可分析連續，分類與個數三種不同資料型態的R(個序列)與C(個時間點)的交叉設計的強韌概似推論法(2/3)

相關性的資料在生物醫學與其它研究領域都經常碰到，而交叉設計(Kenward and Jones, 1994)便是一種產生相關性資料的設計方式。一般的研究者在分析相關性資料時首要的考量，便是試圖將相關性以模型涵蓋。普遍使用的模型概括有貝氏模型(Grieve, 1994)，隨機效應模型(Ezzet and Whitehead, 1991)，廣義估計方程式(Liang and Zeger, 1986)等方法。貝氏模型向來被人垢病，因為先驗分配過於主觀，且分析結果缺乏強韌性。而隨機效應模型也有類似的缺點。除此之外，此二種方法也有較繁瑣困難的多重積分(尤其是在不使用常態分配假設時)，及許多計算上複雜的不便處。而廣義估計方程式則無法給予進行統計推論時，至關重要的概似函數(likelihood function)。因而, 廣義估計方程式推論的工具只能依靠Wald統計量, 而此統計量不具備重新參數化(reparameterization)時的不變性(invariance)及缺乏有效性(efficiency), 因廣義估計方程式為半母數的方法。當有興趣的參數與相關性無關時，其實不一定需要使用具相關性參數的聯合模型。經由強韌概似函數方法，可將簡單的獨立模型適當的修正，進而產生強韌的概似函數，得到有母數的，具有效性的概似推論。本計劃將利用強韌概似函數的方法，將分析平行設計資料的獨立模型強韌化，使能分析一般的有R個序列，C個時段，比較不同藥物療效的交叉設計的連續，分類，與個數三種不同型態的資料上。