有限混合模型(FMM) STaTa分析: 以EM algorithm做潛在分類再迴歸分析 | 誠品線上

有限混合模型(FMM) STaTa分析: 以EM algorithm做潛在分類再迴歸分析

內容簡介

內容簡介 ◎本書架構循序漸進，有步驟地說明有限混合模型(FMM)的原理和應用實例分析。◎STaTa提供十七種有限混合模型(FFM)的估計法，功能十分龐大，您不能不知！◎本書內容融合理論、方法及統計，每章節均輔以實例示範，學習效率提升。◎適用於教育學、心理學、社會科學、生產管理、經濟、風險管理、人資管理、航運管理、財務金融、會計、公共衛生、工業工程等學術領域。◎隨書附贈資料檔光碟。有限混合模型(FMM)為一種混合分布的機率模型，其假定原始實測資料係自眾多但有限的未知分布得來，而FMM模型的EM演算法可自行分類，以減少模型因存在不同異質體而導致偏誤的結果。其框架提供了一個方便且靈活的方法來模擬複雜的異質資料庫。坊間常見的四十一種軟體，例如：SAS、R和SPSS等大型資料庫之檔案格式，都可轉至STaTa進行分析，STaTa亦提供十七種有限混合模型(FFM)的估計法，功能十分龐大、實用。有限混合模型(FMM) 早期應用在天文學、生物學、經濟學、工程學、市場行銷、醫學，現已流行於教育學、心理學、社會科學、人資管理、生產管理、航運管理、財務金融、會計等專業領域。 本書章節內容包含線性迴歸、次序迴歸、Logistic迴歸、多項Logistic迴歸、count迴歸、零膨脹迴歸、參數型存活迴歸、2SLS線性迴歸、order迴歸、Beta迴歸…等理論與實證研究，隨書附贈光碟資料檔，讓研究者在詳閱本書後，在進行此類研究方法的分析實作時，能得心應手並獲得最佳的研究成果。

作者介紹

作者介紹 ■作者簡介張紹勳學歷：國立政治大學資訊管理博士現任：國立彰化師大專任教授經歷：致理技術專任副教授

產品目錄

產品目錄 自序Chapter01 地表最強的統計軟體STaTa1-1 STaTa 如何讀入各種資料格式1-1-1 SPSS 資料檔(*.sav) 轉成STaTa 格式1-1-2 SAS 格式轉成STaTa1-1-3 R 軟體之格式轉成STaTa1-2 STaTa 是地表最強大的統計軟體1-2-1 有限混合模型(finite mixtures models, FMM): EM algorithm指令1-2-2 單層次：連續vs. 類別依變數迴歸之種類1-2-3 STaTa 多層次混合模型的迴歸種類1-2-4 STaTa panel-data 迴歸的種類1-2-5 STaTa 流行病(epidemiologists) 之選擇表對應的指令 1-2-6 STaTa 存活分析的選擇表之對應指令1-2-7 STaTa 縱貫面—時間序列之選擇表1-2-8 依變數binary outcome 之STaTa 選擇表1-3 評比敵對模型，適配指標有八種Chapter02 有限混合模型(finite mixtures models, FMM配搭十七種指令)2-1 有限混合模型(finite mixtures models, FMM)2-1-1 高斯混合模型(Gaussian mixture model，簡稱GMM)2-1-2 單一高斯機率密度函數的參數估測法2-1-3 有限混合模型之對應指令2-1-4a 有限混合模型之應用領域2-1-4b 有限混合模型之研究議題2-2 Gaussian 混合模型(GMM) 使用expectation maximization(EM) 技術2-2-1 高斯混合模型與最大期望(EM) 演算法2-2-2 EM algorithm 範例解說2-3 高斯(Gaussian) 混合模型應用在圖形辨識2-3-1 K-Means 分類(classifier) 法，如何演變成EM algorithm 呢？2-3-2 EM-GMM 建立的流程2-3-3 期望值最大演算法(expectation maximization, EM) 之解說2-3-4 EM algorithm 如何找出高斯混合模型(GMM) 潛在類別之解說？2-3-5 混合模型、潛在類別(class) 和EM 演算法(mixture model,latent class and EM algorithm)2-4 最大概似(ML)vs. 期望值最大(EM) 演算法2-4-1a 最大概似(ML) ≠概似比(LR)2-4-1b EM 與ML 的關係解說2-4-2a EM 演算法是使訓練數據的對數概似函數最大化( 重點解說)2-4-2b 聚類(clustering) EM algorithm：簡單版2-4-2c EM 演算法的推導(derivation of EM algorithm)2-5 EM 演算法的工科論文2-5-1 EM 演算法的範例：圖形模式分類(pattern classification)2-5-2 EM 演算法的論文：圖像分割(image segmentation)Chapter03 高斯混合模型(fmm: regression 指令)、異質線性迴歸3-1 機率密度函數(probability density function) 常見有十種3-2 單一常態( 高斯) 分布之迴歸分析3-3 單一分布之線性迴歸概念3-3-1a 單層次固定效果：最小平方法OLS 重點整理(regress 指令)3-3-1b 單層次固定效果：最小平方法(OLS) 七個假定的診斷及補救法3-3-2 最小平方法(OLS) vs. 概似法3-3-3 單一分布之各類型迴歸3-3-4 Type I 誤差α、Type II 誤差β、檢定力：ROC 圖的切斷點3-4 雙高斯混合模型之解說3-4-1 EM 演算法如何求解高斯混合模型？3-4-2 混合模型有十七種：STaTa 指令語法3-4-3a 雙高斯混合模型：重點回顧3-4-3b EM 演算法是使訓練數據的對數概似函數最大化：簡單版3-4-3c 雙高斯混合模型(fmm 2: regress指令)：婦女全薪wagefull3-4-4 參高斯混合模型(fmm 3: regress 指令)：Ln(醫療花費)Chapter04 有限混合模型：線性迴歸(fmm:開頭指令)4-1 內生共變數之線性迴歸(2SLS)(ivregression) 指令4-2 工具變數及兩階段最小平方法(2SLS) (ivregression) 指令4-2-1 進行OLS 統計分析時應注意之事項4-2-2 工具變數(IV) 之重點整理4-2-3 隨機解釋變數X(random regressor) 與工具變數Z(instrumentalvariable)4-2-4a 單一工具變數及單一內生變數：內生性檢定4-2-4b 兩階段最小平方法迴歸：Wu-Hausman 內生性檢定(estatendogenous指令)4-2-5 為何需要多個工具變數？4-2-6 工具變數(instrumental variables) 在教育應用 .4-2-7 兩階段迴歸vs. 最小平方法迴歸之練習題4-3 橫斷面 panel：如何偵測需要工具變數呢？4-3-1 為何「教育水準」需要多個工具變數Z 呢？4-3-2 橫斷面Hausman 檢定：OLS vs. 2SLS 誰優？(hausman 指令)4-3-3 Panel-data Hausman-Taylor 法：需工具變數嗎？(xthtaylor)4-4 內生共變數之混合模型(2SLS)(fmm : ivregression) 指令)4-4-1 2SLS 混合模型4-4-2 內生共變數之線性迴歸混合模型(2SLS)(fmm: ivregression) 指令：房租之影響因素Chapter05 有限混合模型：logistic 迴歸(fmm:開頭指令)5-1 logistic 迴歸之概念5-1-1 logistic 迴歸假定、迴歸式解說5-1-2 STaTa 之單一binary regression 選擇表之對應指令5-2 單一邏輯斯迴歸的入門5-2-1a 單模型之logistic 迴歸分析：年齡與罹患冠心病(CHD)關係5-2-1b 單一logistic 迴歸之再練習：年齡與罹患冠心病(CHD)關係5-3 對數常態(log-normal) 分布、對數logistic (log-log) 分布5-3-1 對數常態(log-normal) 分布：偏態分布5-3-2 對數邏輯斯分布(log-logistic)：偏態分布5-4 雙邏輯斯混合模型(fmm 2 : logit指令)：電子支付之因素5-5 雙機率混合模型(fmm 2: probit指令)：電子支付之因素5-5-1 線性機率迴歸模型(probit regression) vs. logistic 模型5-5-2 雙機率迴歸分析：電子支付影響因素5-6 雙complementary log-logistic 模型(fmm 2: cloglog 指令)：電子支付之因素5-6-1 對數- 邏輯斯模型(complementary log-logistic model)5-6-2 雙「對數- 邏輯斯」模型(complementary log-log model)：電子支付Chapter06 有限混合模型：多項Logit 迴歸(「fmm:」開頭mlogit 等指令)6-1 離散選擇模型(asmprobit、mlogit、fmlogit、bayes: mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip 等指令)6-1-1 離散選擇模型(DCM) 概念6-1-2 離散選擇模型(DCM) 之數學式：以住宅選擇為例6-2 單分布之多項邏輯斯模型(multinominal logit model, MNL)6-3 Multinomial logit 迴歸分析：職業選擇種類(mlogit 指令)6-4 多項邏輯斯迴歸分析：乳房攝影(mammo-graph) 選擇的因素(mlogit 指令)6-5 多項機率迴歸分析(multinomial probit regression)：三種保險的選擇(mprobit 指令)6-6 多項式邏輯斯迴歸 6-6-1 個人化的行為預測和市場區隔的行為預測何者較有效度?6-6-2 品牌選擇行為模型：隨機效用模型vs. 混合分群之多項式邏輯斯迴歸模型6-7 雙多項Logit 迴歸(fmm: mlogit指令)：汽車品牌選擇6-7-1 雙多項邏輯斯混合模型(fmm: mlogit指令)：三種汽車品牌選擇Chapter07 有限混合模型：Ordinal outcomes 迴歸(fmm:開頭ologit、oprobit 指令)7-1 離散選擇模型(asmprobit、mlogit、fmlogit、bayes: mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip 等指令)7-2 Ordered Logit 及Ordered Probit 模型之概念7-3 Ordered Logit 及Ordered Probit 迴歸分析：影響親子親密關係的因素(reg、listcoef、prgen、ologit、logit)7-4 Ordered Logit 迴歸分析：Copenhagen 的住房條件(ologit、lrtest、graph bar、oprobit 指令)7-5 雙Ordered logistic 混合迴歸(fmm: ologit 指令)：健康等級之因素7-6 雙Ordered probit 混合模型(fmm : oprobit 指令)：健康等級之因素7-6-1 Ordered probit regression 混合模型之指令 .7-6-2 Ordered probit regression 混合模型：健康等級之因素Chapter08 有限混合模型：計次(count) 迴歸(fmm:開頭指令)8-1 單分布Count 依變數：零膨脹Poisson 迴歸 vs. negative binomial迴歸8-1-1 Poisson 分布8-1-2 負二項(negative binomial) 分布8-1-3 零膨脹(Zero-inflated)Poisson 分布8-2 單分布Count 依變數：零膨脹Poisson 迴歸 vs. 負二項迴歸(zip、nbreg、prgen 指令)8-3 單Zero-inflated ordered probit regression 練習：釣魚(zip 指令)8-4 單零膨脹Ordered probit 迴歸分析：抽菸嚴重度(zioprobit 指令)8-5 雙負二項混合模型(fmm: nbreg 指令)：精神科患者隨訪次數8-6 雙Poisson 混合模型分析(fmm: poisson 指令)：醫生問診次數8-7 雙零膨脹Poisson 之混合模型(fmm :pointmass指令)：釣魚數量Chapter09 設限(censored) 混合模型、截斷(truncated)混合模型(fmm: tobit、fmm: tpoisson、fmm:intreg 指令)9-1 單區間設限(interval-censoring) 迴歸(tobit 指令)：學習成就的因素9-2 雙tobit regression 模型(fmm: tobit 指令)：大學生GPA 分數9-3 雙區間(interval) 迴歸模型(fmm: intreg 指令)：婦女工資類別的上下限9-4 單截斷(truncated) 迴歸分析(truncreg 指令)：學習成就的因素9-5 雙truncated 線性迴歸模型(fmm: truncreg 指令)：妻子工作時數9-6 雙Truncated Poisson 迴歸(fmm: tpoisson 指令)：買步鞋數量Chapter10 Cox 存活分析vs. 雙存活迴歸模型(fmm:streg 指令)10-1 Cox 存活分析：臨床研究最重要統計法10-2 存活分析(survival analysis) 介紹10-2-1 存活分析之定義10-2-2 為何存活分析是臨床研究最重要的統計法？10-2-3 存活分析之三種研究目標10-2-4 存活分析之研究議題10-2-5 設限資料(censored data)10-2-6 存活時間T 之機率函數10-2-7 Cox 存活分析vs. Logit 模型 Probit 模型的差異10-3 存活分析範例：除草有助幼苗存活率嗎？10-3-1 生命表(life table)10-3-2 存活分析範例[ 依序(estat phtest、sts graph、ltable 或sts list、stci、stmh、stcox 指令)]10-4 Cox 比例危險模型(proportional hazards model)(stcox 指令)10-4-1 f(t) 機率密度函數、S(t) 存活函數、h(t) 危險函數、H(t) 累積危險函數10-4-2 Cox 比例危險模型之迴歸式解說10-4-3 危險函數的估計(hazard function)10-4-4 Cox 比例危險模型之適配度檢定10-4-5 Cox 模型之相對風險(relative risk, RR)10-5 Logit 模型、Cox 迴歸、Probit 模型的概念比較10-6 存活分析之有限混合模型(fmm: streg 指令)：手術傷口治癒模型Chapter11 有限混合模型：Beta 迴歸(fmm: betareg等指令)11-1 Beta 分布(Beta distribution)11-1-1 Beta 分布之概念11-1-2 Beta 分布的特性11-2 雙Beta 迴歸分析(fmm: betareg 指令)：就讀學校合格率之因素Chapter12 有限混合模型：GLM 迴歸(fmm: glm等指令)12-1 廣義線型模型(generalized linear regression models)12-1-1 廣義線性迴歸之概念12-1-2 指數分布族、廣義線性模型之建模12-2 參對數常態混合模型[fmm 3: regress、fmm 3：glm, family(lognormal)指令]：郵票厚度為例參考文獻

商品規格

試閱文字

內文 : 二、有限混合模型(finite mixture model,fmm)簡介


有限混合模型(finite mixture model,fmm)為一種混合分布的機率模型，其假定原始實測資料(field observation)係自眾多但有限的未知分布而來，而FMM模型的EM演算法可自行分類(class/component)，以減少模型因存在不同異質體(heterogeneity subpopulations)而導致偏誤的估計結果。FMM模型假設在未知的K個體下，彼此間關係式為：





其中， 為混合機率密度(mixture density)的機率函數，經由k個加權比例 ，與其組內機率 所得的機率加權總合。此種機率函數因存在「有限個」加權機率，所以又稱有限混合機率分布(finite mixture)函數。其中， 為各組的加權比例(weight)，它被限制(約束)為正值且總和為1( )。公式中 通常包括：常態分布、Logit分布、Poisson分布…等。假設你指定樣本符合Gumbel分布，則其模型可化身為選擇模型(作者另一本書)，包括：多項logit回歸(mlogit指令、及asmprobit、fmlogit、bayes: mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip等指令)。其中，多項logit模型隱含可觀測的選擇行為，在不同群有不同的分布比例，若依據比例大小來分類，同群內視為同質(homegeneous)，而不同群之間為異質(heterogeneous)。由於選擇機率的發生係受回歸係數β所影響，此使得任一影響屬性會因屬於不同群，而在不同群產生不同的邊際影響係數。


在應用方面，行銷、運輸、社會科學等領域，迄今已有眾多研究以FMM模型或潛在類別模型「latent class model, LCM；類別資料+因素分析的合體)」來進行市場區隔(各子群體)的討論。在傳統LCM方法中，係同時模化群內與群間機率，而兩者事先之機率分布你可就資料特性檢自行指定：


(1)群內機率旨在說明同群內對產生或某服務服具有相同特質。例如價格與品牌，由於各族群對變數的感受不一、或某特定族群的比例過低，而導致回歸係數的不顯著或不穩定，乃至不具參考價值，此時修正法可考慮固定(constant)、捨棄、或跨群一併校估的處理方式。


(2)各群間機率旨在分析影響各次群組的因素，例如改採用FMM的潛在分類(當依變數)、社會經濟、群組層次人口統計等當解釋變數。至於分群數目的多寡可由模型適配指標「AIC、BIC」來決定(值愈小模型愈佳)。倘若BIC仍難以解釋此困境，則你可依據先驗知識/文獻探討來決定分群數目。