本文主要在探討評審間意見一致程度的問題, 除了回顧kappa係數和weighted kappa係數及其應用外. 並討論如何採用對數線性模型中加入代表一致程度的參數來分析這類的問題. kappa係數提供應用者一個快速獲得評審間意見一致程度的指標, 而利用對數線性模型分析, 則可以獲得更多的訊息. 因此, 我們嘗試將kappa係數和對數線性模型作一對比. 此外,針對三個評審間意見一致程度的問題我們也引進K-ABC係數, 並與模型log(m-ijk) = u + l(A, i) + l(B, j) +l(C, k) + Delta*I(i=j=k) 作以對比, 利用模擬實驗將Delta(hat)與K(ABC)所對應的可能範圍列出, 供使用者參考. / The focus of this study is on the measurement of interater agreement. Analyses in terms of kappa tyoe coefficients and in terms of loglinearmodel techniques are reviewed, and issues related to the two approaches adderssed. In additition, a new kappa type corfficient Kappa-ABC is introduceto provide indication of agreement among three raters. Its possible connections with the coefficient Delta in the model log(m-ijk) = u + l(A, i) + l(B, j) + j(C, k) + Delta*I (i=j=k) are studied.

雖然傳統線性時間數列在預測上已被廣泛的使用，但是在一般的時間數列中或多或少都會有結構改變(structural changes)的現象，我們往往很難找到一簡單的線性模式來詮釋資料中普遍存在的非線性(nonlinearity)結構，同時隨著模糊理論的興起與區間軟計算(soft computing)的發展，區間預測(interval forecasting)已成為未來研究的重點。本文應用模糊分類法(fuzzy classification)，找出結構改變的位置，藉此發展出非線性的區間門檻自迴歸模式(interval SETAR model)，再以「來臺觀光客人數」與「新臺幣兌美元匯率」作為實例，建構兩種區間門檻自迴歸模式與區間ARIMA模式並比較之，結果顯示兩種非線性的預測效果都比線性模式好。

本研究之構想來自於「特徵價格理論」，又可稱為Hedonic模型法和效用估價法，該理論認為土地是由眾多不同特徵所構成的，而土地的價格也就決定於這些土地特徵。故如能將各土地的特徵分解並加以分析，應能找出各因素的隱含價格，並以此推斷該土地的合理價格。本研究利用國有財產局北區辦事處網站上所提供之土地標售案為樣本，加入土地之公告現值和信義房屋房價指數等變數，並將樣本依其特性區分為台北縣市、金融海嘯前後期和不同行政區等不同的模型，以Logit迴歸模型和線性迴歸模型，分別探討影響土地標出和其價格的因素。 以Logit迴歸模型分析後的結果發現，在金融海嘯之前投資人會考量該筆土地的縣市別和地面建物，金融海嘯之後則轉為考量土地的底價和公告現值。唯一在金融海嘯前後持續會影響投標人意願的因素是信義房屋房價指數，其對於投標人的投標意願有正向影響。而在縣市別的區分下，對於台北市的土地投標人會考量建物、面積和房價指數；對於台北縣的土地則是注重公告現值。對於大安區和中正區的土地，投資人同樣會考量土地上是否有建物，除此之外，對於中正區的土地投標人還會參考當時的房價指數再決定是否投標。 本研究另以線性迴歸模型分析影響土地標售價格之因素。研究結果發現，在金融海嘯前，土地的底價、房價指數和縣市別三個變數都會顯著影響標售價格。而在金融海嘯後，投標人則改為關注土地面積和公告現值，但和金融海嘯前一樣，土地所在的縣市別依然會影響標售價格。以行政區劃分時，不論是台北縣或台北市的土地，土地的底價和公告現值都會顯著影響其標售價格。另台北市的土地，其標售價會隨建物和房價指數增加；台北縣的土地則顯著受面積影響。中正區的土地標售價隨建物、面積和底價增加，大安區的土地則只有底價影響顯著。

建立追蹤成長目標線的投資組合可以建構成混合整數非線性數學規劃模型，本論文針對數學規劃模型內幾個影響追蹤目標線效果的因素加以研究，透過調整目標線成長率、內樣本觀測長度及時間參數來進行探討。考慮實務上的限制，在建立追蹤成長目標線的投資組合模型中加入交易成本及放空股票限制。最後，以台灣股票市場作為實證研究對象加以分析。實證結果顯示報酬率在20%以下、內樣本長度在30週左右追蹤誤差達到最小，此外，沒有明顯的證據顯示加入時間參數能使建立的投資組合有較小的追蹤誤差。

本論文提出控制最差風險值與超越指數的雙目標投資組合最佳化模型，我們同時考慮兩種風險—指數追蹤的下方偏差(downside absolute deviation) 與最差風險值(worst-case value-at-risk, WCVaR)。並提出兩種不同模型，模型A針對兩者間的規避程度分別分配其權重，結合成單一目標函數的線性規劃模型。而模型B先計算出歷史資料中的WCVaR值，再以此風險值為限制式，使建立的投資組合與被追蹤指數報酬率的下方偏差降至最低的兩階段單目標線性規劃模型。我們使用台灣股票市場的資料進行實證，用以驗證兩模型之可行性與效能差異。實證結果顯示，不論是股市處於上漲、下跌或盤整階段，本模型所建立之投資組合的表現均能有效超越被追蹤指數。

在這篇論文當中，我們引用`海岸綠堤--水筆仔'網站上的研究資料並且藉由Matlab程式軟體的幫助建構數學模型，我們討論以下的二階非線性微分方程 (i) u''(t)=f(u(t)), u(t_0)=u_0, u'(t_0)=u_1. (ii) u''(t)=f(u'(t)), u(t_0)=u_0, u'(t_0)=u_1. 我們比較拋物線函數，立方函數，傅立葉和函數，正弦和函數並且從這些函數中選出最好的一個當作我們的模型，我們得到一些主要的結果。 / In this paper, we use the real data from website of `Seacoast Green Bank--Kandelia' and construct mathematical models with the help of Matlab, we discuss the following nonlinear 2nd order differential equation (i) u''(t)=f(u(t)), u(t_0)=u_0, u'(t_0)=u_1. (ii) u''(t)=f(u'(t)), u(t_0)=u_0, u'(t_0)=u_1. We compared with the functions of parabolic, cubic, Fourier summation, sum of sine and choose the best one from them as our model, we have obtained main results.

當線性模型中包含隨機效果項時，若將之視為固定效果或直接忽略，往往會造成嚴重的推測偏差，故應以混合線性模型為架構。若模式中只包含一個隨機效果項，則模式中有兩個變異數成份，若包含 個隨機效果項，則模式中有 個變異數成份。本論文主要在介紹至少兩個變異數成份時固定效果及隨機效果線性組合的最佳線性不偏推測量（BLUP），及其推測區間之推導與建立。然而BLUP實為變異數比率的函數，若變異數比率未知，而以最大概似法（Maximum Likelihood Method）或殘差最大概似法（Residual Maximum Likelihood Method）估計出變異數比率，再代入BLUP中，則得到的是經驗最佳線性不偏推測量（EBLUP）。至於推測區間則與EBLUP的均方誤有關，本論文先介紹如何求算其漸近不偏估計量，再介紹EBLUP之推測誤差除以 後，其自由度的估算方法，據以建構推測區間。 / When random effects are contained in the model, if they are treated as fixed effects or ignore, then it may result in serious prediction bias. Instead, mixed linear model is to be considered. If there is one source of random effects, then the model has two variance components, while it has variance components, if the model contains random effects. This study primarily presents the derivation of the best linear unbiased predictor (BLUP) of a linear combination of the fixed and random effects, and then the conduction of the prediction interval when the model contains at least two variance components. However, BLUP is a function of variance ratios. If the variance ratios are unknown, we can replace them by their maximum likelihood estimates or residual maximum likelihood estimates, then we can get empirical best linear unbiased predictor (EBLUP). Because prediction interval is relating to the mean squared error (MSE) of EBLUP, so the study first introduces how to get its approximate unbiased estimator, m_a , then introduces how to evaluate the degrees of freedom of the ratio of the prediction error for the EBLUP and m_a ^1/2 , in order to use both of them to establish the prediction interval.

無論是在社會科學或是自然科學的研究中, 經常會面對復雜難解的問題, 需要利用電 腦模擬一些自然狀態, 此時亂數就會被應用來增加其可靠性, 減少人為主觀的控制因 素。 1973年Lewis & Payne 提出GFSR方法使用M 序列:a =c a +----c a (mod 2)所有 的c =0或1;c =1且其特徵多項為f(D)=1+C D+-----+C P ,C =1為在GF(2) 中的原始多 項式來產生; 利用上述關系, 首先給定任意非零的初始值, 可以產生一個{a }周期為 2-1 的序列。采用一個固定的delay,使其每個位元行間的關系確定, 即y =0.a a -- ---,t=1,2,----- 。這個方法所產生的擬隨機序列可以得到較線性除模法更長周期的 序列, 且可以改善在除模法中變數個數愈多, 效果愈差的缺點。有定理可以證明它有 m=[p/l] distributed,1=位元數, 的優良性質。 在如何產生一個GFSR序列的演算法中, 除了早期Lewis & Payne(1973) 曾利用FORTRA N 程式發展了一套程式;Collings & Hembree(1986) 也針對他們的演算式加以改進修 正, 利用S (D) 表示D mod f(D)使得{S (D)} 滿足與{a }相同的基本周期關系來做轉 換, 使得演算法更有效率。另外,Fushimi & Tezuka(1983) 年曾提出一個簡便的生成 法。 最后本文將探討有關此產生器的應用, 如在判別分析及在K-S 統計量的修正上。

在我們建立迴歸模型時，必須針對研究的目的去探求與相依變數有關的自變數，而且 這些自變數應能合理的解釋相依變數，然而這些自變數的組合數一定很大；所以在一 般線性迴歸分析中，最重要也是最困難的問題是如何選取模式中的自變數，棄卻不太 重要的自變數，獲得最後的模型，以符合經濟原則。 而近年來非線性迴歸模型在各種領域裡廣泛地被使用，這些線性回歸模型之自變數的 選取較線性迴歸模型之自變數的選取困難，因其必須用反覆的技術來找最大概似估計 量，然後利用此最大概似估計量來做為選取自變數的基礎所以計算的成本較高。 本文將以處理相依變數為屬質變數的羅吉斯迴歸模型（LOGISTIC REGRESSION MODEL ）為主要研究對象；首先導出此模型的CP統計量，以CP來作為選取自變數的準則；其 次介紹一種透過對數概似近似函數及一些資料的轉換，將羅吉斯迴歸模型之自變數選 擇問題變換成一般線性迴歸模型的自變數選擇問題；然後作一個模擬分析比較不經變 數變換與經變數變換的方法，所選出的自變數組合是否大致相同，若其差異不大，則 表示此種變數變換方法確時有效，往後遇到類似的非線性迴歸之自變數的選取都可轉 換成一般線性迴歸的問題來解決，可簡化許多計算過程，此亦為本文研究的目的。 本文結構：本文共分六章 第一章 緒論，說明井究動機與目的 第二章 建立羅吉斯迴歸模型（LOGISTIC REGRESSION MODEL ）及定義其殘差（ RESIDUAI） 第三章 探討非線性模型之自變數選擇方法及針對LOGISTIC REGRESSION 求其CP統計 量。 第四章 介紹一重經過變數變換的自變數選擇程序及其應用的原理。 第五章 模擬分析，比較第三章與第四章所述二種方法的差異。 第六章 結論。

全部論文共分五章，第一章緒論，指出研究範圍及方法；第二章分析對線性迴歸式中 最佳子集之Mallows 方法；第三章探討時間數列資料之自身迴歸模型；第四章以目前 台灣實例作研究；第五章為結論。 對於一組隨機樣本，其自變數之最佳子集之選擇問題，首要乃在兩個相對子集中選擇 準則的發展，其二是降低計量的效果。本論文即著重降低計量之效果，用Mallows 的 ＣP 統計量做為比較兩迴歸式之基本準據，發展出一套程序，能以最少的計算過程判 斷出好的迴歸。 在本文中吾且將研究時間數列資料之自身迴歸模型，由Hocking 和Leslie的迴歸模型 之子集選擇方法改編，適用在自身迴歸模型，再發展一演算法，由事先固定之最大落 後期數k 而有最小殘差變異中，發現k 期落後之自身迴歸模型。此種演算法達到最小 計算效果，幾乎不必再檢核此（kκ）個可能子集，吾將再利用Akaike ′的抉擇函數 ，由２K －１個可能子集中選出最後模型。