多重線性迴歸模式ｙ＝ｘβ＋ε中，通常使用最小平方估計量β估計迴歸係數β。即 β＝（Ｘ′Ｘ）□□Ｘ′Ｙ。但當Ｘ資料很壞時，β將產生不實際的估計量。為消除 此現象，新估計量的提出及ｋ值決定的方法，各研究者都不同，所得之值亦不同，又 難以確定那個方法比較適當，因此以下是我們研究重點： １Hoerl 和Kennard 所提脊迴歸法，與Marguardt 所提結合主要成分法的脊估計量的 比較。 ２ｋ值選取方法的比較，及 ヾNordberg與Hoerl 和Kennard 求ｋ值的比較。 ゝ修改謝氏法則的結果與謝氏的比較。 本文壹冊，共五章，前四章，各有兩節，最末章不分節。

第一章 緒論。本篇論文之目的乃是利用拔靴法（Bootstrap） 以求穩健估計量之變 異數，並配合其化枋法比較評估之。此章就整篇論文的結構及內容做一般性的敘述。 第二章 簡介拔靴法。本章討論拔靴法的基本理論及其應用與結果等。 第三章 穩健估計量。本章介紹數類位置穩健估計量之性質與求法，緒如修剪平均值 、Ｍ估計量、有序統計量之線性組合等。 第四章 計算機模擬。本章就指數、常態、歪布、伽瑪四個母體分配，利用拔靴法及 其他方法配合電腦模擬，分別求出十種穩健估計量的變異數。 第五章 比較及結論。

變數選取方法已經成為各領域在處理多維度資料的工具。Zhou與Hwang在2005年，為了改善James-Stein positive part估計量(JS+)只能在完全模型(full model)與原始模型(origin model)兩者去做挑選，建立了具有Minimax性質同時加上門檻值的估計量，即James-Stein with Threshoding positive part估計量(JSWT+)。由於JSWT+估計量具有門檻值，使得此估計量可以在完全模型與其線性子集下做變數選取。我們想進一步了解如果將JSWT+估計量應用於線性迴歸分析時，藉由JSWT+估計具有門檻值的性質去做變數選取的效果如何？本文目的即是利用JSWT+估計量具有門檻值的性質，建立JSWT+估計量應用於線性迴歸模型變數挑選的流程。建立模擬資料分析，以可同時做係數壓縮及變數選取的LASSO方法與我們所提出JSWT+變數選取的流程去比較係數路徑及變數選取時差異比較，最後將我們提出JSWT+變數選取的流程對實際資料攝護腺癌資料(Tibshirani，1996)做變數挑選。則當考慮解釋變數個數小於樣本個數情況下，JSWT+與LASSO在變數選取的比較結果顯示，JSWT+表現的比較好，且可直接得到估計量的理想參數。

對於線性過歸模式之參數，一般均採最小平方估計量來估計。最小平方估計量，在適 當條件下有強一致性（Strong consistency），而本文所探討之主題，乃是針對本特 性探討其數歛速率。 本文共分五章，第一章為緒論，含研究動機、研究目的及本文結構，第二章摘介本文 所探討之模式與最小平方估計量之收歛性，第三章為引理，介紹本文所需要之預備知 識及本文所使用之方法，第四章為主要定理及證明，第五章結論。全文共計一冊，約 一萬餘字。

近年來，凸函數最佳化相關的理論與實務已漸趨完善並廣泛應用在各種不同的領域上。已知針對限制條件下之最大概似估計量（Maximum Likelihood Estimator，簡寫MLE）求解的統計問題，一般都是先求解在無限制條件下之全域最大概似估計量（global MLE），若所求得之解能滿足給定的限制條件時，則代表我們的確得到所要的結果；但若所求得之解不能滿足限制條件時，我們就必須考量於此限制條件下之求解區域的最大概似估計量（local MLE），而其計算通常趨於複雜。在本研究中，我們嘗試藉由凸函數最佳化的理論與方法在受限最大概似估計量的求解上。首先針對一組2X2列聯表（contingency table）資料，給定限制條件為勝算比（odds ratio，簡寫OR）不小於1情況下，欲求各聯合機率之受限最大概似估計量。接下來則討論針對3X2列聯表資料，給定兩個區域勝算比（local OR）皆不小於1之限制條件，求取各聯合機率的受限最大概似估計量。我們最終整理歸納出一套分析方法，並將此歸納結果拓展到對於任意J不小於2之JX2列聯表中之受限最大概似估計量計算問題上。本研究中所提出的求解方法包括將決策變數重新參數化，忽略原始的線性限制等式，並另外在原始目標問題中加入某個懲罰項，使其新的最佳化問題滿足凸函數最佳化問題的條件。接下來利用凸函數最佳化之理論，列出其Karush-Kuhn-Tucker 條件，再藉其中的互補差餘條件(complementary slackness)來分析求得理論最佳解。最後我們得出當懲罰項之相對應的係數為n時，則其所求得之最佳解即為此統計問題中之受限最大概似估計量。

對於生存時間的資料而言，通常我們所想要研究瞭解的是，至少存活到某特定時間點的機率，而這個機率亦即生存分析中的生存函數(survival function)。當有兩個不同的母體存在時，為了要知道這兩個母體的生存函數是否相同，在統計方法上，我們將進行一些檢定，常用的有Gehan-Wilcoxon和Cox-Mantel之兩樣本檢定，後來又有修飾型的Kolmogorov-Smirnov檢定。但是，前兩種檢定方法，只對此兩組生存函數呈現某特殊型式時，具有好的檢定力。因此，透過一些實證的研究，將上述檢定方法做有系統的整理，進而發展出一套簡單又有效率的檢定程序。再者，若檢定得此兩個母體之生存函數不相等時，如何利用Bootstrap方法，進一步對兩組生存函數之特定生存機率點或生存時間點所分別對應之生存時間或生存機率差距做推論與比較，本文將有詳細她說明；以提供研究人員更多有效的資訊，不再僅止於檢定虛無假設是否拒絕而已。最後，我們又藉由推廣上述Bootstrap方法，將其運用到檢定方法上，而另外發展出一種新的兩母體生存函數之檢定方法。 / When two different populations exist, we will take some tests by Cehan-Wilcoxon, Cox-Mantel or Modified Kolmogorov- Smirnov in satistical way. Therefore we develope a simple and efficient test process from arranging above test ways system- atically through some real study. How to use Bootstrap way to infer the difference of survival time or survival probability of specular point. We infer Bootstrap way on test work and then develope a new two populations survival function test way.

20世紀以來，因為衛生醫療等因素的進步，各年齡死亡率均大幅下降，使得平均壽命大幅延長。壽命延長的效果近年逐漸顯現，其中的人口老化及其相關議題較受重視，因為人口老化已徹底改變國人的生活規劃，死亡率是否會繼續下降遂成為熱門的研究課題。描述死亡率變化的模型很多，近代發展的Age–Period–Cohort模型(簡稱APC模型)，同時考慮年齡、年代與世代三個解釋變數，是近年廣受青睞的模型之一。這個模型將死亡率分成年齡、年代與世代三個效應，常用於流行病學領域，探討疾病、死亡率是否與年齡、年代、世代三者有關，但一般僅作為資料的大致描述，本研究將評估APC模型分析死亡率的可能性。 APC模型最大的問題在於不可甄別(Non–identification)，即年齡、年代與世代三個變數存有共線性的問題，眾多的估計APC模型參數方法因應甄別問題而生。本研究預計比較七種較常見的APC模型估計方法，包括本質估計量(IE)、限制的廣義線性模型(cglim_age、cglim_period與cglim_cohort)、序列法ACP、序列法APC與自我迴歸模型(AR)，以確定哪一種估計方法較為穩定，評估包括電腦模擬與實證分析兩部份。 電腦模擬部份比較各估計方法，衡量何者有較小的年齡別死亡率及APC參數的估計誤差；實證分析則考慮交叉分析，尋找用於死亡率預測的最佳估計方法。另外，也將以蒙地卡羅檢驗APC的模型假設，以確定這個模型的可行性。初步研究發現，以台灣死亡資料做為實證，本研究考量的估計方法在估計年齡別死亡率大致相當，只是在年齡–年代–世代這三者有不同的詮釋，且模型假設並非很符合。交叉分析上，Lee–Cater模型及其延展模型相對於APC模型有較小的預測誤差，整體顯示Lee–Cater 模型較佳。 / Since the beginning of the 20th century, the human beings have been experiencing longer life expectancy and lower mortality rates, which can attributed to constant improvements of factors such as medical technology, economics, and environment. The prolonging life expectancy has dramatically changed the life planning and life style after the retirement. The change would be even more severe if the mortality rates have larger reduction, and thus the study of mortality become popular in recent years. Many methods were proposed to describe the change of mortality rates. Among all methods, the Age-Period-Cohort model (APC) is a popular method used in epidemiology to discuss the relation between diseases, mortality rate, age, period and cohort. Non-identification (i.e. collinearity) is a serious problem for APC model, and many methods used in the procedure included estimation of parameter. In the first part of this paper, we use simulation compare and evaluate popular estimation methods of APC model, such as Intrinsic Estimator (IE), constrained of age, period and cohort in the Generalized Linear Model (c–glim), sequential method, and Auto-regression (AR) Model. The simulation methods considered include Monte-Carlo and cross validation. In addition, the morality data in Taiwan (Data sources: Ministry of Interior), are used to demonstrate the validity and model assumption of these methods. In the second part of this paper, we also apply similar research method to the Lee-Carter model and compare it to the APC model. We found Lee–Carter model have smaller prediction errors than APC models in the cross–validation.

隨著經濟發展與所得水準提升，臺灣地區就業人口由早期的第一級產業－農林漁牧業逐漸移向第二級產業－工業，再由第二級產業轉移至第三級產業－服務業。為瞭解臺灣地區服務業就業之趨勢，國內多數研究僅就蒐集資料以年齡、年代或世代三方面分別作探討，本文則改採流行病學領域中所廣泛使用之年齡－年代－世代模型（Age-Period-Cohort Model），就行政院主計處「人力資源調查」資料來作分析。但年齡、年代與世代三者間存在共線性問題（即世代＝年代－年齡），導致迴歸模型產生無限多組解，為了自其中選出一組較適當之參數估計值，文獻中提供了許多不同形式的解決方法。本文則採用Fu（2000）所提出之本質估計量（Intrinsic Estimator，簡稱IE），這是一種不受參數限制式影響的估計方式。我們除了藉以取得惟一的參數估計值，進而分析年齡、年代及世代效應對服務業就業比率之影響外，並與傳統之受限廣義線性模型估計量（Constrained Generalized Linear Models Estimator，簡稱CGLIME）作一比較，來說明採用本質估計量之優點及方便之處。 / Along with economical development and higher income level, Taiwan area employed population has gradually been switching from farming, forestry, fishing and animal husbandry to goods-producing industries, and then onto services-producing industries. In order to understand the trend of employment in service-producing industries in Taiwan, most domestic studies focus on the aspects of age, period or cohort separately. We, instead, adopt the Age-Period-Cohort (APC) model, which is well recognized in the epidemiology, to analyze the data from “Manpower Surveys” conducted by the Directorate-General of Budget, Accounting and Statistics, Executive Yuan, R.O.C. in this study. However, due to the collinearity among the age, period, and cohort effects, the APC model suffers from the identifiability problem. Some possible solutions have been provided in the literature. Among them, the Constrained Generalized Linear Models Estimator (CGIME) is undoubtedly the most popular choice, while the Intrinsic Estimator (IE) (Fu (2000)), which is invariant to the constraint selected to obtain the parameter estimates, is less well-known. We compare the results obtained from IE with that of CGIME in this study, and discuss the advantages of using the Intrinsic Estimator.

競爭風險之下對邊際分配的估計，是許多領域中常遇到的問題。由於主要事件及次要事件互相競爭，只要一種事件先發生即終止對另一事件的觀察，在兩事件同時發生的機率為0之下，連一筆完整的資料我們都無法蒐集到。除非兩事件互為獨立或加上其它條件，否則會有邊際分配無法識別的問題。但是獨立的條件在有些情況下並不合理，為解決相依競爭風險之邊際分配無法識別的問題，可先假定兩事件發生時間之間的關係。 由於關聯結構定義出兩變數間的結合關係，我們可利用關聯結構解釋兩事件發生時間之間的關係。假定兩變數之相關性參數為已知，且採用機率積分轉換的觀念，本論文討論了Zheng 與 Klein提出的關聯結構-圖形估計量，是否會依設限程度、相關性強度和關聯結構形式的不同，以致估計能力有別。 / The problem of estimating marginal distributions in a competing risks study is often met in scientific fields. Because main event and secondary event compete with each other, and a first occurring event prevents us from observing another event promptly, the intact lifetimes or survival times are unable to be collected in the circumstances that the probability of both lifetimes coinciding is 0. Unless lifetimes being independent or adding other conditions, there is a problem that the marginal distributions are non-identifiable. But the condition of independence is not always reasonable, we may assume the relation between lifetimes has some special form Because the copula defines the association between two variables, it can be employed to explain relation between lifetimes. Assuming that the dependence parameter in the copula framework is known, and adopting the concept of the probability integral transformations, this thesis has demonstrated whether the estimating abilities of the copula-graphic estimator, that Zheng and Klein put forward, are different in rates of censoring, intensities of dependence, and forms of the copula.