导读:本文包含了线性混合效应模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模型,效应,线性,数据,纵向,体长,近海。
线性混合效应模型论文文献综述
孙成,王卫,刘方田,郭兴宇[1]（2019）在《基于线性混合效应模型的河北省PM_(2.5)浓度时空变化模型研究》一文中研究指出京津冀地区大气PM_(2.5)污染严重.为揭示区域PM_(2.5)时空分布规律,使用2013—2014年河北省地面站点PM_(2.5)监测数据、MODIS AOD (气溶胶光学厚度)遥感数据、地面气象站点数据和土地利用调查数据,基于线性混合效应模型(LME),建立了ρ(PM_(2.5))时空变化与AOD因子、气象因子、土地利用因子之间的关系模型.采用十折交叉验证法对模型精度进行检验,并利用计算得到的校正因子〔全部实测的ρ(PM_(2.5))年均值除以参与建模的所有实测ρ(PM_(2.5))年均值〕纠正因AOD非随机性缺值导致的抽样偏差.结果表明:①河北省区域模拟精度R~2(决定系数)为0. 85,经交叉验证后R~2为0. 77,RMSE (均方根误差)和RPE (相对预测误差)分别为18. 28μg/m~3和28. 68%.②ρ(PM_(2.5))年均值模拟结果的校正因子范围为1. 24～2. 05,校正后的研究区ρ(PM_(2.5))年均值为89. 84μg/m~3,与实际监测数据相近.③ρ(PM_(2.5))空间分布呈平原高、山区低,平原地区西南高、东北低的趋势.④ρ(PM_(2.5))与AOD、温度、相对湿度呈正相关,与风速、大气能见度呈负相关.研究显示,线性混合效应模型能有效对ρ(PM_(2.5))进行时空变化模拟,并实现对非地面监测地区ρ(PM_(2.5))时空变化的预测,恰当的预测因子组合和模型校正有助于模型预测精度的提升.(本文来源于《环境科学研究》期刊2019年09期）
耿俏,李志强,陈少东[2]（2019）在《海量数据下线性混合效应模型的估计算法》一文中研究指出基于以往文献提出线性混合效应模型参数的叁步估计方法,避免了繁杂的极大似然估计迭代步骤。同时为进一步解决海量数据下计算估计量时存在的存储瓶颈及计算时间过长问题,在海量纵向数据的两种不同数据格式下,分别基于叁步估计方法利用分治算法计算模型参数的估计量。数值模拟和实证分析结果表明,本文所提出的叁步估计方法和估计量的分治算法可以减轻计算负担,减少占用内存,解决内存不足的问题,并提高计算速度。(本文来源于《北京化工大学学报(自然科学版)》期刊2019年03期）
郑建清,黄碧芬,吴敏,肖丽华[3]（2019）在《基于SAS NLMIXED的广义线性混合效应模型在发病率数据Meta分析中的应用》一文中研究指出目的介绍利用SAS软件中的PROC NLMIXED过程步实现发病率数据的META分析方法。方法基于广义线性混合效应模型(GLMM)的二项式-正态模型(BN)和泊松-正态模型(PNM)等,可方便地实现发病率数据的随机效应Meta分析,尤其当Meta分析纳入含0事件研究时。以Schutz等发表的血管内皮生长因子受体酪氨酸激酶抑制剂治疗的癌症患者发生致命不良事件风险的系统评价作为实例数据,利用SAS软件实现发病率数据的META分析,并提供编程代码。结果对于含0事件研究,使用PNM模型进行Meta分析,无需进行连续校正法。删除0事件研究对于PNM模型影响较大。与标准正态模型相比,PNM和BNM模型给出的效应值更高,而P值则更小,具有更好的灵敏性。结论基于广义线性混合效应模型,利用SAS的PROC NLMIXED实现发病率数据Meta分析是优选的方法。(本文来源于《中国循证儿科杂志》期刊2019年02期）
李媛[4]（2019）在《大样本线性混合效应模型的子抽样方法及其应用研究》一文中研究指出科学技术在过去十年的迅速发展带来了非常多的数据,一个主要挑战是计算资源的进步仍然远远落后于数据集的指数级增长。处理大规模数据集的一个普遍方法是子抽样。例如,在线性回归模型中利用经验的统计杠杆得分作为重要性抽样分布,能提高计算最小二乘估计的效率。本文考虑对面板数据构造新的杠杆抽样方法,然后应用于混合效应模型中,并通过随机模拟来研究新方法的优良性质。本文主要考虑大样本情形下一类混合效应模型的子抽样,混合效应模型的一类所谓误差分量回归模型中,对每个个体会有重复观测,当个体数规模很大时,重复观测更加剧了数据的规模,所以在该模型下提出了使用子抽样算法降低计算复杂度。首先根据面板数据具有组内相关性的性质,构造了一种成组数据杠杆得分权重确定方法,然后利用其作为子样本的抽样概率。进一步,我们将新方法和均匀抽样方法进行了随机模拟比较研究,将抽样方法应用于多元正态分布,自由度为1的T分布,自由度为3的T分布中并验证了新方法的有效性。杠杆抽样是在子抽样框架下进行设计,其中从全部数据中抽取一小部分数据(子样本),然后使用子样本替代全样本执行预期的计算。对于用不同方法抽出来的面板数据进行混合效应模型的不同参数估计,包括均匀抽样估计(UNIF),杠杆抽样估计(LEV),不加权杠杆抽样估计(LEVUW)。杠杆方法利用杠杆得分构造非均匀抽样概率,能够得到可解释性的子抽样方法。最后对抽样估算方法进行偏差及方差的对比分析,并给出不同子抽样方法的应用范围。(本文来源于《北方工业大学》期刊2019-03-20）
胡健宝[5]（2019）在《一类线性混合效应模型的变量选择方法及其在艾滋病临床数据分析中的应用》一文中研究指出本文针对一组来自美国艾滋病临床试验机构的非平衡纵向数据(AIDS Clinical Trial Group 193A Study)构建线性混合效应模型,以比较该临床试验中不同疗法的治疗效果,在构建混合效应模型的过程中使用了两种变量选择方法,并对这两种变量选择方法做出比较。我们首先讨论了范剑青等2001年提出的关于线性模型、稳健回归模型和广义线性模型的惩罚似然方法在线性混合效应模型构建中的应用。然后我们导出了线性混合效应模型参数的惩罚似然估计方程的迭代公式,讨论了惩罚似然估计的优良性,构建了新的线性混合效应模型。其后,我们研究了陈家鼎于2015年针对线性回归模型提出的一种新的变量选择方法,该方法旨在为大家提供一种简单的变量选择方法。对于这种新方法,我们尝试将其推广到线性混合效应模型中,并与范剑青提出的惩罚似然方法进行了比较。结论如下:从艾滋病临床实践角度,我们认为疗法4的疗效要优于其它疗法。而对于变量选择方法,惩罚似然方法可以同时进行变量选择和参数估计,但是计算过程较复杂,新方法计算过程简单,在所得模型略微复杂的情况下拟合优度也略微优于惩罚似然方法,只是无法同时进行变量选择与参数估计。本文所有计算用R软件完成。(本文来源于《云南师范大学》期刊2019-03-03）
孙晗梅[6]（2018）在《线性和广义线性混合模型的混合效应预测与应用》一文中研究指出大规模抽样调查的目的通常是为大范围的地理区域(如省,市)的各种数值特征提供可靠的估计.由于大范围地理区域由众多小范围区域组成,为了更加有效地规划教育,公共卫生和其他社会服务,以及分配政府资金,越来越需要对较小范围的地理区域进行类似的估计.可是对所有区域进行抽样调查需要花费大量物力和时间,通常导致小区域内的样本数量可能很少甚至为零.此处“小区域”表示的是地理意义上的小范围或人口统计调查中的一个群组,两者由于包含样本量太少而不能得到足够准确的直接估计.这就需要从相关的区域“借力”,利用人口普查数据或行政管理数据等辅助信息,基于假定模型得到间接估计.现在,基于模型的统计方法已经被广泛接受.混合(效应)模型可以灵活地将不同来源的信息组合并对不同误差来源进行解释,因而特别适用于小区域估计.混合效应模型中,利用随机效应来解释不能由辅助信息变量(即固定效应)解释的区域间差异.本文主要讨论了混合效应模型中混合效应的预测问题,全文共分为五章,论文结构如下:论文的第一章首先回顾了小区域估计的背景知识与常用的混合效应模型,包括线性混合模型和广义线性混合模型.接着介绍了经典的混合效应预测方法,即线性混合模型的经验最佳线性无偏预测(Empirical Best Linear Unbiased Predictor,EBLUP)和广义线性混合模型的经验最佳预测(Empirical Best Predictor,EBP).在本章最后部分,介绍了由Jiang等人在文献[59]中提出的针对连续型数据中混合效应模型预测的分类混合模型预测(Classified Mixed Model Prediction,CMMP)方法.CMMP 方法认为在训练集数据群组与新观测数据所属群组之间存在某种匹配关系,通过判别新观测数据所匹配的群组,CMMP方法可以做出更准确的预测.另外,不论两者间是否确实存在匹配关系,CMMP方法都能尝试找到相似的匹配关系从而得到比回归预测方法更佳的预测效果.论文的第二章将Jiang等人适用于连续型观测数据混合效应预测的CMMP方法推广到集群二分类数据中,提出了分类混合逻辑模型预测(Classified Mixed Logistic Model Prediction,CMLMP)方法.相比于传统逻辑回归预测方法和不考虑匹配过程的混合模型预测方法,CMLMP方法通过判别新观测数据所属群组并借用训练集中对应群组的信息,可以显着提高对新观测数据中与混合效应相关的概率预测的准确度.为了进一步提高群组匹配的正确性,接下来通过利用协变量信息,提出了一种新的判别新观测数据匹配群组的策略,从而更加改善了预测效果.此外,针对CMLMP方法的均方预测误差MSPE提出了一种二阶无偏的估计方法,可以用来衡量预测的不确定性.论文给出了CMLMP方法的一致性理论证明并通过数值模拟展示了其在有限样本下的表现.模拟结果显示新提出的CMLMP方法在预测效果上优于传统方法.最后将CMLMP方法应用于实例数据并进行了讨论.论文的第叁章提出离散变量最优预测的一个准则,即要求预测值与被预测的离散随机变量拥有相同的取值类型.举例来说,如果需要预测一个二元变量,在使得均方预测误差最小的意义下,常用的最佳预测方法得到的预测为其条件期望,取值通常是介于0到1之间的数值,而实际上希望得到的预测取值应该为0或1.在本章中,将基于该准则的预测方法称为最佳相似预测(Best Look-Alike Prediction,BLAP).对分类响应变量进行预测时,BLAP方法与以均匀分布为先验分布的贝叶斯分类方法类似,但前者在预测过程中不需要先验分布的信息.另外,BLAP方法也可以扩展到其他数据类型,如零膨胀随机变量的情形.接下来,将BLAP方法应用到了小区域估计领域,考虑了具有零膨胀随机效应的Fay-Herriot模型,在对零膨胀随机效应进行预测后得到各小区域混合效应的预测.本章最后通过两个实例数据分析来展示BLAP方法的应用效果.论文的第四章注意到尽管CMMP方法的预测效果明显优于经典回归预测的效果,但是其匹配过程中没有利用到协变量的信息,使得正确判别新观测数据与训练集群组之间匹配关系的概率较低,从而其预测效果与其他混合模型预测方法相比优势不再明显.现在结合协变量信息提出一种新的CMMP方法,提高判别匹配关系的正确率,从而借用更加准确有效的信息,进一步改善CMMP方法的表现.此外,为了衡量CMMP方法的预测不确定性,本章中提出了估计CMMP均方预测误差(Mean Squared Prediction Error,MSPE)的方法,使用该方法可以得到其二阶无偏估计,记为Sumca MSPE.对改进的CMMP方法和Sumca MSPE估计的效果进行了详尽的数值模拟,模拟结果表明新CMMP方法显着改善了预测效果,Sumca MSPE估计也接近于其真实值.随后给出了 Sumca MSPE估计的二阶无偏性的理论证明.最后,将新的CMMP方法与Sumca MSPE估计应用于实例数据.论文的第五章是对本论文的总结与下一步研究工作的展望.(本文来源于《山东大学》期刊2018-11-26）
衷思剑,麻秋云,刘淑德,王四杰,任一平[7]（2018）在《基于线性混合效应模型的黄鮟鱇体长体重关系的时空差异》一文中研究指出为了研究黄鮟(Lophius litulon)生活史特征的异质性,根据秋(2016年10月)、冬(2017年1月)、春(2017年5月)和夏(2017年8月)4个季节在山东近海的底拖网调查数据,对该物种体长-体重关系的时空差异进行了研究。本文构建了广义线性模型和9个线性混合效应模型,用来研究黄鮟的体长-体重关系(W=aL~b)及其时空差异。b的固定值(2.77)小于3,表示黄鮟鱇为负异速生长,肥满度与体长负相关,身体趋于细长。根据AIC值最小原则,最复杂的线性混合效应模型(即水域和季节对两个参数a和b均存在随机效应)拟合效果最佳;交叉验证的结果同样表明,该模型的预测效果最为可靠。根据最佳模型和广义线性模型的差异性分析结果,黄鮟鱇体长-体重关系的时空差异是极显着的(P<0.01)。在最佳模型中,a值在春季最大,其次是秋季和冬季,而夏季最小;b值则与此相反。整体来看,纬度高的黄鮟鱇个体a值较大,b值较小,而a、b值与水深没有表现出明显规律。本研究表明,季节和纬度对黄鮟鱇的体长-体重关系具有显着的影响,混合效应模型能把水域和季节的异质性通过随机效应在单个模型中更准确、方便地体现出来,从而进一步证实了此模型在数据来源异质性研究中的优势。(本文来源于《中国水产科学》期刊2018年06期）
衷思剑,麻秋云,刘淑德,王四杰,任一平[8]（2018）在《用线性混合效应模型研究黄鮟鱇体长体重关系的时空差异》一文中研究指出为了研究黄鮟鱇(Lophiuslitulon)生活史特征的异质性,根据4个季节(2016年10月～2017年8月)在山东近海的底拖网调查数据,本文构建了广义线性模型和9个线性混合效应模型,对该物种体长-体重关系(W=aL~b)的时空差异进行了研究。根据AIC值最小原则,最复杂的线性混合效应模型(即水域和季节对两个参数a和b均存在随机效应)拟合效果最佳;交叉验证的结果同样表明,该模型的预测效果最为可靠。在最佳模型中, a值在春季最大,其次是秋季和冬季,而夏季最小;b值则与此相反。整体来看,纬度高的黄鮟鱇个体a值较大,b值较小,而a、b值与水深没有表现出明显规律。本研究表明,季节和纬度对黄鮟鱇的体长-体重关系具有显着的影响,混合效应模型能把水域和季节的异质性通过随机效应在单个模型中更准确、方便地体现出来。(本文来源于《2018年中国水产学会学术年会论文摘要集》期刊2018-11-15）
宋秋月,易东,伍亚舟[9]（2019）在《基于纵向数据线性混合效应模型的老年人抑郁影响因素研究》一文中研究指出目的应用线性混合效应(linear mixed effect,LME)模型对老年抑郁量表得分情况进行拟合分析,探讨老年人抑郁情况及其影响因素。方法数据来源于美国国家阿尔茨海默合作中心(National Alzheimer’s Coordinating Center,NACC),采用简版老年人抑郁量表对老年人抑郁情绪进行调查,从2011年进行首次调查的1 345人中筛选出连续随访4年共计230人;根据赤池信息准则(Akaike information criterion,AIC)、贝叶斯信息准则(Bayesian information criterions,BIC)值最小化原则,选择合适的方差-协方差结构(UN)对该数据进行拟合和模型参数估计,利用SAS软件中的MIXED模块对该纵向数据进行建模与分析。结果 LME模型结果显示,受教育年限越长(β=-0. 103,P=0. 016),简版老年抑郁量表(Geriatric Depression Scale,GDS)得分越低;离婚的老年人相比于在婚状态的老年人GDS得分高(β=0. 742,P=0. 025),独居的老年人比在婚状态的GDS得分高(β=1. 495,P=0. 024);复杂活动需要帮助的老年人相比于完全能自理的老年人GDS得分更高(β=0. 420,P=0. 036);近2年经常感到沮丧的老年人GDS得分更高(β=1. 176,P <0. 0001);痴呆状态的老年人比正常认知老年人GDS得分高(β=1. 068,P=0. 003),MCI状态的老年人也比正常状态的老年人GDS得分高(β=1. 020,P=0. 001)。结论线性混合效应模型能有效地处理纵向数据;低文化水平、低自理能力、低认知状态、离婚是造成老年抑郁的重要因素。(本文来源于《第叁军医大学学报》期刊2019年04期）
姜红燕[10]（2018）在《广义线性混合效应模型试验设计若干问题研究》一文中研究指出公共卫生学、医药学、社会学、经济学等领域经常出现离散型的响应数据,比如在临床医学试验中,药物是否有效,是否有毒性,服药后的呕吐次数等响应值为二值或计数型,此类数据之间通常会用广义线性混合效应模型来建模.广义线性混合效应模型是在固定效应模型的基础上引入随机效应,使得模型既能刻画数据的平均变化趋势,又能刻画数据的相关结构.在已有的工作中,大都假设给定混合效应之后,响应之间的相关性完全由混合效应来描述,个体的多个观察响应值之间是相互条件独立的.其实,个体的混合效应一旦确定之后,个体随时间变化的一系列重复响应之间还存在相关性,此类的数据被称为纵向数据,仅仅通过混合效应来描述其相关性是不够的.比如在药物试验中,为研究药物在人体内的代谢过程,需对药物在试验个体血液中的浓度进行多次重复测量,因此同一个体的多个测量值之间应该是相关的.与混合效应模型相比,纵向数据下广义线性混合效应模型的最优设计问题存在一定的复杂性,主要表现在四个方面:一是除了随机效应以外,响应之间随时间变化的相关性如何建模,此时的模型中会出现更多的相关性结构,二是由于广义线性模型是一类非线性模型,设计准则与固定效应参数、随时间变化的相关性结构中的参数以及由随机效应引入的方差结构中的参数有关,叁是每个个体的试验次数与设计变量的值可能相同也可能不相同,四是多响应下,每种响应的观测次数与观测时刻点可能相同也可能不同.本文的研究宗旨之一是如何对此类纵向离散响应数据进行建模,以及如何科学有效地安排试验,使得能用少量的试验次数获得对所建模型具有最有效的统计信息.通过借鉴并发展线性混合效应模型下的建模与分析方法,研究单(多)响应具有混合效应的广义线性模型的最优设计和稳健设计.另外,由于广义线性混合效应模型的最优设计依赖于模型参数,相关的稳健设计有待进一步的研究,本文基于数论方法,讨论一种对最大最小设计准则和超立方体设计准则的改进方法,并以Poisson混合效应模型为例说明该方法的有效性.本文研究工作主要包括下面五个部分:Ⅰ.纵向数据Poisson混合效应模型的最优设计本章把Niaparast(2010)的结果(ρ=0,响应之间条件独立)推广至纵向数据的情形(0≤ρ≤1).AR(1)结构建立纵向数据之间随时间变化的时间序列模型,利用拟似然方法给出模型的近似信息矩阵.为克服局部D-最优设计对模型参数的依赖性,在给定参数的先验分布时,给出了模型的伪贝叶斯最优设计;由于先验分布对最优设计仍存在一定的影响,进一步地,考虑模型的多层伪贝叶斯最优设计.结果显示,在试验经费受限的前提下,纵向数据自相关系数、费用比值均对最优设计有一定的影响.利用D-相对效率,将等距设计与多层伪贝叶斯最优设计也进行了比较.Ⅱ.纵向数据多响应线性混合效应模型的D-最优设计本章考虑纵向数据多响应线性混合效应模型(模型阶数≤4)的D-最优设计问题,利用AR(1)自相关过程描述某个指标重复观测响应之间的相关性.发现一旦给定线性回归的阶数,多个响应之间的相关系数对最优设计点位置的影响很小,特别是重复观测响应向量的自相关系数比较大的时候.在试验经费受限制的条件下,对D-最优设计与等距设计的效率进行了比较,发现自相关系数越大,设计点个数越多,两者的差别越小.还讨论了线性回归模型阶数未知时的稳健设计,发现自相关系数很小时,选择回归阶数尽可能高的线性模型,其对应的D-最优设计效率最高,其次是等距设计;而当自相关系数很大时(接近1),等距设计和对阶数的任意假设所得的D-最优设计效率相差无几(除了模型阶数为3的情形).Ⅲ.纵向数据多响应Logistic混合效应模型的最优设计本章考虑纵向数据多响应Logistic混合效应模型的最优设计问题.借助二值响应的模型分解和罚拟似然估计方法得到模型的近似信息矩阵.在试验费用有限制的条件下,得到了D-最优设计,并且发现纵向数据之间的自相关系数对设计还是有比较大的影响.由于近似信息矩阵中是含未知固定效应参数的,所得的D-最优设计其实是局部最优设计,为解决这个问题,考虑伪贝叶斯最优设计准则,结果显示伪贝叶斯最优设计准则对纵向数据之间的自相关系数(取值超过0.01)保持了稳健性,新增个体费用与新增一次重复观测费用的比值对最优设计有显着的影响.Ⅳ.不平衡设计下纵向数据多响应混合效应模型的最优设计本章考虑不平衡设计下纵向数据多响应混合效应模型的最优设计问题,多响应为离散-连续混合的情形,且各个响应指标的试验观测次数、观测点可能不完全一致.本章依然采用二值响应的模型分解和罚拟似然估计方法得到模型的近似信息矩阵,利用模拟退火算法得到模型的不平衡D-最优设计,并给出了两个模拟算例.最后,将平衡设计下的线性试验经费函数推广至不平衡设计的情形,据此定义给出不平衡设计下的相对D-效率的定义.Ⅴ.Poisson混合效应模型的一种改进的稳健设计方法考虑最大最小最优设计准则(MMD)和超立方体最优设计准则(HClnD)的一种改进方法.以给定混合效应后,独立重复响应的Poisson混合效应模型为例,讨论其线性预测部分为一次线性回归函数和二次回归函数情形时的稳健设计.在假设固定效应参数的先验分布为正态分布时,以分布中抽取的”代表点”作为参数的取值集合,在此集合上定义模型的一种新的最大最小设计和超立方体设计.利用模拟退火算法计算相关的结果,将本文定义的新的设计准则与Lee(2010)中提出的设计准则,以及伪贝叶斯设计准则作比较,并从设计的相对D-效率,固定效应参数估计的精确度,程序的运行速度叁个方面说明了”代表点”方法的优越性.(本文来源于《上海师范大学》期刊2018-09-01）
线性混合效应模型论文开题报告
（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：
基于以往文献提出线性混合效应模型参数的叁步估计方法,避免了繁杂的极大似然估计迭代步骤。同时为进一步解决海量数据下计算估计量时存在的存储瓶颈及计算时间过长问题,在海量纵向数据的两种不同数据格式下,分别基于叁步估计方法利用分治算法计算模型参数的估计量。数值模拟和实证分析结果表明,本文所提出的叁步估计方法和估计量的分治算法可以减轻计算负担,减少占用内存,解决内存不足的问题,并提高计算速度。
（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。
线性混合效应模型论文参考文献
[1].孙成,王卫,刘方田,郭兴宇.基于线性混合效应模型的河北省PM_(2.5)浓度时空变化模型研究[J].环境科学研究.2019
[2].耿俏,李志强,陈少东.海量数据下线性混合效应模型的估计算法[J].北京化工大学学报(自然科学版).2019
[3].郑建清,黄碧芬,吴敏,肖丽华.基于SASNLMIXED的广义线性混合效应模型在发病率数据Meta分析中的应用[J].中国循证儿科杂志.2019
[4].李媛.大样本线性混合效应模型的子抽样方法及其应用研究[D].北方工业大学.2019
[5].胡健宝.一类线性混合效应模型的变量选择方法及其在艾滋病临床数据分析中的应用[D].云南师范大学.2019
[6].孙晗梅.线性和广义线性混合模型的混合效应预测与应用[D].山东大学.2018
[7].衷思剑,麻秋云,刘淑德,王四杰,任一平.基于线性混合效应模型的黄鮟鱇体长体重关系的时空差异[J].中国水产科学.2018
[8].衷思剑,麻秋云,刘淑德,王四杰,任一平.用线性混合效应模型研究黄鮟鱇体长体重关系的时空差异[C].2018年中国水产学会学术年会论文摘要集.2018
[9].宋秋月,易东,伍亚舟.基于纵向数据线性混合效应模型的老年人抑郁影响因素研究[J].第叁军医大学学报.2019
[10].姜红燕.广义线性混合效应模型试验设计若干问题研究[D].上海师范大学.2018
论文知识图
