州民族大学》期刊2018-06-03）
陈莉[2]（2016）在《负二项回归模型在过度离散车险数据中的应用》一文中研究指出计数数据常出现在医学、社会学与心理学等领域,是一类重要的取值为非负整数的统计数据类型。分析计数数据常用的模型有泊松回归模型、负二项回归模型、广义泊松回归模型与Hurdle模型等。计数数据中的一类特殊情形是数据的条件方差大于条件均值,即数据存在过度离散现象,因而,过度离散数据的分析就成了一个重要的统计问题。车险数据包括索赔次数、索赔额与赔款总量等,其中索赔次数就属于计数数据。索赔次数数据的分析与模型拟合是车险费率厘定的基础。而负二项回归模型能够很好的解决数据中存在的过度离散问题,因此本文主要研究负二项回归模型在过度离散车险数据中的应用。首先,介绍本文讨论所用到的模型以及过度离散的定义、过度离散产生的原因、可能导致的后果与检验等。并通过一个实例对比研究说明线性回归模型不适用于响应变量取值为计数数据的情形。其次,通过实证分析讨论泊松回归模型与负二项回归模型用于分析过度离散车险数据的优良性。结果表明,无论从模型拟合效果、预测效果还是模型实际意义等都说明负二项回归模型更适用于过度离散车险数据。最后,通过数值模拟的方法比较研究泊松回归模型、负二项回归模型以及广义泊松回归模型对于处理不同程度的过度离散车险数据的优良性。结果表明:当数据存在过度离散时,负二项回归模型拟合效果随着离散程度的变化始终优于泊松回归模型与广义泊松回归模型;当数据不存在过度离散时,泊松回归模型与负二项回归模型拟合效果差异不大,且都优于广义泊松回归模型。总的来说,无论数据是否存在过度离散,负二项回归模型都是一个不错的选择。(本文来源于《贵州民族大学》期刊2016-04-01）
李荣,陈莉,王平鲜[3]（2016）在《过度离散型数据的统计模拟与分析》一文中研究指出针对车险索赔次数数据经常出现的过度离散问题,采用数值模拟的方法,分别使用泊松模型(Poisson)、负二项回归模型(NB)以及广义泊松模型(GP)对不同程度的过度离散车险索赔次数数据进行拟合,并用均方误差、偏差以及AIC和BIC准则对Poisson、NB、GP叁种模型的优良性进行比较分析,得到了不同条件下叁种模型的优良性,并针对不同的条件给出了模型选择的建议.(本文来源于《经济数学》期刊2016年01期）
杨娟,谢远涛[4]（2013）在《基于过度离散广义线性模型的来电量预测》一文中研究指出文章基于真实B2C商务数据,针对Poisson回归中过度离散这一主要缺点,在广义线性模型的框架中探讨过度离散Poisson回归模型、负二项回归模型和Tweedie模型,并深入比较叁种模型的拟合效果、预测结果、对过度离散的刻画和对尾部的测度。(本文来源于《统计与决策》期刊2013年06期）
曾平,赵晋芳,刘桂芬[5]（2011）在《Poisson回归中过度离散的检验方法》一文中研究指出在数理统计中,Poisson分布有着悠久的历史,最早可追溯到1838年。对当时广泛研究的二项分布,在事件的发生概率p很小、试验次数n很大的情况下,法(本文来源于《中国卫生统计》期刊2011年02期）
郭海强,程大丽,黄德生,关鹏,周宝森[6]（2005）在《logistic回归中数据过度离散及其软件处理》一文中研究指出目的: 解决logistic回归分析中,乳腺疾病调查数据过度离散问题。方法: 利用SPSS软件提供的NOMREG过程,通过离散参数Devianceχ2 和Pearsonχ2 指标判断数据中是否存在过度离散现象,并估计离散参数,重新估计回归系数的标准误及Waldχ2统计量等指标。结果: 在乳腺炎数据中,χ2Pearson=6. 428,χ2Deviance=5. 822,所估计的离散参数分别为2. 143和1. 941,均大于1,说明该数据存在过度离散现象,通过NOMREG过程增大了系数标准误,减小了Waldχ2 值,从而增大了P值。结论: 使用NOMREG过程能够较好地检验及解决logistic回归数据过度离散问题。(本文来源于《中国医科大学学报》期刊2005年02期）
刘念,牛惠燕,周强,阮燕菲,卜军[7]（2004）在《心肌梗死后心室肌神经过度增生对心外膜复极离散度的影响》一文中研究指出目的 :研究心肌梗死 (MI)后心室肌神经过度增生对梗死心脏电生理的影响。方法 :30只兔随机分为 3组 ,每组 10只 ,神经生长因子 (NGF)组结扎左回旋支 ,并通过皮下置管于左侧星状神经节 ,给予NGF 4 0 0U× 30d ;陈旧性MI(OMI)组结扎冠状动脉左回旋支 ,无皮下置管 ;假手术 (Sham)组开胸但不结扎冠状动脉和皮下置管。 3个月后进行心室颤动 (室颤 )阈值测定和心外膜单相动作电位记录。结果 :NGF组的室颤阈值为 (7.0 0±1.0 4 )V ,较MI组和Sham组 [(9.16± 1.2 3)和 (13.31± 2 .12 )V]明显降低 (P <0 .0 5 ) ,OMI组和Sham组的室颤阈值间差异有统计学意义 (P <0 .0 5 )。NGF组的非梗死区的单相动作电位复极 90 %的时程 (MAPD90 )和非梗死区与梗死边缘区间的复极离散度较OMI组显着增加 (P <0 .0 5 )。结论 :MI后心室肌中神经纤维过度增生可进一步促进心肌电生理的不稳定性 ,而NGF组复极离散度的增加可能是NGF组室颤阈值进一步降低的重要原因。(本文来源于《临床心血管病杂志》期刊2004年06期）
杨肇,朱凯旋[8]（2003）在《logistic回归分析中的过度离散现象及纠正》一文中研究指出过度离散 (Overdispersion)是实际观测到的数据分布和拟合连接函数所对应的理论分布存在差异时表现出来的一种统计现象。logistic回归分析作为医学领域中一个被广泛应用的模型 ,在通常的使用中一般会考虑对模型进行残差分析、共线性诊断〔1,2〕(本文来源于《中国卫生统计》期刊2003年04期）
过度离散论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
计数数据常出现在医学、社会学与心理学等领域,是一类重要的取值为非负整数的统计数据类型。分析计数数据常用的模型有泊松回归模型、负二项回归模型、广义泊松回归模型与Hurdle模型等。计数数据中的一类特殊情形是数据的条件方差大于条件均值,即数据存在过度离散现象,因而,过度离散数据的分析就成了一个重要的统计问题。车险数据包括索赔次数、索赔额与赔款总量等,其中索赔次数就属于计数数据。索赔次数数据的分析与模型拟合是车险费率厘定的基础。而负二项回归模型能够很好的解决数据中存在的过度离散问题,因此本文主要研究负二项回归模型在过度离散车险数据中的应用。首先,介绍本文讨论所用到的模型以及过度离散的定义、过度离散产生的原因、可能导致的后果与检验等。并通过一个实例对比研究说明线性回归模型不适用于响应变量取值为计数数据的情形。其次,通过实证分析讨论泊松回归模型与负二项回归模型用于分析过度离散车险数据的优良性。结果表明,无论从模型拟合效果、预测效果还是模型实际意义等都说明负二项回归模型更适用于过度离散车险数据。最后,通过数值模拟的方法比较研究泊松回归模型、负二项回归模型以及广义泊松回归模型对于处理不同程度的过度离散车险数据的优良性。结果表明:当数据存在过度离散时,负二项回归模型拟合效果随着离散程度的变化始终优于泊松回归模型与广义泊松回归模型;当数据不存在过度离散时,泊松回归模型与负二项回归模型拟合效果差异不大,且都优于广义泊松回归模型。总的来说,无论数据是否存在过度离散,负二项回归模型都是一个不错的选择。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
过度离散论文参考文献
[1].常国艳.基于广义线性模型的过度离散检验[D].贵州民族大学.2018
[2].陈莉.负二项回归模型在过度离散车险数据中的应用[D].贵州民族大学.2016
[3].李荣,陈莉,王平鲜.过度离散型数据的统计模拟与分析[J].经济数学.2016
[4].杨娟,谢远涛.基于过度离散广义线性模型的来电量预测[J].统计与决策.2013
[5].曾平,赵晋芳,刘桂芬.Poisson回归中过度离散的检验方法[J].中国卫生统计.2011
[6].郭海强,程大丽,黄德生,关鹏,周宝森.logistic回归中数据过度离散及其软件处理[J].中国医科大学学报.2005
[7].刘念,牛惠燕,周强,阮燕菲,卜军.心肌梗死后心室肌神经过度增生对心外膜复极离散度的影响[J].临床心血管病杂志.2004
[8].杨肇,朱凯旋.logistic回归分析中的过度离散现象及纠正[J].中国卫生统计.2003
标签：负二项回归模型; 零膨胀负二项回归模型; 过度离散; 过度离散检验;