首页 > 文献资料
-
WinBUGS软件应用
WinBUGS(Bayesian Inference Using Gibbs Sampl ing)是英国剑桥公共卫生研究所的MRC Biostatistics Unit推出的用马尔可夫链一蒙特卡罗(Markov chain Monte Carlo,MCMC)方法进行贝叶斯推断的专用软件包.它可方便地对许多常用或复杂模型(如分层模型,交叉设计模型、空间和时间作为随机效应的一般线性混合模型,潜变量模型,脆弱模型,应变量的测量误差,协变量,截尾数据,限制性估计,缺失值问题)和分布进行Gibbs抽样,还可用简单的有向图模型(directed graphical model)进行直观的描述,并给出参数的Gibbs抽样动态图,用Smoothing方法得到后验分布的核密度估计图、抽样值的自相关图及均数和置信区间的变化图等,使抽样结果更直观、可靠.Gibbs抽样收敛后,可很方便地得到参数后验分布的均数、标准差、95%置信区间和中位数等信息.
-
贝叶斯错误发现率
目的 研究多重假设检验中错误发现率的贝叶斯解释和经验贝叶斯估计.方法 建立前列腺癌微阵列数据的贝叶斯模型,采用经验的方法估计z值的分布函数和应用Poisson回归方法估计z值的边际密度,然后经验估计贝叶斯错误发现率和局部错误发现率.结果 以(-∞,-3]作为拒绝域时错误发现率的经验贝叶斯估计值为0.167,局部错误发现率在0.20以下的基因有58个.结论 可从贝叶斯统计的角度解释错误发现率,在高维数据中能够经验地估计错误发现率.
-
错误发现率的经验估计和应用
目的:研究大规模数据中的密度、无效分布和错误发现率的经验贝叶斯估计和应用.方法:对2个微阵列数据的贝叶斯模型,采用Poisson回归方法估计密度函数,并在此基础上经验估计贝叶斯错误发现率和局部错误发现率.结果:基于Poisson回归方法的密度估计为无效分布和错误发现率的经验贝叶斯估计提供了恰当的方法选择.结论:大规模数据的平行结构使得对错误发现率和无效分布的估计变得可能.