【摘要】:在本小节中,我们将讨论模型(4.2.2)与故障时间数据O=(O1,...,On)的拟合,其中O′i=(Ci,δi,Z′i)表示对象i的观察数据.令c1<...<ck表示观察到的有序故障时间,并假设可以将Λ0c(t)写为其中a′=(a1,...,ak)是未知参数的向量.定义θ=(a′,γc′,σ2′).然后得出的完整数据似然函数具有以下形式有相应的边际似然其中φ(·;σ)表示N(0,σ2)的密度函数
在本小节中,我们将讨论模型(4.2.2)与故障时间数据O=(O1,...,On)的拟合,其中O′i=(Ci,δi,Z′i)表示对象i的观察数据.令c1<...<ck表示观察到的有序故障时间,并假设可以将Λ0c(t)写为
其中a′=(a1,...,ak)是未知参数的向量.定义θ=(a′,γc′,σ2′).然后得出的完整数据似然函数具有以下形式
有相应的边际似然
其中φ(·;σ)表示N(0,σ2)的密度函数.
为了使L(θ;O)相对于θ最大化,一种常用的方法是应用EM算法.为了实现EM算法,我们首先考虑E步骤,以给定当前估计值θ和观测数据O来计算对数似然函数的条件期望.为此,请注意,对数似然函数可以写为
其中
要计算E{l(θ)|O,θ(m)},我们需要计算(www.xing528.com)
其中θ(m)表示θ的当前估计值,在给定Oi和θ的情况下,vi的条件密度
显然,这种积分没有封闭形式.为了计算它,设{n(l);i=1,...,n;l=1,...,L}是来自N(0,{σ(m)}2)的Lii..d.个样本.然后,可以由下式近似Ei{g(vi;θ)|Oi,θ(m)}
现在我们考虑EM算法的M步,该步相对于θ最大化E{l(θ)|O,θ(m)}.为此,通过取θ导数并将导数设置为零,我们得到以下方程式
为j=1,...,k,
是为了更新估算θ的θ(m+1).在实践中,我们建议首次(4.4.2)并让θ=θ(m),获得,从而获得.用替换Λ0c,可以求解(4.4.3)得到,然后计算.最后,给定θ的估计值就可以计算的vi的条件期望:
再次可以用(4.4.3)来近似.
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。