有限混合模型(FMM):STaTa分析(以EM algorithm做潜在分类再回归分析)

点击数:1 借阅数: 0

作者:张绍勋著

出版社:五南图书

出版年:2018

出版地:台北市

格式:PDF

ISBN:978-957-11-9646-6 ; 957-11-9646-0

内容简介
 
本书特色
 
•本书架构循序渐进,有步骤地说明有限混合模型(FMM)的原理和应用实例分析。
•STaTa提供十七种有限混合模型(FFM)的估计法,功能十分庞大,您不能不知!
•本书内容融合理论、方法及统计,每章节均辅以实例示范,学习效率提升。
•适用于教育学、心理学、社会科学、生产管理、经济、风险管理、人资管理、航运管理、财务金融、会计、公共卫生、工业工程等学术领域。
•随书附赠资料档光碟。
 
有限混合模型(FMM)为一种混合分布的机率模型,其假定原始实测资料系自众多但有限的未知分布得来,而FMM模型的EM演算法可自行分类,以减少模型因存在不同异质体而导致偏误的结果。其框架提供了一个方便且灵活的方法来模拟复杂的异质资料库。坊间常见的四十一种软体,例如:SAS、R和SPSS等大型资料库之档案格式,都可转至STaTa进行分析,STaTa亦提供十七种有限混合模型(FFM)的估计法,功能十分庞大、实用。有限混合模型(FMM) 早期应用在天文学、生物学、经济学、工程学、市场行销、医学,现已流行于教育学、心理学、社会科学、人资管理、生产管理、航运管理、财务金融、会计等专业领域。
 
本书章节内容包含线性回归、次序回归、Logistic回归、多项Logistic回归、count回归、零膨胀回归、参数型存活回归、2SLS线性回归、order回归、Beta回归…等理论与实证研究,随书附赠光碟资料档,让研究者在详阅本书后,在进行此类研究方法的分析实作时,能得心应手并获得最佳的研究成果。

作者简介
 
张绍勋
 
学历:国立政治大学资讯管理博士
 
现任:国立彰化师大专任教授
 
经历:致理技术专任副教授

  • 自序(第5页)
  • Chapter 01 地表最强的统计软体 STaTa(第19页)
  • 1-1 STaTa 如何读入各种资料格式(第20页)
  • 1-1-1 SPSS 资料档(*.sav)转成 STaTa 格式(第24页)
  • 1-1-2 SAS 格式转成 STaTa(第27页)
  • 1-1-3 R 软体之格式转成 STaTa(第31页)
  • 1-2 STaTa 是地表最强大的统计软体(第34页)
  • 1-2-1 有限混合模型(finite mixtures models, FMM):EM algorithm 指令(第37页)
  • 1-2-2 单层次:连续 vs. 类别依变数回归之种类(第41页)
  • 1-2-3 STaTa 多层次混合模型的回归种类(第48页)
  • 1-2-4 STaTa panel-data 回归的种类(第54页)
  • 1-2-5 STaTa 流行病(epidemiologists)之选择表对应的指令(第59页)
  • 1-2-6 STaTa 存活分析的选择表之对应指令(第60页)
  • 1-2-7 STaTa 纵贯面 — 时间序列之选择表(第62页)
  • 1-2-8 依变数 binary outcome 之 STaTa 选择表(第63页)
  • 1-3 评比敌对模型,适配指标有八种(第64页)
  • Chapter 02 有限混合模型(finite mixtures models, FMM 配搭十七种指令)(第69页)
  • 2-1 有限混合模型(finite mixtures models, FMM)(第72页)
  • 2-1-1 高斯混合模型(Gaussian mixture model,简称 GMM)(第77页)
  • 2-1-2 单一高斯机率密度函数的参数估测法(第85页)
  • 2-1-3 有限混合模型之对应指令(第91页)
  • 2-1-4a 有限混合模型之应用领域(第95页)
  • 2-1-4b 有限混合模型之研究议题(第99页)
  • 2-2 Gaussian 混合模型(GMM)使用 expectation maximization(EM)技术(第118页)
  • 2-2-1 高斯混合模型与最大期望(EM)演算法(第120页)
  • 2-2-2 EM algorithm 范例解说(第128页)
  • 2-3 高斯(Gaussian)混合模型应用在图形辨识(第131页)
  • 2-3-1 K-Means 分类(classifier)法,如何演变成 EM algorithm 呢?(第135页)
  • 2-3-2 EM-GMM 建立的流程(第143页)
  • 2-3-3 期望值最大演算法(expectation maximization, EM)之解说(第146页)
  • 2-3-4 EM algorithm 如何找出高斯混合模型(GMM) 潜在类别之解说?(第152页)
  • 2-3-5 混合模型、潜在类别(class)和 EM 演算法(mixture model, latent class and EM algorithm)(第159页)
  • 2-4 最大概似(ML)vs. 期望值最大(EM)演算法(第165页)
  • 2-4-1a 最大概似(ML)≠ 概似比(LR)(第167页)
  • 2-4-1b EM 与 ML 的关系解说(第170页)
  • 2-4-2a EM 演算法是使训练数据的对数概似函数最大化(重点解说)(第173页)
  • 2-4-2b 聚类(clustering)EM algorithm:简单版(第178页)
  • 2-4-2c EM 演算法的推导(derivation of EM algorithm)(第183页)
  • 2-5 EM 演算法的工科论文(第186页)
  • 2-5-1 EM 演算法的范例:图形模式分类(pattern classification)(第186页)
  • 2-5-2 EM 演算法的论文:图像分割(image segmentation)(第190页)
  • Chapter 03 高斯混合模型(fmm:regression 指令)、异质线性回归(第197页)
  • 3-1 机率密度函数(probability density function)常见有十种(第201页)
  • 3-2 单一常态(高斯)分布之回归分析(第215页)
  • 3-3 单一分布之线性回归概念(第220页)
  • 3-3-1a 单层次固定效果:最小平方法 OLS 重点整理(regress 指令)(第229页)
  • 3-3-1b 单层次固定效果:最小平方法(OLS)七个假定的诊断及补救法(第248页)
  • 3-3-2 最小平方法(OLS)vs. 概似法(第250页)
  • 3-3-3 单一分布之各类型回归(第254页)
  • 3-3-4 Type I 误差 α、Type II 误差 β、检定力:ROC 图的切断点(第269页)
  • 3-4 双高斯混合模型之解说(第274页)
  • 3-4-1 EM 演算法如何求解高斯混合模型?(第277页)
  • 3-4-2 混合模型有十七种:STaTa 指令语法(第286页)
  • 3-4-3a 双高斯混合模型:重点回顾(第289页)
  • 3-4-3b EM 演算法是使训练数据的对数概似函数最大化:简单版(第295页)
  • 3-4-3c 双高斯混合模型(fmm 2:regress 指令):妇女全薪 wagefull(第297页)
  • 3-4-4 参高斯混合模型(fmm 3:regress 指令):Ln(医疗花费)(第312页)
  • Chapter 04 有限混合模型:线性回归(fmm 开头指令)(第329页)
  • 4-1 内生共变数之线性回归(2SLS)(ivregression) 指令(第330页)
  • 4-2 工具变数及两阶段最小平方法(2SLS)(ivregression)指令(第330页)
  • 4-2-1 进行 OLS 统计分析时应注意之事项(第330页)
  • 4-2-2 工具变数(IV)之重点整理(第339页)
  • 4-2-3 随机解释变数 X(random regressor)与工具变数 Z(instrumental variable)(第345页)
  • 4-2-4a 单一工具变数及单一内生变数:内生性检定(第347页)
  • 4-2-4b 两阶段最小平方法回归:Wu-Hausman 内生性检定(estat endogenous 指令)(第369页)
  • 4-2-5 为何需要多个工具变数?(第378页)
  • 4-2-6 工具变数(instrumental variables)在教育应用(第383页)
  • 4-2-7 两阶段回归 vs. 最小平方法回归之练习题(第391页)
  • 4-3 横断面/panel:如何侦测需要工具变数呢?(第391页)
  • 4-3-1 为何「教育水准」需要多个工具变数 Z 呢?(第392页)
  • 4-3-2 横断面 Hausman 检定:OLS vs. 2SLS 谁优?(hausman 指令)(第410页)
  • 4-3-3 Panel-data Hausman-Taylor 法:需工具变数吗?(xthtaylor)(第423页)
  • 4-4 内生共变数之混合模型(2SLS)(fmm : ivregression)指令)(第437页)
  • 4-4-1 2SLS 混合模型(第437页)
  • 4-4-2 内生共变数之线性回归混合模型(2SLS)(fmm:ivregression)指令:房租之影响因素(第440页)
  • Chapter 05 有限混合模型:logistic 回归(fmm 开头指令)(第453页)
  • 5-1 logistic 回归之概念(第455页)
  • 5-1-1 logistic 回归假定、回归式解说(第457页)
  • 5-1-2 STaTa 之单一 binary regression 选择表之对应指令(第467页)
  • 5-2 单一逻辑斯回归的入门(第471页)
  • 5-2-1a 单模型之 logistic 回归分析:年龄与罹患冠心病(CHD)关系(第476页)
  • 5-2-1b 单一 logistic 回归之再练习:年龄与罹患冠心病(CHD)关系(第486页)
  • 5-3 对数常态(log-normal)分布、对数 logistic(log-log)分布(第494页)
  • 5-3-1 对数常态(log-normal)分布:偏态分布(第494页)
  • 5-3-2 对数逻辑斯分布(log-logistic):偏态分布(第501页)
  • 5-4 双逻辑斯混合模型(fmm 2 : logit 指令):电子支付之因素(第515页)
  • 5-5 双机率混合模型(fmm 2:probit 指令):电子支付之因素(第529页)
  • 5-5-1 线性机率回归模型(probit regression)vs. logistic 模型(第529页)
  • 5-5-2 双机率回归分析:电子支付影响因素(第535页)
  • 5-6 双 complementary log-logistic 模型(fmm 2:cloglog 指令):电子支付之因素(第547页)
  • 5-6-1 对数 — 逻辑斯模型(complementary log-logistic model)(第547页)
  • 5-6-2 双「对数 — 逻辑斯」模型(complementary log-log model):电子支付(第552页)
  • Chapter 06 有限混合模型:多项 Logit 回归(fmm 开头 mlogit 等指令)(第565页)
  • 6-1 离散选择模型(asmprobit、mlogit、fmlogit、bayes:mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip 等指令)(第567页)
  • 6-1-1 离散选择模型(DCM)概念(第570页)
  • 6-1-2 离散选择模型(DCM)之数学式:以住宅选择为例(第576页)
  • 6-2 单分布之多项逻辑斯模型(multinominal logit model, MNL)(第590页)
  • 6-3 Multinomial logit 回归分析:职业选择种类(mlogit 指令)(第595页)
  • 6-4 多项逻辑斯回归分析:乳房摄影(mammo-graph) 选择的因素(mlogit 指令)(第605页)
  • 6-5 多项机率回归分析(multinomial probit regression):三种保险的选择(mprobit 指令)(第618页)
  • 6-6 多项式逻辑斯回归(第622页)
  • 6-6-1 个人化的行为预测和市场区隔的行为预测何者较有效度?(第622页)
  • 6-6-2 品牌选择行为模型:随机效用模型 vs. 混合分群之多项式逻辑斯回归模型(第624页)
  • 6-7 双多项 logit 回归(fmm:mlogit 指令):汽车品牌选择(第628页)
  • 6-7-1 双多项逻辑斯混合模型(fmm:mlogit 指令):三种汽车品牌选择(第629页)
  • Chapter 07 有限混合模型:Ordinal outcomes 回归(fmm 开头 ologit、oprobit 指令)(第641页)
  • 7-1 离散选择模型(asmprobit、mlogit、fmlogit、bayes:mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip 等指令)(第644页)
  • 7-2 Ordered Logit 及 Ordered Probit 模型之概念(第650页)
  • 7-3 Ordered Logit 及 Ordered Probit 回归分析:影响亲子亲密关系的因素(reg、listcoef、prgen、ologit、logit)(第653页)
  • 7-4 Ordered Logit 回归分析:Copenhagen 的住房条件(ologit、lrtest、graph bar、oprobit 指令)(第673页)
  • 7-5 双 Ordered logistic 混合回归(fmm:ologit 指令):健康等级之因素(第684页)
  • 7-6 双 Ordered probit 混合模型(fmm:oprobit 指令):健康等级之因素(第696页)
  • 7-6-1 Ordered probit regression 混合模型之指令(第696页)
  • 7-6-2 Ordered probit regression 混合模型:健康等级之因素(第697页)
  • Chapter 08 有限混合模型:计次(count)回归(fmm 开头指令)(第709页)
  • 8-1 单分布 Count 依变数:零膨胀 Poisson 回归 vs. negative binomial 回归(第711页)
  • 8-1-1 Poisson 分布(第712页)
  • 8-1-2 负二项(negative binomial)分布(第718页)
  • 8-1-3 零膨胀(Zero-inflated)Poisson 分布(第720页)
  • 8-2 单分布 Count 依变数:零膨胀 Poisson 回归 vs. 负二项回归(zip、nbreg、prgen 指令)(第723页)
  • 8-3 单 Zero-inflated ordered probit regression 练习:钓鱼(zip 指令)(第745页)
  • 8-4 单层:零膨胀 Ordered probit 回归分析:抽菸严重度(zioprobit 指令)(第747页)
  • 8-5 双负二项混合模型(fmm:nbreg 指令):精神科患者随访次数(第754页)
  • 8-6 双 Poisson 混合模型分析(fmm:poisson 指令):医生问诊次数(第762页)
  • 8-7 双零膨胀 Poisson 之混合模型(fmm:pointmass 指令):钓鱼数量(第775页)
  • Chapter 09 设限(censored)混合模型、截断(truncated)混合模型(fmm:tobit、fmm:tpoisson、fmm:intreg 指令)(第783页)
  • 9-1 单区间设限(interval-censoring)回归(tobit 指令):学习成就的因素(第786页)
  • 9-2 双 tobit regression 模型(fmm:tobit 指令):大学生 GPA 分数(第805页)
  • 9-3 双区间(interval)回归模型(fmm:intreg 指令):妇女工资类别的上下限(第816页)
  • 9-4 单截断(truncated)回归分析(truncreg 指令):学习成就的因素(第826页)
  • 9-5 双 truncated 线性回归模型(fmm:truncreg 指令):妻子工作时数(第844页)
  • 9-6 双 truncated Poisson 回归(fmm:tpoisson 指令):买步鞋数量(第854页)
  • Chapter 10 Cox 存活分析 vs. 双存活回归模型(fmm:streg 指令)(第867页)
  • 10-1 Cox 存活分析:临床研究最重要统计法(第868页)
  • 10-2 存活分析(survival analysis)介绍(第868页)
  • 10-2-1 存活分析之定义(第870页)
  • 10-2-2 为何存活分析是临床研究最重要的统计法?(第878页)
  • 10-2-3 存活分析之三种研究目标(第883页)
  • 10-2-4 存活分析之研究议题(第884页)
  • 10-2-5 设限资料(censored data)(第890页)
  • 10-2-6 存活时间 T 之机率函数(第896页)
  • 10-2-7 Cox 存活分析 vs. logit 模型/Probit 模型的差异(第898页)
  • 10-3 存活分析范例:除草有助幼苗存活率吗?(第905页)
  • 10-3-1 生命表(life table)(第905页)
  • 10-3-2 存活分析范例〔依序(estat phtest、sts graph、ltable 或 sts list、stci、stmh、stcox 指令)〕(第908页)
  • 10-4 Cox 比例危险模型(proportional hazards model)(stcox 指令)(第938页)
  • 10-4-1 f(t) 机率密度函数、S(t) 存活函数、h(t) 危险函数、H(t) 累积危险函数(第939页)
  • 10-4-2 Cox 比例危险模型之回归式解说(第945页)
  • 10-4-3 危险函数的估计(hazard function)(第948页)
  • 10-4-4 Cox 比例危险模型之适配度检定(第953页)
  • 10-4-5 Cox 模型之相对风险(relative risk, RR)(第955页)
  • 10-5 存活分析之有限混合模型(fmm: streg 指令):手术伤口治愈模型(第956页)
  • Chapter 11 有限混合模型:Beta 回归 (fmm:betareg 等指令)(第967页)
  • 11-1 Beta 分布(Beta distribution)(第968页)
  • 11-1-1 Beta 分布之概念(第968页)
  • 11-1-2 Beta 分布的特性(第972页)
  • 11-2 双 Beta 回归分析(fmm:betareg 指令):就读学校合格率之因素(第975页)
  • Chapter 12 有限混合模型:GLM 回归(fmm:glm 等指令)(第987页)
  • 12-1 广义线型模型(generalized linear regression models)(第989页)
  • 12-1-1 广义线性回归之概念(第990页)
  • 12-1-2 指数分布族、广义线性模型之建模(第994页)
  • 12-2 参对数常态混合模型〔fmm 3:regress、fmm 3:glm, family(lognormal)指令〕:邮票厚度为例(第996页)
  • 参考文献(第1014页)