平衡设计单向分类随机模型参数的极大似然比检验

对平衡设计单向分类随机模型参数的假设H0:μ=μ0,σα2=σ2α0,σ2=σ02H1:μ≠μ0或σ2α≠σ2α0或σ2≠σ02,利用极大似然比方法导出了检验H0的统计量.求出了检验统计量的渐进分布,并给出了检验规则.最后给出一个应用实例.

单向分类随机模型误差方差齐性的极大似然比检验

解决了已知均值相等条件下单向分类随机模型误差方差的齐性检验(b=2)问题.利用极大似然比方法导出了检验统计量.运用Barttlett分解推导出了检验统计量的一般分布,从而求出了原假设的拒绝域,讨论了检验的功效和相合性,最后给出一个应用实例.

平衡单向分类随机效应模型中的多个异常值检验

该文研究平衡单向分类随机效应模型中多个异常值的检验问题,在基于随机效应上的均值滑动模型下导出了似然比检验统计量,并给出了其精确分布及水平异常值的检验过程。在基于观测误差上的均值滑动模型下,利用得分检验统计量给出了多个异常值的检验过程。

单向分类随机效应模型的局部影响判断

利用局部影响方法对线性模型中的单向分类随机效应模型进行了讨论．这种方法的优点在于避免了线性模型中有些参数估计不便于进行单点删除的诊断分析．

偏正态单向分类随机效应模型下暴露水平的Bootstrap推断

为评估工作环境中的暴露水平,基于偏正态单向分类随机效应模型,研究暴露水平的区间估计和假设检验问题。首先,利用EM算法给出未知参数的极大似然估计。进而,基于Bootstrap方法,构造个体平均暴露水平的三种Bootstrap置信区间。Monte Carlo模拟结果表明,修正的Bootstrap百分位置信区间在覆盖概率意义下优于其他两种Bootstrap置信区间,Bootstrap标准置信区间在置信上限意义下优于其他两种Bootstrap置信区间。最后,将上述方法应用于苯乙烯暴露数据的案例分析,以验证所提出方法的有效性和合理性。

偏正态单向分类随机效应模型中方差分量函数的Bootstrap推断

本文利用Bootstrap方法和广义方法,研究了偏正态单侖分类随机效应模型中方差分量函数的单边假设检验和区间估计问题。首先,分别基于Bootstrap方法和广义方法构造单个方差分量的检验统计量和置信区间。进而,探讨方差分量之和以及方差分量之比的单边假设检验和区间估计问题。Monte Carlo模拟结果表明,Bootstrap方法在大多数样本量和参数设置下优于广义方法。最后,将上述方法应用于中国人口出生率的案例分析,以验证本文所给方法的合理性与有效性。

基于马尔可夫链蒙特卡罗方法的统计过程调整技术研究

建立了统计过程调整问题模型,研究了基于马尔可夫链蒙特卡罗方法的统计过程调整技术,并通过吉布斯抽样实现了偏移量的参数估计。在参数未知及参数已知的条件下,通过与其他方法的实例对比研究,验证了该方法的可行性及性能优势,并对参数未知条件下基于该方法的统计过程调整技术进行了改进。

非平衡随机效应模型中方差分量的经验Bayes估计

对非平衡单向分类随机效应模型中方差分量找到了其最小充分统计量,在加权平方损失下导出了其Bayes估计,利用多元密度及其偏导数的核估计方法构造了方差分量的经验Bayes(EB)估计,并导出了其收敛速度.文末用例子说明了符合定理条件的先验分布是存在的.