线性回归模型的后验极大似然估计

与普通最小二乘法相比,线性模型参数的极大似然估计,在一般的条件下也具有很好的性质;而实际中,在进行统计推断之前,我们往往对参数的信息有一定把握。文章将利用参数的先验信息即先验分布,构造了线性模型参数的后验极大似然估计,并在两种先验分布的情形,给出了具体的结果。

基于贝叶斯理论的云模型参数估计研究

云模型共有三个未知参数:期望、熵、超熵。经典的云参数的估计方法有矩估计法和极大似然估计法,二者都是在将样本均值作为期望的估计值的前提下,分别求得熵和超熵的矩估计和极大似然估计。在期望不是一个未知参数,而是一个随机变量,且分布已知的假设下,应用贝叶斯理论,得到期望的后验分布及其后验估计,并基于期望的后验估计求得熵、超熵的后验矩估计和后验极大似然估计。以均方误差最小为准则,将经典的矩估计、极大似然估计与后验的矩估计、后验极大似然估计比较,得到后验的极大似然估计效果最优的结论。