期刊论文

中文

统计研究

1002-4565

2016

33

4

97-103

10.19343/j.cnki.11-1302/c.2016.04.014

国家自然科学基金“基于当代分位回归与鞍点逼近方法的复杂数据分析”（11271368） 教育部人文社会科学青年基金“面板数据的分位回归方法及其变量选择问题研究”（13YJC790105） 湖北省教育厅人文社科项目“面板数据的分位回归方法及其应用研究”（2012G078） 湖北工业大学博士科研启动基金“高维复杂纵向数据的分位回归建模研究”（BSQD13050）资助

本校为第一机构

本文对混合效应模型提出了一种非参数贝叶斯分位回归方法,通过引进一种新的分层有限正态混合分布,将分位回归建模时对随机误差项的假定放宽至仅有分位点约束之下。通过对混合比例参数假设广泛灵活的Stick-Breaking先验,使得模型捕捉复杂数据分布信息的能力更强。在建立的非参数贝叶斯分层分位回归模型中引入潜变量,使模型参数估计的Gibbs抽样算法中原来每次需要计算（2M）N项函数值变为每次只需计算N项即可。蒙特卡罗模拟显示,在误差分布函数变得较为复杂时,非参数贝叶斯分位回归方法比参数方法在估计效果上有更大的优势。

We propose a nonparametric Bayesian quantile regression method for linear mixed effects models. By introducing a new hierarchical finite normal mixture distribution,we relax the modeling assumptions of error term only to quantile restraint. An extensive and flexible Stick-Breaking priori is assumed for mixture ratio parameters so that the model is made more powerful for capturing complex data distribution. By using the latent variables in the nonparametric Bayesian hierarchical quantile regression model,we reduce the computation burden from（ 2...