来自指数族分布的异构追踪数据分析

追踪研究是社会学、心理学、教育学、经济学等领域普遍采用的一种纵向研究方法，在这些学科研究中处于特殊的地位。在实际的追踪问题研究中，各种离散或者连续的异构数据往往是不可避免的，如果实际分析中研究者不能充分考虑这些数据特有的性质，将会导致错误结论。现有的模型都不能很好地解决以上的问题。本项目将会提出崭新的广义潜变量混合增长模型。该模型具有以下创新点：（1）能同时处理各种来自指数族分布的异构追踪数据。（2）能同时处理各种连续潜在变量、分类潜在变量以及协变量。（3）通过多项Logistic回归模型，使个体从属于子总体的概率不再恒定不变，而是受到其他潜在变量和协变量的影响。本项目着重寻找新模型的统计分析方法，包括对未知参数估计和模型选择等。另外还会编写相应的电脑分析程序以供有需要的研究者使用和参考。最后本项目会致力于将新提出的模型和算法应用到实际问题当中，更好地解决其他应用学科中数据分析的问题。