非隨機(jī)化平行模型類抽樣調(diào)查技術(shù)

目錄
第1章 敏感數(shù)據(jù)抽樣調(diào)查中非隨機(jī)化響應(yīng)技術(shù)概述 1
1.1 敏感數(shù)據(jù)抽樣調(diào)查技術(shù)發(fā)展的背景 1
1.2 隨機(jī)化響應(yīng)技術(shù)簡(jiǎn)介 1
1.3 隨機(jī)化響應(yīng)技術(shù)的局限性 2
1.4 非隨機(jī)化響應(yīng)技術(shù)的發(fā)展 2
1.5 非隨機(jī)化響應(yīng)模型簡(jiǎn)介 3
1.5.1 十字交叉模型 3
1.5.2 三角模型 4
1.5.3 多分類三角模型 5
1.5.4 對(duì)角模型 7
1.5.5 隱藏敏感性模型 7
1.5.6 組合問(wèn)卷模型 9
1.5.7 平行模型 10
第2章 非隨機(jī)化平行模型的推廣 17
2.1 引言 17
2.2 變體平行模型的設(shè)計(jì)與分析 18
2.2.1 變體平行模型 18
2.2.2 未知參數(shù)的極大似然估計(jì)及其方差 21
2.2.3 未知參數(shù)的置信區(qū)間 25
2.2.4關(guān)于θ的假設(shè)檢驗(yàn) 30
2.2.5 貝葉斯統(tǒng)計(jì)推斷方法 31
2.2.6 與十字交叉模型的比較 32
2.2.7 與三角模型的比較 34
2.2.8 與平行模型的比較 36
2.2.9 與十字交叉模型、三角模型和平行模型的整體比較 37
2.2.10 變體平行模型的非依從問(wèn)題 40
2.2.11 案例分析 41
2.2.12 變體平行模型優(yōu)缺點(diǎn)小結(jié) 46
2.3 多分類平行模型的設(shè)計(jì)與分析 47
2.3.1 多分類平行模型 47
2.3.2 基于極大似然的統(tǒng)計(jì)分析 49
2.3.3 貝葉斯分析方法 53
2.3.4 四分類平行模型 55
2.3.5 多分類平行模型與多分類三角模型的比較 60
2.3.6 三種非隨機(jī)化多分類模型的整體比較 64
2.3.7 案例分析 65
2.4 本章算法簡(jiǎn)介 69
2.4.1 EM 算法 69
2.4.2 IBF 算法 70
2.4.3 DA 算法 71
第3章 樣本容量設(shè)計(jì) 72
3.1 引言 72
3.2 基于平行模型調(diào)查設(shè)計(jì)的樣本容量確定 72
3.2.1 基于功效分析的樣本計(jì)算公式 72
3.2.2 性能評(píng)估 74
3.2.3 平行模型與十字交叉模型的樣本容量比較 77
3.2.4 平行模型與三角模型的樣本容量比較 82
3.2.5 兩樣本情況下的樣本容量確定 86
3.2.6 案例分析 87
3.3 基于變體平行模型調(diào)查設(shè)計(jì)的樣本容量確定 89
3.3.1 基于功效分析的樣本計(jì)算公式 89
3.3.2 精確的檢驗(yàn)功效與近似的檢驗(yàn)功效的比較 91
3.3.3 變體平行模型與直接問(wèn)題模型所需樣本容量的比較 92
3.3.4 變體平行模型與十字交叉模型的樣本容量比較 93
3.3.5 變體平行模型與三角模型的樣本容量比較 95
3.3.6 變體平行模型與平行模型的樣本容量比較 96
3.3.7 兩樣本情況下的樣本容量確定 98
3.3.8 案例分析 100
3.4 十字交叉模型中兩樣本情況下的樣本容量確定 100
第4章 非隨機(jī)化平行模型的邏輯回歸分析 102
4.1 引言 102
4.2 平行邏輯回歸模型 103
4.2.1 基于平行模型的邏輯回歸 103
4.2.2基于牛頓–拉弗森算法的β的極大似然估計(jì) 104
4.2.3基于二次下界算法的β的極大似然估計(jì) 105
4.2.4 自助抽樣置信區(qū)間與短置信區(qū)間 110
4.2.5 2×2列聯(lián)表與平行邏輯回歸模型中優(yōu)勢(shì)比的聯(lián)系 111
4.2.6 模擬研究 112
4.2.7 案例分析 121
4.2.8 關(guān)于平行邏輯回歸模型的幾點(diǎn)說(shuō)明 123
4.3 變體平行模型的邏輯回歸 124
4.3.1 基于變體平行模型的邏輯回歸 124
4.3.2基于EM-NR算法的極大似然估計(jì) 126
4.3.3 自助抽樣置信區(qū)間 128
4.3.4 2×2列聯(lián)表與變體平行邏輯回歸模型中優(yōu)勢(shì)比的聯(lián)系 128
4.3.5 混淆變量的識(shí)別 129
4.3.6 變量選擇 130
4.3.7 模擬研究 131
參考文獻(xiàn) 146