论文部分内容阅读
数据的缺失是普遍存在的-经济学、教育学、社会学、心理学、行为学和生物医学等研究领域中普遍存在着缺失数据.研究怎样处理缺失数据及根据带有缺失数据的观测数据而进行的统计推断等问题是很有必要的.广义线性模型的的特点是以指数族分布为其随机误差，是一类应用很广泛的回归模型.因此，研究广义线性模型，并不是单纯的理论研究.其研究是有根据的，可以将其研究讨论结果直接应用到社会各领域.这样的研究是很有实用性的.许多专家都对这个问题进行了卓有成效的研究，并取得了很多很有价值的研究成果.
本文以广义线性模型为研究对象，给出了完全数据下该模型的最大似然估计(ML,Maximum Likelihood Estimation)和贝叶斯估计(Bayesian Estimation)；并讨论了当数据缺失时的最大似然估计和贝叶斯估计.推导中对数据的缺失机制、处理缺失数据的方法、EM算法、Gibbs抽样、MH算法也做了相应介绍。其中，以Lo-gistic模型为例，给出了最大似然估计的详细推导及结果.对实例1采用MATLAB编程得到了最大似然估计结果.实例2采用WinBUGS软件得到贝叶斯估计.