二元数据（即y=1或0）在生物学、流行病学和社会科学领域是一类很常见的数据类型。对于二元数据分析，logistic回归是很常用的一类模型。一般对于logistic回归的参数估计是采用无条件极大似然估计，在大样本、均匀数据下，这种估计方法具有很好的性质。但是在小样本情况下，无条件似然估计不具有相合性。对于出现的问题，学者提出条件似然估计的方法，但是条件似然在计算上很复杂，针对计算复杂的问题，一些学者提出了很好的解决方法，***(1984)给出了一种快速Fourier变化减少计算负担;Menta，Patel and Senchaudhuri(2000)给出了一种基于网状结构的Monte-Carlo模拟方法，很好地处理了计算算法问题.本文运用鞍点逼近方法近似逼近条件似然函数，很好地解决了计算复杂性。\n 鞍点逼近是一种很好的近似逼近工具，在过去的二十年中，这方面的研究得到很大的发展，在本文中的第二章介绍了这种方法的基本内容并给出了例子，在第三章，本文运用鞍点逼近去近似条件似然函数，再使用Newton-Raphson迭代算法求解条件似然估计，最后模拟了一组数据，对该方法的可行性作了探讨。\n 在本文的第四章，由于生物数据存在很强的层次性，提出运用分层logistic回归去处理时间和剂量趋势结合起来的层次数据问题，并给出了分层logistic回归模型的固定效应参数估计方法。
暂无评论