混合潜变量模型的构建及其在基因关联分析中的应用

《混合潜变量模型的构建及其在基因关联分析中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：R195．4密级：混合潜变量模型的构建及其在基因关联分析中的应用单位代码：10114学号：200910209研究生：嚣蠢盎指导教师：韭蚩遮敦攮申请学位门类级别：医堂亟±堂僮专业名称：速赁痼．复里生统盐堂研究方向：尘塑篮!盈统量￡所在学院：公基里尘堂瞳学位论文独创性声明lIIIIIIIIIIIIIIIIIIIIIIIIlY2127528本人声明，所呈交的学位论文系在导师指导下本人独立完成的研究成果。文中任何引用他人的成果，均已做出明确标注或得到许可。论文内容未包含法律意义上已属于他人的任何形式的研究成果，也不包含本人已用于其他学位申

2、请的论文或成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。本文如违反上述声明，愿意承担以下责任和后果：l、交回学校授予的学位证书；2、学校可在相关媒体上对作者本人的行为进行通报；3、本文按照学校规定的方式，对因不当取得学位给学校造成的名誉损害，进行公开道歉。4、本人负责因论文成果不实产生的法律纠纷。论文作者签名：同期：巫年』月上同学位论文版权使用授权书本人完全了解山西医科大学有关保留、使用学位论文的规定，同意学校保留或向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅；本人授权山西医科大

3、学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存论文和汇编本学位论文。本人离校后发表或使用学位论文或与该论文直接相关的学术论文或成果时，署名单位仍然为山西医科大学。(保密论文在解密后应遵守此规定)论文作者签名：指导教师签名：(本声明的版权门同期：塑坠年』月上R日期：竺!三年—互月—LF

4、经许可，任何单位及任何个人不得擅自使川)双蘸簇目录中文摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯IABSTRACT．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．

5、．．．．．．．．．．．．．．．．．．．．][I第一章前言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯11．1研究意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯11．2国内外研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2第二章混合潜变量模型的概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．42．1因子分析⋯⋯⋯⋯．．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．52．2潜在类别分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．62．3潜在剖面分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．82．4混合结构方程模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．⋯⋯⋯⋯92．4．1基本

6、概念和模型的构建⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．9．2．4．2参数估计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．112．4．3模型评价⋯一⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．13第三章模拟数据分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．⋯⋯⋯⋯⋯⋯⋯⋯153．1因子分析混合模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一⋯⋯⋯⋯⋯．153．2结构方程混合模型⋯⋯⋯⋯⋯⋯⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯．．16第四章实例分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．184．1潜在类别分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．184．2结构方程混合模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯

7、⋯⋯⋯⋯20第五章讨论与小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯225．1讨论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯225．2小结⋯⋯⋯⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．23参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．24附录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯26个人简介⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．31致谢⋯⋯⋯．．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．⋯⋯⋯⋯．32中文摘要混合潜变量模型(Structuralequationmixturemodeling，SEMM)是一种用于处理同时包含分

8、类潜变量和连续潜变量的数据而形成的理论体系。SEMM作为第二代结构方程模型，它综合了因子分析、潜在类别分析和潜在剖面分析的思想，形成了自身独特的优势，其目的是为潜变量的分析提供一种新的思路和方法。它的提出不仅弥补了结构方程模型仅能处理连续潜变量和潜在类别分析仅能处理分类潜变量的不足，也为医学、社会、心理等领域的研究者面对复杂数据时提供了一种新的思路。混合潜变量的这些优点正是为了适应现代医学发展中不断出现的复杂数据而出现的一种新的统计方法。因此，在医学研究中引入SEMM具有重要的现实意义。本文系统的介绍了混合潜变量模型的有关理论，包括子模型

9、的相关理论知识以及混合潜变量模型的构建、参数估计及模型的评价。模型参数估计介绍了常规的最大似然估计法(ML)和迭代最大似然估计(EM)，其中EM算法是一种求解参数似然估计的迭代算法，是一种非常