抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
一般化線形混合モデル(GLMM)は,相関非Gaussデータを解析するためにしばしば用いられる。GLMMにおける尤度関数は,高次元積分としてのみ利用可能であり,従って閉形式推論と予測はGLMMに対して不可能である。尤度は閉形式で利用できないので,Bayes GLMMにおける関連する事後密度も難治性である。一般に,Markov連鎖モンテカルロ(MCMC)アルゴリズムをGLMMの条件付きシミュレーションに用い,これらの事後密度を探索する。本論文では,GLMMをフィッティングするための最先端のMCMCアルゴリズムの異なる状態を示した。これらのMCMCアルゴリズムは,拡散ベースおよびハミルトニアン動力学ベースの方法と同様に,効率的なデータ増強戦略を含む。ここで示したLangevinおよびハミルトニアンモンテカルロ法は任意のGLMMに適用でき,三つの最も一般的なGLMM,すなわち二項データに対するロジスティックおよびプロビットGLMMおよび計数データに対するPoisson-logGLMMを用いて例証した。また,プロビットとロジスティックGLMMのための効率的なデータ増強アルゴリズムも提示する。これらのアルゴリズムのいくつかを数値例を用いて比較した。【JST・京大機械翻訳】